今年6月，麻省理工学院（MIT）媒体实验室研究员Kosmyna等人的一项研究引发公众关注。这项题为“你的大脑遇上ChatGPT”（Your Brain on ChatGPT，见文末注释1）的研究历时四个月，对54名成年人进行脑电图监测后发现：与未使用AI写作工具或仅使用谷歌搜索的对照组相比，使用ChatGPT撰写文章的参与者，虽能产出连贯的文章，但其大脑神经连接减弱，思维趋于同质化，这些参与者对自己文章的记忆率更低。研究者将此现象命名为“认知债务”（cognitive debt，原文第141页）——大脑因依赖外部工具而减少自身认知投入。消息一出，舆论哗然，人们担心生成式AI会“掏空”、“腐蚀”、“反噬”我们的大脑。
其实，作者已在文末指出这项研究的若干局限：样本量偏小、参与者背景单一，且未区分AI的具体使用方式（究竟是寻求灵感、润色语法，还是完全代笔）？要对AI与创造力的关系下定论，仍需更多严谨研究。
AI无疑提升了创意工作的生产力——从资料整合到多语种翻译，从突破写作瓶颈到激发思考。使用AI工具进行创作也逐渐成为人文社科院系学生的必修课之一。然而，随着风险浮现，一个关键问题摆在眼前：如何在人机协同中保持警觉，避免被其负面效应吞噬？尤其令人忧虑的是，若MIT研究所言不虚——人们的记忆力、认知投入和原创性确因依赖机器而衰退——那么创意工作者的立身之本将被动摇。以新闻业为例，其核心价值恰恰在于独特洞察、人脉管理、对一则事件“报”与“不报”的微妙拿捏、对本土文化的深刻理解、对受访者生活情境超越常人的同理心和洞察力。一旦这些能力因过度依赖AI而萎缩，媒体的独门绝学和商业根基必将土崩瓦解。这并非文科生的怀旧情结作祟，而是AI与媒体创新受挫、平台变现遇阻、公共利益受损的症结之一。
要回应这个问题，不妨首先思考传播技术和传播行为的关系。传播技术史揭示了一个悖论：新技术往往先表现为对表达的制约，再催生新的传播形态。美国南北战争时期，电报的有限传输和高成本迫使记者将要闻前置，倒金字塔结构由此诞生——虽满足时效性，却违背认知规律，而且“先果后因”、“抓大放小”的叙事，会让读者错过文末看似不重要、实则相关的情境。
这种“技术制约在前、思考表达在后”的模式贯穿传播技术史。广播要求将书面语改写为口语以避免使用听觉上难以辨别的词语或长句子——赵元任的《施氏食狮史》读来无碍，播报则需重写。早期互联网带宽受限，仅有文字聊天室，其间催生了字符表情符号：）。Twitter（现在是X）最初限定一条推文不可超过140个字符，人们被迫殚精竭虑地精炼语言，然后发展出了“thread”（长推文）这一文体：发帖者使用评论功能连续回复主帖（有时候还会把评论一一编号），以展开长篇叙事。
在教育领域，AI普及前，论文写作课训练关键词拟定，服务于数据库检索。如今，伦敦政经学院（LSE）教授“结构化新闻”（Structured Journalism），将一篇报道拆解为标题、摘要、引语、数据等可被AI读取的标准化“模块”，为了方便AI进行重组和分发。人机协同在制约中孕育了新文体、新表达、新课程，乃至新商业模式。
然而，生成式AI似乎打破了“制约催生创新”的规律。它不再制约，而是无限“释放”——批量生产跨平台内容，自动转换图文音视频。但在这种万能转码中，人类创意的参与变得模糊。要知道，技术普及并不必然产生熟练用户。以社交媒体为例，有研究显示，有些记者在推特上过度@同辈友人和被采访对象的账号，反而形成封闭小圈子；也有社交媒体发布者追求情绪化标题，却触发限流。
同样的，生成式AI的普及，对人机协同过程中的人类的判断与取舍变得更加复杂。借用工程学的语言，技术改变体现为参数（Technical Specs）变化；人类的创意，是在给定参数下，寻求最优解，这就是所谓的工程优化（Engineering Optimization）。然而，这种将创意生产转换为工程学求解的问题，在人文社科领域是欠考虑和危险的。比如，AI总结访谈时，那些看似不重要却体现人情世故的细节，很可能被机器抹去。未来新闻是否会演化为可预测、可标注、却缺乏惊喜的"AI体"？乔姆斯基（Noam Chomsky）早在2023年就警告：ChatGPT体现了某种平庸之恶：剽窃、冷漠与回避：拒绝表明任何立场，无法平衡创造力与约束；要么过度生成（真假并出，善恶不分），要么生成不足（不做决断，漠视后果）（原文见注释2）。
面对挑战，笔者拾人牙慧，尝试就新闻生产创新和行业训练提出以下建议：
一、强化判断力训练——尤其是面对海量AI生成内容时，选择和取舍的“品味“。可以做一个实验：让AI生成三个版本，你能识别最平庸的吗？即便有工程解法（提示词评判或A/B测试），编辑的最终选择仍是人机协同的“最后一英里难题”。究竟在哪个时刻，你决定停止与AI互动、转回人工或进入下一步创作？是因为AI的产出不再让你惊喜，还是已经达到你的标准？若是前者，那你还会继续使用AI吗？若是后者，那你的这个标准从何而来——你的家学、阅历、还是机构的规训？
二、关注被遗漏的声音。数据化（datafication）即简约化。我们需要拷问：哪些信息在效率至上的简约中，被遗漏了？哪些群体的声音被忽略了？
第三，重读经典，多重比较。国际传播课程常训练学生比较同一事件的多国报道；AI时代的新闻训练也可以参考这个练习——对比AI辅助报道与传统人工报道（或无法使用AI、或AI使用受限）的差异，评判各自得失。
未来的AI与媒体创新，需要研判每个内容生产环节的效率与质量，找到最优（但未必最快）的叙事方式。怀旧抵制无益，盲目拥抱无补，不如主动、谨慎、系统地探索，通过反复迭代建立适合自身的人机协同标准作业程序（Standard Operating Procedure），并持续优化，将AI效率转化为持久以及难以模仿的核心竞争力。
注释：
1. MIT研究的原文：Kosmyna N., Hauptmann E., Yuan Y. T., Situ J., Liao X.-H., Beresnitzky A. V., Braunstein I., Maes P. (2025). Your brain on ChatGPT: Accumulation of cognitive debt when using an AI assistant for essay writing task. arXiv. https://arxiv.org/abs/2506.08872
2. 乔姆斯基的评论见： Noam Chomsky: The False Promise of ChatGPT, March 8, 2023. https://www.nytimes.com/2023/03/08/opinion/noam-chomsky-chatgpt-ai.html
（作者简介：张昕之是香港城市大学媒体与传播系副教授和研究主任，他的研究考察人工智能对新闻生产、传播生态与政策制定的影响，以及由此推动的媒体创新转型。他曾获香港研究资助局多项研究资助，并担任《人类传播研究》《新闻与大众传播季刊》《数字新闻学》等国际权威期刊编委。 ）