Attention Is All You Have：注意力如何重新分配

Attention Is All You Have

用 AI 干活久了，我渐渐发现一个问题：事情越做越快，手上却越做越乱。

以前一个需求，调研两天，写代码三天。现在调研半小时，代码一下午。速度一上来，我顺手就把下一个、再下一个也接了过来。

一周之后回头看：A 项目的调研做到一半停了，B 项目的分支改了三天还没合，C 的文档刚开了个头，D 的需求连背景都没看完。每一件都往前推了一点，没有一件收尾。

下班之后更明显。人已经离开工位，脑子还在一件件过：A 的调研做到哪了，B 的分支什么时候合，C 的文档明天要不要先交。躺下也停不下来，有阵子直接影响了睡眠——半夜醒过来。。

问题不是我做的事情变多了。真正的麻烦是，事情一多，它们开始互相打扰：做 A 的时候想起 B 还没回，切到 B 又发现 C 要今天交，等回过头来，A 的上下文已经凉了。

所以我写这篇，不是想聊怎么用 AI 干得更快。我想聊的是：

AI 能替我们做的事情越来越多，那人的注意力该往哪放？

人不是多核 CPU

我们这些计科出身的，很容易用计算机的模型来理解自己。

单核跑不动就上多核，任务多了就加并发。既然机器能靠堆核心来并行，人为什么不能？

问题是，CPU 加核，是真的多了一份能同时算的硬件。人手里多三个任务，不会因此多长三个脑子。

有些事确实能同时做：一边走路一边听歌，一边吃饭一边刷剧。但需要连续思考的活不行。

假设你在设计一个系统的架构，刚把数据流理顺，同事过来问你另一个项目的事。你答完，回到座位，又想起还有份文档没写。你切到文档，写了两行，回头想接着设计——刚才那个思路断了，得从头再捋一遍。

每件事看起来只花了几分钟。但你付出的不是几分钟，是把上下文重新装回脑子里的那几分钟，再加上重新进入状态的十几分钟。

切换的代价还不只是时间。

APA 有一篇文章专门讲多任务切换成本，里面提到，任务之间的切换本身就有开销，有研究估算，这种损耗最高能吃掉一个人 40% 的有效工作时间。这个数字不用太当真，每个人情况差得远，但方向是对的：切换不是免费的，而且比你以为的贵。

更麻烦的是，有些任务就算你暂时不做，它也在占着你的注意力。

你在写代码，脑子里挂着没回的消息；你下班了，心里惦记着明天要处理的问题。任务没有在跑，但它一直在后台耗电。

这就是为什么待办一多，人特别容易进入一种状态：忙了一整天，回想起来却觉得自己什么都没做成。

不是你不够努力，也不是时间不够。是你的注意力被切得太碎了。

别把所有任务一起铺开

后来我改了做法。

待办一多，我不再急着全部铺开，而是先记下来，再排序。

工具很普通：企业微信的 To-do List。把要做的事一条条写进去，标上优先级。

以前我总怕漏事，于是反复在心里默念“还有那个、还有那个”。现在写下来，脑子就不用再当那个随时担心数据丢失的数据库了。

脑子是用来思考问题的，不是用来存待办的。

排序只看三件事：有多重要、有多急、做完之后会影响谁。三条里一条都不占的，先扔到后面——很多时候扔着扔着，它自己就不重要了。

排完之后，我通常只主动推进两类事：

• 一件重要任务，自己关起门来集中处理。
• 一件次要任务，先丢给 AI 做前期调研和预处理。

注意，这不是规定自己一天只能干两件事。重点在“主动推进”四个字：同一时间，只有一件事在占我的思考，其他事情要么在排队，要么在后台准备。

我把这个状态叫有限并行。

不是把所有事同时压到自己身上，而是让不同的任务处在不同阶段——有的在等，有的在准备，只有一件在消耗我。

让 AI 先把问题准备好

大多数人用 AI 的方式是：自己先上手，卡住了再问它。

我觉得更值钱的用法，是让它提前介入那些现在还不轮到你决策的事。

技术选型还没到你拍板的时候，先让 AI 把几个方案的优缺点、社区活跃度、维护成本、迁移风险列出来；业务需求刚提过来，先让它梳理背景、现有流程、还有哪些关键信息没确认；文档要写，先让它收集素材、搭个结构、出一版初稿。

这些工作都不需要 AI 替你做最终决策。

它给的调研可能过时，方案分析可能漏掉你们公司特有的约束，初稿可能一半是废话。AI 做完的预处理，一定还要人来验。

但它能把“从接触一个问题到理解一个问题”的距离缩短一大截。

等我真正坐下来处理的时候，希望面对的已经不是一个空白、需要从零探索的问题，而是一个有背景、有选项、有依据、只等我拍板的问题。

这两种状态差别巨大。前者要我从头投入注意力，一点点建立理解；后者让我直接进入判断、取舍和决策。

当然，不是什么都能先扔给 AI。涉及敏感信息、复杂业务约束，或者今天必须处理的事，还是得自己直接上。

真正要练的，是分清：哪些事必须我亲自思考，哪些事只需要我在合适的时候检查一下、判断一下。

做过三遍以上的事，就该变成流程

除了让 AI 预处理，我还在把重复的活慢慢自动化。

我的习惯是：遇到一件新的、有点繁琐的事，先自己完整做一两三遍。

原因很简单。只有亲手做过，你才知道这个任务的输入是什么、输出是什么，中间有几步，哪一步最容易出错，哪些判断是机器做不了、必须人来的。

规律清楚之后，再拆：

• 确定性的步骤，交给程序。
• 需要理解和分析的，交给 AI。
• 涉及关键决策和高风险操作的，留人工确认。

举个例子。每周要出一份业务报告，以前是每次从头拉数据、拼表格、写分析。现在可以让程序定时把数据拉下来，AI 先出一版分析，我只看结论和异常。

原来每周要重复消耗一次注意力的活，变成了一条能稳定跑的流水线。

但自动化不等于不用管。异常怎么处理、结果怎么验证、权限边界画在哪，这些都得设计。尤其是碰生产环境和高风险操作，不能因为流程自动化了，就把确认那一步省掉。

先把事情做明白，再把它变成流程。能稳定重复的，就别每次亲自重做。

执行能力变大了，注意力没有

回头看，我做的这些调整，本质上都是在重新分配注意力：

重要的事，自己集中处理；暂时不重要的事，让 AI 先准备；已经摸清规律的事，交给自动化流程。

这套东西背后有一个判断：AI 扩大的是执行能力，不是注意力。

所以最危险的做法，是用 AI 省下时间，再把省下来的时间全部填进新的待办。这样你只是用更快的速度，进入了更忙的状态。

过去我们花大量时间在具体执行上，现在其中一部分可以交出去。执行成本降下来之后，真正难的问题才浮出来：什么值得做，什么应该先做，什么压根不该做。

这三个问题，没有一个能靠“做得更快”解决。

AI 时代的价值，不在于你能完成多少任务，而在于你决定哪些任务值得完成，以及哪些判断必须由你亲自来做。

没必要学计算机那样并行，也没必要把每一段空闲都填满。

把注意力留给重要的问题，把前期准备交给 AI，把重复的工作交给流程。

毕竟，AI 能替你做更多事，但一天还是二十四小时；能用来深度思考的注意力，更是少得可怜。

最后说个题外话。这篇文章的标题借自那篇改变了整个 AI 领域的论文，《Attention Is All You Need》。它讲的是注意力机制——让模型学会把有限的注意力分配到真正重要的地方。

人其实也一样。

Attention Is All You Have.

你真正拥有的，不是无限的时间，也不是无限的执行力，而是有限的注意力。

怎么用它，决定了你最后能做好什么。