2024 年前後，情況開始有了變化。描述某種特定認知耗竭的人數明顯增加了——它不完全是倦怠，也不完全是資訊過載，而是介於兩者交會處的一種狀態。這些描述很一致：有種心智飽和的感覺、很難獨立思考、對不確定性的容忍度下降，還有一種讓人不太舒服的 AI 工具依賴，而這種依賴不知為何反而讓思考變得更吃力，不是更輕鬆。
這不是科技恐懼，也不是懷舊。它反映的是實際的神經動力學；根據我們對大腦如何處理資訊、維持認知功能，以及如何回應隨時可用的協助的了解，這樣的變化其實是可以預期的。以下是正在發生的事——以及證據對於如何因應它所提示的內容。
新的認知環境
到了 2025 年，大多數產業中的知識工作者每天都會多次與 AI 工具互動——像是 ChatGPT、Copilot、Gemini、Claude，以及數十種專門工具。一般使用者每天會送出幾十次查詢。AI 生成的內容如今已占電子郵件草稿、會議摘要、程式碼、書面文件和搜尋結果中相當大的一部分。
這真的是一種全新的認知環境。人類歷史上第一次，過去需要持續投入努力的大部分認知工作——起草、摘要、搜尋、規劃、除錯——都能幾乎瞬間交出去處理。問題在於，這對大腦長期會造成什麼影響。
根據我們對認知功能與認知負荷的了解，答案比樂觀的說法（AI 擴展人類能力）或悲觀的說法（AI 讓人類能力退化）都更複雜。兩種情況都在發生，只是方式不同，也取決於不同類型的思考。
為什麼 AI 工具有時反而會增加認知負荷，而不是降低它
直覺上會以為把工作交給 AI 會降低認知負荷。某種程度上確實如此。但認知負荷理論（Sweller, 1988）的研究把負荷分成 內在 負荷（任務本身的複雜度）、外在 負荷（由任務呈現方式所造成的認知需求），以及 有助學習 負荷（建立理解和技能所需的認知努力）。
AI 工具主要降低的是內在負荷和有助學習的負荷——它們處理了原本需要花力氣、也會帶來學習的工作。但它們常常會 增加 外在負荷：檢查 AI 輸出的正確性、把多個 AI 產生的片段整合成連貫的成果、在多個工具之間管理脈絡、決定哪些要交出去、哪些要自己做，以及持續監督 AI 的流程。這些都是以前不存在的新認知需求。
對很多人來說，結果就形成了一種矛盾：產出更多，認知疲勞也更多。單獨當下的工作感覺比較輕，但放到一整天下來卻更耗人。很多人會把這形容成 決策疲勞：一長串的小判斷，累起來跟少數幾個大決定一樣疲憊。研究界對這背後的原因仍有爭議，但連續好幾個小時不停做微小決定後出現精神疲憊的感受很常見。
AI 輔助工作會大幅增加微決策的數量：接受這個建議、拒絕那個、修改這段文字、重新查詢那個提示詞。每一個決定都很快，但每天成百上千次微決策累積起來的負擔相當可觀。
自動化悖論與技能退化
在人體工學與人因工程研究裡，有一個有充分記錄的現象叫做自動化悖論或自動化的諷刺（Bainbridge, 1983）：當自動化接手例行工作時，人類操作員在應付非例行情況所需的技能上就會越來越不熟練。大多數飛行都仰賴自動駕駛的飛行員，手動操控能力會變差。使用 AI 診斷工具的放射科醫師，在 AI 漏掉某些問題時，偵測率也會下降。
同樣的情況也適用於認知工作。寫作、推理解題、規劃，以及創意整合，都是需要靠練習培養、不練就會退化的技能。當 AI 代寫初稿、整理整合內容，或負責有結構的推理時，這些認知路徑得到的鍛鍊就變少了。這種顧慮並不是說得很誇張——不是指人會忘記怎麼思考——但經常使用的技能慢慢退化，久了確實會改變認知能力與自信。
這和只是比較不熟練於手寫不同。寫作——指真正動手寫作，而不是口述或編輯——會運用工作記憶、概念組織與反思思考；檢視和編輯 AI 輸出無法完全複製這些過程。撰寫時的認知工作偏向產出；編輯時的認知工作偏向評估。兩者都有價值，不能互相取代。
注意力碎片化的層面
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。每個聊天介面、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。
負責持續注意力與執行功能的前額葉皮質，並不會區分中斷是人為造成還是 AI 造成的。關於任務切換成本的研究（Rubinstein et al., 2001）顯示，在不同任務之間切換——即使只是短暫切換——也會帶來認知負擔，而且這種負擔會在一整天裡累積。在本來就已經很零碎的工作環境中再加入多種 AI 工具，只會讓情況更糟，卻常常沒多少人意識到疲勞的來源。
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、新介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。
真正該怎麼做
區分減少負擔和外包。 並不是所有 AI 協助都會帶來一樣的認知影響。用 AI 處理真正低價值的工作（排版、制式內容、重複搜尋），可以減輕負擔，又不太會付出技能上的代價。用 AI 來處理你希望自己繼續保有能力的思考——複雜寫作、理性分析、創意解題——則是以已經熟練的能力為代價來減輕負擔。先搞清楚某個用法屬於哪一類，是第一步。
保留不靠 AI 的思考時間。 最容易因為把工作交給 AI 而受影響的認知技能，正是最值得保留的那些：獨立推理、持續寫作、複雜規劃。刻意在沒有 AI 協助的情況下練習這些技能——在明確的時間段裡，針對重要的任務——不是科技恐懼；這和外科醫師在有機器人工具可用時，仍然練習手動技術是同樣的道理。
減少你正在使用的 AI 工具數量。 同時管理五個不同的 AI 介面，認知成本比把一個選得好的工具用好還高。AI 工具越來越多，和 App 與通知越來越多一樣，都會造成注意力被切碎的問題。把工具整合起來，可以減少額外的認知負荷。
套用跟一般數位健康一樣的原則。 AI 過載是 Unwire 所處理的更大問題中的一種具體形式：要求比回報更多的認知環境、只會耗損卻不會補充的注意力分散，以及隨時可用、讓你覺得根本不可能斷開的刺激。介入方式也一樣：明確的離線時段、限制背景中 AI 互動的環境設計，以及讓大腦不必一直被引導的固定恢復時間。
核心矛盾： AI工具可以提升你的生產力，也可能削弱你的技能，這取決於你怎麼使用它們。差別在於，你是用它們來延伸你的思考，還是拿它們來取代思考——以及你是否有維持讓大腦在一整天高認知需求後能恢復的條件。
更長遠的看法
AI 融入知識工作這件事不會倒退。真正的問題是，你要怎麼在一個本來就以最大參與、最小阻力為目標設計出來的環境中應對——以及這件事在幾年而不是幾天的尺度上，對認知健康會造成什麼影響。
更廣泛來看，數位健康的研究顯示，最能在高科技環境中應對得最好的人，不是用最多工具的人，也不是用最少工具的人，而是能有意識地掌握自己注意力條件的人：什麼時候可以聯絡到他們、什麼時候不行、哪些事交給別人或工具處理，以及哪些事他們要保護好。
在 AI 滿載的環境中，要維持這種刻意控制，比只被智慧型手機包圍的環境更難。但背後原則——保護你獨立思考的能力、透過真正的休息讓大腦恢復到基準狀態，以及主動設計你的環境，而不是被環境牽著走——仍然一樣。
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.
逐步重建你的專注力
Unwire 幫助你找出分散注意力的原因，並提供一個有結構的計劃來重新訓練專注力 — AI 診斷、基於證據的模組，以及讓專注成為你的預設狀態的習慣追蹤。
