研究新知｜AI 愈方便，人反而更需要留白？

AI 愈來愈方便。

搜尋更快、整理更快、寫作更快，學習時也能隨時得到回應。很多過去需要花大量時間處理的資訊工作，現在幾分鐘內就能完成。

但另一個問題也慢慢浮現：

當資訊取得變得太容易，我們的大腦是不是也正在承受更多輸入？

最近一週，國際期刊刊出兩篇從不同方向切入的研究。

一篇關心的是：當大學生在 AI 學習環境中，不斷遇到原本沒有主動尋找的額外資訊時，這和數位倦怠之間有沒有關聯？

另一篇則問：短期的 self-compassion meditation，也就是練習以較少責備、較多理解的方式面對自己，是否可能對一些心理 wellbeing 指標帶來改變？

這兩篇研究彼此沒有直接關聯。

我們當然不能把它們簡化成：

「AI 造成疲勞，所以冥想可以治療。」

但放在一起看，卻帶出一個很值得思考的問題。

當 AI 不只回答問題，也帶來更多資訊

2026 年 9 月 7 日，Zongshuang Li 與 Mingxia Song 在《Frontiers in Psychology》發表研究，探討 AI information encounters 與大學生數位倦怠之間的關係。[1]

研究收集中國吉林省 5 所大學、566 名具有生成式 AI 學習經驗的大學生問卷資料，採橫斷式設計，分析 AI 資訊接觸、認知彈性、AI 學習信任與數位倦怠之間的關聯。研究使用便利取樣，因此結果外推到其他族群時需要保守。

所謂 AI information encounters，比較接近「AI 資訊偶遇」。

也就是使用者在和 AI 系統互動時，意外碰到原本沒有主動尋找，但可能有趣、有用，或超出原本問題範圍的資訊。

你原本只是想處理一個問題，AI 卻又提供了延伸觀點、其他可能性、新概念，甚至另一條值得追下去的線索。

這些資訊未必不好。有時候，它們甚至會帶來新的想法。

但當「順便再看一點」不斷發生，使用者也可能需要持續切換注意力、判斷內容、重新整理問題，甚至偏離原本的學習目標。

研究結果顯示，AI 資訊偶遇程度愈高，數位倦怠也傾向愈高；同時，認知彈性在兩者之間呈現部分中介關係。研究中的認知彈性，可以理解為人在複雜、變動的資訊環境中，調整認知策略與處理方式的能力。

研究所談的「數位倦怠」，主要涉及認知疲勞、情緒耗竭，以及學習效能下降等狀態。

但這不代表「用 AI 就會 burnout」

這裡要特別小心。

這是一項橫斷式、自陳問卷研究。

研究者是在一段時間內蒐集受試者的主觀回報，再分析不同變項之間的統計關係，而不是把參與者隨機分成「大量接觸 AI 資訊」與「少量接觸 AI 資訊」兩組，也沒有長期追蹤 AI 使用之後是否真的造成倦怠。

所以，它不能證明：

AI 資訊接觸直接造成數位倦怠。

比較準確的說法是：在這群受試者中，AI 資訊偶遇與數位倦怠之間存在顯著正相關，認知彈性也和這段關係有統計上的關聯。

再加上研究對象集中於吉林省 5 所大學，並使用便利取樣，也不能直接推論到所有年齡、文化或 AI 使用情境。

但這項研究仍然提醒了一件值得注意的事：

AI 的成本，不一定只存在於「使用時間」，也可能存在於我們需要持續處理的資訊量。

AI 幫我們更快找到答案，同時也可能讓我們看到更多答案。

而「更多」，不一定永遠等於「更好」。

另一邊，研究也在問：短期冥想可能帶來什麼改變？

2026 年 9 月 10 日，《Mindfulness》刊出另一項隨機對照研究。[2]

Joshua A. Marmara、Warwick Hosking 與 Siân A. McLean 招募 227 位 18 至 39 歲成人，平均年齡約 31 歲，隨機分派至介入組與等待控制組。

介入組接受為期 3 週的 self-compassion meditation 介入。研究期間提供三段不同的 20 分鐘引導冥想音檔，並鼓勵參與者持續練習；研究在介入前、介入結束後，以及 6 週追蹤時進行評估。

這裡的 self-compassion，中文常譯為「自我慈悲」或「自我關懷」。

它並不只是告訴自己「沒關係」或「對自己好一點」。

這個概念包含幾個核心元素：覺察當下的經驗、以較少自我批判的方式面對自己的困難，以及理解挫折與痛苦並不是只有自己才會經歷，而是人類共同經驗的一部分。

換句話說，self-compassion meditation 可以理解成：

在練習中，用比較少責備、比較多理解的方式，面對自己的感受、身體與處境。

研究觀察的結果包括身體欣賞、身體不滿、自我慈悲與 positive well-being。

結果顯示，和等待控制組相比，介入組在身體欣賞、自我慈悲與正向 wellbeing 上有較大的改善，身體不滿也有所下降；這些改善在 6 週追蹤時仍維持。

有趣的是，研究者另外分析參與者自陳的冥想頻率，卻沒有發現「練習天數愈多，改善幅度就愈大」的顯著關係。

至少在這項研究裡，不能簡化成：

做得愈多，就一定效果愈好。

練習品質、投入方式、個體差異，以及介入內容本身，都可能值得進一步研究。

同樣要注意：這不是「冥想萬靈丹」

第二篇研究有一個重要優勢：它採用隨機對照試驗。

因此，在介入效果的推論上，比一般橫斷問卷研究更有力量。

但這不代表結果可以無限制延伸。

首先，它研究的不是「所有冥想」，而是特定形式的 self-compassion meditation。

其次，研究對象是 18 至 39 歲的非臨床成人，並排除部分近期有焦慮疾患、飲食疾患或恐慌發作相關情況的參與者。

研究也沒有進行 preregistration。

另外，這項研究使用的是等待控制組，而不是另一種主動介入作為比較。

因此，觀察到的介入效果可能部分受到期待、注意等非特異性因素影響；若改以主動控制組比較，效果大小是否相同，仍需要進一步研究。

研究也存在基線差異、流失率與介入曝露測量等限制。

所以，比較適合的說法是：

在這項研究條件下，短期、自我引導的 self-compassion meditation 介入組，在數項心理與身體意象指標上的改善幅度高於等待控制組。

而不是：「每天冥想 20 分鐘，就一定會變快樂。」

把兩篇研究放在一起，我們看到的是什麼？

這兩篇研究並沒有直接驗證彼此。

第一篇談的是大學生在 AI 學習環境中的資訊偶遇與數位倦怠。

第二篇談的是短期 self-compassion meditation 與心理 wellbeing、身體意象的變化。

所以我們不能因此下結論：

AI 讓人疲累，所以冥想可以抵消 AI。

這樣的推論，已經超出研究證據。

但如果退一步看，它們確實形成一個很值得留意的對比。

一邊是：資訊輸入正在變得愈來愈容易。

另一邊是：我們也愈來愈需要思考，注意力、身體感受與內在狀態，要怎麼得到整理。

也許真正值得問的，不只是「AI 好不好」或「冥想有沒有用」。

當科技讓我們有能力接收更多資訊時，我們是否也需要更有意識地管理自己的注意力與恢復空間？

留白，可能不是浪費時間

我們很習慣把效率理解成：把空白塞滿。

AI 幫忙省下十分鐘，就再安排一件事情。

搜尋變快，就再多看五篇資料。

工作做得更快，就再多接一個任務。

但如果省下來的時間，最後只是被更多資訊重新填滿，我們真的得到更多餘裕了嗎？

理解、判斷、選擇、切換，本身都需要認知資源。

所以，「什麼都不輸入」有時候未必是效率的反面。

它也可能是一種資源管理。

AML 怎麼看？

對 AML 而言，這兩篇研究最有意思的地方，不是替「少用 AI」或「多冥想」背書。

而是提醒我們：

工具愈強，注意力管理可能愈重要。

AI 可以幫助我們減少某些工作負擔，但如果省下來的空間立刻又被更多訊息填滿，我們未必真的得到更多餘裕。

所以，也許 AI 時代值得練習的，不只是如何取得更多資訊。

還包括：什麼時候停止輸入。

留一點時間給身體、注意力與思緒重新整理。

留白不一定表示什麼都沒有做。

有時候，它只是讓人重新有空間，決定下一步要做什麼。