1.1 简述
警觉性递减（Vigilance Decrement）由英国心理学家 Norman Mackworth 在二战末期为皇家空军研究雷达操作员问题时发现，核心论文发表于 1948 年：
Mackworth, N.H. (1948). "The breakdown of vigilance during prolonged visual search." Quarterly Journal of Experimental Psychology, 1(1), 6–21.
核心发现：人类在持续监控稀少信号的任务中，信号检测率在约 20-30 分钟后开始显著下降，之后持续恶化。这不是因为操作员不认真，而是因为高度持续警觉在认知上是不自然的、极度消耗的。
Mackworth 为此发明了专用测量工具"麦克沃斯时钟"（Mackworth Clock）。2025 年，Frontiers in Cognition 发表综述论文《警觉性递减：75 年回顾》，确认这一发现至今有效。
1.2 通俗解释
雷达操作员的困境：屏幕上大多数时候什么都没有，偶尔出现一个目标信号。人类大脑不擅长长时间等待罕见事件——注意力会"漂移"，在无聊中自动降低警觉水平。
这不是意志力问题，是神经系统的基本特性：大脑倾向于将重复的、无反馈的任务降低优先级，哪怕任务本身很重要。
1.3 与 AI 的关系
AI 时代创造了一种新型警觉性递减场景：人类被定位为"AI 的监督者"（human-on-the-loop）。
任务结构：
- AI 持续输出内容、建议、决策
- 人类负责审查、纠错、最终确认
- 大多数 AI 输出是正确的或看起来合理的（稀少错误）
这与雷达操作员的处境高度同构：高频输入 × 低错误率 = 警觉性迅速递减。
HBR 2026 年研究（1,488 名全职美国员工）发现：
- 导致认知疲劳的主要行为不是"使用 AI"，而是"审查/验证 AI 输出"
- 营销岗位员工报告率最高（25.9%）
- HBR 将这种现象称为 "AI Brain Fry"（这是媒体标题，非学术术语）
来源：Harvard Business Review, March 2026. "When Using AI Leads to 'Brain Fry'"
1.4 核心张力
自动化程度越高，监督难度越大。
| 场景 | AI 角色 | 人类角色 | 警觉性负担 |
|---|---|---|---|
| AI 作为工具 | 执行具体指令 | 主导决策 | 低 |
| AI 作为助手 | 提供建议选项 | 选择+判断 | 中 |
| AI 作为自主代理 | 自主执行任务流 | 监督+纠错 | 极高 |
随着 Agent 模式的普及，人类越来越多地承担"监督者"角色——而这恰恰是警觉性递减最严重的场景。
悖论：我们用 AI 来减轻认知负担，但"监督 AI"本身制造了一种更隐蔽、更难恢复的认知消耗。
1.5 应对策略
基于 Mackworth 的原始研究和后续 75 年的研究积累：
- 时间切割：持续监控任务不应超过 20-30 分钟，强制插入真实休息（不是刷手机）
- 增加反馈密度：单调的监控任务可通过引入更多反馈信号来延缓递减
- 明确"什么时候 AI 出错"：提前建立清单，而非依赖实时直觉判断——减少警觉消耗
- 减少"全程监督"模式：设计人机协作流程时，尽量让人类在关键节点介入，而非全程在线等待
1.6 来源
- Mackworth, N.H. (1948). "The breakdown of vigilance during prolonged visual search." Quarterly Journal of Experimental Psychology, 1(1), 6–21.
- "The vigilance decrement: its first 75 years." Frontiers in Cognition, 2025.
- Harvard Business Review (March 2026). "When Using AI Leads to 'Brain Fry'." 1,488 名受访者调查研究。