AI过载是真实存在的。这是你大脑中发生的事情。

在2024年左右，情况发生了变化。描述一种特定类型的认知疲惫的人数急剧增加——这不是完全的倦怠，也不是完全的信息过载，而是两者交汇的某种状态。描述是一致的：一种心理饱和感，独立思考的困难，对不确定性的耐受力降低，以及对AI工具的不舒服依赖，这种依赖让思考变得更困难，而不是更简单。

这不是技术恐惧症或怀旧。这反映了真实的神经动态，考虑到我们对大脑如何处理信息、维持认知功能以及如何响应随时可得的帮助的了解，这些都是可以预测的。这是发生了什么——以及证据对如何应对的建议。

新的认知环境

到2025年，大多数行业的知识工作者每天多次与AI工具互动——ChatGPT、Copilot、Gemini、Claude，以及数十种专业工具。普通用户每天发送数十个查询。AI生成的内容现在占据了电子邮件草稿、会议摘要、代码、书面文件和搜索结果的相当大一部分。

这是真正的新认知环境。在历史上第一次，大量以前需要持续努力的认知工作——起草、总结、搜索、规划、调试——几乎可以瞬间转移。问题是，这对大脑的长期影响是什么。

根据我们对认知功能和认知负荷的了解，答案比乐观的版本（AI扩展人类能力）或悲观的版本（AI削弱人类能力）更复杂。这两者都在发生，以不同的方式，针对不同类型的思维。

为什么AI工具可能增加认知负荷而不是减少它

直观的假设是，将工作转移给AI会减少认知负荷。在某些方面确实如此。但关于认知负荷理论的研究（Sweller, 1988）区分了内在负荷（任务本身的复杂性）、外在负荷（任务呈现方式带来的认知需求）和相关负荷（构建理解和技能的认知努力）。

AI工具主要减少内在和相关负荷——它们处理那些本来需要努力和产生学习的工作。但它们往往增加外在负荷：评估AI输出的准确性，将多个AI生成的部分整合成连贯的工作，管理多个工具之间的上下文，决定什么该委托，什么该亲自处理，以及保持对AI过程的监督。这些是以前不存在的新认知需求。

对许多人来说，结果是一个悖论：更多的产出，更多的认知疲惫。个别时刻的工作感觉更轻松，但一天下来却更疲惫。这与决策疲劳的研究是一致的——做出许多小决策的累积成本消耗了与做出少量大决策相同的前额资源。

AI辅助工作显著增加了微决策的数量：接受这个建议，拒绝那个，修改这一段，重新查询那个提示。每个决策都很快，但每天数百个微决策的总负担是相当大的。

自动化悖论与技能退化

在人体工程学和人因研究中，有一个被广泛记录的现象叫做自动化悖论或自动化的讽刺（Bainbridge, 1983）：当自动化处理常规工作时，人类操作员在非例行情况下所需的技能变得不那么熟练。依赖自动驾驶仪进行大部分飞行的飞行员显示出手动操作技能的下降。使用AI诊断工具的放射科医生在AI漏掉某些内容时，检测率会降低。

同样的动态也适用于认知工作。写作、解决问题、规划和创造性综合是通过实践发展而来的技能，而没有实践则会退化。当AI处理初稿、综合或结构化推理时，这些认知路径的锻炼就会减少。这个担忧并不剧烈——这并不意味着人们会忘记如何思考——但经过实践的技能逐渐退化会随着时间的推移对认知能力和自信心产生真实的影响。

这与仅仅是用铅笔打字不熟练是不同的。写作——实际上是创作，而不是口述或编辑——以不同于审查和编辑AI输出的方式，涉及工作记忆、概念组织和反思性思维。创作的认知工作是生成性的；编辑的认知工作是评估性的。两者都有价值；它们不可互换。

注意力碎片化层

除了认知负担和技能退化，AI工具还为已经充满干扰的环境增加了另一个注意力碎片化层。每个聊天界面、编码助手和写作工具都是潜在的干扰源——生成查询、检查结果、完善后续问题。

管理持续注意力和执行功能的前额叶皮层，并不区分人类生成的干扰和AI生成的干扰。关于任务切换成本的研究（Rubinstein et al., 2001）表明，切换任务——即使是短暂的——会带来认知惩罚，这种惩罚在一天中会累积。将多个AI工具添加到已经碎片化的工作环境中会加重这种情况，而许多人并未意识到疲劳的来源。

讽刺的是，AI工具通常是为了减少认知负担而被采用的。但新工具、新界面和新决策点的增加，往往会增加总的认知需求，而不是减少——至少在这些工具足够整合到可以自动处理而不是深思熟虑之前。

该如何应对

区分减少与转移。并非所有的AI辅助都有相同的认知效果。使用AI处理真正低价值的任务（格式化、模板、重复搜索）可以减少负担，而不会造成显著的技能损失。使用AI处理你希望保持熟练的思考——复杂写作、理性分析、创造性问题解决——则会在减少负担的同时损失实践能力。明确每个使用案例属于哪个类别是起点。

保护独立思考的时间。 最容易受到AI影响的认知技能恰恰是最值得保留的：独立推理、持续写作、复杂规划。在没有AI帮助的情况下，针对重要任务进行这些技能的刻意练习——在特定时间段内——并不是对技术的恐惧；这和外科医生在有机器人工具的情况下仍然练习手动技术是同样的道理。

减少正在使用的AI工具数量。 管理五个不同的AI界面的认知成本高于管理一个精心挑选的工具。AI工具的泛滥造成了与应用程序和通知泛滥相同的注意力分散问题。整合可以减少多余的认知负担。

应用与一般数字健康相同的原则。 AI过载是Unwire所关注的更广泛问题的一种特定形式：认知环境要求的超出其提供的，注意力分散导致的消耗而没有补充，以及随时可用的刺激让断开连接变得不可能。干预措施是一致的：设定离线时间、设计限制环境中AI互动的条件，以及定期恢复时间，让大脑不被引导。

核心矛盾： AI工具可以让你更高效，也可以让你能力下降，这取决于你如何使用它们。关键在于你是用它们来扩展思维，还是用它们来替代思维——以及你是否保持了让大脑从高认知需求的一天中恢复的条件。

长远来看

AI融入知识工作不会逆转。问题在于个人如何在一个设计上旨在最大化参与和最小化摩擦的环境中导航——这对认知健康在多年而非几天内的影响是什么。

更广泛的数字健康研究表明，能够最好地应对高科技环境的人，不是使用最多工具或最少工具的人，而是那些能够有意识地控制自己注意力条件的人：何时可接触，何时不可接触，什么是外包的，什么是需要保护的。

在一个充满AI的环境中，保持这种有意识的控制比在仅仅是智能手机充斥的环境中更难。但基本原则——保护你独立思考的能力，通过真正的休息恢复大脑的基线，以及设计你的环境而不是对其反应——依然是相同的。

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.

付诸实践

Unwire为您提供AI诊断，帮助您识别阻碍您的因素，个性化学习路径，以及结构化习惯跟踪以付诸实践。