Aries Zhou

疲惫的前额叶

AI 扩展了我能够同时推进的任务数量,却没有等比例扩展我的注意力、记忆力和认知调节能力。


累

眼酸、头皮紧、脑袋的中心明显靠前(感觉脑门比后脑勺重),坐电脑前两三个小时感觉比以前上一天班都累,应该不只我一个人有这种感受。

以前写代码的时候,可能连续几个小时只关注或者主要关注一个需求/bug,即便期间涉及和其他人的讨论、上网查资料、翻 stack overflow,并不是纯粹在 vs code 里看/写代码,但始终是在一个主线上,注意力是相对集中的。

但 2026 年以来,随着模型能力越来越强,好用的 Agent 越来越多,我使用 AI 的强度也随之增大,具体表现在数量飙升的 GitHub commits 和 pr,在非常短的时间里,经历了“掌握”多任务并发能力的从兴奋,到沉迷,再到疲惫的过程。

我可以同时让几个 Agent 做需求分析、技术调研、样式设计、功能实现,我需要做的就是下达指令、提供授权、验收成果和思考如何优化流程。

这期间的直观感受是工作推进很快,特别是几个 session 同时亮起小绿点时,那种即将逐个验收成果的期待感和盲目的满足感,和游戏里抽卡一样上头,那个时刻应该有很多多巴胺在分泌。

但结果通常不如人意,抽卡嘛,歪是常态,这个时候就得调整心态,看看哪儿不合适,重新写写提示词再抽一轮,然后换到另一个 session 里进行上述动作,有时候得想着将重复的劳动做成自动化或者沉淀为 skill,一边调教一边寻找优化 workflow 的空间。

一天的时间很快就过去了,沉浸式 vibe 的时候,时间的流速和打游戏的时候是一样的,但打游戏不累,打玛莲妮亚和杨戬死10次重新打我都不累,但 vibe coding 一天下来是真累。。。

注意力磨损/残留/负荷

起初我觉得是中间缺少休息了,比如45分钟课间休息10分钟或许会好一些,以及我可能不应该同时处理几个项目,毕竟我不是 MacBook 没有10个核,于是我开始尝试没 45 分钟起来走走,并且控制并发数在 3 个。但效果并不明显,还是同样很容易感到疲惫。

于是我咬咬牙,克制自己在等待模型响应时去处理其它任务的冲动,等的时候就想眼前的事情或者发呆,这半天就干一件事情,效果很显著,从 9:30 到 11:50,中间起来活动一次,头皮完全没有之前那种紧绷感,脑袋也很清明。坐在电脑前的时间是一样的,工作强度也差不多,只是将两个多小时的时间同时处理3件事变为处理一件事,就有明显的体感差异。

那么原因是什么?

午休的时候我就在琢磨这件事,偶然联想到打球,或许思考时的大脑就像运动时的身体,持续而稳定的负荷,相较于频繁启停变换,会造成额外的消耗,就像跑步和打羽毛球的区别。一个人同样的体力,跑步能坚持半个小时,但羽毛球或许十分钟就得歇一歇。

在羽毛球比赛中,业余和职业的体能差距很大,一部分原因就是职业运动员更善于采用经济的跑动步伐、合理的节奏和高效的回合间休息。那么类比多任务工作时的疲惫感,是不是因为我们在用一种很不经济的方式使用自己的大脑,或者更精确一点说是使用自己的注意力?

于是咨询了一下 GPT,简要描述了我的感受和猜想,让它分析问题的原因是否如我所想,并查查有没有类似的理论依据支撑。得到的答复很长,粗略翻一下估计得有八九页,核心观点是——疲惫不一定来自能量被大量消耗,可能来自持续认知控制所付出的额外代价。

理论依据引用了一些论文、综述和期刊,指出“人从任务 A 切换到任务 B 时,即使是先知道需要切换,反应速度通常仍会下降,错误率往往上升”,其背后涉及两种过程:

  • Task-set Reconfiguration(任务集重构):大脑需要重新配置目标、规则及相关信息
  • Task-set Inertia(任务集惯性):上一任务的认知不会立即消失,可能干扰新任务。

简单来讲就是,切换任务的时候并不只是简单换了一个关注对象,还涉及“解绑-重新绑定-处理竞争”,这个过程在我们实际体验上可能就是切换个窗口,脑子很快从上一个任务切换到下一个任务,但实际大脑在不知不觉间处理了一些复杂的事情。

比如“开冰箱”这件事,很简单对吧,但要教会一个两岁儿童,你会发现“开冰箱”没那么简单,因为冰箱门有吸力,你在开的时候,肌肉记忆很自然的帮你处理了“先用一个比较大的力拉开 - 打开的瞬间判断门开了 - 快速卸力并判断卸多少 - 稳定力量缓缓拉开”,这个流程涉及对力量的掌控、对物理反馈的判断、对开合大小的预期和执行等背后的细节。

所以非常能理解机器人跑步比赛为什么一个个地扑街和撞墙: D

回到 vibe coding 上来,对 AI 开发工作而言,这个现象尤其明显。例如让几个 agent 同时开工,可能会是这样:

Agent当前任务你需要恢复的上下文
A修复 UI 组件布局、状态、样式
B调研 Agent 框架方案、指标、依据
C产品预发布品牌定位、视觉语言、设计约束

Agent 可以同时执行,但你阅读、审查和决策时,仍然需要进入不同的任务语境,上下文管理不止对于模型很重要,对于大脑也很重要。

除了切换时的注意力损耗,切换之后还有一些隐性的消耗,你看似投入到另一个任务中了,但实际上大脑对于上一个任务的上下文清理并不彻底,还有一些注意力残留,这可能比单纯的任务切换成本更能解释我感受到的疲惫。

一个显著特征就是我会时不时地看一下刚才 session 的任务状态,不是切过去,是看看 tab 上的状态是“转圈”还是“绿点”,我会不经意地惦记其它任务,这种“吃着碗里的看着锅里的”状态也是很耗神的。

Sophie Leroy 在 2009 年提出并实验研究了 Attention Residue,核心发现是当一个人从尚未完成的任务切换到新任务时,一部分注意力仍停留在旧任务上,从而降低新任务中的表现。

09年的研究肯定不是基于驾驭多个 agent 进行的,但道理相通,并且在 AI 时代这个现象反而被放大和普及了。

过去亲自开发一个功能,可能需要几个小时或几天,虽然任务难,但大部分时间都围绕同一个问题思考。现在只需要五分钟把任务交给 Agent,就可以开始另一个任务,但交出去的任务不等于在心理上结束的任务。

任务在计算机中是异步执行的,在大脑中却不一定能完全异步卸载。这就形成了大量未关闭的认知任务,有任务意味着有消耗。AI 产生信息太快了,我们的理解、判断和验收能力有点跟不上,这对于认知来说属于多维度的持续压力,骆驼身上的稻草堆积的又快又多,自然很容易感到疲惫😫。

关于前额叶

回到文章标题,本来想用“疲惫的脑门子”,实属是才疏学浅、文笔拙劣,本着直抒胸臆的态度,我确实是感觉脑门紧所以并没有认为这个命名有什么问题,但 GPT 从神经科学和代谢的角度给我分析之后,表示其实是「前额叶」的代谢变化与疲劳表现,呈现在表面上就是头皮紧张,并建议我使用“疲惫的前额叶”作为标题,有专家建议并且这个建议更显的高大上,我自然是欣然采纳。

关于论证和分析的过程与依据,有太多专有名词很难理解,经过两轮明确要求用它浅显易懂、措辞明确的沟通方式进行友好交流后,我理解下来是这样的意思:前额叶皮层与工作记忆、目标维持、执行控制等功能密切相关,持续高认知控制需求的任务,可能伴随特定前额叶区域的代谢变化和疲劳表现。

任务切换成本、信息处理压力、持续认知控制、机制维护与恢复不足,共同导致脑力过劳,感到疲惫。

所以压力的来源不是单一某个维度的,比较有效的办法不是避免所有高强度负荷,而是提高负荷与恢复的匹配程度,并且在衡量匹配时,考虑到曾经没有注意到过的注意力消耗,留出余地,别总想着榨干自己。

与羽毛球同理,运动员能获得好的表现,靠的不是始终维持较低心率或避免剧烈波动,而是采取更经济的技战术、强度分配与即使恢复。

想要改善认知压力,需要区分:

  • 有价值的高强度思考,与不必要的认知切换;
  • 主动选择的专注,与被 Agent 通知牵引的被动响应;
  • 真正的休息,与只是从一个任务切换到另一个任务;

以及参考番茄钟等注意力管理方法最初要解决的问题:为持续注意力提供边界。

我高高兴兴地冲进了 AI 布置的高并发陷阱,让我有能力同时开始更多工作,却也使我失去了这种边界。

接下来要做的事情就是:降低认知负荷,调整工作节奏,给自己恢复的时间。

最后

我,我今年读过的很多书、博客、newsletter,以及听过的播客,很多地方都产生过关于“AI为什么没有让我更轻松”的困惑与探讨。或许问题并不是 AI 没有提高效率,而是效率提升之后,我们很快用更多任务填满了释放出来的空间。

我们害怕自己错过这阵风,我们焦虑自己没有大成果,我们变成了过去吐槽过的压榨打工人的资本家(屁股决定脑袋),但我们戏称自己在压榨 Agent,但只有在一次累的不行或一次生病之后,才会意识到我们在压榨自己。

过去,我们经常思考如何让机器执行得更快;现在,也许应该开始思考怎样让机器更少打扰和挤占我们。这不只是个人时间管理问题,AI 可以不知疲倦地执行任务,但人不行。

当机器的执行力不再是主要瓶颈,我们或许需要重新学习的,不是如何同时做更多事情和更快地做事情,而是如何保护和经济有效地分配自己有限的注意力。

别着急,慢慢来,Agent 的长程任务以小时记,但人的长程任务以月/年记,希望你能好好休息。

参考资料

  • 啰里八嗦的 ChatGPT
  • Monsell(2003):Task Switching
  • Leroy(2009):Attention Residue
  • Wiehler et al.(2022):认知控制与神经代谢
  • 2025–2026 年关于认知疲劳机制的综述及相关研究
  • 2026 年关于 AI 工作强化或 AI Brain Fry 的实证调查