AI让我工作上瘾:当 AI抽走了工作的“节奏感”,我们还剩什么?

有史以来最赚钱的机器莫过于老虎机，头奖金额几乎无关紧要，大多数玩家都知道中奖概率，真正让他们持续点击的是一种特殊的奖励发放模式。B斯金纳几十年前就发现了这种模式：变比强化，即奖励发放的时间间隔不可预测。玩家无法确定哪一次点击会中奖，所以每一次点击都感觉像是有中奖的可能，这种不可预测性比奖金本身更能有效地维持玩家的行为。

我从Copilot早期就开始接触这种机制。从GPT-3.5开始，当时的工作流程是将代码片段复制到聊天窗口，然后再粘贴结果。此后，随着工具的改进和会话时间的延长，每一代都如此。到2025年初，我发布的代码中大约有90%到100%都是人工智能生成的。现在是2026年，这种模式只会更加根深蒂固。我从起床到睡觉都在和人工智能打交道，我完全明白这一点，但这并没有改变什么。

你亲手打造的老虎机

如果你真的花时间使用过这些工具，你就会了解其中的滋味。有时，模型会生成你真正需要的东西，清晰且结构分明，当你操控强大的工具得到精确的结果时，会有一种莫名的满足感。有时，输出结果毫无意义，你会不假思索地将其丢弃。但最典型的输出结果，定义了构建者与工具之间的关系，却并非如此。它几乎完美，布局渲染成功，但间距略显不协调。优化效果不错，但你已经能看出，如果命名规则提升一个抽象层次，会更加清晰易懂。组件功能齐全，但动画缓动效果略微过强，而你也知道如何才能让它更柔和一些。

这远不止于代码层面。当我使用人工智能设计用户界面时，同样的循环也会出现。层级结构几乎正确，但视觉权重需要重新分配。配色方案不错，但某个次要元素的对比度可以更紧致一些。当我生成图形、营销素材和图表时，输出结果总有改进的空间，而且这些改进之处我都能清晰地看到并准确地表达出来。人工智能承担了执行的认知负荷，让我可以专注于指导，但追求完美是一个没有终点的游戏。每一代都会让作品向前推进一点点，有时是巨大的进步，有时只是一个像素的微小变化，偶尔也会朝着我之前未曾考虑过但现在想要探索的方向发展。你现在的位置和你想要达到的位置之间的差距总是清晰可见、具体明确，而且似乎只要再尝试一次就能弥合。

在这里，赌博的类比变得更加清晰，也让我想起了我之前的经历。我曾在量化金融领域工作过一段时间，理解行为强化机制是工作的一部分。你可以读读舒尔关于拉斯维加斯老虎机赌博的民族志，你研究了舒尔茨关于多巴胺预测误差的研究。你了解到，与彻底失败相比，险些获胜更能激发继续游戏的欲望。大脑对不可预测的奖励比对可预测的奖励反应更强烈，赌场几十年来一直在利用这些机制进行设计，这些知识对于模拟市场行为非常有用。我从未想过会在周二凌晨两点，在完全清醒却又无法合上笔记本电脑的情况下，在自己的编程工作中发现同样的模式。

然而，老虎机的险些获胜是抽象的。两颗樱桃和一个柠檬只是符号的任意组合。当人工智能编程工具给出险些获胜的结果时，你可以看到实际结果与所需结果之间的精确差距，你可以指出那三条可以弥合差距的线。险些获胜不再像是偶然，而更像是一种信号。“再试一次”不再像是赌博，而更像是一种工程设计，而这恰恰是它更难被识别为强迫行为的原因。

其机制是相同的，伪装效果好多了。

阶段间的停顿到底有何用？

一旦这种循环形成，一个更微妙的问题就会浮现：过去用来告诉开发者何时完成一个工作单元的每一个信号都消失了。

软件开发一直以来都有一种由自身阻力所决定的节奏。编译需要时间；测试套件运行需要几分钟；代码审查需要等待其他人阅读你写的代码并给出反馈；调试意味着要手动追踪逻辑，缓慢而持续地，这种专注力自然会耗尽。这些都是工作的脉搏，是嵌入其中的细微信号，表明某个部分已经完成，是时候评估、重新考虑或停止了。这种停顿就像节拍器一样。

人工智能工具消除了这种停顿，也消除了节奏，节奏的消失也导致了停止信号，工作会话变得以前所未有的方式持续进行。在这个游戏中，没有像扑克牌游戏那样自然的“牌局”，没有在回合之间强制暂停，让你查看筹码并决定是否继续。凌晨两点还在工作的开发者拥有极强的自律性。环境已被彻底剥离，曾经让“停下来”成为一种自然过渡而非意志行为的结构荡然无存。当所有停顿都被刻意消除，继续便成了默认选项，而停止则成了需要主动选择的事情。

永不停歇的工作

这种模式并非局限于单个工作环节，它重塑了一整天的结构。

工作与非工作之间的界限一直以来都发挥着认知功能，而批评者往往低估了这一点。远离屏幕的时光，正是缓慢的后台处理过程发生之时，它将积累的经验转化为判断。午饭后的散步，下班回家的通勤，以及盯着虚空发呆的半小时——你的大脑悄然重新整理着几个小时前你已停止思考的问题的各个碎片。整合在此发生，直觉也在此形成。这需要你暂时放下工作，并且无需为此感到内疚。

人工智能从内部瓦解了这条界限。智能体彻夜运行，拉取请求在你睡觉时不断累积。机器在你不在时仍在产出，这从根本上改变了你对休息成本的感知。离开工作不再像是一种恢复，而更像是一种浪费，因为在某个地方，某些东西正在被生产出来，而你却选择视而不见。这种压力很微妙，它既源于内疚，也源于雄心壮志：一种弥漫的内疚感，源于明明迭代随时可行却选择停止迭代，却无法判断这种选择究竟是出于自知之明还是疏忽大意。

当工作永不停歇时，整合就永远不会发生。判断力会以不易察觉的方式退化，直到出现问题才会显现。你会做出更糟糕的架构决策，你会失去区分进展和停滞的能力。你会发布更多产品，却理解得更少，而指标却奖励发布量。

责任压力向上转移

在强迫循环和消失的停止信号之下，存在着一种更为静谧的结构性转变，它或许比两者都更为重要。我可以在自己的轨迹中找到它的踪迹。

早期，当我把代码复制到GPT-3.5中再把结果粘贴回来时，我犯的错误主要集中在功能层面。比如模块之间的连接不牢固，依赖关系冲突等等。由于当时AI的输出范围很小，所以处理这些错误所需的内部知识量还算可以承受。但随着工具的改进和输出规模的扩大，我需要掌握的层面也随之提升。错误不再局限于功能层面，而是开始涉及特性、架构决策，甚至关乎我指导AI构建的系统是否真的合适。随着每一代工具的更新换代，责任范围不断扩大，而跟上这种变化所需的认知成本也随之同步增长。

过去那种持续专注于单一工作模式的工作方式，如今变成了在指导、评估和纠正之间频繁切换。我同时扮演着架构师、产品经理、评审员和最终决定者的角色，而且往往需要在几分钟之内完成所有这些工作。生产力的提升是显而易见的，每小时所需的判断次数也相应增加，而判断力是消耗最快、恢复最慢的认知资源。

到底变了什么？

没有人一开始就打算设计一款让人上瘾的工具，这在一定程度上解释了为什么这种模式难以察觉。这种强迫性源于一个流程中所有自然停顿的消失——而这个流程原本有几十个停顿——同时奖励的不可预测性又足以让开发者不断追求下一个迭代。曾经支撑工作流程的摩擦力是良好工程得以持续发展的基石，而如今它却在无人察觉的情况下被移除，人们甚至都没意识到它曾经支撑着什么。

尤其令人困惑的是，围绕工作流程的组织结构并没有跟上时代的步伐。迭代开发仍然沿用着编写、测试、审查的旧节奏。代码审查流程仍然假定他们正在阅读的代码是由人编写的。团队规模和产能规划仍然假定着投入与产出之间的旧关系。组织架构是为摩擦力存在的世界而构建的，并且它默默地依赖于这种摩擦力才能运转。摩擦消失了，脚手架依然屹立，但它已无法承受任何重量。我们正处于一个过渡状态，旧结构以形式存在，而其下的现实早已发生转变，大多数团队尚未察觉到这种转变。

需要指出的是，软件领域目前最能体现这种转变，因为这里的工具发展得最快。在从事软件开发之前，我是一名理论物理学家。我花了数年时间钻研方程式，构思模型，苦苦钻研那些需要盯着推导过程几个小时，然后灵感才会突然涌现的问题。当我思考这些工具在当时的背景下意味着什么时，答案显而易见：结果是一样的。那种强迫循环是相同的。几乎正确的公式，却还差一个项。模型几乎拟合成功，但边界行为却存在偏差，而且你能清楚地看到偏差所在。凌晨三点，仍然坚信再推一遍代数就能弥合差距。这种机制与代码本身无关，这与任何人工智能承担执行任务，而将指导、评估和改进工作留给人类完成的工作都息息相关。软件就像金丝雀，预示着人工智能的崛起。任何人工智能开始承担认知劳动的领域都会遇到同样的模式，而且很可能比预期来得更快。

这究竟是工具放大了人类的某些特质，还是工具本身就创造了这种特质，我真的不得而知。我注意到自己身上有这种特质，也注意到我在AgentField.ai共事的那些杰出工程师身上有这种特质。我目前还无法抽身出来判断这种特质是否一直潜藏在人类心中，只是被工具发现了，还是工具创造了某种全新的东西。这种区别至关重要，我怀疑答案将决定我们如何看待接下来的发展。