AI吞掉了工作的节奏
有史以来最会赚钱的装置，大概非老虎机莫属。头奖其实并不重要，大多数玩家也清楚中奖几率，真正让人不停按下去的，是一种特殊的奖励发放方式。几十年前，B·斯金纳就指出了这种机制：变比强化，也就是奖励出现的间隔无法预知。你不知道哪一次点击会中奖，于是每一次点击都像还有机会，而这种不可预测性，往往比奖金本身更能牢牢维持行为。
我从 Copilot 早期就开始接触这种机制。到了 GPT-3.5 时代，工作流程还是把代码片段复制进聊天框，再把结果粘回来。后来工具越来越顺手，会话也越来越长，每一代都如此。到 2025 年初，我交付的代码里大约有 90% 到 100% 都由人工智能生成。如今到了 2026 年，这种依赖只会更深。我从起床到入睡都在和人工智能打交道，我完全知道这一点，可这并没有改变什么。
你亲手造出的老虎机
如果你真的长期用过这些工具，就会懂那种感觉。有时候，模型会直接给出你真正需要的东西，清楚、完整、结构分明；当你借助强大的工具拿到精确结果时，会生出一种说不清的满足。有时候，输出又完全不成样子，你会毫不犹豫地把它扔掉。但最常见的结果，才真正定义了构建者和工具之间的关系：它几乎完美，页面渲染正常，却在留白上略有别扭；优化已经不错，但你一眼就能看出，如果命名再上升一级抽象层，会更清楚；组件功能齐备，只是动画缓动稍微过头，而你也知道怎么把它调得更柔和。
这绝不只发生在代码里。我用人工智能做界面设计时，也会反复遇到同样的回路。层级关系基本对了，但视觉重心还得重新分配；配色已经不错，只是某个次要元素的对比还能再收一点。生成图像、营销物料和图表时也是如此，结果总还有可改之处，而且这些可改之处我都能清楚看见，也能准确说出来。人工智能替我承担了执行层面的认知负担，让我可以把精力放在指挥上，但追求完美本身就是一场没有终点的游戏。每一代工具都把作品往前推一点，有时是巨大的跃迁，有时只是一个像素的偏移，偶尔还会朝着我原本没想到、但现在又想试试的方向前进。你现在所在的位置和想抵达的位置之间，那条差距始终清晰、具体，而且仿佛只要再来一次就能补上。
在这里，赌博的比喻就更明显了，也让我想起过去的经历。我曾在量化金融领域待过一阵，理解行为强化本来就是工作的一部分。你可以去读舒尔关于拉斯维加斯老虎机赌博的民族志，也可以看舒尔茨关于多巴胺预测误差的研究。你会知道，比起彻底失败，差一点就赢更能让人想继续。大脑对不可预测的奖励反应，总是比对可预测的奖励更强烈，赌场几十年来一直在围绕这些机制做设计，而这些知识也很适合用来模拟市场行为。我从没想过，有一天会在周二凌晨两点、清醒得不能再清醒却又合不上电脑的时候，在自己的编程工作里撞见同样的模式。
不过，老虎机里的“差一点就赢”终究是抽象的。两个樱桃加一个柠檬，不过是符号的随意组合。可当人工智能编程工具给出这种“差一点”的结果时，你能直接看到实际结果和目标之间的精确偏差，甚至能指出那几条线能把缺口补上。于是，差一点不再像偶然，更像一种信号；“再试一次”也不再像赌博，而更像工程流程。也正因为如此，它才更难被看成是一种强迫行为。
机制其实并没有变，只是伪装得更好了。
阶段间的停顿到底有何用？
一旦这个循环建立起来，一个更隐蔽的问题就会冒出来：原本用来告诉开发者某个工作单元已经结束的那些信号，几乎全没了。
软件开发向来有一种被自身阻力塑造出来的节奏。编译要花时间，测试套件要跑几分钟，代码审查要等别人读完你的代码并给出反馈，调试则意味着要手工沿着逻辑慢慢追踪，专注力也会在这个过程中一点点耗尽。这些都是工作的脉搏，是嵌在流程里的细小提示，告诉你某一段已经完成，该去评估、重想或者停下。这样的停顿就像节拍器。
人工智能工具抹掉了这种停顿，也抹掉了节奏，节奏一消失，停止信号也跟着消失，工作会话以前所未有的方式被拉长。在这个游戏里，没有像扑克那样天然存在的“牌局”，也没有回合之间的强制休止，逼着你看一眼筹码再决定要不要继续。凌晨两点还在干活的开发者看起来自律得惊人。周围的结构已经被彻底抽空，曾经让“停下来”变成自然过渡而不是意志考验的那些条件，如今都不见了。当所有停顿都被故意删掉，继续就成了默认，停止反倒成了必须主动做出的选择。
永不停歇的工作
这种模式并不只存在于单个任务上，它会重塑整天的形状。
工作和非工作的边界，一直都在承担认知上的功能，只是批评者常常低估它。离开屏幕的时间，恰恰是后台慢慢处理信息的时候，它把积累下来的经验转成判断。午饭后散步、下班路上的通勤、或者盯着空气发呆半小时——大脑会悄悄重组几个小时前你已经停止思考的问题碎片。整合就在这里发生，直觉也在这里长出来。这需要你暂时放下工作，而且不必因此内疚。
人工智能从内部瓦解了这条边界。智能体整夜运行，拉取请求在你睡着时不断堆积。机器在你不在场的时候仍然生产，这会从根本上改变你对休息成本的感受。离开工作不再像恢复，反而像浪费，因为在某个地方，事情还在被做出来，而你却选择不去看。这种压力很微妙，既来自内疚，也来自雄心：一种弥漫开的不安感，源于你明明还可以继续迭代却选择停下，却又分不清这到底是清醒，还是疏忽。
当工作不再停歇，整合也就无从发生。判断力会以极不明显的方式退化，直到问题暴露才被看见。你会做出更差的架构决策，也会失去区分进展和停滞的能力。你会发布更多东西，却理解得更少，而指标偏偏又奖励发布数量。
责任压力向上转移
在这种强迫循环和消失的停止信号之下，还藏着一种更安静的结构变化，也许比前两者都更重要。我能从自己的轨迹里看到它的影子。
早些时候，我把代码复制进 GPT-3.5，再把结果贴回去时，犯错多半只停留在功能层面，比如模块连接不牢、依赖关系冲突之类。那时 AI 的输出范围还很小，我需要掌握的内部知识也还算可承受。但随着工具不断进步、输出规模越来越大，我必须理解的层级也跟着抬高。错误不再只是功能问题，而开始牵扯到特性、架构选择，甚至牵扯到我指挥 AI 搭建的系统到底合不合适。每一代工具更新，责任边界都在扩大，而要跟上它，认知成本也同步上升。
过去那种持续盯住单一任务的工作方式，如今变成了在指导、评估和修正之间不停切换。我一边扮演架构师、产品经理、审查者和最终裁决者，往往还得在几分钟内把这些角色全都过一遍。产出提升很明显，每小时需要做的判断也更多，而判断力正是消耗最快、恢复最慢的认知资源。
到底变了什么？
没有人一开始就想做出一款让人上瘾的工具，这也解释了为什么这种模式很难被看见。它之所以会变得强迫，是因为一个原本有几十个自然停顿的流程，被悄无声息地削平了，而奖励又足够不可预测，足以让开发者不停追着下一轮迭代跑。曾经支撑工作流的那些摩擦，本来是好工程能够持续运转的地基，如今却在没人察觉时被拿掉了，连它曾经在支撑什么都没人意识到。
更让人困惑的是，围绕工作流建立起来的组织结构，并没有跟上这种变化。迭代开发仍然沿用写作、测试、审查的旧节奏，代码审查流程也依旧默认自己读到的是人写的代码。团队规模和产能规划，还是假定投入和产出之间存在旧式关系。组织架构是按一个充满摩擦的世界搭起来的，而且它一直默默依赖这种摩擦才能运转。摩擦没了，脚手架还在，可它已经承受不了原来的重量。我们正处在一个过渡期：旧结构还保持着外形，而底层现实早已变了，只是大多数团队还没有察觉。
需要说明的是，软件行业之所以最能体现这种变化，是因为这里的工具发展最快。在转做软件之前，我是理论物理学家。我花了很多年研究方程、搭建模型，也苦熬过那些要盯着推导几个小时、灵感才会突然出现的问题。当我把这些工具放回当时的背景里看，答案其实很直接：结果是一样的。那种强迫循环也是一样的。公式几乎对了，就差一个项；模型几乎拟合成功，却在边界行为上有偏差，而你能清楚看出偏差在哪。凌晨三点，你仍然相信再推一遍代数就能把差距补上。这种机制并不只属于代码，它也属于任何由人工智能承担执行，而把指导、评估和改进留给人类的工作。软件更像一只金丝雀，提前预告人工智能的到来。任何开始让 AI 承担认知劳动的领域，迟早都会遇到同样的模式，而且多半比想象中来得更快。
我并不确定，这到底是工具放大了人的某些倾向，还是工具本身创造了这种倾向。我能看见自己身上有这种特征，也能看见我在 AgentField.ai 一起工作的那些优秀工程师身上有这种特征。只是我还没法站到外面去判断，这些东西究竟是一直埋在人类心里，只不过被工具找了出来，还是工具真的造出了一种全新的东西。这个区别非常关键，我怀疑答案会决定我们如何理解接下来的变化。