AI過載是真實存在的。這是你大腦裡發生了什麼。

在2024年左右，情況發生了變化。描述一種特定類型的認知疲憊的人數增加了——這不是完全的倦怠，也不是完全的信息過載，而是兩者交集的某種狀態。描述一致：一種心理飽和的感覺、獨立思考的困難、對不確定性的耐受度降低，以及對AI工具的不安依賴，讓思考變得更困難，而不是更容易。

這不是技術恐懼或懷舊。這反映了真實的神經動態，根據我們對大腦如何處理信息、維持認知功能以及對隨時可得的幫助的反應所知，這是可以預測的。這裡發生了什麼——以及證據對於如何應對的建議。

新的認知環境

截至2025年，大多數行業的知識工作者每天多次與AI工具互動——ChatGPT、Copilot、Gemini、Claude以及數十種專業工具。平均用戶每天發送數十個查詢。AI生成的內容現在佔據了電子郵件草稿、會議摘要、代碼、書面文件和搜索結果的相當一部分。

這是一個真正新的認知環境。歷史上第一次，大量以前需要持續努力的認知工作——草擬、總結、搜索、計劃、除錯——幾乎可以瞬間卸載。問題是這會隨著時間對大腦造成什麼影響。

根據我們對認知功能和認知負荷的了解，答案比樂觀版本（AI擴展人類能力）或悲觀版本（AI使人類能力萎縮）更為複雜。這兩者都在發生，以不同的方式，針對不同類型的思考。

為什麼AI工具會增加認知負荷而不是減少它

直觀的假設是，將工作卸載給AI會減少認知負荷。在某些方面確實如此。但對認知負荷理論（Sweller, 1988）的研究區分了內在負荷（任務本身的複雜性）、外在負荷（由任務呈現方式產生的認知需求）和相關負荷（建立理解和技能所需的認知努力）。

AI工具主要減少內在和相關負荷——它們處理那些本來需要努力和產生學習的工作。但它們往往增加外在負荷：評估AI輸出的準確性、將多個AI生成的部分整合成一致的工作、在多個工具之間管理上下文、決定什麼該委派什麼該親自處理，以及維持對AI過程的監督。這些是以前不存在的新認知需求。

對許多人來說，結果是一個矛盾：更多的產出，更多的認知疲憊。工作在個別時刻感覺輕鬆，但整天卻更讓人疲憊。這與決策疲憊的研究一致——做出許多小決策的累積成本消耗了與做出幾個大決策相同的前額資源。

AI輔助工作顯著增加了微決策的數量：接受這個建議、拒絕那個、修改這段文字、重新查詢那個提示。每個決策都很快，但每天數百個微決策的總負擔是相當可觀的。

自動化悖論與技能退化

在人體工學和人因研究中，有一個記錄良好的現象稱為自動化悖論或自動化的諷刺（Bainbridge, 1983）：當自動化處理日常工作時，人類操作員在非日常情況下所需的技能變得不那麼熟練。依賴自動駕駛的飛行員在手動操作技能上會有所退化。使用AI診斷工具的放射科醫生在AI漏掉某些情況時，檢測率會下降。

同樣的動態也適用於認知工作。寫作、推理問題、計劃和創意綜合是通過練習發展的技能，沒有練習則會退化。當AI處理初稿、綜合或結構性推理時，這些認知通路的運用會減少。這種擔憂並不劇烈——並不意味著人們會忘記如何思考——但熟練技能的逐漸退化會隨著時間的推移對認知能力和自信心產生實際影響。

這與單純地不那麼熟練地用鉛筆打字是不同的。寫作——實際上是創作，而不是口述或編輯——以不同於審查和編輯AI輸出的方式，涉及工作記憶、概念組織和反思思考。創作的認知工作是生成性的；編輯的認知工作是評估性的。兩者都有其價值，並不是可以互換的。

注意力分散層

除了認知負擔和技能退化之外，AI工具還為已經充滿干擾的環境增添了另一層注意力分散。每個聊天界面、編碼助手和寫作工具都是潛在的干擾源——需要生成的查詢、需要檢查的結果、需要完善的後續問題。

管理持續注意力和執行功能的前額皮質，並不區分人類生成的干擾和AI生成的干擾。關於任務切換成本的研究（Rubinstein et al., 2001）顯示，即使是短暫地在任務之間切換，也會產生認知上的懲罰，這種懲罰在一天內會累積。將多個AI工具添加到已經分散的工作環境中，會使情況變得更糟，而許多人並未意識到疲勞的來源。

諷刺的是，AI工具通常是為了減少認知負擔而被採用的。但新工具、新界面和新的決策點的增加，往往會增加總的認知需求，而不是減少——至少在這些工具尚未足夠整合以自動處理而非深思熟慮之前。

實際上該怎麼做

區分減少和卸載。並非所有AI輔助的認知效果相同。使用AI處理真正低價值的任務（格式化、範本、重複搜索）可以在不顯著損失技能的情況下減少負擔。使用AI處理你希望保持熟練的思考——複雜的寫作、理性的分析、創意問題解決——則會在降低負擔的同時損失熟練能力。對於特定用途屬於哪一類別保持清晰的認識，是開始的第一步。

保護獨立思考的時間。 最容易受到AI影響的認知技能，正是那些最值得保留的：獨立推理、持續寫作、複雜規劃。在沒有AI協助的情況下，對這些技能進行有意識的練習——在特定的時間內，針對重要的任務——並不是對科技的恐懼；這就像外科醫生即使有機器人工具可用，仍然練習手動技術的邏輯。

減少正在使用的AI工具數量。 管理五個不同的AI介面所需的認知成本，遠高於管理一個精心挑選的工具。AI工具的激增造成的注意力分散問題，與應用程式和通知的激增是一樣的。整合可以減少多餘的認知負擔。

應用與一般數位健康相同的原則。 AI過載是Unwire所關注的更廣泛問題的一種特定形式：認知環境要求的超過其實際提供的，注意力的分散使人感到疲憊而無法恢復，以及隨時可用的刺激使得斷開聯繫變得不可能。干預措施是一致的：定義的休息時間、限制環境中AI互動的設計，以及定期的恢復時間，讓大腦不被指引。

核心緊張： AI工具可以讓你更有效率或更無能，這取決於你如何使用它們。區別在於你是用它們來延伸思考還是取代思考——以及你是否保持讓大腦從高認知需求的一天中恢復的條件。

長期觀點

AI融入知識工作不會逆轉。問題在於個體如何在一個設計上旨在最大化參與和最小化摩擦的環境中導航——這對認知健康在多年而非幾天內的影響。

更廣泛的數位健康研究表明，最能在高科技環境中導航的人，不是使用最多工具或最少工具的人，而是那些對自己注意力的條件保持有意識控制的人：何時可接觸，何時不可接觸，什麼是外包的，什麼是需要保護的。

在AI充斥的環境中，保持這種有意識的控制比在僅僅是智慧型手機充斥的環境中更困難。但基本原則——保護你獨立思考的能力，通過真正的休息恢復大腦的基準，並設計你的環境而不是被動反應——仍然是相同的。

Sources

Sweller, J. (1988). Cognitive load during problem solving: effects on learning. Cognitive Science, 12(2), 257–285.
Bainbridge, L. (1983). Ironies of automation. Automatica, 19(6), 775–779.
Rubinstein, J.S., et al. (2001). Executive control of cognitive processes in task switching. Journal of Experimental Psychology: Human Perception and Performance, 27(4), 763–797.
Wiehler, A., et al. (2022). A neuro-metabolic account of why daylong cognitive work alters the control of economic decisions. Current Biology, 32(16), 3564–3575.
Baumeister, R.F., et al. (1998). Ego depletion: is the active self a limited resource? Journal of Personality and Social Psychology, 74(5), 1252–1265.

將這付諸實行

Unwire 為你提供了 AI 診斷，幫助你了解阻礙你的因素，個性化的學習路徑，以及結構化的習慣追蹤來付諸行動。