夜雨聆风7月31日，做了近20年网络科普的Hank Green，
在Reddit上写下了一份罕见的工作检讨。
与AI互动、不断“做得更多”带来的兴奋，已经变得不健康。 |
这是他的自我描述，不是医学诊断。
他没有宣布退出AI，而是先停掉了几个自己舍不得停的项目。
给出的理由很具体，
他过度依赖AI辅助研究，也沉迷于那种“还能再多做一点”的推进感。
当然，导火索来自过度依赖AI创作带来的争议。
观众最初质疑的，是一段视频里出现了一句很像AI反馈语的表达。
争议最初指向 Complexly 的《Ask Hank Anything》节目片段；Green 后来核对脚本，称相关表达是录制时临场说出。图源：Complexly / YouTube
Green后来回头检查了研究笔记和脚本，说那句话是他在录制时临场说出来的。
与此同时，他承认自己确实用ChatGPT寻找论文和资料，而且已经过度依赖生成式笔记。
所以，能被证实的并不是“整段视频由AI写成”。
真正发生的事是，一名以解释科学建立声誉的创作者，发现自己的研究越来越依赖AI。
当外界追问这些话究竟从哪里来时，连他自己也觉得工作过程跑得太快、变得不够清楚。
对一个普通内容账号，这可能只是一次流程疏忽。
对Hank Green，却碰到了他最值钱的那部分资产.
观众相信镜头前的判断是经过了他的理解和判断，而不是AI
他担心的不是错误的答案
正因为这份声誉积累了近20年，争议触碰是创作者最难重建的信任。
TechCrunch在2024年采访他时写到，兄弟二人是互联网自媒体行业中少见的常青树。
Hank Green 的个人 YouTube 频道 hankschannel，是此次主动降低更新频率的项目之一。图源：hankschannel / YouTube
Green自己也清楚，创作者和观众之间本来就隔着屏幕，关系已经足够脆弱。
这解释了为什么他的长回应没有把重点放在“ChatGPT究竟帮了多少”。
观众需要知道，他说的话是否源自个人的思考。 |
过度依赖AI辅助研究，让这件事变得更难保证。
AI帮助他发现此前不知道的论文，但视频中的观点不是“ChatGPT说了什么”，而是他阅读材料后的判断。
他并不认为所有AI用途都不可接受，也没有改变对AI的批评。
找到一篇论文、理解论文、核对它的方法和限制，再把它变成自己的解释。
搜索工具可以缩短第一步，却不能自动替人完成后三步。
Green真正承认的是第一步开始反过来塑造后面的路。
生成内容帮自己快速接触大量材料，却也削弱了“找到自己进入一个主题的方式”。
资料来得太顺，选题的路径就容易被模型预先整理。
句子仍然由人说出口，但哪些问题值得追、哪些角度被遗漏，已经受到了工具影响。
知识工作的价值往往就藏在这段看不见的绕路里。
研究者翻到一篇不合预期的论文，编辑发现两个来源对同一数字口径不同，工程师在排查失败方案时重新理解系统边界。
模型最擅长把这些压缩成一张整洁地图，可地图越整齐，使用者越容易忘记那些没有被画进去的岔路。
“多巴胺”是他的自述
把这句关于兴奋感的自述放回他的工作方式里，问题才真正显出来。
我们不知道他的具体健康状况，也没有依据给他贴上“AI成瘾”的诊断。
能够确认的只是，他把反复提问、迅速得到反馈、立即开启下一项工作的体验，与难以控制的工作冲动联系在了一起。
这种体验并不神秘。
传统知识工作有许多天然停顿。
资料没找到，需要等同事回复，代码要跑一晚，初稿写不动，只能出去走一圈。
大模型把其中一部分等待时间压缩掉了。
你在晚上想到一个点子，不必等第二天开会，可以立刻让模型列方案。
方案出来以后，又能顺手做竞品分析、写原型、补邮件。
每一步都只多花几分钟，每一步也都给人一个小小的完成感。
问题在于，原来阻止你继续工作的摩擦一旦消失，休息不再自动发生。
停下来需要主动决定，而继续做几乎不需要决定。
加州大学伯克利分校在一家约200人的美国科技公司做了八个月的实地研究。
得处结论，生成式AI进入工作后，员工往往不是把节省的时间还给自己，而是扩大任务范围，把提示词塞进午饭、会议前和晚间的空隙，同时维持多条工作线程。
UC Berkeley 对八个月企业田野研究的介绍：AI 节省的时间往往被更多任务和并行线程重新填满。图源：UC Berkeley Research
任务扩张、工作与休息边界变淡、多线程并行，与Green的自述几乎严丝合缝。
研究提到一个危险的循环。
能力提高带来更多产出，更多产出抬高他人和自己的预期，新的预期又要求继续扩张。
当最初的额外努力变成正常水平，工具带来的红利就不再表现为更轻松，而是表现为更密、更快的工作日。
这可能是Green事件最有普遍性的部分。
热爱并不能自动保护一个人免于透支，有时恰恰会让边界更难设。
效率提高同时质量仍可能下降
讨论AI与工作，很容易滑向两个极端。
一边认为AI只会制造低质内容，另一边则把任何更快的交付都当成生产力进步。
现有研究支持的结论要窄得多。
AI确实能提高某些任务的效率，但收益在人群和任务之间差异很大，而且“完成得更多”并不自动等于“判断得更好”。
一项发表在《经济学季刊》的研究考察了5172名客服人员。
AI助手让他们平均每小时解决的问题数量提高15%，新手和低技能员工收益更明显。
《经济学季刊》研究显示，AI 对低技能与新入职客服的生产率提升更明显，高技能员工收益较小。图源：Oxford Academic / QJE
这个案例提醒我们，AI并非必然导致能力退化。
在任务边界清楚、结果可核验、建议可以被员工忽略的流程中，它可以把优秀员工积累的方法更快传给新人。
但同一研究也发现，最有经验的员工速度收益较小，质量还有轻微下降。
换到科普创作，风险会更难测量。
客服问题是否解决，可以在短时间内观察。
一个视频是否遗漏关键反例、是否让观众形成错误理解，往往没有即时仪表盘。
微软和卡内基梅隆大学研究者调查了319名知识工作者，收集936个实际使用案例。
这项 CHI 2025 论文调查了 319 名知识工作者收集的 936 个真实用例。图源：Microsoft Research / CMU
他们发现，使用者越相信AI，越少报告自己进行了批判性思考。
使用者对自身完成任务的能力越有信心，反而越会保持批判性检查。
研究还发现，批判性工作的重心发生了转移。
人们减少了部分信息收集和生成，把更多精力放在验证、整合和监督上。
它提供的提醒是。
工具没有消灭思考，只是把思考搬了位置。
原来需要亲自寻找和组织材料，现在需要判断模型找来的材料是否真实、是否完整、是否适合当前问题。
如果团队只计算“初稿快了多少”，却不为核验留时间，省下来的工时只是从表面消失，风险被推迟到了发布之后。
Green的困境正出现在这里。
他仍然阅读论文，也仍然对最后的表达负责，但当项目太多、节奏太快，核对“我的研究路径到底是怎样形成的”本身就成了一项额外工作。
到了观众质疑时，他需要回头检查笔记和脚本，才能分清哪句话来自哪里。
对医生、律师、分析师、教师和记者来说，这套麻烦会更直接。
AI可以帮忙准备材料，最后签字、出镜或向客户作出解释的仍是本人。
一旦资料来源说不清，省下的时间很快会变成追溯过程、核对责任的成本。
产量涨上去以后，很少会自己降下来
Green没有给出一套新的AI原则，但从他日程表可以明显看出。
他打算引入研究和写作支持，把时间还给一个自己认为确实重要的视频。
这几项安排看起来朴素，执行起来却会碰到一条常被忽略的规则。
用工具省下来的工时，通常不会自动变成休息。
比如，周报从三小时缩短到一小时，团队可以把余下时间用于核对数据，也可以顺手再加两份周报。
程序员借助智能体提前两天交付，也会遇到同样的问题。
如果这次提速直接写进下个季度的绩效基线，额外产量很快就会被当成正常产量。
模型出错后的返工、夜间继续跑任务所花的时间，反而不容易出现在账面上。
因此，公司讨论AI规范时，除了数据能不能上传、代码能不能生成、结果要不要标注，还得把时间怎么使用说清楚。
个人能做的也不复杂。
保留AI参与研究和写作的记录，接新任务前确认节省的时间究竟用来补质量还是加产量。
Green暂停的项目以后可能恢复，也可能换一种方式回来。
一个创作者的调整不足以证明大模型会让所有人过劳，眼下也没人知道他能否长期守住这套安排。
至少在这一次，他没有继续追求“再多做一点”，而是主动让几个仍然喜欢的项目停了下来。
接下来值得观察的，不是他的更新速度何时恢复，而是这些空出来的时间会不会真的被留下。