重塑工作和工人
100年前，英国哲学家阿弗雷德·诺尔司·怀特海在《数学导论》（An Introduction to Mathematics）中写道：“人们无须过多考虑就可以完成的重要操作越来越多，随着这些操作数量的增长，文明也在进步。”怀特海所指的并不是机器，而是运用数学符号表达想法或逻辑过程——将智力行为封装在代码中。怀特海希望他的想法能得到广泛认同。他写道，人们普遍认为“应该培养勤于反思所做之事的习惯，但这从根本上就错了”。我们越是能将思维从日常琐事中解放出来，就越能卸下这些任务，将它们交给辅助技术，从而储备更多精力，用于进行最深层的、最具创造性的推理和猜想。“思维运转就像战争中冲锋陷阵的骑士——数量非常有限，需要战马辅佐，并且只能用于决定性的时刻。”
我们坚信，自动化是发展的基石，很难再想出一种更加简洁、明确的方式来表达我们的信念了。怀特海的话阐明了人类行为的等级观念。每当我们卸下一项任务，将其交给工具、机器、符号或是软件算法，我们就获得了解放，可以寻求更高的追求，这个追求需要我们更加机敏，拥有更多智慧和更加开阔的视野。可能每往上爬一步，我们就会失去些东西，但是到了最后，我们的收获也会更大。极端点儿看，怀特海将自动化视为自由，它最终会变成王尔德和凯恩斯所说的“技术乌托邦”，或者像马克思所说的——机器将把我们从早期劳动中解放出来，重返伊甸园时的闲适愉悦。但是怀特海并不是在做白日梦，他就如何支配时间和如何付出努力，提出了一种较为实用的观点。在20世纪70年代出版的一份刊物上，美国劳动部将秘书的工作职责总结为：“将雇主从日常任务中解放出来，使雇主可以去处理更重要的事务。”在怀特海看来，软件和其他自动化技术起到了类似的作用。
历史为怀特海提供了大量支持的证据。自从杠杆、轮胎和计算工具问世以来，人们一直都处于不断摆脱琐事的过程和努力中，将它们交给工具去完成，这些琐事不仅涉及体力劳动，还包括脑力劳动。任务的转移使我们能够应对更为棘手的挑战，取得更大的成就。农场、工厂、实验室和家里，随处都可以找到证据。但是，我们不能认为怀特海的观点就是普遍真理。他说出此番言论时，自动化还局限于个别的、定义明确的重复性工作——用蒸汽织布机编制布料、用联合收割机收获粮食、用计算尺做乘法等。现在，自动化已经今非昔比。就像我们看到的，计算机通过编程，能够执行或支持复杂的活动，这些活动需要通过评估多个变量来完成一系列高度协同的任务。在如今的自动化系统里，计算机经常承担起脑力劳动的任务——观察、感知、分析、判断，甚至做出决策。一直以来，这些行为都被认为是人类的特殊属性。操作计算机的人沦为高技术职员，负责输入数据，监控输出，留意故障。软件限制了我们的关注点，而不是开启人类思维和行动的新疆域。我们用精妙独特的才智换取了更为常规的、趋同的技术。
大多数人的预测同怀特海相同，认为自动化是有益的，会推动我们去完成更大的使命，但并不会改变我们做事或思考的方式。这是个谬论，是自动化学者所说的“替代神话”。省力设备不仅可以替代部分工作，还改变了整个任务的特性，包括参与者的角色、态度和技术。正如拉嘉·帕拉休拉曼在2000年发表的杂志文章中提到的：“自动化并不是简单地取代了人类活动，而是通过出乎设计者意料或预期之外的方式改变人类活动。”自动化重塑了工作和工人。
过度依赖的后果
当人们在计算机的协助下完成一项任务时，他们经常会被一对认知障碍所扰，即自动化的自满情绪和人们对自动化的偏好。当我们按照怀特海定律进行重要操作而不多加思考时，我们很可能会掉进这对认知障碍的陷阱。
当计算机给我们造成安全假象时，就体现出了我们对自动化的过度依赖。我们坚信机器运转不会出现任何问题，它能处理所有可能遇到的挑战，我们不用时刻留意机器的状况。我们从工作中抽身，或者至少对于软件处理的那部分工作不用给予太多关注，这样一来，我们很可能会忽略机器的故障信号。大多数人都有过类似的经历：在发邮件或使用文字处理软件时，如果开启了拼写检查工具，我们就不会特意去校对文字。这是个简单的例子，最坏的情况也就是带来点儿尴尬。但是有些时候，对自动化的过度依赖会带来致命的后果，飞机的操作悲剧就说明了这一点。在最坏的情况下，人们过于相信技术，以至于他们完全丧失了对周遭情况的感知能力。他们关掉了自己的认知系统。如果突然出现问题，人们会感到迷茫，并错失宝贵的时机。
从战场到工业控制室，再到船只和潜水艇的船桥，在许多危险系数较高的环境中都曾出现过对自动化的过度依赖。这里有一个典型的例子：1995年春天，一艘载有1 500名乘客的远洋客轮“皇威”号从巴拿马起航，开往波士顿，在为期一周的航行中，在当地是最后一站。这艘客轮装载了当时最先进的自动航海系统，通过GPS信号保持航线。起航一小时后，GPS的天线松脱，航海系统无法进行方向定位，虽然仍能继续提供读数，但这些读数都存在偏差。过了30多个小时，客轮渐渐偏离了原定的航线。虽然已经出现了系统故障的明确信号，但船长和船员仍旧置之不理。曾有那么一刻，当值大副无法定位客轮应该经过的重要区位浮标，但他也没有报告这一情况。他盲目地相信，自动航海系统是十分健全的，以至于他以为浮标就在那儿，只是他没看见罢了。客轮偏离了航线将近20英里，最终在楠塔基特岛附近的沙洲上搁浅。幸运的是，这次事故没有造成人员伤亡，但是给客轮公司造成了数百万美元的损失。政府安全调查员总结，对自动化的过度依赖是引发这次不幸事故的元凶。船长“过度依赖”自动系统，以至于他忽略了其他“助航设备及监控信息”的偏航危险提示。安全调查员在报告中说，有了自动化，“船员不再负责重要的操作，不再积极地参与轮船的控制工作”。
对自动化的过度依赖会困扰办公室职员，也会给飞机和轮船的驾驶员带来麻烦。在一项关于软件对建筑业的影响的调查中，麻省理工学院社会学家雪莉·特克记录了建筑师关注细节方面的变化。在需要手绘设计图时，建筑师在将设计蓝图交给施工人员之前，都会不厌其烦地仔细核对、检查所有尺寸。建筑师知道自己可能会犯错误，会有疏忽。所以，他们遵循着木匠的格言：“量两次切一次。”但是如果通过软件设计图纸，设计师就不会这么仔细地核准尺寸了。计算机具有精确的透视和打印技术，导致设计师认为设计数据都是准确的。一位建筑师告诉特克：“再去检查就显得有些自以为是了，我是说，我不可能比计算机做得更好。计算机能精确到0.01英寸 [1] 。”工程师和建筑工人也存在这种对自动化的过度依赖情绪，以至于在设计和施工的过程中，他们会犯下代价惨重的错误。虽然我们知道，计算机输出的内容取决于我们输入的质量，但我们仍旧告诉自己：计算机不会出现严重的错误。特克的一名学生说：“计算机系统越精确，你就越会觉得它在修正你的错误，你也就越相信机器输出的内容，认为就应该是这样。产生这种想法是很自然的。”
对自动化的偏好同对自动化的过度依赖紧密相连。当人们过分重视显示屏上的信息时，这种偏好就会悄悄地蔓延开来。即使信息是错误的或具有误导性，人们也相信这些信息。他们对软件的信赖变得特别强烈，以至于忽略或低估了其他来源的信息，包括人类自己的感知。如果你发现，因为盲目听从GPS设备或其他数字地图工具发出的错误或未更新的指示，你迷了路或是一直在绕圈，那么，你就被自动化偏好影响了。即使是司机，在依靠卫星导航行驶时，也会表现得缺少常识，这让人很是吃惊。司机们会沿着危险的路线一直开，最终撞上低矮的天桥或是堵在小镇的羊肠小道上。2008年，在西雅图，一名司机驾驶着公共汽车撞上了混凝土桥，当时车上乘客是一支高中运动队。这辆车有12英尺高，而桥的限高是9英尺。汽车的顶棚被掀翻了，21名学生受伤被送往医院。司机告诉警察，他一直按照GPS的指示驾驶，并没有看到前方桥梁限高的标志和闪烁的警示灯。
对于依靠决策支持类软件进行分析或判断的人来说，自动化偏好具有特殊的风险性。自20世纪20年代末以来，放射科医生就一直使用计算机辅助诊断系统。乳腺X光或其他X射线将疑似患病区域突出标示出来。将图像的数码版扫描进计算机，图像匹配软件会进行检查，添加箭头或其他提示，为医生标明区域，从而方便医生进行更为细致的检查。在某些情况下，疾病检查的突出标注能帮助放射科医生找出可能会忽略的潜在癌症。但是，研究表明，突出标注也会起到反作用。医生更倾向于采用软件给出的建议，对于图像中没有高亮标注的区域只是草草扫一眼。这样一来，有时，医生就会忽略早期肿瘤或其他病变。当放射科医生让病人做没有必要的活体检查时，提示信息也会增加误报的可能性。
近日，伦敦城市大学的一组研究人员对乳腺X光数据进行了复核。他们发现，自动化偏好对放射科医生以及其他图像读取职业的影响比想象的要大。研究人员发现，虽然在评估“相对简单的案例”时，计算机辅助诊断提高了“鉴别力较差的人员”的准确性，但它也确实降低了专业人员评估复杂案例的能力。依靠软件识别疾病时，专家更容易忽视某些癌症。并且，计算机辅助决策会引发个别细微的判断偏好，是“人类认知结构中对提示和警告的固有反应的一部分”。辅助技术引导我们的视线焦点，歪曲了我们的认识。
对自动化的过度依赖和偏好似乎都是源于注意力的局限性。对自动化的过度依赖表明，当我们没有同周围事物进行常规性互动时，注意力和意识很容易就会分散。我们在评估和衡量信息时容易产生偏好情绪，这表明我们思维的关注点具有选择性，并且很容易被错误信息或是表面上看起来有用的提示影响。随着自动化系统的质量和可靠性不断提升，人们对自动化的过度依赖和偏好会变得越来越严重。实验表明，当某个系统频繁出现错误时，我们会保持高度警惕，时刻注意周围环境的变化，仔细监控来自不同渠道的信息。但是当系统的可靠性提高以后，故障或错误只是偶尔出现，我们就变得懒惰了，认为系统是完美无瑕的、可靠的。
通常情况下，即使我们不关注自动化系统，或者不对自动化系统施加强烈的主观意识，它也能保持良好的运转状态，所以，我们很少受到对自动化的过度依赖或偏好带来的惩罚。这会导致一些复杂的问题。2010年，帕拉休拉曼同德国同事迪特里希·曼蔡共同撰写了一篇论文，他们指出：“考虑到自动化系统通常都具有较高的可靠性，所以，即使操作者对自动化的过度依赖或偏好情绪特别严重，也很少会对系统运转造成明显的影响。”缺乏负面反馈会触发“某种认知程序，同前面提到的‘学者的粗心大意’类似”。设想一下，你在开车的时候打瞌睡。你困得上下点头，车偏移了车道，这时，你通常会撞上坚硬的路肩或是隆起带，或者其他驾驶员会朝你按喇叭——这些信号会让你很快惊醒。如果你的车能通过监控车道标记，调整驾驶，自动保持在道路中央行驶，你就不会收到什么警告。你会慢慢进入熟睡状态。然后，如果有什么意外——动物闯进了马路，或者一辆车在你前方很近的地方停了下来，很容易就会酿成事故。自动化把我们同负面反馈隔离开来，使我们难以保持警惕的状态，也很难参与操作，这样一来，我们就更容易忽视情况的变化。
钝化的思维
我们很容易出现对自动化的过度依赖和偏好的情绪，这就解释了为什么依赖自动化会导致我们出现行为偏差或是对差错置之不理。即使信息是错误的或是不完整的，我们也会欣然接受，并按照信息行事，忽略了本应了解的情况。但是，对计算机的依赖性削弱了我们的意识和注意力，这引出了一个更隐蔽的问题：自动化将我们从执行者变为观察者。我们不再控制操纵杆，而是盯着屏幕。这种角色的转变可能会使我们的生活变得轻松，但也会阻碍我们学习和锻炼技能。不管自动化是增强还是削弱了我们执行某项任务的能力，长期这样下去，我们的技能都将退化，学习新技能的能力也将减弱。
自20世纪70年代以来，认知心理学家一直在研究一种被称为“生成效应”的现象。这种现象最先出现在词汇研究中，人们如果主动回想单词就会增强记忆——主动回想相当于在生成单词，比人们单纯阅读纸上的单词效果要好。早些时候，多伦多大学的心理学家诺曼·斯拉麦卡主持了一项著名的实验，在实验中，人们通过抽认卡记忆成对的反义词，如：热（Hot）和冷（Cold）。某些实验对象获得的卡片给出了完整的单词，例如：
HOT : COLD
而其他人的卡片上，第二个单词只给出了首字母，如：
HOT : C
在后续的记忆测试中，卡片上只有首字母的实验对象表现得更好。他们强迫思维补全缺少的字母，对问题做出反应，而不仅仅依靠观察来解决问题，这更有利于记忆信息。
一直以来，在不同的情况下，生成效应对记忆力和学习能力都产生了明显的影响。实验证据表明，不仅是记忆字母和单词，有些任务还需要记忆数字、图片和声音，解决数学难题，接受细节拷问，阅读理解文章等，这时，生成效应就会发挥作用。最近的研究也证明了，生成效应可以给高等教学和学习带来诸多益处。2011年，《科学》杂志发表了一篇论文，文章描述了一项研究：在研究的第一阶段，实验对象阅读一项复杂的科学任务。在第二阶段，在不借助任何辅助措施的情况下，实验对象要尽量回忆任务的内容。这比让实验者进行4次实验而每次都是反复阅读的记忆效果更好。生成思维提高了人们的活动能力，教育研究员布里顿·豪根·郑曾指出，因为思维生成时“需要概念推理以及更深层次的认知加工”。确实如此，布里顿表示，随着思维生成的东西越来越复杂，生成效应也在不断加强。
心理学家和精神系统科学家仍在努力探索生成效应的原理。但是很明显，生成效应涉及深层的认知和记忆过程。我们努力进行某项工作时，会集中注意力和精力，大脑就会奖励我们，增强我们的理解力。我们的记忆力越好，学的东西也就越多。最后，我们具备了熟练、专业、具有目的性的专业技能。这一点儿也不奇怪。大多数人都知道，熟练掌握某件事的唯一方式就是亲身实践。从计算机屏幕或是书籍上快速搜集信息很容易，但是真正的知识，特别是那些埋藏在记忆深处并通过技能体现出来的知识，是很难习得的，需要学习者精力充沛，并同严苛的任务展开旷日持久的斗争。
澳大利亚心理学家西蒙·法雷尔和斯蒂芬·莱万多夫斯基在2000年发表了一篇论文，指出自动化和生成效应之间具有某种联系。在斯拉麦卡的实验中，实验对象被告知反义词组中的第二个单词是什么，而不是被要求回忆单词，法雷尔和莱万多夫斯基认为这个实验“可以作为自动化的例子”，“因为人类活动——产生‘COLD’这个单词的行为，被打印出来的刺激物抵消了”。再者，“当生成功能被阅读所取代，人们的表现就会变差，这可以作为对自动化过度依赖的例子。”我们可以借此阐明自动化的认知代价。同计算机辅助技术相比，自己承担一项任务或工作会涉及多种心理过程。软件降低了工作的参与度和专注度，特别是当软件把我们推向更为被动的角色时，我们成了观察者或是监控者，这就避开了生成效应的基础——深层认知处理。最终，自动化会限制我们获取丰富、真实、专业知识的能力。生成效应需要人们付出努力，而自动化则是为了减少人们的努力。
2004年，荷兰乌得勒支大学认知心理学家克里斯托夫·范宁韦根进行了一系列简单的原创性实验，主要研究软件对记忆生成以及专业技能的影响。他招募了两组实验对象，让他们玩同一个电脑游戏，这个游戏是根据经典的逻辑难题“野人与传教士”改编的。要解开这个谜题，玩家必须用一条小船将5名传教士和5名野人送到河的另一岸，这条河是假想的（在范宁韦根的版本里，传教士和野人变成了5个黄球和5个蓝球），每次最多载3名乘客。谜题的难点就在于，每次运送时，不管是在船上还是岸上，野人的数量均不能超过传教士的数量。如果超过了，传教士就会被野人吃掉。参与者需要进行精确的分析和仔细的规划，才能按照任务的要求计算出如何才能成功。
范宁韦根安排一组实验对象使用软件来解决这个难题，软件提供一步步的指导，例如，在屏幕上显示提示信息，将可行和不可行的移动用高亮标示出来。另一队使用一种初级程序，不提供任何帮助。正如你能想到的，使用帮助性较大的软件的实验对象，在游戏之初取得了很大进展。根据提示操作，这组实验对象不需要每走一步就停下来回想游戏规则，也不需要计算如何应对新形势。但是，随着游戏的发展，使用初级程序的游戏者开始显露出优势。最终，同另一队相比，他们解开谜题的速度更快，并且错误步骤较少。在这项实验的报告里，范宁韦根总结道，使用初级程序的实验对象对任务概念有更清晰的认识，他们能更好地思考并制定成功的策略。相较之下，那些依靠软件指导的人经常会感到困惑，只是“毫无目的地到处乱点”。
软件辅助技术给我们带来的认知惩罚在8个月后更加明显。当范宁韦根让同样的实验对象再解这道谜题时，之前使用初级软件的人解开谜底的速度是其他人的两倍。他写道，使用初级程序的实验对象在执行任务时注意力更集中，并且实验后对知识的记忆效果更好。他们享受到了生成效应的好处。范宁韦根以及他在乌得勒支大学的同事又进行了其他更具实际意义的实验，例如使用日历软件安排会议和用活动规划软件为会议发言人安排房间等。结果是相同的。从依靠软件提示进行各项活动的人群身上我们可以发现，他们的策略性思考较少，会经历许多不必要的步骤，最终表现出来的对任务概念的理解力也较弱。而当程序的帮助不大时，实验对象能更好地做出计划，工作起来更聪明，学得也更多。
认知任务（例如解决问题）实现自动化以后，思维将信息转化为知识、将知识转化为专业技能的能力都会受到影响，范宁韦根在实验室中观察到了这一点，在现实世界中，这种现象也是真实存在的。在许多行业中，经理以及其他专业人士依靠所谓的专业系统对信息进行分类和分析，系统会给出行动方案建议。例如，会计在公司审计时使用决策支持类软件，这些软件会提高任务的完成速度。但是，软件功能越强，会计的能力就会越弱。澳大利亚教授进行的一项实验对三家国际会计公司使用专业系统所带来的影响进行了研究。两家公司使用高级软件，软件根据会计对客户基本问题的回答给出客户审计文件中包含的相关业务风险的建议。第三家公司则使用功能较为简单的软件，虽然这个软件给出了潜在风险列表，但是要求会计对这些风险进行复核，手动选择文件相关的风险。研究人员对三家公司的会计进行了测试，衡量他们对审计所涉行业风险的了解程度。那些使用帮助较小的软件的会计，表现出的能力要明显强于另外两家公司的。即使是经验丰富的审计员——在现在的公司任职5年以上，使用高级软件也会造成学习能力下降。
对其他专业系统的研究得出了相似的结论。研究表明，虽然决策支持类软件能在短期内帮助新晋分析师做出更好的判断，但也给他们带来了精神上的疲惫感。软件降低了他们思考的频率，阻碍了记忆的信息编码能力，从而减少了隐性知识储备，而要成为真正的专家，他们必须具备丰富的隐性知识。自动决策辅助技术的缺点并不明显，但是会造成一些实质性的影响，特别是在某些领域，分析出现错误会造成难以估量的影响。高速计算机交易程序的应用加剧了计算错误的风险，在2008年的世界金融系统的危机中，计算错误就扮演了重要的角色。正如塔夫茨大学管理学教授阿玛尔·拜德所言，“机器人式的”决策导致银行家和其他华尔街专业人士普遍出现“判断障碍”。我们无法准确定位自动化在这场灾难以及随后的惨败中（例如2010年美交所的“闪电崩盘”）所扮演的角色，但我们还是要谨慎地对待自动化可能产生的任何影响：广泛使用的技术会减少人们的知识储备，或者给敏感工作从业者的判断力罩上一层迷雾。在2013年的报告中，计算机科学家戈登·巴克斯特和约翰·卡特利奇警告称，人们对自动化的过度依赖正在侵蚀金融业人士的技能和知识，而计算机交易系统使得金融市场更具风险。
软件程序员的工作是为了减轻思想的负担，但他们担心，这会反过来给自己的技能带来负面影响。程序员现在经常使用集成开发环境（IDEs）应用，这个应用可以帮助程序员编写代码。它将许多复杂、费时、细碎的工作自动化，一般包括自动完成、自动纠错、自动调试例行程序等，而更复杂的应用会进行重构，评估并修正程序的结构。但是应用接管了代码编写任务以后，程序员就丧失了锻炼并提高手动编码技能的机会。维韦克·哈尔达供职于谷歌公司，是一位经验丰富的软件开发员，他曾写道：“现代的IDEs足够用了，有些时候，我觉得我是个IDE操作员而不是一名程序员。”“这些工具不是鼓励人们‘对代码深入思考并仔细编写’，而仅仅是‘草拟一份蹩脚的代码，然后这些工具会告诉你哪里出错了，并且如何改正并完善你的代码。’”他将此种现象总结为“聪明的工具，迟钝的大脑”。
谷歌承认当他们提高搜索引擎的响应性，使搜索引擎更周到、更具预见性时，也意识到了这可能会造成愚化大众的影响。除了纠正拼写错误，谷歌还会在我们打字的时候提示搜索词条，解决请求中的语义模糊问题，并根据所在位置和之前的行为推测我们的需求。我们可能会想：在谷歌不断完善功能、优化搜索的过程中，我们也会学到些什么。我们在设定关键词时会更有经验，或者网络搜索能力会提高。但是公司高级搜索工程师阿米特·辛格尔表示，结果正好相反。2013年，伦敦《观察者》（Observer）报的记者就谷歌搜索引擎近几年的多项改善举措采访了辛格尔。记者说：“可以推测，我们使用谷歌越频繁，所输入的搜索词条就会越准确。”辛格尔叹了一口气，纠正记者说：“事实上，情况正好相反。机器越精准，我们的问题就越愚蠢。”
搜索引擎的便利性会弱化我们对复杂问题的查询能力，但远不只这些。2011年，《科学》杂志刊登了一系列实验。这些实验表明，网上的信息随手可得，这弱化了我们对事实的记忆。在其中一个实验中，实验主体阅读几十个简单但真实的陈述，例如“鸵鸟的眼睛比它的大脑大”，然后将这些陈述输入计算机。实验人员告诉部分实验主体，计算机会存储他们输入的内容；而另一半实验主体则被告知，这些陈述输入以后就会被删除。输入完成以后，研究人员要求所有人将这些陈述写下来。同知道计算机会删除陈述的人相比，认为信息已经被存储在计算机里的实验主体能记得的陈述的数量明显要少很多。仅仅知道信息会存在数据库里就已经降低了大脑记忆的可能性。研究人员总结说：“因为搜索引擎一直都是可用的，我们经常会觉得不需要将信息编码内化，当我们需要时，去搜索就行了。”
一千年来，从卷帙和书籍到缩微胶片和磁带，人们用存储技术填充了自己的生物性记忆。用于记录和传递信息的工具是文明的基础。但是，外部存储和生物性记忆相差甚远。知识不仅仅要通过查找来获得，人们还需要将事实和经历编码，转化为个人记忆。要真正了解一个事物，你必须让它进入你的神经元回路，然后你要不断地从记忆中读取这些信息，不断使用它们。通过搜索引擎和其他在线资源，我们实现了信息存储的自动化，并且回溯信息的频率处于有史以来的最高水平。我们的思维似乎有一种卸下或外化记忆的固有趋势，记忆让我们在某些情况下成为更高效的思考者。我们能很快地回忆出已经溢出思维的事实。但是，思维活动的自动化过度简化了思维活动，以至于我们不用去记忆或理解，这时候，思维卸下记忆或外化记忆的趋势就演变成一种病态。
当然，谷歌和其他软件公司致力于让我们的生活变得更简单。这是我们对他们的要求，也是我们努力工作的原因。但是，如果这些公司设计的程序能替我们思考，我们自然会更依赖软件而不是自己的智慧。我们不可能强迫自己去生成思维。这样一来，最终我们学到的和了解到的知识都会减少，我们的能力也会下降。正如得克萨斯大学的计算机科学家米哈伊·纳丁在谈到现代软件时说的那样：“计算机界面在取代人类工作的路上走得越远，使用者适应新环境的能力就会越差。”计算机自动化逆转了局势，导致退化效应，以替代生成效应。
在行动中思考
请原谅，我要把你的注意力再带回到那个不幸的、和雨衣一个颜色的黄色手动挡斯巴鲁上。正如你所想的，我从悲剧的“齿轮研磨机”到熟练地操控变速杆只用了几个星期。当初父亲教我如何协调胳膊和腿的动作，现在这些动作已经成为我的本能反应。我并不是专家，但换挡这件事再也不会让我发愁了。我可以不用多想就完成换挡，可以说，已经实现了技能的内化。
我的经历可以被看作人类获取复杂技能的一个例子。通常情况下，我们直接从老师或其他良师益友那里获得一些简单的指导，开始着手，或是间接地从书本、手册或YouTube[2] 视频里学习，这些方式可以将技能的显性知识（例如：首先做什么，其次做什么，再次做什么）传送给我们的意识思维。这同父亲告诉我排挡在哪儿并解释什么时候踩离合是一个道理。很快我就发现，只有当某项任务具有心理准备和认知基础时，显性知识才会发挥一定的作用。要掌握一项技能，你需要具备隐性知识，而隐性知识只有通过真实的经历才能获得——通过一遍又一遍地练习某项技能。你练习的次数越多，就越不会去想你的动作。原来那些断断续续的、迟缓的意识负责你的技能，而现在潜意识接手了，潜意识的运转速度较快而且很流畅。此时，你的意识获得了解放，能专注于技能中更细微的部分，当这些细微的部分也实现了自动化以后，你就进入了下一个阶段。就这样一直前进，一直自我推动，最终实现技能内化，从而掌握了这门技能。
这种技能培养能在无意识的情况下完成。它有一个不怎么起眼的名字——“自动化”，或是另外一个不怎么好听的名字——“程序化”。自动化涉及大脑在深度和广度上的调整。某些脑细胞或神经元进行调整以后，能很好地适应手头的任务，并且通过神经突触产生的电化学连接协同工作。纽约大学认知心理学家加里·马库斯给出了更详细的解释：“在神经层面，程序化包括大量精心协调的程序，包括灰质（神经细胞体）和白质（神经元之间的突触及树突）。现有的神经连接（突触）需要提高效率，形成新的树突，合成蛋白质。”通过自动化的神经调整，大脑发展了自动性——一种快速的无意识的感知、理解和行为，让我们的思维和身体能识别图案并对变化的环境立刻做出反应。
我们在学习和阅读时都经历了自动化的过程，并具备了自动性。观察小孩阅读教学的早期阶段你就会发现，他们需要付出很大的努力。孩子通过形状认识字母，并尝试用字母组成音节，用音节构成单词。如果孩子不熟悉这些单词，就必须自己弄明白或者由别人告知他单词的含义。然后，一个个单词组合在一起，她必须理解句子的含义，经常需要处理语言固有的模糊性。这是一个缓慢且艰辛的过程，需要思维意识全部集中。最后，这些字母和单词被编入视皮层的神经元——视皮层是大脑中用于处理视觉信号的部分，年轻的读者开始能够不经过意识思考就认出字母和单词。通过协调大脑的变化，阅读不再那么费劲了。孩子的自动性越强，阅读起来就越顺畅、越熟练。
无论是驾驶舱里的威利·波斯特，网球场上的塞雷娜·威廉姆斯，还是棋盘上的芒努斯·卡尔森，这些超凡的技能都来自于自动性。那些看起来像是本能的技能是很难获得的。我们不能通过被动的观察引发大脑的变化。人们需要通过不断面对意外情况来培养这些技能，正如精神哲学家休伯特·德雷弗斯所说的：“对于不同的经历，观察的视角相同，但所需的策略性决策则各不相同。”如果不在不同的环境下对这项技能进行大量的、反复的练习，你和你的大脑永远不会真正掌握这项技能，至少对于那些复杂的技能而言是这样的。并且，没有持续的训练，你已经获得的技能也会生锈。
现在很多人都认为我们需要做的就是练习。花上万个小时练习某项技能，它就会成为你的专长——你会成为下一个伟大的糕点师或是大前锋。但遗憾的是，这种想法太夸张了。生理和智力的遗传特征在培养技能的过程中发挥了关键作用，特别是在技能发展的最高阶段。人的自然属性起到了重要的作用。正如马库斯指出的那样，我们对练习的欲望和喜好也具有遗传特性：“我们对经历的反应，甚至是追求，都是与生俱来的基因功能的一部分。”但是如果基因规定了或者粗略地限制了个人技能的上限，人们就只有通过练习才能突破这些上限，并实现各自的潜能。但是人类与生俱来的能力扮演了重要的角色，心理学教授戴维·汉布里克和伊丽莎白·迈因茨写道：“研究明确表明，人们完成复杂任务时的表现千差万别，最大的原因就在于，人们是否拥有知识以及拥有多少知识：通过在某一领域训练多年而获得的说明性的、程序性的、策略性的知识。”
自动性，正如它的名字一样，可以被看作一种内化了的自动化。它是人体进行困难、重复的例行工作时所采用的方式。身体的运动和步骤被编写进肌肉记忆中，通过感官对环境模式的即时认知形成理解和判断。科学家很久以前就发现思维的受限程度令人惊讶，它摄取和处理信息的能力很有限。没有自动性，我们的思维意识将一直处于过载状态。甚至非常简单的行为——例如阅读书中的句子或用刀叉切牛排，都会耗尽我们的认知能力。自动性实现了大脑的扩容，可以增加“不经思考就完成的重要操作的数量”。这推翻了怀特海的观点。
怀特海认为，工具和其他技术充其量只能用于完成一些类似的任务，大脑自动性的容量也是有限的。我们无意识的思维能实现许多功能，既快速又高效，但也并不是无所不能。你能记住12个甚至20个时间表，但是再多就记不住了。即使你的大脑还能存储记忆，你也耗尽了耐心。有些复杂的数学过程对你的大脑来说负荷过大，但是用一个简单的口袋计算器，你就能解开这些数学运算，这样一来，你的思维意识就获得了解放，可以去思考数学背后的意义。但是，只有通过学习和训练掌握了基本的算术以后，你才能考虑这些问题。如果你用计算器解决你没学过的或是不理解的数学问题，而不去学习数学的相关知识，这个工具就不会给你带来新的见解，也不会帮助你获得新的数学知识和技能。它只是一个黑盒，一个神秘的数字产出装置，它将阻碍高级思维的生成而不是激发高级思维。
现在的计算机自动化就是这样，这也是怀特海的观点误导技术的原因。计算机的自动化不但没有扩充人与生俱来的脑容量中分配给自动性的部分，还会经常阻碍自动化的发展。计算机的自动化使我们摆脱了重复的思维训练，也剥夺了我们深入学习的机会。过度依赖和偏好并不是思维的常态，在没有思维刺激时才会显现出来。当思维没有投入全面的真正的实践时，也会出现这两种思维，因为全面的真实的实践会产生知识，丰富记忆并培养技能。计算机系统成了共犯，使我们远离了直接的、立即的行动反馈。心理学家K·安德斯·埃里克森是培养技能的专家，他指出，定期反馈是培养技能的必要条件，能帮助我们从错误和成功中获取经验。埃里克森解释说：“没有足够的反馈，我们就不能高效学习，即使是具有强烈动机的主体，也只能获得最小化的技能提升。”
自动性、生成和心流，这些心理现象各不相同。它们都很复杂，并且我们无法认清它们的生理基础。但是这几种心理现象相互关联，可以告诉我们一些有关人类的重要信息。为培养技能而付出的努力一般具有高挑战性、目标明确以及反馈直接等特点，同那些给我们带来流动感的技能很相似。它们是浸入式的体验，迫使我们积极生成知识而不是被动获取信息。锤炼技能、增强理解、实现个人的满足感和成就感，这一切都是浑然一体的，都需要个体与世界在生理和心理上紧密相连。用美国哲学家罗伯特·塔利斯的话来说：“把双手弄脏，再让世界给你些回报。”自动性是世界在活跃思维和活跃的人身上刻下的印记。专业技能就是这种印记大量存在的证据。
从攀岩者到医生再到钢琴家，米哈里·契克森米哈解释说：“那些深深沉浸于某项活动的人，体现了挑战和技能给人们带来的最优经验。”人们从事的工作或爱好“会提供大量的行动机会”，而技能可以让人们充分利用这些机会。在世界上泰然行动的能力把我们都变成了艺术家。“艺术家经过训练，即使是面对困难的任务，也能保持全神贯注，毫不费力，这全都是基于他们对复杂技术的掌握。”当自动化让我们远离了工作，横亘在我们和世界之间，它也抹去了我们生活中的艺术性。
跳舞的老鼠
1907年，哈佛大学心理学家罗伯特·M·耶基斯出版了《跳舞的老鼠》（The Dancing Mouse），在书的开篇，他这样写道：“自1903年以来，我一直在观察跳舞的老鼠，数量从2只到100只不等。”这本书共有290页，是一首啮齿动物的赞歌。并不是所有的啮齿类动物都能获得如此殊荣。耶基斯预测，跳舞的老鼠之于行为学家就像青蛙之于解剖学家一样重要。
剑桥当地医生将一对跳舞的日本老鼠作为礼物，送给哈佛心理学实验室时，起初耶基斯并不感兴趣，那就像“科研工作过程中平常的事件一样”。但是很快，他就对这两只小生物以及他们“绕着同一个点以惊人的速度飞快转圈”的行为着了迷。他给这两只小老鼠打分，分别编上编号，并详细记录斑纹、种别、出生日期和宗源等信息。“这种动物太棒了！”他写道，同一般老鼠相比，跳舞的老鼠体型小、能力弱——它们几乎不能支撑自己的身体，也无法“依附在物体上”。但是“对于许多动物的行为难题来说，这类老鼠却是绝佳实验对象”。这个品种的老鼠“好饲养、易训练，没有害处，一直处于活跃状态，并且非常适合进行大量实验，这让人非常满意”。
当时，利用动物进行心理学研究还是件新鲜事。19世纪90年代，伊万·巴普洛夫才开始以流口水的狗为实验对象进行研究。直到1900年，美国一名研究生威拉德·斯莫尔才将一只老鼠丢进迷宫，观察老鼠四处乱跑的现象。借助跳舞的老鼠，耶基斯极大地拓宽了动物研究的范畴。他在《跳舞的老鼠》中写道，他用啮齿动物作为实验主体，探索平衡和均衡、视觉和感知、学习和记忆，以及行为特征的遗传性等问题。耶基斯称，老鼠具有“实验推动性”，“我观察和实验的时间越长，老鼠表现出来的需要解决的问题就越多”。
耶基斯关于老鼠进行了一系列实验，其中最重要也最具影响力的一项实验早在1906年就已经开展了。耶基斯和他的学生约翰·迪林厄姆·多德森将40只老鼠一只一只地放进一个木盒子里。盒子较远的一端有一白一黑两个通道。耶基斯和多德森后来写道，如果老鼠试图通过黑色通道，就会受到“讨厌的电击”。老鼠受到的电击强度不同，分为弱电击、强电击和中等电击。研究人员想要观察刺激的强度是否会影响老鼠的认知速度，让他们避开黑色通道，转投白色通道。观察结果令他们大吃一惊。虽然同他们预想的一样，受到弱电击的老鼠分辨黑白通道的速度相对较慢。但是，受到强电击的老鼠的学习速度也很慢。而受到中等强度电击的老鼠，能最快地认清情况并调整自己的行动。科学家们表示：“这同我们预想的情况相反。实验表明，虽然电击强度会一直增加，最大时会给实验对象造成伤害，但是习惯养成的速度并没有随之加快。相反，中等强度的刺激最有利于习惯的养成。”
耶基斯又进行了一系列后续实验，结果更令人惊讶。科学家用另一组老鼠进行了同样的训练，不同的是，这次增加了白色通道内灯光的亮度，调暗了黑色通道的光线，增强了两个通道的视觉对比度。在这种情况下，所受电击强度最大的老鼠最快避开黑色通道。老鼠的学习能力并没有像第一轮实验那样出现下降。耶基斯和多德森对老鼠的行为差异进行了追踪研究，他们发现，第二组实验对动物来说更容易。得益于较大的视觉对比，老鼠在分辨通道的时候并不需要太多思考，直接把电击和较暗的通道联系了起来。“电流刺激强度和学习速度或养成习惯之间的联系取决于习惯的难度。”他们解释说。随着任务难度的加深，所需要的刺激强度也在下降。换句话说，当老鼠面对真正困难的挑战时，特别弱或特别强的刺激都会阻碍它的学习能力。在金发女孩效应中，中等刺激会激发出最好的表现。
1908年，耶基斯和多德森在发表了实验论文，自那时起，“刺激强度和习惯养成速度之间的关系”就成了心理学历史上的标志性事件。他们将这一发现称之为耶基斯——多德森法则，该法则不仅局限于跳舞的老鼠和颜色不同的通道，还适用于许多其他类型的事件，它不仅影响啮齿动物的行为，也对人类产生了影响。对人类来说，耶基斯——多德森法则通常为倒“U”型曲线，勾画了面对困难任务时人类的表现同心理刺激程度之间的关系。
刺激度特别低时，人处于空闲状态，没有受到刺激，停止不动，表现呈平缓停滞状态。随着刺激的加强，表现增强，倒“U”型曲线顶点的左侧呈上升趋势。而后，刺激进一步增强，但表现下降，曲线顶点的右侧呈下降态势。当刺激强度达到最大值时，压力麻痹了人的行动，表现再次呈停滞状态。同跳舞的老鼠一样，当处于耶基斯——多德森曲线顶点的时候，人类的学习和表现处于最佳状态，因为在这一刻，我们受到了挑战，但没有被击垮。当曲线到达顶点时，人类进入了一种心流状态。
耶基斯——多德森定律同自动化研究已被证明具有某种特殊的关联。该定律能解释计算机进入人类工作场所和工作过程以后所带来的诸多意外影响。在自动化发展的早期阶段，人们认为软件可以处理日常琐事，减少人类的工作量，提升工作表现。人们猜测，工作量和表现具有负相关性：心理紧张程度降低，工作时就会表现得更聪明、更积极。现实更为复杂。某些情况下，计算机成功减少了工作量，人们工作起来更加得心应手，可以将全部注意力转向那些更为紧迫的任务。但在其他情况下，自动化承担的任务过多，导致工人的表现只能处于耶基斯——多德森曲线的左侧。
我们都了解信息过量带来的负面影响。事实证明，信息不足也会降低人们的能力。但是我们认为，简化会适得其反。人因学家马克·杨和内维尔·斯坦顿的发现表明，实际上，人类的“注意力”会“缩水”，“以适应心理工作负荷的降低”。他们解释说，在自动化系统的运行过程中，“负载不足可能比过载更值得我们的关注，因为负载不足更难发现”。研究人员担心，信息负载不足导致的倦怠心理会是新一代汽车自动化的特殊危险。软件接替人类实现转向和刹车等操作，驾驶员只需坐在方向盘后面，没有事做，会忽视周围发生的一切。更糟的是，司机很可能没有受过自动化操作和自动化风险的相关培训。我们可能会避免一些常规性事故，但是未来糟糕的司机可能会增多。
