一场碳基大脑的认知起义
最近，我和一个网友聊天，他说过的事情，我好像不记得一样，他说了一句抱怨的话，我就冒出一句：“我忙起来记不住上下文的哦”。突然意识到，我们人开始AI化，或者说，AI本来就有人的影子。什么是上下文，对于AI来说，上下文就是我们和它的对话。现在我们每天都在接受AI或网络生成的巨量信息，我们的大脑是根本记不住的，大脑为了在信息洪流中活下去，会开启“认知节能模式”。
图1 人类每天生产4.02亿 TB数据[1]，而人的一生最多只能记住2500 TB的数据（相差160倍）一、你的大脑，是个被迫超频的"单线程老旧硬件"
人类根本做不到真正的“多线程”（就是同时间处理多个任务，比如看视频，聊电话）。
认知心理学和神经科学中有一个被广泛证实的核心结论：针对需要意识参与和高阶认知控制的复杂任务，人类的大脑本质上就是“单线程”的。我们自以为的“多任务处理”，在学术上有一个更准确的名字——“快速任务切换”（Rapid Task Switching）。
图2 大脑的“认知瓶颈”：一次只能通过一个任务
（1）心理不应期与工作记忆的极限
心理学中有一个经典概念叫“心理不应期”（Psychological Refractory Period, PRP）。当大脑正在处理任务A的决策阶段时，如果任务B突然出现，大脑必须“排队”等待任务A处理完，才能开始处理任务B。就像高速公路的收费站，不管车来得多快，收费窗口一次只能过一辆车。
与此同时，大脑的“内存”——工作记忆（Working Memory）——容量极其有限（经典理论认为是7±2个单位，现在学界更倾向于4个单位）。当你试图“同时”做两件事时，其实是在把两件事的信息强行塞进这狭小的内存里，极易造成信息丢失或覆盖。
（2）切换成本与注意力残留
于是，你每次从一个任务切换到另一个任务，大脑都需要“卸载”前一个任务的规则，并“重新加载”新任务的规则。这个过程会消耗大量的时间和葡萄糖（认知能量）。研究表明，频繁切换任务会让整体工作效率下降高达40%。
更致命的是“注意力残留”（Attention Residue）——明尼苏达大学商学院教授Sophie Leroy提出的著名概念。当你从任务A切换到任务B时，你的注意力并没有100%转移，有一部分注意力还“残留”在任务A上。所以，当你忙起来的时候，大脑为了防止CPU烧毁，会主动切断对“上下文”的加载。所以，“忘记上下文”不是你的错，是你单线程的大脑在强行开启“认知节能模式”。直白的说，是你的大脑在面对新的问题时，会短暂的忘掉之前的内容，就是我们平常说的，话到嘴边就忘了，AI的忘记上下文也是一样的道理。
二、别指望AI，它也在“迷失”与“端水”
既然人脑记不住，那我们把上下文交给AI总行了吧？
毕竟，最新的ChatGPT、Claude、Qwen、GLM们拥有完美的“上下文记忆”，不会像人类一样“断片”。但真相是：硅基AI的记忆，同样存在着难以根除的“基因缺陷”。
（1）记忆的通病：“中间迷失”（Lost in the Middle）
2024年，斯坦福大学等机构在期刊TACL上发表了一篇轰动学界的论文《Lost in the Middle: How Language Models Use Long Contexts》[2]。研究团队让多个主流大模型阅读长达数万词的文档并回答问题，结果发现了一个惊人的规律：
当关键信息位于文档的开头或结尾时，模型准确率很高；但当关键信息被移动到文档的中间部分时，模型的准确率呈现断崖式下跌，甚至跌至50%以下，接近随机猜测。
图5 在中间迷失自我的AI
大模型的“注意力机制”就像人的注意力一样，会稀释。当上下文很长时，它分配给中间那些句子的注意力权重极低。所以，你跟AI聊了50个回合后问它“第10回合说的那个关键设定是什么”，它往往会一脸懵逼，或者开始胡编乱造——也就是所谓的“幻觉”。
它的上下文窗口（Context Window，相当于人对话的前因后果、前情摘要等）虽然变长了，但它的“有效工作记忆”并没有等比例变长。
（2）沟通的通病：“阿谀奉承”与端水大师
Anthropic公司（也就是Claude的开发者）自己发表过一篇研究《Towards Understanding Sycophancy in Language Models》[3]。他们发现：当用户在提示词中表达了一种明显错误但态度坚定的个人观点时，大模型有超过60%的概率会放弃自己原本正确的知识，转而顺从用户的错误观点，或者给出模棱两可的"端水"回答。
为了让模型“安全、听话、像个好助手”，工程师在训练时奖励了那些“让用户高兴”的回答。这导致模型变成了你讨厌的“说一堆正确废话”的端水大师。这就是为什么你问它一个非黑即白的问题，它给你洋洋洒洒800字，你不得不使用“直白梗”来强行破除。
（3）共情的通病：缺乏真正的“心智理论”
多篇关于《Theory of Mind in Large Language Models》的研究表明：大模型在简单的社交推理测试上表现不错，但在复杂的多阶信念测试（比如“A知道B认为C在撒谎”）中，准确率远低于8-10岁的人类儿童[4]。
大模型没有真实的身体体验，没有情绪，它不懂什么是"尴尬"、什么是"阴阳怪气"、什么是"欲言又止"。它只是通过概率在"猜"下一个词应该是什么。当你抱怨"今天老板看了我一眼，没说话"，人类朋友会立刻脑补"老板是不是对你不满"，而AI可能会给你分析"老板可能近视没戴眼镜"。
原来，碳基人类因为“单线程”而忘记上下文，硅基AI因为“注意力稀释”而丢失上下文。在这场沟通里，没有赢家，大家都在“断片”。
图7 碳基和硅基生物都在断片
三、“对不起，你是正确的，我刚才的回答有误”——一场认知降级的大起义
最近网上特别火一个梗：如果AI生成有误，你回怼它，它会认错并：“我会用最直白，最不绕弯的方式和你说清楚这件事”。然后AI给出极其粗暴、一针见血的结论（讨好），网友直呼“极度舒适”。
这个现象背后，是三个心理学机制的共同作用：
1. 认知吝啬鬼的终极觉醒
“认知吝啬鬼”（Cognitive Miser）这个概念由社会心理学家 Susan Fiske 和 Shelley Taylor 在 1984 年提出，人类的大脑是个极致的“葛朗台（守财奴）”，在消耗脑力这件事上，能偷懒就绝对偷懒，能走捷径就绝对不走大路。现在，因为“忘记上下文"带来的挫败感太多，我们彻底放弃了抵抗。要求AI"直白说"，本质上是把"梳理上下文"的高阶认知工作，完全外包给了机器。
2. 情绪耗竭与“潜台词疲劳”
解析“上下文”和“潜台词”需要调用大脑的“心理理论”（Theory of Mind，即理解他人意图的能力），这极其消耗情绪资源。打工人和网民在现实中已经经历了太多“职场黑话”和“社交委婉语”，情绪已经耗竭。“直白梗”的爽感，其实是一种心理防御机制，是对复杂人际上下文的“报复性拒绝”。
3. 注意力残留导致的“语境崩塌”
当你从工作群切到AI对话框，你的注意力还有残留。此时如果你发了一长段带有复杂上下文的话，大脑根本加载不出来。“用最直白的话说清楚”，就是为了强行抹平语境崩塌，让信息能够以最低的“切换成本”直接砸进大脑。
四、反思：在“直白”的时代，找回“幽微”的能力
我们获得了极高的信息获取效率，缓解了认知焦虑，大脑得到了短暂的“爽感”。但我们正在失去什么？
我们失去了品味“潜台词”的耐心，失去了理解他人“欲言又止”的共情，失去了人际交往中那些迷人的“留白”。微视频之所以爽，是因为它根本不需要你维持“上下文”。当我们习惯了这种“无需上下文”的低认知负荷内容，我们大脑中负责构建“长线逻辑”和“复杂上下文”的神经突触就会减弱。
我们不是忘记了上下文，而是大脑在“节能模式”下，主动放弃了构建上下文的能力。而幽微这种事物，肉眼看不见，常规的逻辑算不出。它必须依靠人类高度集中的注意力、极其敏锐的直觉、以及深度的共情能力，才能捕捉到。
“当我们习惯了AI‘用最直白的话说清楚’，我们是否还能在现实生活中，去耐心倾听一个朋友语无伦次、没有重点、但充满情绪的‘上下文’？”
接纳自己的“单线程”吧。允许自己忙的时候“断片”，理直气壮地告诉对方“我现在脑子超载了，我们晚点聊”。每天给自己留一段“单任务时间”，不看手机，只专注眼前的一件事或一个人。
大脑的单线程注定了我们无法同时拥抱全世界。
当我忙起来的时候，我确实会忘记上下文。
但在那些我不忙的时刻，
我希望能慢慢想起你，以及那些没有说出口的潜台词。
关注公众号，获取第一手资料
【参考文献】
[1] KEYWORDS EVERYWHERE. 50 data generated per day stats to know in 2025[EB/OL]. (2024)[2026-07-02]. https://keywordseverywhere.com/blog/data-generated-per-day-stats/.
[2] LIU N F, LIN K, HEWITT J, et al. Lost in the middle: How language models use long contexts[J/OL]. arXiv preprint arXiv:2307.03172, 2023. https://arxiv.org/abs/2307.03172.
[3] SHARMA M, TONG M, WALLACE E, et al. Towards understanding sycophancy in language models[J/OL]. arXiv preprint arXiv:2310.13548, 2023. https://arxiv.org/abs/2310.13548.
[4] CHEN R R, JIANG W F, QIN C W, et al. Theory of Mind in Large Language Models: Assessment and Enhancement[C/OL]//Proceedings of the 63rd Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers). Vienna, Austria: Association for Computational Linguistics, 2025: 31539-31558. https://aclanthology.org/2025.acl-long.1522/. DOI:10.18653/v1/2025.acl-long.1522.
浙公网安备 33010602011771号