AI如何导致和修复了我的失眠问题

三月底，我的睡眠出现了比较严重的问题。经常一整晚只能睡两三个小时。我一开始以为是工作压力过大。但后来即使在quit job以后，这种情况也没有好转。幸运的是，经过一些分析和实验，我迅速找到了原因。并且把每晚的平均睡眠时间往上提了一小时四十分钟。这篇文章主要想分享一下作为重度AI用户的我，如何用一种不同寻常的方式迅速找到那个失眠的原因（剧透：原因是晚上仍然用AI高强度多线程思考）。也反思了一下在整个过程中哪些环节是AI真的帮到了我的，哪些环节仍然必须靠自己。

非主流的失眠诊断

我先简单介绍一下整个问题是怎么发展和解决的。在失眠刚开始的时候，我做的事情检查也和大多数人一样，就是瞎猜：是不是咖啡/酒喝多了？是不是褪黑素吃少了？是不是晚上吃撑了？瞎试了两个星期之后并没有好转。所以我决定需要用一种更科学的方法去搞清楚睡眠不好的原因到底是什么。

具体地说，我花了5分钟让AI写了一个app。这个app会读取我的苹果手表和手机里的HealthKit的数据，导入到电脑里。这些数据包括了我平时摄入了多少咖啡因，多少酒精。每天晚上的入睡时间，睡眠情况（包括REM，深睡时间段等等），甚至包括血糖，血压，体重等等，总之就是可穿戴健康那坨东西。除此之外，我的电脑上还有一些其他数据。包括我每个小时做了什么事情等等。总之，我做的第一件事情不是去猜测具体的原因，而是从各个渠道搜集到繁杂琐碎但是全面的信息，来为下一步的分析提供弹药。

第二步是我把这些信息全部扔给AI，让它去做一个分析：根据我的这些原始数据，有没有什么因素可以会导致我晚上睡不好？AI选择的路线是去做一个多变量回归分析。看看有哪些变量和晚上的睡眠时间呈明显的负相关。具体建模啥的是他写程序来弄。最后的结果比较有意思：其中有一些变量是相关的，但是意义不是特别大。比如他发现如果我晚上入睡时间特别晚，一般来说睡眠时间就比较短。但这个是废话。我要是能睡着，我肯定早入睡啊。。还有一些变量是意外的不相关。比如喝咖啡不论是喝几杯还是几点钟喝，和当晚睡眠时间关系都不大。这可能是因为我反正都是在中午前喝。到晚上睡觉的时候已经代谢的差不多了。

那具体什么变量最相关呢？我们发现是我晚上最后一次使用AI的时间。换言之，如果我晚饭后仍然在使用AI，不管它是正经写代码，还是用AI来学习，还是写文章。只要用了AI，那一晚基本上都睡不好。用的越晚，睡得越不好。相反，如果我晚饭后不用AI，即使做一些不健康的事情，包括打游戏，刷视频，聊微信，那一晚睡得一般都会比较好。

所以下面的事情就比较简单了。我就开始晚上有意识地不用AI，宁愿刷刷短视频聊聊天。这样过了几个星期，发现平均睡眠时间比之前长了一小时四十分钟，到了一个比较健康的水平。而且这个过程中我也体会到了为什么使用AI会影响睡眠。这主要是因为AI帮我们把体力活都做完了，所以剩下的任务一般都是高强度的阅读和思考，很容易把人变得兴奋。同时我使用AI的时候一般懒得等，都是多线程操作，同时开好几个AI车轮战。这样完全没有休息的机会，人的大脑一直处于紧绷/高强度创新/高强度工作的状态。这种状态很容易一直持续下去，影响睡眠。

为什么非主流，AI帮到了我什么

这件事虽然本身没有什么波折，但我还是觉得它非常有意思。从结果上来看，虽然我们在确定了AI的使用会影响睡眠之后，看一切都很合理。但如果我们不做这种多变量分析，而是主要依赖搜索引擎和经验去拍脑袋想原因的话，这件事情其实并不好想。一方面，AI是一个相当新的东西。不论是文献还是网上的文章，都不太会把它和失眠联系起来。所以单纯搜索很难想到这一点。另一方面，直观想象，大家会把AI和打游戏、刷视频之类的行为归在一起。但我晚上确实没有刷视频、用手机，只是睡前在电脑上用AI做了一些学习。这个也很难意识到它会严重地影响睡眠。因此，如果我们没有一个科学系统的归因分析，只去单纯凭借印象或者搜索去做诊断的话，我相信会走一条很大的弯路。

从过程上看，我就算有了去做多变量回归做归因分析这样的想法，如果没有长时间AI使用的积累，这件事也很难变为现实。一方面是没有数据，一方面是摩擦太大。从数据的角度来说，关注过健康的人可能都知道苹果的HealthKit里面有非常多的信息。但是包括我在内，一开始都没有意识到这些信息是可以导出来的。毕竟苹果的Healthapp并没有提供原生的导出功能。但是我又确实看见过一些app，尤其是比如说Withings这些厂商的健康app可以和HealthKit接起来，拿到它的数据。所以我就去问AI，有没有可能我们就也写一个app，把它的数据导到电脑里。然后AI就把它写出来了。有了这些数据，我们才有可能去做有效的分析。毕竟，在几十天的数据上做多变量分析，比拍脑袋想一个假设，试几天，然后再想一个假设，再试几天，效率是数量级的差距。

另外我为什么选多变量归因分析这条路，一个很重要的原因也是我知道AI可以帮我写程序。如果要我自己去写Python，清理数据，做建模，调参数，写报告。不是说不可能，但不会把它放到很早的阶段去做。我可能会先走一段时间弯路，试一些可能不work的方法，然后再去试这些我确定它是最终正确的，但需要投入一段dev time去认真做的方法。就总之AI在整个过程中提供的是执行力的支持。它让我有足够的信心和comfort level去一开始就去做一个正确的方法。

其中还有一个决策我觉得应该拎出来讲一下。就是我（或者说AI）写的那个app，它的用户不是人，它的用户是AI。这和传统的软件开发思路是很不一样的。如果是传统的软件开发，写app是为人/用户写的。那这个app的架构应该是：我点一个按钮，它搜集HealthKit的数据，然后和服务器端的某个数据分析功能进行通信，做了建模等等之后，把结果拿回来，在这个app里进行可视化。比如告诉我你失眠的原因是一二三。

而我做失眠分析这件事，是完全反过来的。这个app的用户是AI，AI去调用这个app来拿到数据，然后去调用Python进行数据分析，把结果在他的对话界面（而不是我们用来导出数据的iOS app）里面呈现给我。换言之，我通过对话操纵AI，AI通过某些界面操纵软件。在整个过程中我们虽然写了软件，但是软件的用户都不是人类。就算由于iOS的限制，我需要点一下屏幕启动这个手机app，才能让它导出数据。但在这个过程里，我只是AI的工具人，如果他有手完全可以（而且应该）把我踢了自己点屏幕。

哪些事情还是得靠自己

AI在很多方面帮助到了我之外，我觉得还有一个同样有意思的侧面，是在这整个过程中，哪些事情我还是只能靠自己。其中我觉得有一个核心是comfort level，或者说对一个任务难度的判断。比如，如果我以前没有做过iOS开发，没有买过Mac，没有真的动手编译和部署AI写的iOS app的话，我很可能也不会选这条路。很多时候我们理性的知道编译部署一个iOS app应该不难。但当我们没有做过这件事的时候，心理上还是有道坎。它会让我们若有意若无意地绕开这个方向，即使我们理性地知道这个方向是最优解。

这就是我们以前在这篇文章里面曾经写过的成本结构决定最优策略。在那篇文章里，我们提到过，如果从第一性原理出发，debug的正确方法应该是通过打log把程序运行的内部状态暴露出来，然后从log出发分析bug在哪。但是短时间阅读上万行的log对人类而言是个不可能的任务，所以我们只能抛弃这条正确但是不切实际的道路，去凭经验猜测bug的位置。而且我们会把这种本来根本就不应该有，完全由人类弱鸡催生出来的需求叫做技术直觉，在各种场合极尽推崇。但是有了AI以后，读成千上万行的log并且找到哪里不对，是一个非常简单的事情。所以我们的成本结构变了，相应的debug的最优策略也应该改变。

我们的场景也是类似的，以前我们会觉得数据建模很麻烦/昂贵，写一个iOS app更是难如登天。这是为什么我们理性的选择了失眠要去网上做调研，要去自己猜原因，做实验。但是在2026年，尤其是我个人的情况里，我戴苹果手表，自然有了很多睡眠方向的方面的数据。我每天会记录喝了多少咖啡，多少酒，吃了几片褪黑素，这又进一步降低了数据方面的障碍。同时我又知道AI可以非常方便地进行数据建模。这三者一起让多变量归因分析这条路在这个场景下是一个低成本的选择，也指引着我走向了这个方向。

换言之，我们平时点的技能点，做过的project，已有的经验，对一件事潜意识里的comfort level，构建成了我们对整个世界的成本结构的理解。它会潜移默化地决定我们每个人面对一个问题时会如何思考，如何解决。AI可以在具体执行上客观地改变这样的成本结构。但是我们理性地知道和感性的认同是完全不同的两件事。只有我们真的去做过，体验过，才能把这种成本的变化，这种comfort level的变化内化贯彻到我们的决策过程中。这一步是AI没办法代劳的。只能我们自己不断去尝试，分析和总结。

而在面对很多事情的comfort level中，对AI的comfort level尤其重要。比如去写这个iOS app。如果是一两年前的我会选择正襟危坐在电脑前，打开cursor这样的app，把它当做一个软件工程项目来写。比如我先做设计，然后把它当做一个junior engineer，给它非常具体的指导，然后去做code review。最终可能两三个小时之后，写出来了这个app。我相信直到今日这都是AI编程的主流用法，而且相比于AI之前确实已经是很多倍的提效。但我们也可以想象，如果写这个app需要几个小时的话，我又不会选择这条路了。

我实际上选择的方法是，直接在手机上跟AI用语音一两分钟描述了一下我想要一个什么样的app，然后就去干其他事了。它就去写去测试，我等它写好了以后去Mac上点一下运行，出了个bug，我把log贴给它，它修好了。我抽查了一下传到电脑上的数据跟HealthKit里的数据一样，这件事就结束了。全程dev time大约五分钟。换言之，就算我们知道这个app应该让AI写而不是自己写，对AI独立完成整个任务的comfort level的差异，也会造成数量级上的效率差异，并且导致整个技术决策完全不同。

还有一个有意思的细节是，在决定写这个app之前，我也不确定能不能把HealthKit里的数据导出来。但因为我平时观察到了Withings这样的app可以读取HealthKit的数据，所以我决定去问一下AI。这种观察能力也是短时间内AI取代不了的。事实上很多时候我们问AI一个问题，它会给一个偏保守的回答，说做不了。这个时候如果你给它一个观察，比如那另一个app是怎么做出来的？它就可以做出更有针对性的调研，最终得出正确的技术方向。

结语

总的来说这是一个开心也不开心的故事。我很开心的一点是睡眠问题终于解决了，而且用的是一种principled方法，用正确的途径，简单地解决；而不是经历了没头苍蝇一样的尝试，瞎猫撞上死耗子试出来的。AI在这个过程中帮到我的不仅是执行，而且是重塑了我对很多东西的comfort level，让我可以在更广的场景下收敛到这种principled的方法。但坏消息是，如果没有AI的话，这个问题根本就不存在。我也不用去想失眠的问题😂。但总的来说毕竟是帮我想清楚了很多问题，还是挺有收获的。