已經凌晨 2 點了。那個 bug 已經纏繞你三個小時。你知道該睡覺了，但你的手已經回到鍵盤上，在終端機裡的 AI 程式碼助理中輸入另一個指令。你的心跳比單純坐在桌前的人該有的速度稍快一些。你告訴自己一個小時前告訴自己的同一件事：再來一個提示，我就能修好它。

這個場景對許多撰寫程式碼、製作內容，或是每天與生成式 AI 工具共事的人來說已不再陌生。它看起來不像以往的倦怠。沒有恐懼，也沒有盯著閃爍游標二十分鐘發呆。如果有什麼不同，那就是工作感覺強迫性地吸引人，幾乎吸引到讓人無法停下。而這正是值得仔細檢視的地方。

過去一年，開發者、作家與研究者開始描述一種在長時間 AI 輔助工作階段後出現的特定疲憊：快速發生、難以中斷，而且與傳統過勞產生的緩慢累積疲勞截然不同。有些開發者開始稱之為「AI 腦疲勞」。程式碼圈知名人物 Steve Yegge 直白地描述代理式程式碼工具的吸引力：每一次成功都會帶來一小劑多巴胺，每一次失敗則帶來腎上腺素的衝擊，而這種交替模式正是讓人「幾乎不可能抽身」的關鍵。

2026 年的產業調查也印證了這些軼事。一份大型工程領導報告發現，越來越多開發者比前一年工作更長的時間，儘管 AI 工具本應能節省時間。加班最多的人並非仍在學習依賴工具的新手，而是資深工程師——那些最了解這項技術、使用最熟練的人。

本文探討這些工作階段中大腦與身體實際發生的事，運用早在生成式 AI 問世數十年前就已存在的獎賞學習、強化時程與壓力生理學研究。工具是新的，但底層生物機制並非如此，而理解這些機制是與這些系統合作而非被它們操控的第一步。

為什麼 AI 工具感覺與一般工作不同

要理解為什麼 AI 輔助工作會如此令人著迷，不妨先想想在這些工具出現之前，一個正常工作日是什麼感覺。傳統的程式設計、寫作或研究包含長時間的努力與延遲的回饋。你寫好一個函式，而回饋——看到它真的運作——可能要在測試、除錯與迭代之後，數分鐘或數小時才出現。回饋緩慢、經常模稜兩可，而且很少即時。

生成式 AI 縮短了這個間隔。你描述一個問題，幾秒鐘內就能得到一個建議的修正、一段程式碼、一段文字或一個答案。有時完全正確，有時接近但有缺陷，有時以令人意外甚至戲劇化的方式失敗。重點是，你事先不知道會得到哪一種結果，而且幾乎能立刻知道。這種「快速回饋加上結果的不確定性」的組合，不是微不足道的使用者體驗細節。它幾乎完全符合行為心理學中最被深入研究的模式之一。

大腦的預測機制

神經科學有一個名詞描述「結果與預期不同」時發生的事：獎賞預測誤差。這個概念來自多巴胺神經元的研究，最著名的是神經科學家 Wolfram Schultz 的工作，他多年來記錄動物在學習預期獎賞時這些神經元的活動。Schultz 與後續研究者發現，多巴胺神經元並非單純在好事發生時發射。它們的發射比例與好結果的意外程度成正比。你完全預期的獎賞幾乎不會讓這些神經元有反應。比預期更好的獎賞會產生一陣活動。而當你預期有獎賞卻沒有出現時，這些神經元反而會安靜下來，活動率低於正常基準。

這對提示式 AI 工作很重要，因為它幾乎完美描述除錯過程發生的事。你送出一個提示，不知道它是否能解決問題。如果成功，你會得到正向訊號的爆發，正是因為你不確定它會成功。如果失敗，會有一陣低潮，接著幾乎立刻可以再試一次調整過的提示，重新啟動整個循環。研究多巴胺的學者將此描述為學習以及從電玩到賭博等各種事物吸引力的核心機制。生成式 AI 工具並沒有發明這個機制，它們只是打造了一個每小時觸發數十次甚至數百次的介面。

神經科學家 Kent Berridge 對此畫面提出一個有用的細微區分，他的研究將「想要」與「喜歡」區分開來。「想要」是追求某物的動機驅力，主要由多巴胺訊號驅動。「喜歡」則是獲得它時產生的實際愉悅感，似乎透過部分獨立的大腦迴路運作。Berridge 的研究顯示，這兩個系統可能分離：有可能強烈想要某物，卻不一定在得到時享受更多。這個區分異常貼合長時間 AI 輔助工作階段。送出另一個提示的拉力可能在一個又一個工作階段中保持強勁，即使實際獲得有效答案的滿足感開始變得稀薄。「想要」持續存在；「喜歡」不一定跟得上。

借用行為心理學的藍圖

這個謎題的第二個密切相關部分來自更古老的心理學分支：操作制約——研究後果如何塑造行為。在任何人想像 AI 程式碼助理之前數十年，心理學家 B.F. Skinner 進行了比較不同獎賞模式或「時程」的實驗。他的關鍵發現之一是：以變動時程（意即報酬的時間或機率不可預測）提供的獎賞，比以可預測方式提供的獎賞，會產生更持久、更難停止的行為。

這就是為什麼吃角子老虎機能長時間抓住人們注意力的機制。機器不是按固定時程出獎，而是不可預測地出獎，而這種不可預測性正是讓人持續拉桿的原因。研究賭博行為的學者發現，這種變動獎賞與大腦多巴胺釋放密切相關，而以這種方式強化的行為特別抗拒「消弱」，意即人們即使在長時間沒有報酬時仍會持續從事該行為。

應用到 AI 程式設計或寫作工作階段時，類比是直接的。下一個提示是否會產生乾淨的修正、部分修正、完全錯誤的答案，或是意外的精彩結果，你無法有信心預測。這種不確定性與行為心理學長期研究的變動強化時程非常相似。在這裡需要謹慎看待科學已確立與尚未確立的內容。研究者已證實變動比率強化在受控實驗情境中可靠地產生持續反應，也有合理證據將這種獎賞結構與從社群媒體到賭博 App 等數位產品的強迫性使用連結起來。提示式 AI 工具是否會產生類似物質那樣的臨床顯著成癮模式，則是更新且尚未定論的問題。根據目前理解，可以公平地說，AI 工具的獎賞結構與已知會產生持久、難以中斷行為的模式非常相似。這與說 AI 程式設計具有醫學上的成癮性，是有意義的區別，而這個區別很重要。

從「大腦嗡鳴」到身體負擔

提示—修正迴圈的心理拉力只是故事的一半。另一半出現在身體上，而且通常是在嗡鳴感消退之後才被注意到。

基準線下的崩潰

獎賞研究中較一致的發現之一是：強烈或重複的多巴胺訊號活化之後，往往會有代償性的低潮。在一段頻繁、高強度多巴胺訊號之後，獎賞相關神經活動不會單純回到靜息狀態，而是會在之後一段時間低於基準線。這也是為什麼深夜工作階段在當下感覺敏銳且充滿活力，隔天早上卻可能出現沉重、平淡、缺乏動機的感覺，即使有充足睡眠也很難擺脫。人們有時將此描述為一種精神霧或冷漠，讓普通決定（如先做什麼工作）感覺 unusually 困難。這與決策疲勞研究相符：不是無法思考，而是在持續認知負荷後，決策品質與速度出現可測量的下降。

值得注意的是，關於這種反彈效應的大多數基礎研究來自一般獎賞與多巴胺研究，而非專門針對 AI 工具使用的研究——後者仍是相當年輕的研究領域。將其應用到提示式工作流程，是對已確立原則的合理延伸，而非在此特定情境下的直接確認發現。

當挫折成為身體訊號

另一個生理面向更為熟悉：壓力。即使 AI 工具名義上在處理繁瑣工作，監督它的人仍需不斷做出微觀層級的判斷——這個輸出正確嗎？我該相信它嗎？我需要介入嗎？我在這個任務上已經投入多少時間。職業壓力研究者長期使用心率變異性與皮質醇（身體壓力反應時釋放的激素）等指標，追蹤持續心理需求如何影響身體。心率變異性降低（心跳間的健康波動減少）是知識工作者生理壓力的充分記載標記，且與自我報告的壓力與緊繃感密切相關。

2026 年加州大學柏克萊分校的一項研究觀察中型科技公司使用 AI 工具的員工，發現存取更強大的 AI 代理會讓人們以更快速度、跨更多任務、持續更長時間工作，主要是因為工具讓他們感覺更有能力且被賦能。研究者將這種「強化」工作模式標記為可能導致認知疲勞與決策能力隨時間減弱的途徑，儘管他們謹慎地將其視為早期訊號而非定論，因為關於這個特定動態的研究仍在累積。另據 2026 年初的產業報導，AI 程式碼工具似乎正在延長而非縮短工作時間，增加幅度最大的是經驗最豐富的工程師——那些最能全速使用工具的人。更快的速度、更長的工時，加上已經高速運轉的獎賞系統上的持續微觀決策，從生理角度來看是一種高需求組合——即使單一任務本身並不困難。

與傳統倦怠的差異

心理學家 Christina Maslach 最初描述的倦怠，被理解為緩慢累積：慢性職場壓力逐漸產生耗竭、犬儒主義與效能降低的感覺，通常歷時數月。可能的 AI 輔助變體共享這個終點，但似乎透過更快且不同的途徑到達。不是來自過多無回饋努力的累積疲勞，而是來自太多獎賞、送得太快、太頻繁，且幾乎沒有自然停止點。

這是細微但重要的區別。傳統倦怠通常伴隨著對工作本身的恐懼感。相較之下，AI 輔助版本經常被經歷者描述為當下感覺充滿活力甚至享受，而這正是讓它更難察覺與中斷的原因。你不覺得需要休息，因為下一個提示仍然感覺有希望。這正是變動獎賞迴圈的特徵：即使注意力與神經系統調節等底層資源正在悄然耗竭，繼續的動機仍保持高昂。

同樣值得謹慎的是這個特定框架的新穎性。「AI 腦疲勞」等詞彙以及 AI 引發倦怠的 broader 概念，仍是對話中最近的添加，主要透過產業報導、顧問公司分析以及開發者的第一手經驗普及，而非透過同行評審的臨床研究。底層機制——獎賞預測誤差、變動比率強化與壓力生理學——已確立穩固基礎。它們對提示式 AI 工作流程的特定應用，是對該研究的合理且日益獲得支持的延伸，但仍是一個活躍且持續演進的研究領域，而非完全確立的科學發現。

打破迴圈而不損壞工具

以上並非反對使用 AI 工具的論點，而是主張以更清楚的理解來使用它們——理解為什麼它們如此難以放下。在研究與已察覺自身模式的工程師之間流通的實務建議中，反覆出現幾個基於上述機制的調整。

時間封鎖工作階段是較常被推薦的策略之一。由於變動比率獎賞迴圈特別被設計（無論有意或無意）來抵抗自然停止點，因此施加外部停止點（如計時器或硬性截止時間）能完成獎賞系統無法自行完成的工作。將探索性、開放式提示與專注執行工作分開，是另一個實務區分。開放式「看看會發生什麼」的階段正是多巴胺迴圈運轉最熱烈的時候，將它們視為獨立、有邊界的活動，而非讓它們融入一般工作，有助於控制其拉力。

辨識身體訊號也很重要。心率上升、感覺清醒卻昏沉，或是緊急感與任務實際 stakes 不符，都值得視為資訊而非忽略。並且建立真正的恢復時間——不只是睡眠，而是白天中完全沒有提示的時段——能讓多巴胺訊號有空間回到基準線，而非長期處於活化狀態。這一切都不需要放棄 AI 工具。它需要以對待任何其他已確立行為模式相同的嚴肅態度，來對待 AI 工具所創造的獎賞迴圈。

這對未來的意義

提示—修正迴圈是一個有用的案例研究，說明隨著科技變化不斷重複出現的更廣泛模式：為速度與回應性而打造的工具，往往會與人類獎賞心理學中非常古老且被充分理解的特徵互動，而這些互動方式通常不是設計者明確意圖的。同樣的獎賞預測誤差機制讓吃角子老虎機與社群媒體動態消息如此有效地抓住注意力，如今也出現在人們用來建構軟體與撰寫文字的工具中。這不是使用者的道德失敗，也不一定是工具本身的缺陷。這只是即時、不確定的回饋與一個演化來密切關注這種組合的大腦相遇時自然發生的結果。

隨著生成式 AI 越來越深植於日常知識工作，理解這個機制的重要性，可能會與理解工具本身同等重要。連結獎賞預測誤差、變動強化與倦怠的研究在基礎上已確立，但在 AI 輔助工作的特定應用上仍相當新穎，可以合理預期，未來幾年將出現更多針對此現象的直接、專門設計的研究。與此同時，最有用的 takeaway 可能很簡單：「再來一個提示」的拉力感覺不是個人弱點。這是對一個真正精心設計的回饋迴圈的可預測反應，而可預測的反應是可以事先規劃的。

下一次你發現自己說「再來一個提示」時，或許值得記住：你不只是在與你的程式碼談判，也在與大腦最古老的獎賞學習系統之一談判。

科學參考文獻

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.