跳到主要內容

ChatGPT依賴評測：柏克萊研究證實10分鐘毀耐力 | ChatGPT Review: 10 Minutes of AI Use Erodes Persistence

By Kit 小克 | AI Tool Observer | 2026-10-11

🇹🇼 ChatGPT依賴評測：柏克萊研究證實10分鐘毀耐力

ChatGPT只要用10分鐘，解題耐力就可能垂直下滑——這不是危言聳聽,而是柏克萊大學人機相容中心(Center for Human-Compatible AI)研究員Brian Christian團隊在2026年10月發表的實測結果。這份論文〈AI Assistance Reduces Persistence and Hurts Independent Performance〉找來1,222名受試者做了三組隨機對照實驗,結論直指一個多數人用ChatGPT時都沒意識到的副作用:工具一拿掉,表現比沒用過AI的人還差。

三組實驗怎麼設計的

研究團隊設計了三個獨立實驗:第一組354人、第二組667人做分數應用題,第三組201人做SAT閱讀理解。兩組受試者都先解12題,差別是其中一組全程可以用ChatGPT輔助,另一組完全靠自己。關鍵操作在第12題之後——研究人員把AI工具收回,讓所有人繼續靠自己解題,藉此觀察「依賴AI的人」拿掉工具後會發生什麼事。

拿掉AI之後,差距馬上現形

  • 全程靠自己解題的對照組,準確率維持穩定甚至略有進步
  • 先用ChatGPT輔助的組別,工具收回後答對率明顯下滑,跳題(skip)比例也大幅增加
  • 效應不只出現在數學應用題,SAT閱讀理解測驗也觀察到同樣的耐力與準確率下滑

換句話說,用ChatGPT解題當下看起來很有效率,但那份「能力」有一部分其實是工具借來的,工具收回,能力也跟著收回。

不只是數學題,是「人類專業能力」的流失

Brian Christian在受訪時特別強調,這個現象不會停在國小分數題:「這件事正在發生在人類知識與專業能力的每一層,從國小學生到頂尖專家都無法例外。」他認為問題核心在於,ChatGPT這類工具習慣直接給答案,等於剝奪了使用者「卡關、掙扎、最後自己想通」的過程——而那個過程正是建立長期解題耐力的關鍵。

對一般用戶與產品設計的啟示

研究團隊建議,AI產品不該預設「直接給答案」,而該更像家教那樣引導式提問,才能在提升效率與保留使用者自身能力之間取得平衡。對一般用戶來說,實務建議很簡單:練習、學習類任務先自己卡關一段時間,把ChatGPT留到真正卡死才用,而不是每一步都先問AI——不然短期效率換來的,可能是長期耐力的流失。

好不好用，試了才知道

這份研究沒有說ChatGPT不該用,而是提醒大家:工具用得越順手,越該留意自己有沒有在默默把「想辦法解決問題」的肌肉外包出去。拿掉AI之後你還剩下多少實力,才是真正的試金石。

🇺🇸 ChatGPT Review: 10 Minutes of AI Use Erodes Persistence

Just 10 minutes of using ChatGPT can measurably erode your ability to persist at hard problems — that is the blunt finding from a October 2026 study led by Brian Christian, a researcher at UC Berkeley's Center for Human-Compatible AI. The paper, "AI Assistance Reduces Persistence and Hurts Independent Performance," ran three randomized controlled experiments on 1,222 participants, and the result points to a side effect most people never notice while using ChatGPT: once the tool is taken away, performance drops below that of people who never had it.

How the Three Experiments Were Designed

The research team ran three independent trials: 354 participants on fraction word problems, 667 on a similar fraction task, and 201 on SAT reading comprehension. All participants solved 12 problems; one group had ChatGPT access throughout, the other worked unaided. The critical twist came after problem 12 — researchers removed AI access entirely and had everyone keep solving problems on their own, to see what happens to people who had been relying on the tool.

The Gap Shows Up Immediately After AI Is Removed

  • The unaided control group held steady accuracy, even improving slightly over time
  • The group that had used ChatGPT saw accuracy drop sharply once the tool was removed, with skip rates rising noticeably
  • The effect wasn't limited to math — the SAT reading comprehension experiment showed the same drop in persistence and accuracy

In other words, solving problems with ChatGPT feels efficient in the moment, but part of that performance is borrowed from the tool. Take the tool away, and the borrowed capability goes with it.

Not Just Math — Human Expertise Itself Is Eroding

Christian was explicit that this doesn't stop at grade-school fractions: "This is something that is happening to human knowledge and human expertise from top to bottom and from grade-school students all the way to the leading experts." His read on the mechanism: tools like ChatGPT default to handing over answers immediately, which denies users the struggle-and-eventually-figure-it-out process that actually builds long-term persistence.

What It Means for Everyday Users and Product Design

The researchers argue AI products shouldn't default to instant answers — a more tutor-like, guided-question approach could balance efficiency against preserving users' own capability. The practical takeaway for everyday ChatGPT users is simple: let yourself get stuck on learning tasks before reaching for AI, and save it for when you're genuinely blocked rather than querying it at every step. The short-term efficiency gain may be costing you long-term persistence.

好不好用，試了才知道

This study isn't an argument against using ChatGPT — it's a reminder that the smoother a tool feels, the more worth checking whether you're quietly outsourcing the muscle of "figuring things out." What you've got left once the AI is gone is the real test.

Sources / 資料來源

延伸閱讀 / Related Articles

AI 工具觀察站 — 每日精選 AI Agent 與工具趨勢
AI Tool Observer — Daily curated AI Agent & tool trends

留言

張貼留言

這個網誌中的熱門文章

Google Ironwood TPU v7 推理專用晶片解析：效能追平 NVIDIA、成本低 44%，AI 晶片戰爭正式開打 | Google Ironwood TPU v7 Explained: Matching NVIDIA Performance at 44% Lower Cost — The AI Chip War Heats Up

By Kit 小克 | AI Tool Observer | 2026-04-21 🇹🇼 Google Ironwood TPU v7 推理專用晶片解析：效能追平 NVIDIA、成本低 44%，AI 晶片戰爭正式開打 Google Ironwood TPU 是什麼？為什麼它讓 NVIDIA 緊張？ Google Ironwood TPU（代號 TPU v7）是 Google 第七代自研 AI 晶片，也是第一款 專為推理（inference）設計 的 TPU。在 AI 模型越來越大、推理需求暴增的時代，Google 不再只依賴 NVIDIA GPU，而是推出自己的推理專用晶片來搶市場。 Ironwood TPU v7 規格有多強？ 每顆 Ironwood TPU 提供 4.6 petaFLOPS 的 FP8 運算效能 ，搭載 192 GB HBM3E 記憶體，頻寬達 7.37 TB/s。單顆效能略高於 NVIDIA B200（4.5 petaFLOPS），接近 GB300 的 5 petaFLOPS。 更驚人的是規模化能力：Ironwood 可擴展至 9,216 顆晶片組成超級叢集 ，總算力達 42.5 ExaFLOPS，遠超 NVIDIA GB300 NVL72 系統的 0.36 ExaFLOPS。共享記憶體池高達 1.77 PB，解決了大型模型推理時的資料瓶頸問題。 Ironwood TPU 比 NVIDIA 便宜多少？ 根據分析，Ironwood 的 整體擁有成本（TCO）比 NVIDIA GB200 低約 44% 。在能效方面，Ironwood 的 FP8 效能達每瓦 5.42 TFLOPS，而 GB300 為 3.57 TFLOPS/W，Google 晶片的能效高出約 52%。 為什麼 Google 要做推理專用晶片？ AI 產業正從「訓練時代」轉向「推理時代」。當 ChatGPT、Gemini、Claude 等 AI 助手每天處理數十億次查詢時，推理運算的需求遠超過訓練。Google 稱之為「推理時代（age of inference）」，而 Ironwood TPU 就是為這個時代量身打造的武器。 對開發者和企業有什麼影響？ Ironwood TPU 目前 只能透過 Google Cloud 使用，無法...
閱讀完整內容

Claude Code 實測：AI 幫你寫程式到底行不行？ | Claude Code Review: Can AI Really Code for You?

By Kit 小克 | AI Tool Observer | 2026-03-27 🇹🇼 Claude Code 實測：AI 幫你寫程式到底行不行？ Claude Code 是 Anthropic 推出的命令列 AI 程式助手，直接在你的終端機裡運作。跟其他 AI 程式工具不同的是，它不是 IDE 外掛，而是一個獨立的 CLI 工具，可以讀取你的整個 codebase、執行指令、甚至幫你做 git 操作。我實際用了幾個月，以下是真實心得。 安裝與設定 安裝非常簡單，透過 npm 就能搞定： npm install -g @anthropic-ai/claude-code 。啟動後它會要求你登入 Anthropic 帳號或設定 API key。整個流程不到五分鐘。 實際使用體驗 Claude Code 最強的地方在於 它理解你的整個專案 。你不需要手動貼程式碼，它會自己讀取相關檔案、分析程式結構，然後給出建議或直接修改。實測幾個場景： Bug 修復 ：描述錯誤現象，它能自動找到問題檔案並提出修正，準確率大約 70-80% 新功能開發 ：給它需求描述，它能產出可用的初版程式碼，但通常需要人工調整細節 程式碼重構 ：這是它最擅長的。重新命名變數、抽取函式、調整架構，做得又快又好 寫測試 ：給它一個函式，它能產生相當完整的測試案例 優缺點分析 優點： 深度理解 codebase，不是只看單一檔案 可以執行 shell 指令，直接跑測試、裝套件 支援 CLAUDE.md 讓你定義專案規則 agentic 模式下可以自主完成多步驟任務 缺點： API 費用不便宜，大型專案一天可能花 10-30 美元 偶爾會過度修改，改了不該改的地方 對非英語的程式碼註解理解力稍弱 需要良好的網路連線 適合誰用？ 如果你是全端開發者、需要處理多個專案、或者經常做重構，Claude Code 絕對值得一試。但如果你只是寫簡單的腳本，免費的 Copilot 可能就夠了。 Kit 的結論： Claude Code 是目前最接近「AI 工程師」的工具。它不完美，但確實能大幅提升生產力。好不好用？試了才知道。 🇺🇸 Claude Code Review: Can AI Really Code for You?...
閱讀完整內容

Cursor vs GitHub Copilot vs Claude Code：AI 程式助手大比拼 | AI Coding Assistants Compared: Cursor vs GitHub Copilot vs Claude Code

By Kit 小克 | AI Tool Observer | 2026-03-27 🇹🇼 Cursor vs GitHub Copilot vs Claude Code：AI 程式助手大比拼 2026 年，AI 程式助手已經成為開發者的標配。但市場上選擇太多了，到底該用哪一個？我同時使用了 Cursor、GitHub Copilot 和 Claude Code 超過半年，以下是完整比較。 GitHub Copilot：最普及的選擇 Copilot 是最早普及的 AI 程式助手，整合在 VS Code 和各大 IDE 中。它的核心功能是 即時程式碼補全 ——你打字的時候，它自動建議下一行或下一段程式碼。 優點 ：補全速度快、整合度高、支援幾乎所有語言、Copilot Chat 可以問問題 缺點 ：上下文理解有限（主要看當前檔案和少量相關檔案）、Agent 模式仍在發展中 價格 ：個人版 /月，企業版 /月 Cursor：IDE 級別的 AI 整合 Cursor 是一個從頭打造的 AI-first IDE（基於 VS Code fork）。它不只是補全程式碼，而是把 AI 深度融入整個開發流程。 優點 ：Composer 功能可以跨檔案編輯、Agent 模式可以自主執行多步驟任務、支援切換不同 AI 模型、Tab 補全非常智慧 缺點 ：是獨立的 IDE 需要遷移、Pro 方案有使用量限制、偶爾不穩定 價格 ：免費方案有限制、Pro /月 Claude Code：終端機裡的 AI 工程師 Claude Code 走完全不同的路線——它是 CLI 工具，在終端機裡運作，不綁定任何 IDE。 優點 ：理解整個 codebase、可以執行系統指令、支援 git 操作、CLAUDE.md 定義專案規則、最強的 agentic 能力 缺點 ：沒有視覺化介面、按 API token 計費（可能很貴）、需要習慣 CLI 工作流 價格 ：按 API 使用量計費，或透過 Max 訂閱方案 關鍵差異比較 即時補全 ：Copilot ≈ Cursor > Claude Code（無此功能） 跨檔案理解 ：Claude Code > Cursor > Copilot Agentic 能力 ：Claud...
閱讀完整內容