AI訊息中毒,大型語言模型也會腦袋壞掉

我爱免费

作者：微信文章


（本文刊載於中時新聞網，2025年11月5日，作者●朱玉昌）

AI的进化，一直被视为人类认知能力的延伸。大型语言模型（LLM）能生成自然语言、回答问题，以及进行创作，其成功仰赖庞大的数据和算力。然而，一项最新研究提出让人惊觉的现象，当模型吸收低质量、情绪化的社群媒体内容后，它们不仅可能出现推理与理解能力下降，甚至会出现永久性的「认知退化」。

这项研究由美国德州大学奥斯汀分校、德州农工大学与普渡大学合作完成，题为《大型语言模型也可能患上「大脑萎缩」症》（LLMs Can Get "Brain Rot"）。研究设计直接而明确，研究团队将X平台上高互动、低信息密度的热门贴文作为训练数据，观察模型在推理、长篇理解和数学运算等任务的表现。结果显示，推理准确率从74.9％骤降至57.2％，长篇理解能力从84.4％下滑至52.3％，数学与逻辑题也出现显著错误。即便后续再以高质量数据重新训练，模型仍无法恢复原有能力，凸显退化的不可逆性。

值得关注的是，模型的「人格」特征也随之改变，其回答变得更加自我中心、冲动且情绪化，道德判断也出现冷漠退化。研究者将这种现象称为「思维链塌陷」（chain-of-thought collapse），指模型不再逐步推理，而是直接生成答案，放弃逻辑链条。这种行为类似人类在信息过载下，追求快速刺激而放弃深度思考的心理模式。

这项研究的学术与社会回响迅速扩散。《联机》（Wired）杂志将其形容为「AI 的神经退化实验」，而《黑客新闻》（Hacker News）与X上的讨论串则提出警示，或许AI也需要「心灵卫生」。更多的报导观点也认为，研究显示AI可能在信息污染中被「驯化」，严重失去了批判与推理能力。

其研究挑战了「数据越多模型越好」的传统观念。高互动社群内容虽然吸引力强，但信息密度低、偏向情绪与偏见，在经过算法优化后，模型便学会「受欢迎的说话方式」，而非准确理解世界。研究指出，这些低质量数据，在模型内部形成强化回路，使其输出更具刺激性，但逻辑性下降。换言之，AI在追求迎合使用者的同时，也逐步丧失对世界的理解能力。

这种现象与人类信息环境的变迁不无相似，社群媒体上的短内容与高频刺激，已让人类注意力与耐性下降。当AI以同类内容为训练素材，它重复了人类的退化轨迹。从这个角度看，「AI的脑子坏掉」并非偶然，而是一种信息生态的镜像，即模型学到的，就是我们社会中固有的认知缺陷。

研究团队指出，仅靠监控AI输出无法保障安全，核心问题在于「训练时安全」（training-time safety）。他们建议建立「认知健康检查」（cognitive health checks），在模型部署前后，持续评估推理完整性、语义稳定性与价值偏移。这种方法类似人类神经科学对脑部健康的长期监测，强调从源头防止退化，而非事后矫正。

若从产业策略的角度看，这项研究具有深远启示。随着算力与模型参数规模的边际效益递减，数据质量与策展能力将成为新的竞争分水岭。未来的顶尖AI公司，不再是拥有最大模型或最多数据，而是能维持认知健康、保持推理稳定、识别情绪偏激与错误信息的公司。开发者将不得不重新思考，在信息洪流中，哪些数据值得学习？哪些讯息会腐蚀模型的判断力？

这项研究的深层意涵，不仅在于技术层面的可逆性，更涉及伦理与文化。若AI会因低质量内容而失去理性，人类在同样环境下，又是否早已受到影响？当社会以点击率与互动数据作为衡量标准，我们创造的知识跟情绪，也在悄然训练下一代模型，AI的「认知崩坏」或许只是人类集体认知疲劳的延伸。

最后，这篇研究提醒我们，智能体的质量取决于它所摄取的信息。无论人类还是AI，如果环境充斥低质量、情绪化与碎片化的内容，推理与批判能力就会逐步退化。AI的未来竞争，不再只有算力之战，而是一场「认知卫生」的比拼。谁能在信息污染中保持清明，谁就更接近真正的智慧。接下来，在训练机器之前，我们自己也需要一次彻底的认知健康检查。