凌晨 2 点。Bug 已经纠缠了三个小时。你知道自己该睡觉了，但双手已经回到键盘上，向终端里的 AI 编程助手输入又一条指令。你的心跳比坐在桌前的人应有的节奏略快。你对自己说了一个小时前说过同样的话：再来一个提示，我就修好它。

这样的场景对许多编写代码、制作内容或日常与生成式 AI 工具共事的人来说已不再陌生。它看起来不像以往的倦怠。没有恐惧，没有对着闪烁的光标发呆二十分钟。相反，这项工作让人感觉强迫性地投入，几乎投入到无法停下。而这正是它值得仔细审视的原因。

过去一年，开发者、写作者和研究人员开始描述一种在长时间 AI 辅助工作后出现的特定疲惫：发作迅速、难以中断，与传统过度工作产生的缓慢疲劳截然不同。一些开发者称之为“AI 脑疲劳”。编码圈知名人物 Steve Yegge 直言不讳地描述了代理式编码工具的吸引力：每次成功都会带来一次多巴胺小冲击，每次失败都会带来肾上腺素的刺激，这种交替模式让它“几乎不可能让自己离开”。

2026 年的行业调查印证了这些轶事。一份大规模工程领导力报告发现，尽管 AI 工具本应节省时间，但越来越多的开发者工作时长却比前一年更长。加班最多的人并非仍在学习如何使用工具的初学者，而是最了解这项技术、使用最熟练的高级工程师。

本文将借助生成式 AI 出现前数十年的奖励学习、强化时间表和应激生理学研究，剖析这些会话中大脑和身体实际发生的反应。工具是新的，潜在的生物学机制却不是。理解这一点，是迈向与这些系统共事而非被其支配的第一步。

为什么 AI 工具感觉与常规工作不同

要理解为什么 AI 辅助工作如此令人着迷，不妨回顾一下这些工具出现前，一个普通工作日是什么感觉。传统的编码、写作或研究涉及长时间的努力与延迟的回报。你写了一个函数，而看到它真正运行的奖励——可能要在测试、调试和迭代之后，数分钟甚至数小时后才能到来。反馈缓慢、往往含糊不清，而且很少即时。

生成式 AI 缩短了这一间隔。你描述一个问题，几秒钟内就能得到一个建议的修复方案、一段代码、一段文字或一个答案。有时完全正确，有时接近但有瑕疵，有时以出人意料甚至惊人的方式失败。关键在于，你事先不知道会得到哪种结果，而且几乎能立即知道。这种“快速反馈加上对结果的真正不确定性”的组合，并非微不足道的用户体验细节。它几乎精确地对应了行为心理学中最受广泛研究的一种模式。

大脑的预测机制

当结果与预期不同时，神经科学称之为奖励预测误差。这一概念源于对多巴胺神经元的研究，最著名的是神经科学家 Wolfram Schultz 的工作，他多年来记录了动物在学习预期奖励时这些神经元的活动。Schultz 和后来的研究者发现，多巴胺神经元并非仅在好事发生时放电，而是按好结果的意外程度成比例放电。完全预期的奖励几乎不会让这些神经元活动。超出预期的奖励会产生爆发式活动。而当预期奖励未到来时，这些神经元实际上会安静下来，放电率低于正常基线。

这对基于提示的 AI 工作很重要，因为它几乎完美地描述了调试会话中发生的情况。你发送一个提示，不知道它是否会解决问题。如果成功，你会得到正向信号的爆发，正是因为你不确定它是否会成功。如果失败，则会出现一次下降，随后几乎立即可以尝试调整后的提示，重置整个循环。研究多巴胺的研究者将此描述为不仅支撑学习，也支撑从电子游戏到赌博等一切事物的核心机制。生成式 AI 工具并未发明这一机制，只是构建了一个每小时触发数十或数百次的界面。

神经科学家 Kent Berridge 的研究对此图景进行了有用的细化，他区分了“想要”和“喜欢”。想要是追求某物的动机拉力，主要由多巴胺信号驱动。喜欢是获得它时实际的愉悦感，似乎通过部分独立的大脑回路运行。Berridge 的工作表明，这两个系统可以分离：有可能强烈地想要某物，而一旦拥有它，并不一定更享受。这种区分异常贴合长时间 AI 辅助会话。即使实际获得有效答案的满足感开始变得稀薄，发送下一个提示的拉力仍会持续。想要持续存在；喜欢未必同步跟进。

借鉴行为心理学的蓝图

这个谜题的第二个紧密相关部分来自一个更古老的心理学分支：操作性条件反射，即研究后果如何塑造行为。早在任何人想象 AI 编程助手之前，心理学家 B.F. Skinner 就进行了比较不同奖励模式或“时间表”的实验。他的关键发现之一是：以可变时间表（即回报的时间或可能性不可预测）交付的奖励，比以可预测方式交付的奖励，产生更持久、更难停止的行为。

这就是为什么老虎机能长时间吸引人们注意的机制。机器不会按固定时间表支付，而是不可预测地支付，而这种不可预测性正是让人持续拉杆的原因。研究赌博行为的研究者发现，这种可变奖励与大脑中的多巴胺释放密切相关，且以此方式强化的行为对“消退”特别抗拒，即人们即使在长时间没有回报时仍会继续参与。

应用于 AI 编程或写作会话，这种平行关系是直接的。下一个提示是否会产生干净的修复、部分修复、完全错误的答案，还是出人意料的精彩结果，你无法自信预测。这种不确定性与行为心理学长期研究的变量强化时间表非常相似。这里需要谨慎对待科学所确立和未确立的内容。研究者已证明，变量比率强化在受控实验环境中可靠地产生持续反应，且有合理证据将这种奖励结构与从社交媒体到赌博应用等数字产品的强迫性参与联系起来。基于提示的 AI 工具是否会像物质一样产生临床意义上的成瘾模式，是一个更新且尚未定论的问题。基于当前理解，公平地说，AI 工具的奖励结构与已知会产生持续、难以中断的行为的模式非常相似。这与声称 AI 编程具有医学成瘾性是截然不同的主张，这种区分很重要。

从“脑嗡嗡”到身体紧张

提示-修复循环的心理拉力只是故事的一半。另一半出现在身体上，通常在嗡嗡声消退后才被注意到。

基线下方的崩溃

奖励研究中较为一致的发现之一是：强烈或反复激活多巴胺信号后，往往会伴随代偿性下降。在频繁、高强度多巴胺信号的一段时间后，奖励相关神经活动不会简单地回到静息状态，而是倾向于在随后一段时间内低于基线。这也是为什么深夜会话当时感觉敏锐而充满活力，第二天早上却会出现难以摆脱的沉重、平淡、缺乏动力的感觉，即使睡眠充足。人们有时将此描述为一种精神迷雾或冷漠，使普通决策（如首先处理什么工作）变得异常困难。这与决策疲劳的研究一致：不是无法思考，而是持续认知负荷后，决策质量和速度的可测量下降。

值得注意的是，这一反弹效应的基础研究大多来自对奖励和多巴胺的一般研究，而非专门针对 AI 工具使用设计的研究，后者仍是一个非常年轻的探究领域。将它应用于基于提示的工作流，是对成熟原则的合理延伸，而非在此特定情境下的直接证实发现。

当挫败成为物理信号

另一个物理维度更常见：压力。即使 AI 工具名义上在做繁琐工作，监督它的人仍在不断做出微观层面的判断——这个输出是否正确，我应该信任它吗，我需要干预吗，我在这上面花了多少时间。职业压力研究者长期使用心率变异性和皮质醇（压力反应期间释放的激素）等指标，来追踪持续心理需求如何影响身体。心率变异性降低（即心跳间隔的健康波动减少）是知识工作者生理压力的一个有据可查的标志，且往往与自我报告的压力和紧张感密切相关。

加州大学伯克利分校 2026 年的一项研究调查了一家中型科技公司使用 AI 工具的员工，发现更强大的 AI 代理让人们在更多任务上以更快节奏工作更长时间，主要是因为工具让他们感到更有能力和赋权。研究者将这种“强化”工作模式标记为可能导致认知疲劳和决策能力随时间减弱的途径，不过他们谨慎地将其表述为早期信号而非定论，因为针对这一具体动态的研究仍在积累中。另据 2026 年年初的行业报道反复指出，AI 编程工具似乎在延长而非缩短工作时长，且增幅最大的是经验最丰富的工程师——这些人是能以全速使用工具的最佳人选。更快的节奏、更长的工时，以及在奖励系统已经高负荷运行的基础上叠加的持续微决策，从生理学角度看是一种高要求组合——即使单个任务本身并不觉得困难。

这与传统倦怠的区别

心理学家 Christina Maslach 最初描述的倦怠，被理解为缓慢积累：慢性职场压力逐渐产生精疲力竭、愤世嫉俗和效能感降低，通常历时数月。可能的 AI 辅助变体共享这一终点，但似乎通过更快且不同的路径到达。与其说是过多无回报努力导致的疲惫，不如说是过多奖励、交付得太快、太频繁、缺乏自然停止点所致。

这是一个微妙但重要的区别。传统倦怠往往伴随对工作本身的恐惧感。相比之下，AI 辅助版本经常被经历者描述为当时感觉精力充沛甚至愉悦，这正是它更难察觉和中断的部分原因。你不觉得需要休息，因为下一个提示仍感觉有希望。这正是变量奖励循环的特征：即使注意力与神经系统调节这一底层资源正在悄然耗竭，继续的动机仍保持高位。

同样需要谨慎对待这一具体框架的新颖性。“AI 脑疲劳”等术语以及 AI 引发的倦怠这一更广泛概念，仍是对话中较新的添加，主要通过行业报道、咨询公司分析和开发者的第一手描述流行起来，而非通过同行评审的临床研究。潜在机制——奖励预测误差、变量比率强化和应激生理学——基础已确立。它们在基于提示的 AI 工作流上的具体应用，是对该研究的可信且日益得到支持的延伸，但仍是一个活跃且不断发展的研究领域，而非完全定论的科学发现。

打破循环而不破坏工具

以上并非反对使用 AI 工具的论点，而是主张在更清晰理解为什么它们如此难以放下后使用它们。在研究和已在自身注意到这一模式的工程师中流传的实用建议中，基于上述机制的几项调整反复出现。

时间盒化会话是更常被推荐的策略之一。因为变量比率奖励循环被专门设计（无论有意与否）以抵制自然停止点，施加一个外部停止点（如计时器或硬截止）就能完成奖励系统自己不会做的事。将探索性、开放式提示与专注执行工作分离是另一个实用区分。开放式“看看会发生什么”的会话是多巴胺循环运行最热烈的时刻，将它们视为独立、有界限的活动，而非让它们与常规工作融合，有助于遏制其拉力。

识别身体信号同样重要。心率升高、兴奋却迷糊的感觉，或与任务实际利害不匹配的紧迫感，都值得作为信息对待而非忽视。并真正留出恢复时间——不仅是睡眠，还有一天中完全不提示的时段——让多巴胺信号有机会回到基线，而非长期保持激活。所有这些都不需要放弃 AI 工具，而是需要以对待任何其他已知行为模式同样的严肃态度来处理它们创造的奖励循环。

这对未来的意义

提示-修复循环是技术变革中反复出现的一个更广泛模式的有用案例研究：为速度和响应性而构建的工具，往往会与人类奖励心理中非常古老、非常成熟的特征相互作用，且往往以设计者从未明确意图的方式。使老虎机和社交媒体信息流如此有效地吸引注意力的奖励预测误差机制，如今正出现在人们用来构建软件和写作的工具中。这不是用户的道德失败，也不一定是工具本身的缺陷。这只是即时、不确定的反馈与进化到特别关注这种组合的大脑相遇时必然发生的事情。

随着生成式 AI 越来越嵌入日常知识工作，理解这一机制的重要性很可能与理解工具本身相当。将奖励预测误差、变量强化与倦怠联系起来的研究，其基础已确立，但在 AI 辅助工作的具体应用上仍相当新，可以合理预期，未来几年将出现更多针对这一确切现象的直接、专门构建的研究。与此同时，最有用的收获可能很简单：被“再来一个提示”拉扯的感觉不是个人弱点，而是对真正经过良好工程设计的反馈循环的可预测反应，而可预测反应是可以提前规划的。

下一次你发现自己说“再来一个提示”时，或许值得记住：你不仅在与代码谈判，也在与大脑最古老的奖励学习系统之一谈判。

科学参考文献

Schultz, W. (2016). Dopamine reward prediction error coding. Dialogues in Clinical Neuroscience, 18(1).
Schultz, W., Dayan, P., & Montague, P.R. (1997). A neural substrate of prediction and reward. Science, 275(5306), 1593–1599.
Skinner, B.F. (1953). Science and Human Behavior. Macmillan.
Zald, D.H., et al. (2004). Dopamine transmission in the human striatum during monetary reward tasks. Journal of Neuroscience.
Berridge, K.C., & Robinson, T.E. (2016). Liking, wanting, and the incentive-sensitization theory of addiction. American Psychologist, 71(8), 670–679.
Murch, W.S., & Clark, L. (2016). Games of chance: Uncertain outcomes and the brain's reward system. Current Opinion in Behavioral Sciences.
Maslach, C., & Leiter, M.P. (2016). Burnout. In G. Fink (Ed.), Stress: Concepts, Cognition, Emotion, and Behavior (pp. 351–357). Academic Press.
Yegge, S. (2025–2026). Public commentary on agentic coding and reward-driven engagement, as reported by Built In and LeadDev.
LeadDev. (2026). Engineering Leadership Report 2026.
University of California, Berkeley. (2026). Research on AI tool use, work intensification, and cognitive fatigue at a technology company, as reported by Built In.
Boston Consulting Group. (2026). Reporting on psychological mechanisms in AI-related cognitive fatigue among technology workers.