前阵子 DeepSeek 宕机 12 小时，引发网友一片哀嚎 ——“生活已经不能没有 AI 了” 这句话，如今早已从抱怨变成了无数人的日常陈述。写作业、理思路、选餐厅，甚至纠结要不要道歉，都习惯先问 AI。我们默认 AI 就该顺滑、即时、永远在线，但这种 “理所当然” 的背后，是否藏着被忽视的危机？
德克萨斯大学奥斯汀分校设计系助理教授 Sam Lavigne，用一款看似 “缺德” 的插件给出了反思：名为Slow LLM的浏览器扩展程序，专门让 ChatGPT、Claude 等 AI 的响应速度变得极其缓慢，用刻意制造的卡顿，逼着人们重新思考：我们是否正在把思考和情感，一并外包给 AI？
反向操作：AI 没崩，是插件在 “掐着水管”
Slow LLM 的核心功能简单又极端：不影响 AI 的正常推理和服务器运行，只在数据传输环节动手脚，让原本秒出的回复变成 “一字一顿” 的煎熬。其原理并不复杂，却精准击中了 AI 交互的关键环节：
浏览器与 AI 服务器之间的数据传输，依赖 JavaScript 的 Fetch 函数。Slow LLM 会在用户访问 AI 聊天网站时，悄悄替换这个函数，换成一个故意延迟数据释放的版本 —— 就像 “掐着水管” 放水，AI 的回答早已到达本地，却被人为拉长展示时间，营造出 AI “思考卡顿” 的错觉。
这款工具提供两种便捷部署方式，覆盖不同使用场景：
-
Chrome 浏览器插件：仅影响单设备，安装后随时可关闭，实测中 ChatGPT 的文字会逐字蹦出，堪比早年拨号上网的加载体验；
-
DNS “企业版”：修改路由器 DNS 地址后，整个网络下的所有设备都会受影响，除了 ChatGPT 和 Claude，还能拖慢 Grok、Gemini 等其他 AI 工具。
目前，Slow LLM 的代码已在 GitHub 完全开源，有技术基础的用户还能自建 DNS 服务器，实现更灵活的部署。Sam Lavigne 甚至透露，考虑在 “毫不知情的人” 身上测试，看看他们是否会因愤怒而退出 LLM。
不是恶作剧：用 “摩擦” 对抗 AI 引发的 “去技能化”
如果你以为这只是一场技术恶作剧，就低估了 Sam Lavigne 的深意。长期以来，他的研究和创作都围绕 “计算系统如何重塑人类行为” 展开，Slow LLM 是他发起的又一次 “数字破坏实验”—— 用刻意制造的 “摩擦”，对抗硅谷奉为圭臬的 “无摩擦体验”。
在互联网产品逻辑里，“摩擦” 是原罪：多余的跳转、支付密码、哪怕两秒的延迟，都被视为影响转化的障碍。过去十几年，产品经理的核心工作就是消除一切阻力，而 LLM 则把这种逻辑推到了极端：任何让人感到费力的认知劳动，都能通过 AI 外包。写邮件、整理思路、做简单决策，甚至梳理情绪，AI 都能代劳。
但 Sam Lavigne 发现了一个危险的趋势：人们越依赖 AI 处理这些 “小事”，就越容易丧失对应的能力，陷入 “去技能化” 的陷阱。他在官方宣传语中直接抛出担忧：“你是否担心自己或身边的人，正在参与一场技能大退化？正在遭受 LLM 诱发的认知扭曲？”
在他看来，人类的成长恰恰源于 “困难”：学钢琴的价值在于练习的艰辛，数学题的深刻印象来自解题时的挣扎，一封措辞纠结的邮件，本身就是理清思路、换位思考的训练。而 AI 的无缝代劳，恰恰跳过了这些关键的思考过程。Slow LLM 的初衷，就是把 “阻力” 还回去 —— 让用户在漫长的等待中，有机会问自己一句：“这件事，我能不能自己来？”
自我矛盾的诚实：批评 AI 依赖，却也曾依赖 AI
有趣的是，Sam Lavigne 本人也没能摆脱 AI 依赖。开发 Slow LLM 时，他先用 Claude 写了部分代码，直到部署插件后，AI 响应变得极其缓慢，才被迫靠自己完成剩余工作。这种 “一边批判，一边依赖” 的处境，恰恰戳中了大多数人的现状：
就像有人刷完短视频吐槽 “短视频上瘾”，边点外卖边转发 “外卖毁了厨艺”，我们很难从一个完全外部的位置，批判已经渗透进日常的技术。而 Sam Lavigne 的诚实之处在于，他没有扮演 “清醒的局外人”，而是坦然承认了这种依赖 —— 他用自己的经历证明，Slow LLM 的价值不是 “彻底禁用 AI”，而是 “在使用前多等一等、想一想”。
这早已不是他第一次挑战 “理所当然” 的技术规则。2021 年远程办公热潮时，他开发的 “Zoom Escaper” 能制造婴儿哭声、电钻声等干扰，帮人 “名正言顺” 逃离冗长会议；他还曾与搭档推出 “Slop Avoider” 插件，屏蔽 ChatGPT 发布后的所有搜索结果，躲避 AI 生成的垃圾内容。这些工具看似 “反向操作”，核心都是在提醒人们：不要被技术裹挟，要掌握使用技术的主动权。
比 “变慢” 更值得深思：AI 正在替代思考本身
Slow LLM 引发的争议，本质上是一场关于 “AI 与人类思考关系” 的辩论。历史上，计算器、GPS、搜索引擎的出现，都曾引发 “人类变笨” 的担忧，但最终证明，这些工具只是作为 “被动延伸”，帮人类解放脑力处理更复杂的问题 —— 它们遵循 “扩展心智理论”，始终由人类定义问题、主导思考。
但大语言模型的逻辑完全不同。它是 “主动的”：不仅给出答案，还会提供一套完整的解题路径；在你真正开始思考前，就已经完成了筛选、归纳、重构，把打磨好的结论推到你面前。这种模式下，人类的独立推理环节被直接跳过。2025 年一项覆盖 600 余人的研究显示，高频 AI 使用者的批判性思维能力显著下滑，且呈现 “用得越多、越依赖、越难独立” 的自我强化态势，年轻群体尤为突出。
更隐蔽的是，这种能力侵蚀没有明确的节点。你不会突然意识到 “我不会思考了”，但不知不觉中，遇到问题的第一反应会从 “让我想想” 变成 “问一下 AI”。Slow LLM 或许改变不了什么，但它像一颗硌脚的石子，用刻意的卡顿把问题摆到台面：当我们把思考 “外包” 给 AI 时，是否正在温水煮青蛙般，丢掉人类最宝贵的独立思考能力？
当然，现实是 AI 实在太好用了，好用到质疑它都显得 “矫情”。那些隐隐的不安，往往会被下一个满意的 AI 输出淹没。但 Sam Lavigne 的尝试至少提供了一种可能：在 AI 无缝融入生活的今天，我们或许需要一款 “Slow LLM”，不是为了禁用技术，而是为了给自己留一点思考的时间 —— 毕竟，真正珍贵的不是 AI 给出的答案，而是我们思考的过程。
如果你也想体验这种 “刻意的慢”，可通过以下链接获取工具：
-
GitHub 仓库：https://github.com/antiboredom/slow-llm