让模型知道自己“会不会”，可能比让它答得更快更重要。
发生了什么
Hacker News 上出现一篇题为《Thinking Fast and Slow in AI: The Role of Metacognition》的讨论，核心议题是：当前 AI 系统大多只负责“给出答案”，却很少对自身的思考过程进行监控与调节。文章借用心理学中“快思考/慢思考”的经典框架，提出把元认知——即对自身认知的觉察与控制——引入 AI 系统，让模型能够判断任务的难易、评估自身把握程度，并据此决定是直接输出，还是投入更多推理步骤。该帖在社区获得一定关注，讨论集中在“模型能否可靠地自我评估”这一问题上。
为什么重要
过去两年，推理模型的主线是“把思考时间拉长”：通过思维链、测试时计算扩展等手段，让模型在难题上多花算力。但这条路线的隐含前提是——系统知道什么时候值得慢下来。现实中，模型往往对简单问题过度推理，对真正棘手的问题却草率作答，既浪费算力，也埋下错误。
元认知恰好补上这一环。它关心的不是“怎么想得更久”，而是“怎么知道该想多久、以及想得对不对”。这与人类认知的分工类似：直觉负责快速反应，反思负责纠错与校准。对 AI 而言，这意味着需要一套内部的置信度评估、难度预判和自我检查机制，而不是把所有这些都交给外部的提示词工程或人工规则。
影响与看点
对开发者来说，最直接的影响在成本与可靠性两端。如果模型能自主决定推理预算，智能体（agent）在长流程任务中就不必对每一步都做深度推理，延迟和 token 消耗都有下降空间；反过来，在金融、医疗、代码审查等高风险场景，模型主动“承认不确定”并请求更多验证，比强行给出一个流畅答案更有价值。
值得关注的点有三个。其一，自我评估的可靠性：模型对自己答案的置信度是否真的校准，还是只是另一种幻觉。其二，可训练性：元认知能力能否通过训练数据或奖励设计被稳定地学到，而非依赖提示词临时激发。其三，评测方式：现有基准大多只看最终答案对错，缺少对“是否知道自己在做什么”的度量，这本身可能催生新的评测维度。
一个克制的判断是：元认知不会立刻带来能力跃迁，但它可能决定推理模型能否从“偶尔惊艳”走向“稳定可用”。在算力越来越贵、智能体越来越自主的当下，让模型学会说“我不确定”，或许比让它说得更多更关键。
