看到许多关于 AI 的讨论中，有一种常见观点认为：随着模型能力不断增强，人类进行思考的价值将逐渐被替代。最近我做了一些调研，并尝试从计算结构与资源效率的角度来重新审视这个问题，我认为这一观点是值得怀疑的。更合理的视角或许不是“替代”，而是分工，而且是一种高度不对称的分工。
即使我们完全不考虑社会结构、主观情感等因素，只把问题限定在一个纯粹理性的层面——在推动知识、创造与生产力跃迁的关键时刻，系统需要付出怎样的计算成本——人脑在当前 AI 范式下的“不可或缺性”依然会变得非常清晰。
无论是科学研究、技术创新，还是艺术创作，其过程往往并不是连续均匀推进的，而是由一系列离散的关键时刻构成的：问题被重新定义的瞬间、结构被看清的瞬间、某种表达方式突然成立的瞬间。这些时刻可以理解为一连串的 “aha moment”。而在这些稀疏但关键的跃迁之间，则存在大量 incremental 式的线性推演过程。
如果我们将整个过程抽象为 这些节点，以深度学习的发展为例，可以对应到如反向传播、ResNet、Transformer、o1 等关键节点，而其间伴随着的是上百万篇论文、无数模型变体与工程实现。那么，一个自然的问题是：仅从这些关键节点的产生来看，不同计算系统的成本如何？
在人类认知系统中，一个 “aha moment” 的产生，并不依赖于显式地展开全部历史上下文。长期的经验与理解已经被压缩进神经系统的潜在状态中，并在关键时刻通过局部激活被调动出来。一个科学家在研究某个问题（例如核聚变）的具体时刻时，无论是在第十个小时还是第十年，其大脑的总功耗都维持在一个相对稳定的量级（通常约为 20W）。更重要的是，这一关键时刻的产生，并不需要将此前所有推理路径逐步重放，而是建立在持续压缩、重组与遗忘的动态过程之上。从计算结构上看，人脑并不是在“追加历史”，而是在不断“重写状态”。因此，如果只关注这些关键跃迁，其边际成本可以近似看作是稳定的，而不会随思考历史线性增长。
而在当前主流的自回归 AI 范式中，情况恰恰相反。模型的生成过程依赖其全部历史上下文，即 。这意味着，随着推理持续进行，系统必须维护一个不断增长的状态。即便通过 KV cache 降低重复计算，其内存与带宽成本仍然与上下文长度近似线性相关。在一个持续运行的推理或 agent 系统中，随着时间推进，token 数量、状态规模与整体开销都会不断累积。因此，一个发生在更晚时间点的关键结果，其产生往往依赖于一个更长、更昂贵的显式历史。从这个角度看，AI 的 “aha moment” 并不是在恒定成本下产生的，而是嵌入在一个持续增长的上下文结构之中。
这种差异可以用一句话概括：人脑是“越想越压缩”，而当前 AI 更接近“越想越累积”。这并不意味着 AI 无法产生创造性结果，而是说明，在长时程认知过程中，它缺乏一种与人脑类似的稳定压缩机制。也正因为如此，近年来大量工作都在试图缓解长上下文带来的成本问题，其本质是在让模型逐步逼近一种更接近生物认知的状态表示方式。
基于上述的计算成本对比，我有一个观点：在现在、未来广泛的生产生活过程中，人类负责 aha moment，机器负责中间推演。
这种分工对于我个人已经自然出现。生产方面，过去在读博期间，我需要花大量时间在论文阅读、代码开发与实验迭代上，而最近这半年，我明显感受到工作方式正在发生变化：我更多地将精力集中在一些关键节点上，例如选择研究问题、确定方向、收敛 design space，以及设计实验指标等这些更偏向 creative 的决策；而节点之间大量的推演与实现工作，则由 AI 来辅助完成。
生活方面也有类似的模式，最近我会用类似 Suno 这样的工具做一些音乐创作。通常我会先用吉他弹出一个简单的旋律，或者哼出一段基本的节奏与情绪，再配上一些模糊的歌词与风格设想。这一阶段，本质上就是一个初始的 “aha moment”，是对方向的定义，而不是对细节的展开。随后，我将这些想法交给 AI，让它基于这些约束生成多个版本的编曲与演绎。这个过程是高度并行的，我常在这段时间去喝一杯茶，让系统同时生成十几种可能的实现路径。当我回来逐一聆听这些结果时，真正发生的并不仅仅是筛选，而是新一轮的审美改变。我可能会突然意识到某种编曲方式更有表现力，某种乐器的加入改变了整体结构，或者某种唱法打开了新的表达空间。这些判断本身几乎不消耗计算资源，但却决定了下一步的方向。于是，我再基于这些新的 “aha moment” 调整输入，进入下一轮生成与筛选。在这个过程中，从一个节点到下一个节点之间的大量生成与展开，是由 AI 完成的；而关键节点本身，则由人来触发。
从这个角度来看，AI 时代真正发生的变化，并不是人类是否还需要参与认知，而是认知过程本身被重新组织了。连续的、可枚举的、可并行的推演过程正在被外包，而离散的、结构性的、决定方向的关键时刻，反而变得更加重要。机器成为高吞吐的推演引擎，而人类则更像是低能耗的跃迁触发器。
因此，如果从纯粹理性的角度考虑资源效率，一个更合理的结论不是“AI 将取代人类思考”，而是：在可预见的未来，最优的认知架构将是一种协同系统——人类负责提出问题与触发关键的 aha moment，而 AI 负责在这些节点之间完成大规模推演与实现。真正稀缺的，不再是计算能力，而是那些能够在正确时刻提出正确问题、做出关键判断的能力。
也正是在这个意义上，AI 并没有让人类思考变得多余，反而让另一种更稀缺的能力被凸显出来：不是持续计算，而是在关键时刻做出决定。