地铁上听到两位字节Seed大佬说“用AI后人反而更累”，我每天和AI聊天明明挺轻松啊？调研后才发现：他们说得对……
最近坐地铁回家晚上很晚了，旁边坐了两个人在聊天，看样子是字节的，肯定是做技术的，其中一个说了句"用AI之后人真的很累"，另一个连连点头。我当时戴着耳机假装没听见，但心里想的是：不会吧？我每天跟AI聊天写代码，感觉还挺好的啊，效率高了不少。没有感觉好累…
回家之后我百思不得其解，就开始去搜、去调研。原来很多人都觉得用了ai之后累 这是个群体性现象。今天把这个事儿从头到尾说清楚。
1. 现象：AI编程变快了，人却更累了
引入AI之后呢，代码产出确实是肉眼可见地提速了。但是吧，有一件事很多人一直没好意思说出口。就是每天下班的时候，那种精疲力竭的感觉啊，比以前纯手敲代码的时候还要重得多。重得不是一点半点的那种。
不是你一个人这样哈，真的。
这种感觉呢，其实有个正式的名字。最近在硅谷那边的技术圈子里被反复讨论来着，叫做AI Brain Fry。也可以叫"脑力榨干效应"吧。它不是说某个人矫情什么的，而是第一批大规模使用AI编程工具的工程师群体，集体撞上了一堵墙。就像地铁上那两个大佬说的一样，不是个例。
这堵墙嘛，值得咱们认真聊一聊。
2. 硅谷顶级工程师也扛不住
如果你把这种疲惫啊，归结为自己状态不好，或者说熬夜太多了。那你不妨先看看那些"天花板级别"的工程师，他们现在过得怎么样。
先说Django框架的联合创始人Simon Willison吧。这人入行超过25年了，是少数真正见证了互联网从拨号时代一路走到今天的工程师。他最近自己说的，他日常写出来的代码里面呢，大概95%已经都是AI写的了。听起来好像是解放了双手对吧？但是呢，他描述的实际状态是这样的——每天上午11点前后吧，大脑就开始强制关机了，进入一种"深度精疲力尽"的模式。他还说这事儿在硅谷不是个例，反而是一种越来越普遍的职业现象了。
还有一个经常被引用的案例，来自Paul Graham。就是Y Combinator的创始人嘛。他用了一个特别直白的词儿，叫"吸血效应"。他的意思是什么呢？就是AI工具有种很独特的能量代谢模式。短时间内让你极度亢奋、高速输出，感觉特别爽。但是呢，随后那种透支感会成比例地反弹回来，还给你。他现在给自己设了一个硬上限——高强度AI协作每天不超过三个小时。工位旁边还常备枕头，随时准备平躺恢复。你说夸张不夸张。
再说微软的开发者布道师Scott Hanselman吧。他形容自己产生了一种"发胶焦虑"。什么意思呢？就是后台没有Agent在运行的时候，就会觉得浑身不对劲。好像是在浪费生命一样。这听起来像是效率成瘾的一种变体吧，但背后其实是持续的注意力动员带来的那种神经损耗。就是脑子一直在转，停不下来。
这三个人呢，各自代表着工程师职业路径的不同阶段。但是吧，他们指向了同一个症状。都是一样的累法。地铁上那两位大佬说的真没错。
3. 数据说话：BCG的残酷调查
个人叙述这种东西嘛，容易被归结为主观感受。你说你累，别人可以说你矫情对吧。但是呢，波士顿咨询公司（BCG）2024年做了一项调查，把这事儿变成了可以量化的数字。
这项研究覆盖了1488名全职工作者，结论不太好看。怎么说呢，在AI重度用户群体里面，有14%的人已经出现了显著的认知损耗症状。更值得警惕的是什么呢？这部分人的重大错误率，比完全不依赖AI的对照组高出了39%。你没听错，39%。
这里有一个反直觉的地方啊。大多数人使用AI的初衷之一，就是想减少出错嘛。但是呢，当认知资源被长期过度调用的时候，判断力本身就开始下滑了。AI反而可能成为错误的放大器，而不是过滤器。这事儿挺讽刺的。
类似的问题在其他领域其实早有先例了。医疗行业在引入电子病历系统的头几年，医生群体的职业倦怠率不降反升来着。新工具带来的信息密度和决策压力啊，并没有因为流程自动化而同步减轻。AI编程工具现在正在重走这条路。前车之鉴摆在那里。
4. 为什么越用越累？三层叠加的脑力负荷
那么根本原因到底是什么呢？为什么把"脏活"交给机器去干了，人反而更累了呢？
答案其实就在于——AI并没有减少你的脑力消耗，它只是把消耗的种类给换了一种。形式变了，总量没变，甚至更多了。
第一层呢，是从"执行"到"决策"的升维压力。
过去写代码的主要摩擦力啊，是在执行层面的。查文档、调语法、等编译这些事儿。虽然枯燥吧，但是认知强度并不高。而且中间还有大量的"挂机"时间，可以让大脑自然恢复一下。
现在呢，执行层外包给AI了。但是你进入了一个完全不同的工作状态。你需要持续地去评估、去质疑、去修正、去做决策。产品专家Nathan Baschez打过一个比方说得挺好的——以前写代码就像做填字游戏，有节奏感的，偶尔停下来想一想也算是放松。现在呢，更像是在跟AI打一场没有暂停键的辩论赛。你的注意力永远被锁定在最高强度的认知档位上，根本停不下来。
认知科学里有个概念叫"执行功能"，英文是executive function。它负责什么呢？计划、抑制冲动、还有监控错误。是大脑最耗能的模块之一。AI编程实际上就是把你从低强度的体力劳动，推进了一个全程都在调用执行功能的工作流里面。
第二层呢，是注意力切换的物理极限。
加州大学欧文分校的Gloria Mark教授啊，她长期研究人类注意力。她的研究发现被反复引用——一次外部打断之后呢，人平均需要23分15秒才能重新进入深度专注状态。23分钟啊，不是23秒。
而多窗口AI协作的日常呢，本质上就是一台连续打断机器。这个Agent输出了，你要去审查。那个窗口报错了，你要去处理。另一个模型产生幻觉了，你又要去纠正。每一次切换都在消耗你有限的认知带宽。而且这种消耗是累积的，不会因为每次只停留几分钟就变得便宜了。
Box的CEO Aaron Levie曾经从组织管理角度解释过为什么公司需要层级结构。他说人脑同时追踪上下文的容量是有物理上限的。现在呢，AI工具把你变成了一个没有团队边界的单兵总指挥。独自承担过去分散在多人身上的监督和判断负荷。就你一个人干以前好几个人的活儿。
第三层呢，是最难量化、也最容易被忽视的——隐形的焦虑负荷。
当你在后台同时运行多个Agent的时候啊，它们并不会让你真正放松。恰恰相反，你处于一种持续的低强度警戒状态。不知道哪个Agent正在悄悄走偏了，不确定下一个输出需不需要你紧急干预。这种模糊性本身就是一种心理负担。
心理学里有个术语叫"认知闭合需求"，英文是need for cognitive closure。面对开放性的不确定状态呢，人脑会持续消耗资源去维持警觉。多Agent并行的工作环境啊，恰好就创造了一个充满不确定性的持续开放状态。就算你表面上在那儿"等待"呢，大脑其实并没有在休息。它还在那儿转着呢。
5. 破局法则：不被榨干的保命指南
理解了这三层负荷的来源呢，应对方式就不难推导出来了。核心原则其实只有一个——不要试图去对抗大脑的物理限制，而是在它的限制范围内重新设计你的工作方式。
第一招呢，是严格控制并发数。上限就是三个。BCG的数据指出啊，当同时开启的AI工具超过四个的时候呢，生产力不是线性下降的，而是断崖式崩塌。三个并发是目前被观察到的认知可控上限。别因为工具"免费"就无限叠加，那是跟自己过不去。
第二招呢，是重新定义你的工作时长。用传统的八小时标准来衡量AI协作啊，是一个错误的参照系。高强度AI编程的实际可持续上限呢，大概在三小时左右。这跟Paul Graham的亲身经验高度吻合，也跟认知科学关于深度工作可持续时长的研究结果是一致的。三小时的高质量输出嘛，早就超过过去八小时里真正的有效工作量了。
第三招呢，是设立物理和时间的边界。独立开发者Andreas Kling的做法提供了一个参考——把Agent任务的范围缩到最小，给每段AI协作设置明确的时间边界。然后在结束后强制切断，不要让它在后台无限漂移。这不是在降低效率啊，这是在保护你做判断的能力不被稀释掉。
6. 总结：真正的瓶颈是你自己
AI工具做了一件挺有意思的事儿。它消灭了大量过去阻碍我们的"假瓶颈"。等编译啊、查文档啊、等代码review的漫长循环啊这些。这些东西看起来是瓶颈吧，其实也是大脑无意识的喘息空间。
当这些假瓶颈消失之后呢，真正的瓶颈第一次清晰地暴露出来了。是什么呢？就是你工作记忆的容量上限、持续评估的精神耐力、以及在模糊和不确定中维持判断力的心理储备。
这些东西啊，不是可以通过更好的工具来绕过去的。它们是人类神经系统的基础架构，短期内不会因为AI进化而同步升级的。
工具再强大嘛，也替代不了大脑的物理疲劳。承认这一点呢，反而是在AI时代保持长期竞争力最务实的一个前提。
脑子转不动了，就合上电脑吧。这不是失败，这是基本的系统维护。
学AI大模型的正确顺序，千万不要搞错了
🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！
有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！
就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋
📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇
学习路线:
✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经
以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！
我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～