Reid Hoffman 回應 AI 毅力研究：把工具設計成讓人願意繼續

用 AI 摘要這篇文章：

ChatGPT Claude Perplexity Google Grok

Possible 節目在 2026 年 10 月 21 日上架，這一集裡主持人 Aria Finger 把一份剛修訂完的研究端到共同主持人、LinkedIn 共同創辦人 Reid Hoffman 面前：隨機試驗顯示，AI 協助會讓人在失去 AI 之後更容易放棄難題。Hoffman 沒有順著勸大家少用的方向走。他把問題換成另一個：工具能不能被設計成讓人更願意堅持。

先釐清事件與研究本體的時間關係。這則新聞的事件是 10 月 21 日那一集，同一天 Hoffman 的官方 YouTube 頻道放出約 26 分鐘完整影片。被討論的論文《AI Assistance Reduces Persistence and Hurts Independent Performance》早在 2026 年 4 月 6 日就首次上傳 arXiv，10 月 13 日更新到第六版，作者群來自卡內基美濃大學、UC 柏克萊、牛津、MIT 與 UCLA 五個機構。該留意這則新聞的，是日常用聊天模型做推理與文字工作、以及設計這類產品的人；本來就少用者，它暫時沒有提供需要行動的訊息。

Pin

Pin

主持人引述，與論文之間有五段差距

Aria 引述版本如下：1,200 人隨機試驗，來自 CMU、牛津、MIT 與 UCLA，只要 10 分鐘 AI 使用就侵蝕毅力，移除之後人們放棄難題頻率約兩倍，而且作者把它稱為 cognitive debt（認知債）。她還說，這是眾多討論裡第一個確立因果關係而非相關的研究。

對照論文第六版，這段話有五個地方需要校準。參與者總數 1,222 人。作者機構有五所，節目上漏了 UC 柏克萊。效果出現在 10 到 15 分鐘任務階段之後，並非精確 10 分鐘。「放棄頻率約兩倍」只貼合第一個實驗數字。至於 cognitive debt 這個詞，它在論文裡只出現在參考文獻清單，是另一篇腦電與寫作研究的標題；這份論文從頭到尾沒用它命名任何發現。

這些差距都算不上錯誤，而是口語傳播難免壓縮。但每一段壓縮都會改變結論強度，想在團隊或文章裡引用它的人，值得回到原文核對。

三個實驗的跳題證據，強度並不一致

整套設計可以一句話講完：參與者先做學習階段題目（一部分人隨機分派到可用 AI 條件組），測驗階段所有人都得收起 AI 獨立作答，研究者統計解題率與跳題率，把「選擇跳過題目」當成還願不願意投入的行為指標。三個實驗都招募美國 Prolific 平台使用者，總數 1,222 人，單一實驗報酬介於 2.6 到 3.4 美元。Aria「第一個確立因果」的說法，根基也在這裡：隨機分派發生在「有沒有 AI 可用」這一層，所以可用性對後續表現的因果效果可以被乾淨估計；至於使用者拿到它之後怎麼用，那是自己選的，屬於另一層。

值得先記住學習階段結果：有助理的人答對更多、跳過更少。當下幫助是真的，量到的是幫助消失後的代價。也要先定義清楚「放棄」在這裡的意思：跳題率統計參與者選擇不作答、直接略過的比例，與答錯是兩回事；它被當成持續投入的行為代理指標，本身就帶著解釋彈性。

第一個實驗用分數數學題，剔除未通過基本能力篩選者後，分析樣本 305 人。測驗階段：學習時有助理的人平均解題率 57%，對照組 74%，差距達統計顯著；跳題率是 20% 對 11%，同樣顯著。Aria「約兩倍」之說就從這裡來，20 除以 11 約 1.8 倍。作者也自承這個實驗一個潛在混淆：剔除標準沒處理「能力不足但靠助理答對」的人，實驗組可能因此留下較多低能力參與者。這個疑點正是第二個實驗要處理的對象。

Pin

第二個實驗擴大到 667 人，加入前測階段來排除初始能力差異，把混淆一項項收緊。結果也支持這層設計：兩組前測的解題與跳題表現沒有顯著差異，等於帶著相近起點進入實驗。結果解題率差距仍然顯著（71% 對 77%），但跳題率 10% 對 7%，未達統計顯著。換句話說，三個實驗裡樣本最大、設計最乾淨的一個，「更容易放棄」這項行為證據反而沒有站穩。

第三個實驗換成閱讀理解題，分析樣本 168 人。解題率 76% 對 89% 顯著；跳題率 8% 對 1% 也顯著，但兩邊的絕對值都很低，控制組幾乎沒有人跳題。

三個實驗並列，可以得到比「AI 傷毅力」更準確的讀法：解題率下降在三個實驗都顯著且方向一致，跳題率則是一份幅度大、一份未達顯著、一份顯著但基數極低。論文作者自己也寫了但書，提醒不要把這些結果擴大解讀成全面降低毅力與獨立能力的證據；而且所有測量都只發生在 10 到 15 分鐘階段結束後的當下，長期使用會產生什麼變化，論文明說沒有回答。

傷害集中在「直接取答案」的用法上

全文最有內容的一段，是對「怎麼用」做拆解。研究者在第二個實驗裡，依照參與者實際的使用方式分組觀察：直接要助理給答案的人，測驗階段跳題率 13%；對照組 7%；要 AI 給提示、引導理解者最低，只有 5%，甚至比全程沒有 AI 的對照組略低。解題率也是直接取答案的組別墊底，平均 65%。

也就是說，傷害最集中處，是「把 AI 當答案產生器」的用法。不過這段分析有一個必須記住的性質：這些分組是研究者看完互動紀錄後歸類的，不是事先分派；怎麼用是參與者自己選的，隨機化只發生在「有沒有助理」這一層。所以它是相關證據，能指出方向，不能證明只要改成要提示就一定免疫。

把「怎麼用」放進視野之後，單純爭論「要不要用」就顯得太粗。這正好接到 Hoffman 的回應。

Hoffman：等好工具回來，不算毅力問題

Aria 提問前先鋪了路。她提到常見批評是認知卸載（cognitive offloading），也預先回了「計算機出現後我們也不再心算兩位數乘法」這類類比，然後把問題收窄成一個取捨：AI 讓人更有能力，會不會同時讓人少了咬牙撐下去的勁。

Hoffman 的回應從接受證據分量開始。他說研究者「可能真的發現了一個問題」，沒有迴避統計結果，接著把話題導向產品：如果挑戰存在，重點就在於怎麼塑造 AI，「應該把 AI 塑造成能夠增進毅力的工具」。

他隨即畫出一條很多人沒畫的界線。他舉例：只有腳踏車時，他願意騎一小時進城；有了汽車後，某天車不在，他就不去了，等車修好再說。在他看來這不算毅力出了問題。真正的毅力問題，是大腦不再運轉、不再想讓自己變好。工具暫時不在而選擇等待，與根本不想動腦，是兩種不同狀態，前者判斷甚至可能是對的。

他再把毅力放回判斷力脈絡：智慧的一部分，正是判斷哪些問題值得堅持、哪些該放下去做別的事、哪些該找人討論、哪些確實超出自己能力範圍。盲目撐在不會成功的難題上，並不是美德。他也重複過去說法，把 AI 稱為認知外骨骼（cognitive exoskeleton）：外骨骼讓人發現自己能做更多事，於是更有興趣去做。他以學習為例：有無限耐心的家教，人反而想學更多原本覺得太難的東西。節目尾聲他補了一個比喻：沒看過電視的人第一次看到電視會著迷；問題在與它相處之後，毅力會變成什麼樣子，而這正是 AI 設計該回答的問題。

同一集裡 Aria 也補了一個方向一致的故事：數學家 George Dantzig 在 1939 年把黑板上兩道其實是未解難題的題目，當成遲交的作業帶回家解開了，因為他不知道「不該堅持」。她隨即反問：若 AI 能反過來增加人的毅力，會多出多少個解開難題的人。這個故事在流傳中已有傳說成分，她自己也這麼標註，引用時保留這個但書。

設計方向有先例，也有邊界

Hoffman 的「塑造 AI」聽起來像願景，但其結論就指向同一個方向：AI 開發應該把長期能力的鷹架（scaffolding）與當下完成任務放在同一個優先順序。論文開頭其實把對比寫得很直白：好導師搭鷹架、追蹤進度，把對方成長放在立即結果前面，不會只給答案；現在的 AI 系統則被描述成短視合作者，被優化成即時吐出完整回應、從不說不。研究對傷害來源的假設也建立在這裡：助理讓人習慣期待立即答案，也就拿走了親自熬過卡關的經驗。而且這個方向已經有隨機試驗的先例。論文引用 Bastani 等人研究發現，高中生用 GPT-4 做數學練習，之後無輔助表現變差；採用鷹架式家教設計的條件組，傷害獲得部分緩解。這是轉述自論文文獻回顧，原始研究場景在教學，不宜直接推廣到所有工具類型。課堂端的隨機試驗結果其實也是混合的：Gemini 走進英國課堂的輔導試驗追平真人教師，標準化測驗卻未見優勢。

動機這一端也有獨立證據。2025 年 4 月 29 日發表在《Scientific Reports》的另一份研究做了四項線上實驗、總計 3,562 人，任務涵蓋報告寫作、點子腦力激盪與問題解決。它發現與生成式 AI 協作能提升當下產出品質，但提升並未延續到後續獨立作業；協作結束、轉回獨力工作時，參與者內在動機顯著下降、無聊感上升，四項實驗裡反而只有控制感上升。這份研究量自述感受，跳題那份量行為；兩種指標從不同側面指向同一方向，共通短版也相同：都在短時間任務裡測量。這也與 Addy Osmani 談代理時代如何保留批判性思考時的擔憂相接：產出變快與理解變深，本來就是兩回事。

現在需要改變用法嗎

多數讀者的答案是不用立刻動。證據邊界（短任務、立即反應、跳題指標）還支撐不起「全面少用 AI」結論，論文作者與 Hoffman 在這點上意外一致。

若想做小檢查，可以觀察一個具體行為：當 AI 給不出可用答案時，自己會換方法、找資料、換問題，還是只反覆用不同句話重問。舉工程面例子：AI 給的修正方案編譯仍失敗，下一步是回頭讀錯誤訊息、縮小問題範圍，還是把同段描述再貼一次等它重擲答案。前者接近論文裡跳題率最低使用型態，後者接近傷害最集中型態。這個檢查不必裝工具、不必改流程，只需要在下次卡住時留意自己的下一個動作。

對設計產品的人，可操作訊號是使用模式資料：直接給答案與引導理解兩種介面，關聯到的後續行為不同。但要誠實面對其性質：那是相關證據，不是因果保證；寫進產品決策時，應該連這個但書一起寫進去。

還沒有答案的部分

有三件事目前沒有答案。長期使用 AI 對毅力與獨立表現的影響，三個實驗都沒有觸及；提示式用法能不能防止傷害，需要隨機分派的後續研究；Aria 說這份研究已在 COLM 會議發表；這一點在 arXiv 頁面與論文內文都查無紀錄，只能以節目說法視之。Hoffman「把工具設計成讓人願意繼續」目前是方向而非結論，等更多像 Bastani 那樣的隨機試驗補上證據。

本文時間基準是 2026 年 11 月 8 日，事件（節目上架）為 2026 年 10 月 21 日。若預印本再推出修訂版或正式會議版，後續數字以 arXiv 最新版本為準。在證據補齊前，這份研究最穩用法，是把它當成一個提醒：工具的下一步建議與自己的下一步判斷，值得分開保存。這也與 Lex Fridman 談 AI 時代數學證明與理解的結論遙遙相呼應。