LLM 被建模為「認知病毒」：採用過臨界點後，群體依賴可突然鎖死

Key takeaway

2026 年 9 月 3 日，複雜系統學者 Ricard Solé、發育生物學家 Michael Levin，以及聖塔菲研究所、哈佛大學 Wyss Institute、龐培法布拉大學等機構的合著者，在 arXiv 公開論文《Large-Language Models as a Cognitive Virus》（識別碼 2609.03344）。本文已核對 arXiv 摘要與正文要點，並對照 9 月 5–6 日圍繞該論文的討論熱度；文中事實均以論文與可公開核實的報導為準。重點包括：三人狀態的流行病式模型、遲滯與技術鎖死、以及「認知免疫」干預框架。

LLM 被建模為「認知病毒」：採用過臨界點後，群體依賴可突然鎖死

LLM 被建模為「認知病毒」：採用過臨界點後，群體依賴可突然鎖死

2026 年 9 月 3 日，複雜系統學者 Ricard Solé、發育生物學家 Michael Levin，以及聖塔菲研究所、哈佛大學 Wyss Institute、龐培法布拉大學等機構的合著者，在 arXiv 公開論文《Large-Language Models as a Cognitive Virus》（識別碼 2609.03344）。本文已核對 arXiv 摘要與正文要點，並對照 9 月 5–6 日圍繞該論文的討論熱度；文中事實均以論文與可公開核實的報導為準。重點包括：三人狀態的流行病式模型、遲滯與技術鎖死、以及「認知免疫」干預框架。

一、核心事件：用流行病數學描述 LLM 採用

技術細節

論文把 LLM 的擴散理解為一種文化與認知層面的「病毒類比」：使用習慣會在人群中傳播，並嵌入認知與文化實踐。模型把人口粗分成三類狀態：

  1. 未耦合（U）：幾乎不使用或僅弱耦合 LLM
  2. 自主耦合（C）：會使用 LLM，但仍保留閱讀、寫作、推理、核對與多元資訊來源
  3. 持續依賴（D）：認知操作已被 LLM 大幅替代，難以獨立完成任務

人與人之間的社會／制度／平台暴露以有效傳播率 (\lambda) 推動 (U \rightarrow C)；放棄使用以 (\rho) 回到未耦合；常規使用以 (\mu) 滑向依賴；訓練、核對習慣或刻意認知摩擦以 (\sigma) 把依賴者拉回自主耦合。模型還加入非線性項 (\kappa U^{2}C)，表示「獨立思考」本身也有集體強化：當自主使用者夠多，社會規範會更容易維持獨立推理。

關鍵數學後果是雙穩態與遲滯：當集體強化夠強（(\kappa > \rho)）時，提高傳播壓力會在某個臨界點突然失去「全自主」吸引子；但要從已耦合狀態退回，必須把傳播壓力壓得更低。作者稱這為技術鎖死（technological lock-in）的簡單機制。

二、技術原理深度解析

這不是說 LLM「等於」病原體。論文明確寫道：生物病毒可從致病到共生，LLM 的效果同樣取決於耦合方式——可以是鷹架（scaffolding）（降低當下負荷、同時保留或提升日後能力），也可以是替代（substitution）（直接替使用者完成合成、評價與寫作）。模型刻畫的是人群層級的耦合狀態轉移，而不是替任何單一產品定罪。

作者以平均認知能力 (\langle\Gamma\rangle)（定義為「拿掉外部支援後，人仍保有的能力」）示範：在替代性使用假設下，群體可從高自主狀態突然掉到低能力分支；反向恢復需要更大參數改變。換言之，個人漸進採用，可以在群體層面變成非線性躍遷。

論文也提出「認知免疫」：不是禁止接觸 AI，而是降低有害替代性耦合的傳播、提高回到獨立認知的可逆路徑（例如保留無 AI 任務、定期脫鉤練習、核對要求），並降低由常規使用滑向持續依賴的比率。

三、日常應用場景

1. 開發者與技術團隊

若團隊把程式碼、設計決策與程式碼審查幾乎全部交給代理，留存曲線可能很好看，但獨立除錯與架構判斷力可能被替代。論文提醒：導師型產品與「代寫一切」的副駕駛，可以有幾乎相同的留存與營收曲線，差別要刻意量測。

2. 企業與隱私敏感行業

金融、法律、醫療若把工作流默認綁在單一公有聊天機器人上，除了資料外洩風險，還有組織層級的能力空洞：新人更快產出，卻更難在無工具時獨立核對。企業需要的是可治理的耦合——私有部署、權限邊界、強制審批與可審計的人機分工——而不是把思考外包成黑箱習慣。

3. 一般用戶

把電郵、行程、寫作全部交給可自動寄出的代理，效率上升的同時也放大幻覺、誤傳與提示注入風險。保持「先問再送」、具體指令與 MFA，本質上就是提高 (\sigma)、降低替代性依賴的日常版免疫。

4. 香港與亞洲市場視角

香港企業正面對公有 LLM 快速滲透與資料主權要求並存的局面。論文的遲滯結構意味著：等到組織發現「沒有模型就寫不出文件」再想退場，成本會遠高於一開始就設計可逆流程。本地託管、訓練與 API 邊界清晰的方案，較容易把耦合留在「自主耦合」而非「持續依賴」。

四、專業評價與潛在考量

優勢

  • 把「AI 會不會讓人變笨」這類常見擔憂，轉成可討論的臨界點、遲滯與干預參數，方便政策與產品設計對話。
  • 清楚區分鷹架與替代，避免「用就壞、不用就好」的二元論。
  • 作者群橫跨複雜系統、網路科學與發育生物學，框架具跨學科可讀性。

需要留意的地方

  • 這是理論框架與數學模型，並非直接量測真實 ChatGPT 使用者認知衰退的實證田野研究。
  • 平均場假設簡化了真實社交網路異質性；作者也承認需進一步做網絡與空間擴展。
  • 「認知能力」權重是示範性假設，不同任務與教學設計下，耦合甚至可能提升後續能力。

結語

《Large-Language Models as a Cognitive Virus》最有價值之處，不在恐嚇讀者遠離 AI，而在指出：採用曲線可以是平滑的，群體後果卻可以是突然的；預防比事後復原便宜。對香港企業而言，重點是設計可核對、可脫鉤、資料不出境的人機流程。若需要在可控環境部署企業私有 LLM（Dataset → QLoRA/LoRA → 私有 API，年費 HK$88,000 起，100% 數據留港），可參考 YSK Limited 的企業私有 LLM 全託管：https://ysk.hk/services/ai-automation 。

參考來源

Related services & products

Related posts