分类：未分类

用 AI 会让人变笨，过度依赖 AI 或导致损坏批判性思维与记忆力  

由麻省理工学院媒体实验室的 Nataliya Kosmyna 及其团队主导的最新研究，深入探讨了在论文写作任务中，使用大型语言模型（LLM）如 OpenAI 的 ChatGPT 可能带来的认知成本。该研究发现，尽管 LLM 产品为人类和企业带来了诸多便利，但其广泛应用却可能导致大脑积累 “认知负债”，长远来看甚至会削弱个体的学习技能

该研究招募54名参与者，并将其分为三组：LLM 组（仅使用 ChatGPT）、搜索引擎组 (使用传统搜索引擎，禁用 LLM) 和纯脑力组 (不使用任何工具)。研究共进行了四次会话，其中在第四次会话中，LLM 组的参与者被要求不使用任何工具 (被称为 “LLM 转纯脑力组”)，而纯脑力组的参与者则开始使用 LLM (被称为 “纯脑力转 LLM 组”)。

研究团队通过脑电图 (EEG) 记录了参与者的大脑活动，以评估其认知投入和负荷，并深入理解论文写作任务期间的神经激活模式。此外，研究还进行了自然语言处理 (NLP) 分析，并在每次会话后对参与者进行了访谈，同时邀请人类教师和 AI 评判员对论文进行打分。

​核心发现：大脑连接性减弱，记忆和所有权受损

研究结果提供了确凿证据，表明 LLM、搜索引擎和纯脑力组的神经网络连接模式存在显著差异，反映了不同的认知策略。大脑连接性与外部支持的程度呈系统性下降：纯脑力组表现出最强、范围最广的连接网络，搜索引擎组居中，而 LLM 辅助则引发了最弱的整体耦合。

特别值得关注的是，在第四次会话中，“LLM 转纯脑力组” 的参与者表现出较弱的神经连接性，以及阿尔法（alpha）和贝塔 (beta) 网络的投入不足。阿尔法波段连接性通常与内部注意力、语义处理和创造性构思相关。贝塔波段则与主动认知处理、专注注意力和感觉运动整合相关。这些结果表明，过去依赖 LLM 的使用者，在脱离工具后，其大脑在内容规划和生成方面的神经活动有所减少，这与认知卸载的报告相符，即依赖 AI 系统可能导致被动方法和批判性思维能力的减弱。

在记忆方面，LLM 组的参与者在引用自己刚写完的论文时表现出明显障碍，甚至无法正确引用。这直接映射到 LLM 组较低的低频连接性，特别是与情景记忆巩固和语义编码密切相关的西塔（theta）和阿尔法波段。这表明 LLM 用户可能绕过了深层记忆编码过程，被动地整合了工具生成的内容，而没有将其内化到记忆网络中。

此外，LLM 组对自己论文的所有权感知度普遍较低，而搜索引擎组拥有较强的所有权感，但仍低于纯脑力组。这种行为上的差异与神经连接性模式的变化相吻合，凸显了 LLM 使用对认知能动性的潜在影响。

认知负债的积累：效率与深度学习的权衡

研究指出，尽管 LLM 在初期提供了显著的效率优势并降低了即时认知负荷，但随着时间的推移，这种便利可能以牺牲深度学习成果为代价。报告强调了 “认知负债” 的概念：重复依赖外部系统（如 LLM）取代了独立思考所需的努力认知过程，短期内延迟了脑力投入，但长期却导致批判性探究能力下降、更容易被操纵以及创造力减退。

纯脑力组的参与者，尽管面临更高的认知负荷，却展现出更强的记忆力、更高的语义准确性和对其作品更坚定的主人翁意识。而 “纯脑力转 LLM 组” 在首次使用 AI 辅助重写论文时，大脑连接性显著增加，这可能反映了将 AI 建议与现有知识整合时的认知整合需求，暗示了 AI 工具引入的时机可能对神经整合产生积极影响。

对教育环境的深远影响与未来展望

研究团队认为，这些发现对教育领域具有深远意义。过度依赖 AI 工具可能无意中阻碍深层认知处理、知识保留以及对书面材料的真实投入。如果用户过度依赖 AI 工具，他们可能会获得表面的流畅度，但却无法内化知识或对其产生所有权感。

该研究建议，教育干预应考虑将 AI 工具辅助与 “无工具” 学习阶段相结合，以优化即时技能转移和长期神经发展。在学习的早期阶段，全面的神经参与对于发展强大的写作网络至关重要；而在后续练习阶段，有选择性的 AI 支持可以减少无关的认知负荷，从而提高效率，同时不损害已建立的网络。

研究人员强调，随着 AI 生成内容日益充斥数据集，以及人类思维与生成式 AI 之间的界限变得模糊，未来研究应优先收集不借助 LLM 协助的写作样本，以发展能够识别作者个人风格的 “指纹” 表示。

最终，这项研究呼吁在 LLM 整合到教育和信息情境中时，必须谨慎权衡其对认知发展、批判性思维和智力独立性的潜在影响。LLM 虽然能减少回答问题的摩擦，但这种便利性也带来了认知成本，削弱了用户批判性评估 LLM 输出的意愿。这预示着 “回音室” 效应正在演变，通过算法策划内容来塑造用户接触信息的方式。

（研究论文标题为《Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task》，主要作者为麻省理工学院媒体实验室的 Nataliya Kosmyna 等。）

假如我们不是深信自己对别国领土和财富没有贪婪的恶念，没有攫取物资的野心，没有卑鄙的念头，那么我们在今年的圣诞节中，一定会很难过。

因为我们深信自己对别国毫无恶念，所以圣诞节才能过得心安理得（不难过）。

假如我们不是深信自己对别国毫无恶念，那么我们在圣诞节一定会很难过。

mkdir test-data
fio –rw=write –ioengine=sync –fdatasync=1 –directory=test-data –size=2200m –bs=2300 –name=mytest

命令分解

mkdir test-data  # 创建测试目录
fio \
  --rw=write      # 测试模式：纯写入
  --ioengine=sync # I/O引擎：同步阻塞写入（模拟最严苛的持久化场景）
  --fdatasync=1   # 每次写入后调用fdatasync()，确保数据刷到磁盘（类似数据库安全写入）
  --directory=test-data  # 测试目录
  --size=2200m    # 每个线程写入总量：2200MB
  --bs=2300       # 块大小：2300字节（模拟非常规小块写入）
  --name=mytest   # 任务名称

---

关键参数作用

参数	意义
--rw=write	测试写入性能（非随机写入）。
--ioengine=sync	使用同步I/O，每次写操作必须等待磁盘确认完成（性能低但数据安全）。
--fdatasync=1	每次写操作后调用 fdatasync()，强制刷新内核缓冲区到磁盘（类似 fsync 但略轻量）。
--bs=2300 –size=2200m	设置非常规块大小（通常用4K/8K），可能是为了模拟特定业务场景的小数据块写入。 总写入量足够大，避免缓存影响测试结果。

典型应用场景

1. 数据库持久化测试

• 模拟事务日志（如WAL）的写入性能，因为 sync+fdatasync 是数据库保证ACID的常用配置。

1. 磁盘可靠性验证

• 测试磁盘在强制刷盘模式下的实际吞吐和延迟。

1. 性能调优基准

• 对比不同文件系统/磁盘设备在小块同步写入时的表现。

输出结果关注点

运行后会显示以下关键指标：

• IOPS：每秒写入次数（2300字节/次）。
• 带宽（BW）：实际写入吞吐（如 MB/s）。
• 延迟（lat）：每次写入的平均耗时（尤其关注 sync 和 fdatasync 的开销）。
  示例输出片段：

write: IOPS=500, BW=1.12MiB/s (1.17MB/s)
  sync (usec): min=100, max=10000, avg=2000
  fdatasync: 1 calls, total=10ms

---

注意事项

1. 磁盘压力：此命令会高负载写入，避免在生产环境直接运行。
2. 块大小优化：bs=2300 可能导致未对齐写入，正常测试建议用 4K 的整数倍。
3. 对比测试：移除 --fdatasync=1 和 --ioengine=sync 可测试缓存写入性能（速度会快很多）。
   

GLM-Z1-AirX（极速版）：定位国内最快推理模型，推理速度可达 200 tokens / 秒，比常规快 8 倍；

GLM-Z1-Air（高性价比版）：价格仅为 DeepSeek-R1 的 1/30，适合高频调用场景；

GLM-Z1-Flash（免费版）：支持免费使用，旨在进一步降低模型使用门槛。

“本我” 代表欲望，受意识遏抑， （完全潜意识）
“自我” 负责处理现实世界的事情； （大部分有意识）
“超我” 是良知或内在的道德判断。 （部分有意识）

import requests
import json
import sys

url = 'http://x.x.x.x/v1/chat-messages'
headers = {
    'Authorization': 'Bearer app-KT4yNocX6Bzey6mZ5Jxxxx',
    'Content-Type': 'application/json'
}
conversation_id = ""

while True:
    try:
        # 获取系统默认编码
        encoding = sys.getdefaultencoding()
        query = input("请输入你的问题（输入 '退出' 结束对话）：").encode(encoding).decode(encoding)
        if query == "退出":
            break

        data = {
            "inputs": {},
            "query": query,
            "response_mode": "streaming",
            "conversation_id": conversation_id,
            "user": "ts",
            "files": [
                {
                    "type": "image",
                    "transfer_method": "remote_url",
                    "url": "https://cloud.dify.ai/logo/logo-site.png"
                }
            ]
        }

        try:
            response = requests.post(url, headers=headers, json=data, stream=True)
            response.raise_for_status()

            full_response = []
            full_api_response = []
            for chunk in response.iter_lines(decode_unicode=True):
                if chunk.startswith('data:'):
                    chunk_data = chunk[5:].strip()
                    if chunk_data:
                        full_api_response.append(chunk_data)
                        try:
                            event = json.loads(chunk_data)
                            if event.get('event') == 'message':
                                answer = event.get('answer', '')
                                print(answer, end='', flush=True)
                                full_response.append(answer)
                            elif event.get('event') == 'message_end':
                                print()
                                final_answer = ''.join(full_response)
                                print(f"完整回复: {final_answer}")
                                conversation_id = event.get('conversation_id', conversation_id)
                        except json.JSONDecodeError:
                            print(f"解析错误: {chunk_data}")
            print("\nAPI 接口返回的完整信息：")
            for line in full_api_response:
                print(line)

        except requests.exceptions.RequestException as e:
            print(f"请求错误: {e}")
    except UnicodeDecodeError:
        print("输入解码时出现错误，请检查终端编码设置。") 

[ceshizhangzhao@ceshizhangzhao1 ~]$ whoami #确认当前用户为ceshizhangzhao   root
 ceshizhangzhao
 [ceshizhangzhao@ceshizhangzhao1 ~]$ su #不加用户就表示切换到root，当然也可以su root            root
 Password: 
 [root@ceshizhangzhao1 ceshizhangzhao]# env
 HOSTNAME=ceshizhangzhao1        
 SHELL=/bin/bash
 HISTSIZE=500
 USER=ceshizhangzhao        <--
 MAIL=/var/spool/mail/ceshizhangzhao
 PWD=/home/ceshizhangzhao   <--
 HOME=/root
 LOGNAME=ceshizhangzhao
 以下省略无关内容…
 提示：使用su而不加上“-”这个参数，切换前的用户的相关信息还会存在。切换用户时，“su - 用户名”。
 [root@ceshizhangzhao1 ceshizhangzhao]# exit #退出当前用户，这个命令也可以用ctrl+d
 [ceshizhangzhao@ceshizhangzhao1 ~]$ su - root
 Password: 
 [root@ceshizhangzhao1 ~]# env | egrep "USER|MALL|PWD|LOGNAME"
 USER=root                <--
 PWD=/root                <--
 LOGNAME=root

总结：请su –

一花一一花一木一世界,一朝一夕一浮生,一生一世一轮回。一悲一喜一枯荣，一真一假一尘缘，一起一落一平生。 一直一念一徒然，一心一念一清净，一梦一醒一凡尘。

!/bin/bash
 设置变量
 LOG_DIR="/a/b/c"  # 替换为实际的日志目录
 ARCHIVE_DIR="/a/b/c/history_archive" # 替换为存储归档的目录
 DAYS_TO_KEEP=30                 # 保留日志的天数
 LOG_FILE="/a/b/c/history_archive/op_record.log" # 替换为实际的日志文件路径
 创建归档目录（如果不存在）
 mkdir -p "$ARCHIVE_DIR"
 获取当前日期
 CURRENT_DATE=$(date +%Y-%m-%d)
 记录开始时间
 echo "[$CURRENT_DATE] 开始压缩和归档日志…" >> "$LOG_FILE"
 压缩并归档日志
 for dir in "$LOG_DIR"/20*; do
     if [ -d "$dir" ]; then
         # 获取目录名
         dir_name=$(basename "$dir")
     # 压缩目录     tar -zcf "$ARCHIVE_DIR/${dir_name}.tar.gz" -C "$LOG_DIR" "$dir_name"     # 检查压缩是否成功     if [ $? -eq 0 ]; then         echo "[$CURRENT_DATE] 已压缩并归档: $dir_name" >> "$LOG_FILE"         # 删除原始日志目录         rm -rf "$dir"         echo "[$CURRENT_DATE] 已删除原始日志目录: $dir_name" >> "$LOG_FILE"     else         echo "[$CURRENT_DATE] 压缩失败: $dir_name" >> "$LOG_FILE"     fi fi
 done
 清理超过指定天数的归档文件
 find "$ARCHIVE_DIR" -type f -name "*.tar.gz" -mtime +$DAYS_TO_KEEP -exec rm -f {} \;
 echo "[$CURRENT_DATE] 已删除超过 $DAYS_TO_KEEP 天的归档文件" >> "$LOG_FILE"
 记录结束时间
 echo "[$CURRENT_DATE] 完成压缩和归档日志." >> "$LOG_FILE"

1、命令$(basename $n)

 n="/data/path-a/path-b/2024-log-dir"
 COMPRESS_DIR=$(basename "$n")
 echo $COMPRESS_DIR
 2024-log-dir

 2、tar -C目录路径

 /data/abcp/access-mo-dispatch/2025-01-01
 LOG_DIR="/data/abcp/access-mo-dispatch"
 COMPRESS_DIR="2025-01-01"
 tar -zcf "/data/abcp/access-mo-dispatch/2025_history_archive/2024-03-14_2024-log-dir.tar.gz" -C "/data/abcp/access-mo-dispatch" "2025-01-01"
 归档压缩的结果
 [root@k8s-node02 access-mo-dispatch]# tree
 .
 ├── 2025-01-01
 ├── 2025-01-02
 ├── 2025-01-03
 └── 2025_history_archive
     └── 2024-03-14_2024-log-dir.tar.gz
 4 directories, 1 file