意外性是愉悦感的来源，可预期之后归零
别名: 奖励预测误差 · 惊喜衰减 · 预测误差 · novelty decay · dopamine surprise signal
概念解释
愉悦的载体是不可预期性，不是刺激本身。同一个正面事件，第一次超出预期时产生愉悦，被完全预期之后愉悦归零——剩下的只有解码它的成本。这条规律的机制内核叫奖励预测误差（reward prediction error）：多巴胺系统编码的不是「得到多少」，而是「比预期多多少」。由此得出设计上的分工：惊喜是一种会被学习消耗的资源，要管理的不是某一个惊喜的大小，而是惊喜出现在哪里。
机制
中脑多巴胺神经元对奖励的相位性响应近似在计算「实际结果 − 预期」：结果好于预期时放电增强，恰如预期时无相位响应，预期中的奖励缺席时放电反而低于基线。愉悦的关键变量因此是误差项，而误差项会被学习消耗——每次惊喜都在更新预期，重复暴露把「超出预期」磨成「恰如预期」，物理呈现原封不动，愉悦已经清零。这一层直接否定了「加大剂量」这条对策：剂量爬升只是抬高基线，误差项随即被新基线吸收，形成剂量通胀——更大的动静买到的只是回到零点的短暂脉冲，而且上限很快撞到界面与体面的边界。能让误差保持非零的是更换惊喜的分布：位置（这次在结尾、下次在空闲区）、类型（这次是文案、下次是功能多走半步）、时机（不定期而非每次必至）——用户的预测模型追不上，误差才有来源。可预期之后并非一切归零：恰如预期的稳定兑现仍提供低强度满足（可靠本身是价值），但「惊喜」这一档——多数愉悦点设计真正瞄准的那一档——已经清零。
怎么研究
基础证据来自灵长类单细胞记录与人类 fMRI：黑质与腹侧被盖区的多巴胺神经元按预测误差放电，时序差分模型能定量拟合其响应；人类纹状体 BOLD 信号对同一误差编码可复现。可迁移到界面研究的做法：让被试先预测即将出现的结果再看结果，用「预测−结果」之差预测主观愉悦评分；ERP 的反馈负波（feedback-related negativity, FRN，反馈后约 200–300 毫秒达到峰值）是误差信号的低成本生理指标；瞳孔与反应时可作行为侧补充。方法论注意点有三：实验室范式是单次或几十次的呈现，产品的愉悦点面对的是数月内成百上千次暴露，学习率与衰减曲线的时间尺度完全不同，实验室数值不能直接搬；惊喜自评受需求效应污染（被试知道在测惊喜），行为与生理指标更可信；个体差异大（新奇寻求特质改变误差敏感度），宜用被试内重复设计。
边界
规律只约束「惊喜」这一档，不约束全部正面体验：稳定兑现的可靠感本身是价值，产品不必也不能处处制造意外。高风险场景（错误提示、安全确认、无障碍反馈）反而要求完全可预期，惊喜化有害。对策侧有一条伦理边界：靠更换误差分布制造的不确定奖励结构，与变量奖励的成瘾机制是同一枚硬币——分布工程一旦滑向拉长不确定性以钩住用户的做法，就越出了愉悦设计的问题域。幽默类内容（笑话）的重复失效是同一机制的特例，但笑话另有冒犯风险与语境依赖这些内容层规则，需按幽默自身的边界处理，此处不展开。
怎么落地
- 每个愉悦点在首次投放时写下预计失效点：预计第几次暴露后误差趋零，到期更换或撤下，不靠加码续命。
- 建惊喜池而不是惊喜点：同一位置备多种可轮换类型（文案、动效、功能多走半步、时机错位），按用户难以预测的节奏轮换——变的是分布，不是强度。
- 强度上限在首次投放时定死并写进设计约束：靠加大动静对抗衰减是通胀的起点。
- 验证办法：纵向追踪同一愉悦点随暴露次数的行为指标（响应时长、重复观看率、主动分享率）画出衰减曲线，与自评对照；行为已平而自评仍高，说明自评在报喜不报忧。