最近坐地铁回家晚上很晚了旁边坐了两个人在聊天看样子是字节的肯定是做技术的其中一个说了句用AI之后人真的很累另一个连连点头。我当时戴着耳机假装没听见但心里想的是不会吧我每天跟AI聊天写代码感觉还挺好的啊效率高了不少。没有感觉好累…回家之后我百思不得其解就开始去搜、去调研。原来很多人都觉得用了ai之后累 这是个群体性现象。今天把这个事儿从头到尾说清楚。1. 现象AI编程变快了人却更累了引入AI之后呢代码产出确实是肉眼可见地提速了。但是吧有一件事很多人一直没好意思说出口。就是每天下班的时候那种精疲力竭的感觉啊比以前纯手敲代码的时候还要重得多。重得不是一点半点的那种。不是你一个人这样哈真的。这种感觉呢其实有个正式的名字。最近在硅谷那边的技术圈子里被反复讨论来着叫做AI Brain Fry。也可以叫脑力榨干效应吧。它不是说某个人矫情什么的而是第一批大规模使用AI编程工具的工程师群体集体撞上了一堵墙。就像地铁上那两个大佬说的一样不是个例。这堵墙嘛值得咱们认真聊一聊。2. 硅谷顶级工程师也扛不住如果你把这种疲惫啊归结为自己状态不好或者说熬夜太多了。那你不妨先看看那些天花板级别的工程师他们现在过得怎么样。先说Django框架的联合创始人Simon Willison吧。这人入行超过25年了是少数真正见证了互联网从拨号时代一路走到今天的工程师。他最近自己说的他日常写出来的代码里面呢大概95%已经都是AI写的了。听起来好像是解放了双手对吧但是呢他描述的实际状态是这样的——每天上午11点前后吧大脑就开始强制关机了进入一种深度精疲力尽的模式。他还说这事儿在硅谷不是个例反而是一种越来越普遍的职业现象了。还有一个经常被引用的案例来自Paul Graham。就是Y Combinator的创始人嘛。他用了一个特别直白的词儿叫吸血效应。他的意思是什么呢就是AI工具有种很独特的能量代谢模式。短时间内让你极度亢奋、高速输出感觉特别爽。但是呢随后那种透支感会成比例地反弹回来还给你。他现在给自己设了一个硬上限——高强度AI协作每天不超过三个小时。工位旁边还常备枕头随时准备平躺恢复。你说夸张不夸张。再说微软的开发者布道师Scott Hanselman吧。他形容自己产生了一种发胶焦虑。什么意思呢就是后台没有Agent在运行的时候就会觉得浑身不对劲。好像是在浪费生命一样。这听起来像是效率成瘾的一种变体吧但背后其实是持续的注意力动员带来的那种神经损耗。就是脑子一直在转停不下来。这三个人呢各自代表着工程师职业路径的不同阶段。但是吧他们指向了同一个症状。都是一样的累法。地铁上那两位大佬说的真没错。3. 数据说话BCG的残酷调查个人叙述这种东西嘛容易被归结为主观感受。你说你累别人可以说你矫情对吧。但是呢波士顿咨询公司BCG2024年做了一项调查把这事儿变成了可以量化的数字。这项研究覆盖了1488名全职工作者结论不太好看。怎么说呢在AI重度用户群体里面有14%的人已经出现了显著的认知损耗症状。更值得警惕的是什么呢这部分人的重大错误率比完全不依赖AI的对照组高出了39%。你没听错39%。这里有一个反直觉的地方啊。大多数人使用AI的初衷之一就是想减少出错嘛。但是呢当认知资源被长期过度调用的时候判断力本身就开始下滑了。AI反而可能成为错误的放大器而不是过滤器。这事儿挺讽刺的。类似的问题在其他领域其实早有先例了。医疗行业在引入电子病历系统的头几年医生群体的职业倦怠率不降反升来着。新工具带来的信息密度和决策压力啊并没有因为流程自动化而同步减轻。AI编程工具现在正在重走这条路。前车之鉴摆在那里。4. 为什么越用越累三层叠加的脑力负荷那么根本原因到底是什么呢为什么把脏活交给机器去干了人反而更累了呢答案其实就在于——AI并没有减少你的脑力消耗它只是把消耗的种类给换了一种。形式变了总量没变甚至更多了。第一层呢是从执行到决策的升维压力。过去写代码的主要摩擦力啊是在执行层面的。查文档、调语法、等编译这些事儿。虽然枯燥吧但是认知强度并不高。而且中间还有大量的挂机时间可以让大脑自然恢复一下。现在呢执行层外包给AI了。但是你进入了一个完全不同的工作状态。你需要持续地去评估、去质疑、去修正、去做决策。产品专家Nathan Baschez打过一个比方说得挺好的——以前写代码就像做填字游戏有节奏感的偶尔停下来想一想也算是放松。现在呢更像是在跟AI打一场没有暂停键的辩论赛。你的注意力永远被锁定在最高强度的认知档位上根本停不下来。认知科学里有个概念叫执行功能英文是executive function。它负责什么呢计划、抑制冲动、还有监控错误。是大脑最耗能的模块之一。AI编程实际上就是把你从低强度的体力劳动推进了一个全程都在调用执行功能的工作流里面。第二层呢是注意力切换的物理极限。加州大学欧文分校的Gloria Mark教授啊她长期研究人类注意力。她的研究发现被反复引用——一次外部打断之后呢人平均需要23分15秒才能重新进入深度专注状态。23分钟啊不是23秒。而多窗口AI协作的日常呢本质上就是一台连续打断机器。这个Agent输出了你要去审查。那个窗口报错了你要去处理。另一个模型产生幻觉了你又要去纠正。每一次切换都在消耗你有限的认知带宽。而且这种消耗是累积的不会因为每次只停留几分钟就变得便宜了。Box的CEO Aaron Levie曾经从组织管理角度解释过为什么公司需要层级结构。他说人脑同时追踪上下文的容量是有物理上限的。现在呢AI工具把你变成了一个没有团队边界的单兵总指挥。独自承担过去分散在多人身上的监督和判断负荷。就你一个人干以前好几个人的活儿。第三层呢是最难量化、也最容易被忽视的——隐形的焦虑负荷。当你在后台同时运行多个Agent的时候啊它们并不会让你真正放松。恰恰相反你处于一种持续的低强度警戒状态。不知道哪个Agent正在悄悄走偏了不确定下一个输出需不需要你紧急干预。这种模糊性本身就是一种心理负担。心理学里有个术语叫认知闭合需求英文是need for cognitive closure。面对开放性的不确定状态呢人脑会持续消耗资源去维持警觉。多Agent并行的工作环境啊恰好就创造了一个充满不确定性的持续开放状态。就算你表面上在那儿等待呢大脑其实并没有在休息。它还在那儿转着呢。5. 破局法则不被榨干的保命指南理解了这三层负荷的来源呢应对方式就不难推导出来了。核心原则其实只有一个——不要试图去对抗大脑的物理限制而是在它的限制范围内重新设计你的工作方式。第一招呢是严格控制并发数。上限就是三个。BCG的数据指出啊当同时开启的AI工具超过四个的时候呢生产力不是线性下降的而是断崖式崩塌。三个并发是目前被观察到的认知可控上限。别因为工具免费就无限叠加那是跟自己过不去。第二招呢是重新定义你的工作时长。用传统的八小时标准来衡量AI协作啊是一个错误的参照系。高强度AI编程的实际可持续上限呢大概在三小时左右。这跟Paul Graham的亲身经验高度吻合也跟认知科学关于深度工作可持续时长的研究结果是一致的。三小时的高质量输出嘛早就超过过去八小时里真正的有效工作量了。第三招呢是设立物理和时间的边界。独立开发者Andreas Kling的做法提供了一个参考——把Agent任务的范围缩到最小给每段AI协作设置明确的时间边界。然后在结束后强制切断不要让它在后台无限漂移。这不是在降低效率啊这是在保护你做判断的能力不被稀释掉。6. 总结真正的瓶颈是你自己AI工具做了一件挺有意思的事儿。它消灭了大量过去阻碍我们的假瓶颈。等编译啊、查文档啊、等代码review的漫长循环啊这些。这些东西看起来是瓶颈吧其实也是大脑无意识的喘息空间。当这些假瓶颈消失之后呢真正的瓶颈第一次清晰地暴露出来了。是什么呢就是你工作记忆的容量上限、持续评估的精神耐力、以及在模糊和不确定中维持判断力的心理储备。这些东西啊不是可以通过更好的工具来绕过去的。它们是人类神经系统的基础架构短期内不会因为AI进化而同步升级的。工具再强大嘛也替代不了大脑的物理疲劳。承认这一点呢反而是在AI时代保持长期竞争力最务实的一个前提。脑子转不动了就合上电脑吧。这不是失败这是基本的系统维护。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】