Large-Language Models as a Cognitive Virus

大语言模型（LLMs）正迅速融入人类文化，深刻重塑信息的生产、传播与使用方式。本文提出，可借助“病毒传播”这一类比来理解LLMs的扩散过程：其使用行为在人群中蔓延，并逐渐嵌入个体的认知实践与社会文化实践之中。我们构建了一个模型，刻画用户在“未耦合”“已耦合”与“持续依赖”三种状态之间的动态转换；结果表明，社会传播、认知“康复”（即恢复独立认知能力）以及集体强化效应三者之间的相互作用，可能引发临界转变（tipping points）和技术锁定（technological lock-in）。一个核心推论是“失控式动态”（runaway dynamics）的发生可能：一旦越过某一关键阈值，微小的采用率增长便可能触发整个群体向持续依赖状态的快速跃迁，并伴随认知能力的骤然退化。然而，同一理论框架亦揭示了实现“认知免疫”的可行条件——即通过抑制传播、增强可逆性（例如支持用户随时回归独立认知模式），从而防范此类风险。我们的研究结果凸显出：LLM的普及并非线性渐进过程，而可能涉及非线性的集体性转变，这对人类的认知自主性具有深远影响。

论文试图理解大型语言模型（LLMs）在人类社会中的扩散机制及其对认知自主性的系统性影响，特别是验证‘LLM依赖可能引发非线性集体转变、认知能力退化与技术锁定’这一假设；该问题新颖——将技术采纳建模为类病毒传播过程，并聚焦于群体层面的认知韧性临界点，超越了传统人机交互或AI adoption的个体行为研究范式。

提出‘认知病毒模型’（Cognitive Viral Model），将LLM用户划分为uncoupled（未使用）、coupled（工具性使用）、persistently dependent（持续依赖）三类状态，引入社会传播率（β）、认知恢复率（γ）和集体强化效应（自增强反馈回路）构建动力学方程；关键新意在于首次形式化刻画‘社会-认知耦合反馈’如何诱发突变式相变（tipping points）和不可逆依赖（lock-in），并导出可干预的免疫阈值条件。

模型为纯理论推演（无实证数据集或代码），基于常微分方程与分岔分析，揭示了‘微小 adoption 增量 → abrupt cognitive competence loss’的数学机制；核心亮点包括：1）定义‘cognitive immunization’策略——通过降低传播率（如数字素养教育）和提升恢复率（如强制认知离线期）实现依赖可逆；2）指出技术设计应内置‘reversibility scaffolds’（如透明度开关、渐进式依赖提示）；3）呼吁跨学科研究（认知科学+epidemiology+STS）；后续需开展大规模纵向认知追踪实验（如N-back、critical thinking测评）验证模型预测。

1) 'The Cognitive Consequences of AI Assistance' (Bloom et al., Nature Human Behaviour, 2023); 2) 'Algorithmic Dependence and the Erosion of Epistemic Autonomy' (Rini, Philosophy & Technology, 2022); 3) 'Social Contagion Models of Technology Adoption' (Centola, Science, 2018); 4) 'AI as Cognitive Prosthesis: Risks of Atrophy' (Hills & Hertwig, Trends in Cognitive Sciences, 2021); 5) 'Tipping Points in Digital Culture' (Lazer et al., Science, 2020)