人工智能疲劳是真实存在的，但它并非你想象的那样
文章目录
当下，一种说法正悄然兴起，并迅速引发广泛关注：人工智能正在不断消耗我们的精力。工程师们产出的代码量远超以往，可身心疲惫之感却也达到了前所未有的程度。"人工智能疲劳"这一概念随之流行开来，各类相关观点也纷至沓来。
一位软件工程师在《商业内幕》发文坦言，上个季度既是他工作效率登顶的时段，也是他最为疲惫的时期。撰写《氛围编码》一书的史蒂夫·耶格向《实用工程师》杂志透露，他白天需要打盹休息，且将真正运用人工智能开展工作的时间严格控制在三小时以内。创业公司的创始人们，往往到了下午两点，就已深感精力耗尽。本月广为流传的文章里，有一篇发出警示：人工智能对高频使用者存在"吸血鬼效应"。
然而，一个关键事实却被众人忽视：深感最疲惫的，并非对人工智能持怀疑态度者，而是坚定不移的忠实信徒。
在耶格所划分的人工智能采用层级中，停留在第一级的工程师，也就是完全对人工智能置之不理的人，状态尚佳。或许内心会有些许焦虑，但绝无精疲力竭之感。真正将人工智能应用发挥到极致的，是身处第五、第六、第七层级的人，他们全力以赴，同时运行多个代理，统筹复杂流程，以超乎想象的速度交付产品。
这一模式蕴含着深层启示。在我看来，它揭示了一个真相："人工智能疲劳"这一判断，存在根本性偏差。
1、你不是疲劳问题，而是训练问题。
不妨回想初次尝试硬拉的场景。重量并不惊人，仅仅是完成基础动作。可次日清晨醒来，全身仿若经历拆解与错误重组，双腿酸痛，背部亦酸痛，就连以往从未察觉的肌肉，也以最折磨人的方式发出抗议。
若有人测算当日的训练强度，结果必定惨不忍睹。坐立之间，都难掩痛苦神色。你大概率会据此断言：硬拉难以持续，人体并不适合这项运动，得不偿失。
但六个月后，情况截然不同，你举起的重量翻倍，且毫无不适之感。身体构建起全新的运作通路，完成了自我适应。曾经需全神贯注的动作，如今已化作自动化行为。酸痛并非身体"受损"的信号，而是身体正在塑造新能力的证明。
当下人工智能辅助工作，正上演着同样的情节。
2、无人提及的认知负荷
以传统方式编写代码时，大脑运行的是一套驾轻就熟的程序，这套程序已重复执行过成千上万次。按键操作、代码模式、调试节奏，一切尽在掌握。这就如同日常开车通勤，技术层面虽复杂，但熟练到即便开车，脑海中也能畅想晚餐安排。
人工智能辅助工作，却是一项全然不同的认知挑战。你不再是代码的直接书写者，而是要承担指挥、评估、决策的重任，在多个代理间灵活切换工作语境，审查并非出自己手的输出成果，在人工智能做出需实时验证的实现抉择时，还要牢牢把握架构意图。
这绝非是原有工作提速，而是彻底换了一项工作。而大脑尚未搭建起高效的应对机制。
每一项决策都需全神贯注，每一次审查都要主动投入精力。你得把控质量，维系并行工作流程间的连贯性，持续对人工智能输出做出精准判断。正因如此，三小时的人工智能辅助工作，远比八小时传统编码工作更令人精疲力竭，这恰似初涉健身第一周所承受的认知负荷。
3、采用曲线实际上是一条疲惫曲线
Yegge提出的人工智能采用八级框架，与疲惫曲线高度契合，尽管这或许并非其初衷。
在第一级与第二级，人工智能的使用频率极低，不过是偶尔启用自动补全，或是简单提问。认知负荷小，疲劳感也微乎其微。
步入第三级至第六级，便进入了深度应用阶段。赋予智能体更大自主权，不再逐行审查，而是从整体视角把控；同时运行多个智能体；在18个月前尚不存在的工作流中不断探索前行。这一阶段，正是精力消耗的高峰，也是最为艰难的攻坚期。
到了第七级与第八级，奇妙的转变悄然发生。编排系统搭建完成，人工智能的自主性大幅提升。你已明晰哪些信息值得信赖，哪些需要审慎核实。只需清晰描述目标，便可放心离开。正如Matt Shumer所描述的那般：告知人工智能构建目标，离开四小时后，成果已然呈现。这种适应能力正逐步养成。
疲惫感并非平均分布，而是在中段达到峰值，而这里正是多数早期使用者当下所处的阶段。所以，疲劳感看似无处不在：对人工智能讨论最热烈的人，恰恰是处于学习曲线最陡峭、最艰难阶段的人。
4、没人写过关于"驾驶疲劳"的文章
还记得初学开车的那段时光吗？首次并入高速公路，双手紧紧攥住方向盘，仿佛生命悬于一线（事实也的确如此）。30分钟的车程结束，回到家时早已疲惫不堪。大脑全程高速运转：紧盯后视镜、把控车速、预判其他车辆动态、处理各类交通标识，所有事项需同步推进，且必须全神贯注。
如今，驾车一小时，一边半听播客，一边享用三明治，轻松惬意。驾驶任务本身未变，改变的是驾驶者自身。大脑为驾驶构建了高效的神经通路，曾经需高度专注的事项，如今已转化为后台自动运行的程序。
没人将"驾驶疲劳"当作关乎生存的危机，撰写深度剖析文章；也没人认定汽车会对驾驶者产生"吸血鬼效应"。我们凭借本能就清楚，这种疲惫是暂时的，是学习新事物必然付出的代价。
而这正是当下讨论所缺失的认知。"人工智能疲劳"被视作不可逆转的常态，是技术自带的固有属性，实则不过是过渡阶段的代价，是训练引发的酸痛，而非慢性顽疾。
4、为什么这比舒适更重要
这一区别绝非语义层面的分歧。对问题的诊断方式，直接决定应对策略。
倘若认定人工智能疲劳是技术的固有属性，那么耶格提出的三小时上限，便成了难以突破的天花板。企业只能默认工程师仅能在一天的小部分时段保持高效，"吸血鬼效应"成了不得不承受的现实，只能被动接受。
但若将其视作训练引发的肌肉酸痛，应对之法便截然不同。要合理把控负荷，循序渐进推进。不能因肌肉酸痛就放弃健身，更不能认定当下的疲惫程度，就是未来的常态。
那些成功跨越这一阶段的工程师，那些搭建起引导人工智能工作的认知路径、以精准视角开展评审、在并行工作流中稳固架构意图的工程师，最终能像驾驶汽车般从容应对工作。三小时的瓶颈终将被突破，从五小时迈向七小时，并非源于工作更拼命，而是工作不再如往昔那般费力。
与此同时，那些读到"人工智能疲劳"便选择停留在第二阶段------安于舒适、固守熟悉、毫无疲惫感的工程师，处境将愈发被动。
并非因为他们跟不上潮流，而是因为他们从未开启他人已完成的训练征程。
5、真正的风险：将酸痛误认为是伤病
在此，我必须明确一点：训练后的酸痛与真正的伤病存在本质区别，这一道理同样适用于当下情境。
倘若每日"拼命编程"14小时，仅睡4小时，靠肾上腺素强撑，仅因新鲜感带来的刺激而亢奋，这绝非训练，而是过度训练。恰似在健身房，过度训练无法助力成长，只会让身体崩溃。
耶格提出的三小时观察法，其价值不在于划定永久上限，而在于精准反映当下的恢复需求。训练初期，充足的休息必不可少；随着身体逐步适应，训练强度便可循序渐进提升。最终陷入精疲力竭的，并非是每日专注开展三小时人工智能辅助训练的人，而是被反馈循环深深吸引、无法停歇的人------这正是前文提及的"老虎机"式训练模式。
解决之道绝非远离"训练场"，而是秉持科学训练理念：高强度训练与充分恢复相结合，稳扎稳打、循序渐进。
6、一个无人提及的预测
接下来，我想分享对未来12到18个月发展趋势的判断。
"AI疲劳"的论调将在今年达到顶峰。届时，相关文章会层出不穷，忧虑重重的讨论也会愈发热烈，甚至会有知名工程师公开表态"暂时告别AI工具"。这会营造出一种极具冲击力的反弹假象。
随后，这股风潮会悄然退去。并非人们停止使用AI，而是早期使用者已完成适应过程。对于已使用AI一年半的人而言，那三小时的"瓶颈期"将成为久远的回忆。他们操控AI工作流，就像曾经编写for循环般轻松自如。
而坚持下来与放弃前行的群体，差距将愈发悬殊。这并非源于AI技能稀缺，而是因为适应过程------也就是从方向把控、评估判断、统筹协调的角度思考，而非局限于逐行执行代码------对一部分人而言已内化为本能，对另一部分人而言却依旧陌生。
应对训练后肌肉酸痛，最不可取的做法始终如一：放弃健身。
7、这对领导者意味着什么
若你此刻管理着工程团队，务必精准洞察当下局势。团队中生产力拔尖的工程师，往往也是疲惫感最深的人。这并非矛盾，而是最鲜明的信号，表明团队正积极适应全新工作模式。
切勿以削减人工智能应用来应对，更不能对疲劳问题视而不见。要效仿优秀教练的做法：科学规划训练负荷。提前预判团队会开展高强度、专注的人工智能辅助工作，且后续需要充足的休息。允许员工在打磨认知技能的过程中，以看似减少的工作时长投入工作，最终产出的成果，仍将是以往的数倍之多。
那些应对得当的企业，将在年底前完成团队转型；而那些忽视疲劳问题，或因畏惧疲劳放弃人工智能的企业，终将陷入最糟糕的双重困境：工程师身心俱疲，却始终无法跨越最艰难的适应阶段。
我们并非正承受新技术带来的副作用，而是正处于适应全新工作方式的起步阶段。这份酸痛感，恰恰是技术发挥效用的有力证明。接纳它、攻克它，相信我们的大脑，如同自然界所有适应性系统一般，会一如既往地发挥自我调适能力。
它终将完成适应。