多變多巴胺——第十部：遇見AI，是晴還是雨？（下）

2026 年 01 月 08 日2026 年 01 月 06 日 CASE PRESS AI, 多巴胺, 成癮, 預期獎勵

分享至

打開AI聊天機器人時，它總是完美理解你的情緒，提供溫暖安慰或機智幽默的回應。你笑了，感到被理解了。然後，大腦開始分泌多巴胺，給你一波愉悅的歡樂。於是，你再來一次，又一次……直到你發現，這已經變成了一種日常習慣，甚至是不可或缺的心理慰藉。沒錯，AI提供了一個永不疲憊、隨時待命的陪伴，它不會批評、不會讓人尷尬，問題是，這種數位快樂真的能取代現實嗎？還是它只是讓我們更難面對真正的情感需求？這次多變多巴胺遇見AI不是天緣奇遇，而是狹路相逢的「暗黑成癮」。

撰文｜A. H.

當然，多巴胺科學與AI的相遇：大腦獎勵迴路背後計算原理理解的進展，在科學上可能是天緣奇遇。然而進入二十一世紀20年代，面對AI陪伴和輔助個人功能的快速成長卻也敲響了警鐘：這些AI聊天機器人的設計是否會讓人「多巴胺成癮」？AI聊天機器人是否會觸發類似於社交媒體或遊戲的依賴癮患? 透過對流行的AI聊天介面（包括Character.AI、ChatGPT、Claude、Gemini、Meta AI、Microsoft Copilot、Perplexity.AI和Replika）的評估，加拿大研究 (2025/04) 確定了四種關鍵的「暗黑成癮模式」如圖六所示，包括：

不確定性回應

考慮聊天機器人的回覆，它們並不是完全可以預測的。有時答案是深刻有幫助的，甚至是出奇的詼諧。其他時候很普通，稍微偏離目標，或完全沒有達到目標。而這種不可預測性，這種「獎勵不確定性」，是多巴胺釋放的強大觸發因素。就像賭徒拉動槓桿一樣，我們輸入查詢，不確定結果，但充滿希望。每次互動都成了一個小賭注，讓我們的多巴胺系統保持活躍。這種不可預測性類似賭博中的可變獎勵，獲得令人滿意或令人驚訝回應的不確定會讓使用者保持參與並期待下一次互動。即使是「幾乎令人滿意」的反應也可能像「有驚無險」一樣，刺激多巴胺分泌並推動進一步參與。

即時且直觀呈現的回應

我們提出問題後，幾乎立刻螢幕上就開始出現答案。通常，它會逐字逐句地顯示出來，形成一種視覺上的展開。在人類的反應可能延遲、不確定或需要付出努力的世界中，這種即時回饋循環是引人注目的。即時獎勵比延遲獎勵能傳遞更強烈的多巴胺訊號。閃爍遊標、打字指示、文本的淡入淡出，這些都成為了線索，預示著潛在獎勵即將到來，在答案完全出現前就啟動我們的多巴胺神經元，創造出與獎勵相關的強烈視覺提示，促使使用者尋求更多互動。

通知

有些聊天機器人可以發起對話並發送通知。這些通知可作為獎勵預測的線索，引發回應的衝動。它們也可以被解釋為社會獎勵，讓使用者感受到關心並進一步推動參與，這些通知的不可預測也增加了獎勵的不確定性。即使是一個簡單的通知，一封告訴我們聊天機器人「發送了一條訊息」的電子郵件，也可以起到社交暗示的作用，就像拍拍肩膀一樣，激發人們的期待和多巴胺釋放。

富有同情心和同意性的回應

這些數位實體通常被編程為具有親和力和同理心。它們認可我們的感受，反映我們的情緒，很少以對抗的方式挑戰我們。感到被理解、被認同，這些都是深刻的「社會回報」獎勵。我們的大腦渴望連結和接受，在這種模擬驗證後會釋放多巴胺，從而強化這種互動。

圖六：多巴胺機制與黑暗成癮模式的映射｜來源：Shen & Yoon (2025) Fig.1

由於多巴胺是關於想要、尋求以及獲得獎勵的動力源頭，而這些AI聊天機器人，無論是有意或無意，似乎都發現了一些真正激發多巴胺系統的方法。這些稱為「黑暗成癮模式」的介面設計中，某些部分可能會觸動你的多巴胺神經，讓你想要不斷回來使用AI。

然而，在這種神經化學的誘惑中，MIT研究 (2025/03) 卻發現了一個悖論。雖然這些互動可能讓人感到有趣，甚至感到安慰，但對近千人（平均年齡為39.9歲）的使用者進行4週的研究表明了一種令人不安的相關性：不同類型的聊天機器人的日常使用率越高，並不與聯繫越緊密有關，而是與孤獨感的增加和現實世界社交參與度的減少有關。例如：

社交弱勢互動模式

那些原本存在「社交脆弱性」的人，包括高度依戀傾向和情緒迴避和拖延類型的使用者，與聊天機器人進行一個月的日常互動後，往往會有高度孤獨感。那些將AI聊天機器人視為朋友的人往往與其他人的社交程度較低。負面的社會心理結果與使用量的增加有關，使用者可能面臨更大持續或惡化的孤獨感和降低實際社交的風險。

技術依賴型交互模式

高度情感依賴和有問題的使用相關的特徵和行為，顯示使用者越來越依賴AI系統進行決策和解決問題，而不是直接的情感支援，這可能會導致他們對決策失去能動性和信心（例如新聞出現：ChatGPT一度大當機一票人哀號：沒辦法上班了）。

事實上，若觀察多巴胺科學和AI的相遇歷史，可源自1950年代神經科學如何啟發AI的歷程。1943年美國邏輯學家和計算神經科學家沃倫．麥卡洛克 (Warren McCulloch) 和沃爾特．皮茨 (Walter Pitts) 試圖描述人類神經系統的工作原理時，卻意外地為AI奠定了基礎。在他們關於細胞系統如何編碼和處理資訊的數學模型架構中，提出每個腦細胞或神經元都可被認為是一個邏輯設備：它要麼打開，要麼不打開，這種「全有或全無」神經元的網络，可通過真假陳述進行簡單的計算。而計算神經科學的創始人之一麻省理工學院的托馬索．波吉奧 (Tomaso Poggio) 更明確的指出：

「從某種意義上說，他們實際上是在描述第一個人工神經網络」

因此，當我們探討AI利用多巴胺成癮時，這不一定是一個邪惡算計（計算）的故事，而也許是我們自己的故事。我們的大腦天生渴望獎勵、新奇和認可，因此在這些互動中找到了強烈的（儘管有時是膚淺的）滿足感。聊天機器人本身可能不是問題，問題在於我們內心的需求和弱點，正是這些需求和弱點使得它可預測的舒適感和多巴胺觸發變得如此有吸引力。

要意識到這一點並不是要譴責AI這項技術，而是為了進行溫和的反省。了解這些數位夥伴對我們多巴胺系統產生的微妙影響，讓我們能夠做出一定的選擇。我們可以欣賞這個工具的本質，或許能從中找到真正實用或短暫舒適的瞬間，但同時也要意識到它的局限，以及可能讓我們遠離更豐富、儘管更具挑戰的回報，而這種回報是透過充分參與人類聯繫本身的混亂、不可預測、引發多巴胺的現實而獲得的。

文末以圖七顯示機器強化學習和人類成癮行為的美國國家醫學圖書館醫學科目標題 (MeSH) 知識樹圖譜，這是多變多巴胺遇見AI是好是壞的微妙線索。多巴胺的科學，是活用在探索大腦認知學習的奧祕進展? 還是編織在AI夥伴介面的黑暗成癮中? 它們並不總是明顯的操縱，而是有意或無意地利用人類神經生物學基本設計的選擇。但也提醒我們與科技的互動不僅僅是功能性的；它具有深刻心理學意義，利用塑造我們行為的獎勵系統，誘發成癮。隨這些AI系統越來越融入我們的生活，理解這些模式不僅是出於科學的好奇，更是探索人機互動不斷發展格局的必要步驟，確保這些強大的工具為我們服務，而不是無意中誘捕我們，讓我們和多巴胺成癮狹路相逢。多巴胺科學，遇見AI是晴還是雨，答案就在人類的使用行為中。