AI 过载确实存在。这是你的大脑里正在发生的事。

到了 2024 年前后，情况开始发生变化。描述一种特定认知疲惫的人数明显增加了——它既不像倦怠，也不像信息过载，而是介于两者之间的某种状态。大家的描述很一致：思维饱和、很难独立思考、对不确定性的容忍度下降，以及对 AI 工具产生一种不舒服的依赖，而这种依赖不知怎么反而让思考变得更难，而不是更轻松。

这不是技术恐惧，也不是怀旧情绪。它反映的是真实的神经机制；根据我们对大脑如何处理信息、维持认知功能，以及如何回应随时可用的辅助的了解，这些变化是可以预见的。下面是正在发生的事——以及现有证据对如何应对它的提示。

新的认知环境

到了 2025 年，大多数行业里的知识工作者每天都会多次与 AI 工具——ChatGPT、Copilot、Gemini、Claude，以及几十种专门工具——互动。普通用户每天会发出几十次查询。AI 生成内容现在已占电子邮件草稿、会议摘要、代码、书面文档和搜索结果中相当大的一部分。

这确实是一个全新的认知环境。历史上第一次，以前需要持续投入的很大一部分认知工作——起草、总结、搜索、规划、排查错误——几乎可以瞬间交给工具去做。问题是，长远来看这会对大脑产生什么影响。

根据我们对认知功能和认知负荷的了解，答案比乐观版本（AI 扩展人类能力）或悲观版本（AI 让人类能力退化）都更复杂。两种情况都在发生，只是方式不同，且作用于不同类型的思考。

为什么 AI 工具有时会增加认知负荷，而不是减轻它

直觉上，人们会以为把工作交给 AI 会减轻认知负荷。某些方面确实如此。不过，关于认知负荷理论的研究（Sweller, 1988）把负荷分为 内在 负荷（任务本身的复杂度）、外在 负荷（由任务呈现方式带来的认知要求）和 相关 负荷（用于建立理解和技能的认知努力）。

AI 工具主要会降低内在负荷和相关负荷——它们处理了原本需要你费力去做、并能带来学习的工作。但它们往往会增加外在负荷：你需要核对 AI 输出是否准确，把多个 AI 生成的部分整合成连贯的成果，在多个工具之间管理上下文，决定哪些交给 AI、哪些自己做，以及持续监督 AI 的处理过程。这些都是以前不存在的新认知负担。

对很多人来说，结果就形成了一个悖论：产出更多了，认知疲劳也更重了。单个瞬间里工作似乎更轻松，但一整天下来却更累。很多人把这称为 决策疲劳：一连串的小判断，累起来和少数几个大决定一样耗人。研究界对这背后的原因还有争论，但在连续几个小时不停做微小决定之后感到脑力疲惫，这种体验很常见。

AI辅助的工作会大幅增加微决策的数量：接受这个建议，拒绝那个建议，修改这段文字，重新发起那个提示词。每个决定都很快，但每天成百上千个微决策累积起来的负担相当可观。

自动化悖论与技能退化

在人机工效和人因工程研究中，有一个研究得很充分的现象叫作自动化悖论或自动化的反讽（Bainbridge, 1983）：当自动化处理了日常工作时，人类操作员在应对非常规情况所需的技能上会变得没那么熟练。过度依赖自动驾驶完成大部分飞行的飞行员，手动操控能力会下降。使用 AI 诊断工具的放射科医生，在 AI 漏掉某些情况时，检出率也会更低。

同样的动态也适用于认知工作。写作、推理解决问题、制定计划，以及创造性的整合，都是靠练习才能发展、缺少练习就会生疏的技能。当 AI 负责初稿、整合，或者结构化推理时，这些认知通路得到的锻炼就少了。这里的担心并不是那种很夸张的说法——这并不意味着人们会忘了怎么思考——而是说，练出来的技能会随着时间慢慢退化，认知能力和自信也会随之发生真实变化。

这和只是因为手写练得少而变得生疏并不一样。写作——真正在写，而不是口述转写或只做修改——会以不同于查看和编辑 AI 输出的方式，调动工作记忆、概念组织和反思性思考，而后者并不能完全复现这些过程。写作时的认知工作更偏生成；编辑时的认知工作更偏评估。两者都有价值；它们不能互相替代。

注意力碎片化这一层

除了认知负担和技能退化之外，AI 工具还会给本就充斥着打断的环境再添一层注意力碎片化。每个聊天界面、代码助手和写作工具，都可能成为打断来源——发起一次生成请求、检查一个结果、再追问一轮进行润色。

负责维持注意力和执行功能的前额叶皮层，并不会区分这些打断是人发起的还是 AI 发起的。关于任务切换成本的研究（Rubinstein et al., 2001）显示，任务之间的切换——哪怕只是短暂切换——都会带来认知损耗，而且这种损耗会在一天里不断累积。把多个 AI 工具加到本来就碎片化的工作环境中，只会让情况更糟，而很多人并没有意识到自己疲劳的来源。

讽刺的是，人们采用 AI 工具，往往正是为了减轻认知负担。但加入新的工具、新的界面和新的决策点，往往增加的却是总认知需求，而不是减少它——至少在这些工具被充分整合、可以自动处理而不需要反复思量之前是这样。

到底该怎么应对

分清是在减负，还是在把事情外包出去。 并不是所有 AI 辅助都会带来同样的认知影响。用 AI 处理真正低价值的任务（排版、模板内容、重复搜索）可以减轻负担，而不会明显损失技能。用 AI 来处理你希望自己还保持熟练的思考——复杂写作、条理分析、创造性解决问题——虽然能减轻负担，却会以已经练出来的能力为代价。先有意识地区分某次使用属于哪一类，是第一步。

保护不借助 AI 的独立思考时间。 最容易被 AI 外包而受到影响的认知能力，恰恰是最值得保留的那些：独立推理、持续写作、复杂规划。在明确的时间段里、针对重要任务，刻意练习这些能力，而且不依赖 AI 帮助——这不是害怕技术；就像外科医生即使有机器人工具可用，也会继续练习手工操作一样。

减少正在使用的 AI 工具数量。 同时管理五个不同的 AI 界面，比只管理一个选得合适的界面要耗费更多认知资源。AI 工具的泛滥，会带来和应用、通知泛滥一样的注意力碎片化问题。把工具整合起来，可以减少额外的认知负担。

把同样的原则用在整体数字健康上。 AI 过载只是 Unwire 所处理的更大问题中的一种：要求远超回报的认知环境、会消耗注意力却不给补充的碎片化注意力，以及一种让人觉得根本无法断开的、随时可用的刺激源。应对方式是一致的：设定明确的离线时间、通过环境设计限制周围的 AI 互动，以及安排定期恢复时间，让大脑不再被持续驱动。

从长远看

AI 融入知识工作这件事不会倒退。问题在于，个人要如何在这样一个按设计就追求最高参与度、最低阻力的环境里周旋——以及这件事会在几年而不是几天的尺度上，对认知健康造成什么影响。

更广泛的数字健康研究表明，在高科技环境里应对得最好的人，不是使用工具最多的人，也不是最少的人，而是那些能刻意掌控自己注意力条件的人：什么时候可以被联系到，什么时候不行，把什么交出去，什么要保护起来。

在 AI 密集的环境里，要维持这种刻意掌控，比在只是智能手机很多的环境里更难。但背后的原则——保护你独立思考的能力，通过真正的休息恢复大脑的基础状态，并主动设计你的环境，而不是被环境推着走——依然没有改变。

Sources

1. Sweller, J. (1988). Cognitive load during problem solving: effects on learning. Cognitive Science, 12(2), 257–285.
2. Bainbridge, L. (1983). Ironies of automation. Automatica, 19(6), 775–779.
3. 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.
4. 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.
5. 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.

我们如何研究和审核这篇内容