编者摘要：这篇论文提出 “认知病毒” 的比喻：大模型本身不是病毒，但过度依赖大模型的使用习惯，会像病毒一样在人群中传播扩散。

使用 AI 分两种模式：把 AI 当帮手，自己依旧动脑思考、核对结果，能提升效率；可如果啥事都丢给 AI，把思考全部外包，久而久之离开 AI 就不会独立做事，会造成思考能力退化。

模型发现一个风险：大家一点点接受 AI，看似变化平缓，但到达某个临界点后，整个群体的独立思考能力会突然大幅下滑。一旦社会陷入 AI 依赖，想要恢复就非常困难。

所谓 “认知免疫” 并不是禁止用 AI，而是多保留不靠 AI 独立思考练习的机会。风险不在于工具本身，而在于不要让 AI 接管我们的大脑。

论文《大语言模型作为一种认知病毒》（arXiv:2609.03344）借用流行病学动力学模型，提出认知病毒隐喻：并非指大模型本身是病毒，而是 LLM 的使用行为通过社会传播形成反馈回路，可能引发群体认知变迁。

文章区分两种 LLM 使用范式：脚手架式使用作为工具辅助人类思考校验，提升能力；替代式认知卸载，将推理、创作全盘交给 AI，造成原生认知能力损耗。模型划分三类人群：非耦合用户、自主耦合用户、持久依赖用户。受社会传播、恢复回流、集体强化机制共同作用，系统会出现双稳态、临界点、滞后与技术锁定现象。即便个体接受 LLM 是渐进过程，群体层面也可能发生认知能力断崖式下跌。

研究得出重要不对称结论：预防集体认知依赖远比逆转已形成的依赖简单。一旦越过临界阈值，仅降低 AI 传播压力不足以恢复原有认知水平，需要更大干预力度。作者提出 “认知免疫”，免疫不等于禁用大模型，而是保留 AI 收益，防范替代式依赖。干预分为两类：调整社会环境参数改变系统临界点，例如增加回归无 AI 思考的机会；开展元认知训练，降低普通用户滑向深度依赖的比例。

该模型为理解人与 AI 协同演化提供理论框架，但属于均值场简化模型，忽略社交网络异质性。风险根源不在于使用 AI，而在于人机耦合模式，制度、教育设计可以引导 LLM 成为认知脚手架而非认知替代品。

10 个关键问题问答 Q&A

Q1：“认知病毒” 是不是说大语言模型本身是有害病毒？

A：不是。该隐喻针对人机耦合的使用行为与社会传播反馈，LLM 本身具备增益生产力的价值；如同生物病毒有互利共生类型，LLM 效果取决于使用方式。

Q2：什么是脚手架式使用和替代式卸载？

A：脚手架：AI 做辅助，人类完成推理、校验，脱离工具后能力不受损；替代卸载：把思考全盘交给 AI，人类底层认知操作被替代，撤掉工具后能力下降。

Q3：模型划分哪三类用户？

A：U 非耦合少用 LLM；C 自主耦合，使用 AI 但保留独立思考；D 持久依赖，认知任务高度交给大模型。

Q4：什么是技术锁定（滞后效应）？

A：群体滑向深度依赖后，仅仅把 AI 传播压力降到预防阈值，无法恢复自主；必须压到更低阈值才能复原，逆转比预防更难。

Q5：为什么个体慢慢接受 AI，群体认知却会突然崩塌？

A：社会集体强化带来非线性双稳态效应。当独立思考人群变少，支持自主思考的社会环境被削弱，形成自我强化的依赖闭环，触发群体突变。

Q6：什么是认知免疫？需要禁用大模型吗？

A：认知免疫≠禁用 LLM。目标是保留 AI 红利，抵抗有害替代依赖，保护人类原生认知自主性。

Q7：所有参数里，哪一个干预效果最重要？

A：\(\boldsymbol{\rho}\)（用户回归无 AI 自主认知的速率）。设置无 AI 任务、脱离 AI 练习，甚至可以直接消除不可逆锁死风险。

Q8：μ 和 σ 参数能否改变系统临界点？

A：不能。二者不会改变发生突变的阈值，只能控制使用者中深度依赖人群的占比，降低认知损失。

Q9：论文模型有哪些主要局限性？

A：属于均值场简化模型；将用户划分为离散三类，现实自主性是连续谱系；忽略社交网络异质性，没有显式建模 LLM 自身迭代演化。

Q10：对教育、职场现实启示是什么？

A：不能一味禁止或无限制放开 AI；需要保留无辅助练习、校验、批判性思考流程；重点管控耦合模式，而不是单纯管控工具本身。

附录：大语言模型作为一种认知病毒

arXiv:2609.03344v1 [physics.soc‑ph] 2026 年 9 月 3 日 Ricard Solé¹,²,³,⁴,∗，Giulio Ruffini⁵,†，Francesca Castaldo⁵,‡，Marco Tuccio¹,³，Luis F. Seoane³,⁶，Manlio de Domenico⁷,⁸,⁹,¹⁰，Santiago F. Elena¹¹,⁴，David C. Krakauer⁴，Michael Levin¹²,¹³

¹ 西班牙庞培法布拉大学复杂系统实验室（MELIS），阿伊瓜德博士大街 88 号，08003 巴塞罗那 ² 西班牙加泰罗尼亚高等研究院（ICREA），路易・孔帕尼斯大道 23 号，08010 巴塞罗那 ³ 西班牙高等科学研究委员会‑庞培法布拉大学进化生物学研究所，巴塞罗那滨海大道 37 号，08003 巴塞罗那 ⁴美国圣达菲研究所，海德公园路 1399 号，新墨西哥州圣达菲 ⁵巴塞罗那计算基金会（BCOM）与神经电生理公司，西班牙巴塞罗那 ⁶日本冲绳科学技术大学院大学，恩纳，904‑0495 ⁷意大利帕多瓦大学 “伽利略・伽利莱” 物理与天文系复杂多层网络实验室，马尔佐洛大街 8 号，35131 帕多瓦 ⁸意大利国家核物理研究所，帕多瓦分部，35131 帕多瓦 ⁹帕多瓦网络医学中心，马尔佐洛大街 8 号，35131 帕多瓦 ¹⁰帕多瓦神经科学中心，朱塞佩・奥鲁斯大街 2 号，意大利 ¹¹ 瓦伦西亚大学‑西班牙高等科学研究委员会综合系统生物学研究所（I2SysBio），帕特那，瓦伦西亚，46980 西班牙 ¹² 美国塔夫茨大学艾伦发现中心，马萨诸塞州梅德福 ¹³ 哈佛大学怀斯生物启发工程研究所，马萨诸塞州波士顿

∗通讯作者 ricard.sole@upf.edu †通讯作者 giulio.ruffini@bcom.one ‡通讯作者 francesca.castaldo@bcom.one

摘要

大语言模型（LLM）正迅速融入人类文化，重塑信息的生产、传播与使用方式。本文提出，可以借助病毒类比理解大语言模型的传播过程：大模型的使用行为在人群中扩散，并嵌入认知与文化实践。我们建立模型刻画三类用户状态的转变：非耦合用户、耦合用户、持久依赖用户。研究表明，社会传播效应、认知恢复与集体强化三者相互作用，会催生临界点与技术锁定现象。一个核心推论是系统可能出现失控演化：一旦越过临界阈值，即便大模型使用率小幅提升，也会快速推动整体人群走向持久依赖，造成认知能力的骤然丧失。同时，该理论框架也给出了实现认知免疫的条件：降低传播强度、提升行为可逆性。本研究结果表明，大语言模型的普及可能引发非线性集体变迁，对人类认知自主性产生重大影响。

关键词：大语言模型；语言；认知卸载；延展心智；模因；自动化偏见；依赖；认知

重要性陈述

大语言模型正深度融入日常认知与文化实践，但我们仍缺少简洁的理论框架，用以解释大模型普及会如何重塑集体认知模式。本文提出将大语言模型视作认知病毒：这是一类依靠文化传播的技术，其传播源于自身实用性，但同时会通过认知卸载催生人类的依赖行为。动力学模型表明，社会助推效应会使整个群体从以自主认知为主，发生失控式转向，形成大范围的技术依赖。这意味着，即便个体层面接受大模型是渐进发生的，群体层面仍可能出现突变。本文将流行病动力学、文化演化理论、认知卸载结合，搭建起一套可阐释人类‑人工智能协同演化的通用机制，也为实现 “认知免疫” 提供理论基础。

一、引言

人类语言的诞生被公认为一次重大演化跃迁 [1]。语言虽与基因遗传存在诸多共性特征 [2]，但它建立起一套全新的遗传与集体记忆系统。语言让信息得以积累、代代传递、重组迭代，孕育出累积文化 [3‑4]。从这个角度看，语言可以被视作种群层面的文化系统，具备部分自主演化的动力学特征：语言会分化变异、相互竞争、融合杂交、向外传播，也会走向消亡，其演化模式类似于生态群落中的物种 [5]。语言能否存续很大程度上依赖社会学习，尤其在童年阶段，人们通过观察、人际互动习得词汇、语法结构、语义内涵与沟通范式 [6]。语言结构依靠进入可塑性极强的人类心智完成传播，同时把说话人变成新的传播载体，因此语言有时被描述为一种病毒式实体 [7‑8]。

随着计算机病毒问世，这一隐喻拥有了具体的技术对应物：计算机病毒是可自我传播的信息结构，能够侵入宿主系统、篡改系统运行逻辑，并征用宿主完成进一步传播 [9]。与此同时，文化演化理论将 “社会传播信息具备变异、差异化留存、代际传递” 这一观点形式化，相关理论包括基因‑文化协同演化 [10‑12] 以及模因理论 [13‑15]。这些理论共同指向范围更广的一类实体 ——心智病毒[16‑17]。这类实体的演化不依赖特定物质载体，关键在于它们能够在生物宿主、认知宿主或者计算宿主之上完成复制与存续。

在语言的案例中，病毒式传播的对象是各类模式：从单个词汇到整套思想。它们依靠模仿完成复制，在使用过程中发生变异，依托人脑、媒介、制度、技术载体存续。这指向延展心智理论：认知分布在人脑与外部结构之中 [18]；外部载体不只是存储信息，还会重塑认知任务本身 [19‑20]。这类人工产物存在两种作用模式：互补模式，拓展并强化人类原有能力；竞争替代模式，提升当下表现，但同时潜在地削弱底层原生技能 [21‑23]。语言本身就是双面认知技术：它将思想外化、固化、重组 [24]，而语言范畴与叙事又反过来重塑人的感知与推理模式 [25‑28]。经过文化传播，语言会适配使用者的认知与沟通需求 [29‑31]，因此语言传播既延展认知，也改造依赖语言的人类心智。

这种双向改造特征同样适用于各类通信技术。互联网与即时通讯模糊了口语与书面语的边界 [32‑33]；移动手机与智能手机催生大量缩略压缩的表达方式，这更多体现语言的灵活性，而非读写能力的衰退 [34‑36]。社交媒体进一步重构沟通的结构与社会筛选机制 [37‑38]，整合文本、超链接、多模态表达，搭配算法筛选内容 [39‑40]。这些技术不只是传递语言，它们本身的技术特性会重塑语言的生成、流转、解读与筛选方式。

大语言模型代表又一次重大跃迁。和以往媒介不同，大模型不再仅仅约束人类表达的形式或传播路径，而是主动参与内容的生成、改写与评估。因此核心问题不只是大模型是否改变语言使用习惯，而是它是否重构语言‑认知‑技术三者构成的耦合系统。通过对比，我们可以识别哪些认知能力被放大、哪些被替代，以及在何种条件下持续使用会造成认知重构甚至认知损耗。就此而言，大语言模型延续了过往信息技术共有的特征：认知卸载，即把认知操作委托给外部工具与外部表征。

自然语言到大模型时代，存在两类技术前驱：计算机病毒 [41‑43] 与编程语言 [44]。计算机病毒具备生物病毒核心特征：紧凑的信息结构，利用宿主机器完成运行，并演化出规避检测的能力；计算机病毒的诞生催生杀毒软件的军备竞赛 [45]，影响人工生命研究 [46] 与网络科学 [47‑49]，推动现代网络安全与计算机免疫学发展 [50‑51]。编程语言在计算机、机构、社群之间广泛传播 [52‑53]，成为数字革命的运行底层，和神经网络一道，为人工智能铺平道路 [54]。二者都依托技术宿主，同时改造所处环境。大语言模型融合二者特征：如同编程语言，提供全新人机交互接口；如同计算机病毒，借助用户与数字生态传播。但大模型带来的认知卸载是前所未有的 [55]。

本文将大模型视作驱动认知与社会变革的引擎，其快速传播正在改变人类能力。我们首先将大语言模型与感染性媒介做类比，之后借鉴流行病学数学方法 [56]（该方法也被用于技术扩散研究 [57‑58]）构建种群传播模型。模型描述宿主耦合状态之间的转换，结合认知能力的表征指标，区分不同耦合模式带来的结果，分析分岔结构，并探讨可行干预手段。本文并不把某个单一实体当作病毒的对应物：大模型生态既包含不断演化的模型谱系，也包含文化层面传播的实践与内容，二者未必完全重合。本处的病毒类比指向一个更宽泛的反馈回路：持续演化的技术谱系运行在外部硬件之上，改造人类宿主环境，进而反过来影响自身传播。传统自适应软件已经部分具备这种同构关系 [59‑62]，而大模型更深一步，直接嵌入认知处理过程本身。

病毒类比并不意味着大模型‑人类的交互天生具有寄生性。生物病毒既有致病病原体，也有互利共生的演化伙伴 [63‑67]；大模型的效果同样取决于使用方式。它可以拓展探索边界、提供专业知识、提升生产力 [68‑69]，但也会引发认知卸载、形成依赖、造成能力损耗 [70]，并且个体层面获得的收益未必能在群体层面成立 [71]。该类比之所以有效，是因为大模型的使用会形成持续的传播闭环：一方面是文化层面传播的使用习惯，另一方面是技术、经济反馈不断迭代维持的模型谱系。下文模型聚焦该生态的其中一环：人类认知耦合状态之间的转换。

二、大语言模型介导的认知耦合：种群动力学

经典传染病模型描述生物媒介传播过程中宿主状态的转换 [56]。这套数学范式也被用于技术扩散研究：技术采纳受其他使用者的曝光、社会强化效应驱动 [57,72]；同样也被用于药物成瘾 [73‑75]、社交媒体成瘾的多仓模型 [76‑78]。本模型不直接刻画模型程序谱系的复制与演化，而是对大模型生态做粗粒度处理，聚焦人类宿主耦合状态的转换。我们划分三类种群状态（见图 1a）：U 非耦合 / 弱耦合个体；C 保留认知自主性的常规使用者；D 持久把认知任务委托给模型的依赖用户。动力学方程为：

\(\begin{cases} \frac{d U}{d t}=-\lambda U C+\rho C+\kappa U^{2} C\\ \frac{d C}{d t}=\lambda U C-(\mu+\rho) C+\sigma D-\kappa U^{2} C\\ \frac{d D}{d t}=\mu C-\sigma D \end{cases}\)

满足归一化条件 \(U+C+D=1\)。

其中\(\lambda\)代表经由社会、机构曝光带来的大模型实践有效传播速率；\(\rho\)代表常规使用者退回非耦合状态的速率；\(\mu\)代表常规使用转向持久依赖的转换速率；\(\sigma\)代表依赖状态恢复的速率。这些参数把异质性个体过程粗粒化为种群层面转换速率，并不直接对应单一心理机制。非线性项\(\kappa U^2C\)引入类似阿利效应的合作机制 [79]。背后假设：不依赖大模型的认知实践具备社会强化效应；当自主思考的个体占比较高时，奖励独立推理的社会文化预期会发挥更强作用。对U取二次方表征这种正向频率依赖；C项表示该恢复效应只作用于已经接触大模型的人群。\(\lambda U C\)这一发生项应当理解为人侧社会、制度层面带来的有效传播压力。和生物仓室模型一致：状态变量描述宿主，并不代表宿主状态就是病原体。这套方程刻画的是耦合行为的流行病学，本身并不确定谁是病毒类比中的病原体。

均值场近似为本研究提供可解析的基准，便于识别集体行为背后的机制 [80]。模型假设个体采样种群整体频率，社交连接被吸收进有效速率\(\lambda\)。但真实社会技术网络具备异质性与相关性 [81]：连接分布会改变流行病阈值与免疫结果 [47,82‑86]，其他网络属性也会进一步改变扩散过程 [87‑91]。通信拓扑同样会塑造大模型智能体网络的集体行为（如同生物传染病 [92]），尤其当认知状态反过来重塑社会关系时（也和生物病原体情形类似 [93]）。更大尺度上，互相连接的区域与机构会产生入侵阈值与拓扑依赖的模式 [94‑96]。因此本文的模型是后续网络、空间拓展研究的参考基准。

种群层面的合作机制在社会、生态动力学中已有大量先例。本模型二次项广泛用于进化生态学，用来刻画互利共生现象 [80,97‑98]，其核心假设是自主认知实践具备频率依赖性：当独立思考的人足够多时，学校、职场、同辈群体、社会规范更容易维持独立工作习惯。集体行为阈值模型证明，这类频率依赖天然会造成人类社会的临界跃迁 [99‑101]。已有研究表明，少数群体就足以推动整个群体完成社会规范的真正倾覆，出现临界点现象 [102‑103]。

模型假设依赖主要产生于常规使用状态C，而不会直接从U产生。该简化把类似传染的技术采纳，和认知自主性的集体保护之间的相互作用隔离出来，帮助我们识别群体层面发生突变、甚至不可逆转变的条件。图 1 把种群状态和不同人机耦合形式对应起来。非耦合个体处在多元认知生态之中，几乎不使用大模型（图 1b）；常规使用者将大模型纳入认知体系，但保留大量独立认知活动（图 1c）；依赖状态下，大模型成为执行任务、获取信息的主导接口（图 1d）。

图 1 大模型传播生态下的种群宿主状态模型。(a) 个体在三类状态间切换：U 非耦合 / 弱耦合用户；C 耦合但仍保有自主性的用户，会使用大模型，但维持读写、推理、核验能力，能够使用其他信息源；D 持久依赖用户，大模型介导的认知操作高度替代原有认知。社会、机构、平台带来的大模型实践曝光驱动\(U\to C\)，速率为\(\lambda\)；放弃使用技术会以速率\(\rho\)回到非耦合状态。常规使用会以速率\(\mu\)发展为依赖；训练、核验、刻意制造认知摩擦可以以速率\(\sigma\)恢复自主使用。(b) 非耦合状态：认知分布在人脑与多样化外部信息环境，包括书籍、手写文本、计算机、维基百科、互联网。(c) 耦合但保持自主状态：大模型成为认知生态的新增组件，其他信息源与独立认知活动仍然保留。(d) 依赖状态：与大模型交互占据主导，逐步替代其他认知支撑，认知活动集中在单一的人机耦合关系中。该模型描述和大模型使用相关的人类宿主耦合状态转换，只是更广义病毒生态的种群层面，并不直接建模模型程序谱系的复制。

状态之间的转变可以来自社会曝光、机构推广、反复依赖模型输出、放弃这项技术，或是渐进式认知卸载。认知卸载本身是人类认知中正常、往往具备适应性的组成部分 [55,70,104]。读写能力就是典型案例：识字会改造既有的神经回路 [105]，外部符号结构拓展记忆，催生全新推理模式。但关键在于，外部支持既可以生成新的内在能力，也可以替代原有能力。

近期关于大模型辅助写作的研究表明，外部工具带来表现提升的同时，可能伴随认知投入下降、记忆减退、作者身份感弱化 [106]。因此区分脚手架效应与替代效应十分必要：脚手架降低当下认知负荷，但保留甚至提升用户脱离工具后完成任务的能力；替代效应直接消除执行底层认知操作的需求。参照文献 [21]，二者大致对应互补型认知人工物与竞争替代型认知人工物。大模型既可以充当导师，让用户对其输出进行重构、质疑、核验；也可以作为替代品，替用户完成综合、评判、创作。因此关键区分不在于是否使用大模型，而在于耦合形式，最终体现为：撤掉工具之后，还剩下多少认知能力。\(C\to D\)的转换，极简地刻画了从互补使用转向持久替代依赖的过程。

模型会演化出性质截然不同的长期使用状态。利用\(U+C+D=1\)，动力学可以写成二维系统：

\(\begin{cases} \frac{d U}{d t}=C f(U)\\ \frac{d C}{d t}=-C f(U)-\mu C+\sigma(1-U-C) \end{cases}\)

其中\(f(U)=-\lambda U+\rho+\kappa U^2\)。不动点\(E_U=(1,0,0)\)代表完全非耦合状态，种群完全不存在大模型介导的认知耦合。其余不动点满足\(f(U^{*})=0\)，且\(D^{*}=(\mu/\sigma)C^{*}\)，得到：

\(C_{\pm}^{*}=\frac{\sigma}{\mu+\sigma}\left(1-U_{\pm}^{*}\right),\quad D_{\pm}^{*}=\frac{\mu}{\mu+\sigma}\left(1-U_{\pm}^{*}\right)\)

\(U_{\pm}^{*}\)是方程两根：

\(U_{\pm}^{*}=\frac{\lambda \pm \sqrt{\lambda^{2}-4 \kappa \rho}}{2 \kappa}\) 两根存在条件\(\lambda^2>4\kappa\rho\)。

只要\(\lambda<\lambda_{TC}=\rho+\kappa\)，非耦合均衡点保持稳定；在\(\lambda_{TC}\)处发生跨临界分岔，失去稳定性。当\(\kappa>\rho\)，鞍结点分岔发生在失稳之前，于是出现双稳态区间：

\(2\sqrt{\kappa \rho}<\lambda<\rho+\kappa\)

该区间内，非耦合均衡态与耦合均衡态同时稳定，被不稳定分支隔开（图 2 虚线）。因此，从非耦合状态出发提高\(\lambda\)，种群会维持在\(U=1\)附近，直到到达\(\lambda_{TC}\)；反过来，从耦合状态降低\(\lambda\)，必须降到\(\lambda_{SN}\)之下，系统才会回到非耦合状态。两个阈值之差：

\(\lambda_{TC}-\lambda_{SN}=(\sqrt{\kappa}-\sqrt{\rho})^2\) 定义出滞后区间的宽度，这就是技术锁定的简单形成机制。

图 2 大模型传播模型的分岔结构。(a) 均衡非耦合个体占比\(U^*\)，作为传播参数\(\lambda\)的函数。双稳态区间内，完全非耦合状态和耦合状态都稳定，被不稳定分支（虚线）隔开。增大\(\lambda\)会在跨临界阈值\(\lambda_{TC}\)处发生突变，跳转到耦合状态；但想要恢复，需要把\(\lambda\)降到鞍结点阈值\(\lambda_{SN}\)之下，由此产生滞后效应与技术锁定。(b) 常规用户\(C^*\)（红色）、依赖用户\(D^*\)（蓝色）的均衡占比。实线稳定、虚线不稳定。越过临界点，\(U^*\)急剧下降，常规使用与持久认知依赖的占比快速上升，代表种群层面的认知卸载。参数：\(\rho=0.1,\kappa=0.4,\mu=0.2,\sigma=0.3\)。

图 2 演示上述转换。图 2a 展示改变\(\lambda\)时均衡非耦合占比\(U^*\)；稳定耦合分支与鞍点在\(\lambda_{SN}\)出现，非耦合状态仅在\(\lambda_{TC}\)才失稳。图 2b 对应常规用户、依赖用户占比，直接由式 (6) 得到。图 3b 在\((\lambda,\kappa)\)平面总结分岔结构。真正的双稳态仅发生在\(\kappa>\rho\)，位于鞍结点边界和跨临界边界\(\lambda=\rho+\kappa\)之间。当\(\kappa<\rho\)，鞍结点落在物理可行区域之外，转变变成连续的正向跨临界分岔。当\(\kappa=\rho\)，两个阈值在\(\lambda=2\rho\)重合，这是连续采纳与历史依赖的突变跃迁二者的分界。

三、跃迁过程中的认知能力

种群层面的转变会影响人类认知能力，但分岔结构本身并不决定影响的方向。为演示可能的后果，为每个状态赋予相对认知能力\(\Gamma_u,\Gamma_c,\Gamma_d\)，定义平均认知能力：

\(\langle \Gamma \rangle=\Gamma _{u}U+\Gamma _{c}C+\Gamma _{d}D\)

此处\(\Gamma\)严格定义为认知能力：撤去外部工具之后人类所具备的能力，而不是人‑AI 耦合系统的总能力。为演示替代使用场景，本文取\(\Gamma_u=1\)，\(\Gamma_c=0.5\)，\(\Gamma_d=0.1\)，代表依赖加深带来认知能力逐步受损。该参数设置只是模型演示假设，并非对大模型使用的普适论断。在脚手架增强模式下，耦合行为甚至可以不削弱、反而提升撤掉工具后的认知能力。

代入前面的吸引子状态，平均均衡认知能力（补充材料完整推导）：

\(\langle \Gamma \rangle^{*}=g+(1-g) U^{*}\) 其中

\(g=\frac{\Gamma_{c} \sigma+\Gamma_{d} \mu}{\mu+\sigma}\) 是耦合人群的平均有效认知能力。

\(\langle\Gamma\rangle^*\)随\(U^*\)单调递增，继承种群动力学全部鞍结点、双稳态、滞后结构（图 3a‑b）。尤其当\(\kappa>\rho\)，提升\(\lambda\)，系统会维持完全非耦合状态\(\langle\Gamma\rangle^*=1\)，直到\(\lambda_{TC}=\rho+\kappa\)。此时自主吸引子失稳，种群跳转到耦合分支，在跃迁点\(U_{-}^{*}=\rho/\kappa\)。对应的认知能力损失为：

\(\Delta \Gamma_{loss }=(1-g)\left(1-\frac{\rho}{\kappa}\right)\)

反过来，从耦合状态降低\(\lambda\)，系统不会立刻恢复。会停留在低认知能力分支，直到到达鞍结点\(\lambda_{SN}=2\sqrt{\kappa\rho}\)，此时\(U^*=\sqrt{\rho/\kappa}\)，之后跳回自主状态，认知能力回升幅度：

\(\Delta \Gamma_{rec}=(1-g)\left(1-\sqrt{\frac{\rho}{\kappa}}\right)\)

因此认知能力表现出和大模型采纳行为完全一致的滞后：传播压力平滑变化，却造成自主能力骤然丧失；想要逆转损失，需要更大幅度压低传播压力。

分岔结构本身和\(\Gamma\)的取值无关；本文选用的参数，只是演示 “依赖上升伴随认知能力下降” 的场景。图 2 参数条件下\(g=7/30\approx0.233\)。当\(\lambda\)增大越过\(\lambda_{TC}=0.50\)，均衡认知能力从 1 下跌至约 0.425。反向路径，耦合状态维持到\(\lambda_{SN}=0.40\)，此时\(\langle\Gamma\rangle^*\approx0.617\)，之后恢复为 1。分岔结构把平滑的大模型认知采纳压力，转化为不连续、依赖历史路径的种群认知能力变化。注意：本最简模型中\(\mu\)与\(\sigma\)不会改变两个临界点位置，但决定g，因此决定处于耦合状态带来的认知代价。这个突变跃迁的关键启示：越过分岔点会改变吸引子结构，在准静态参数变化下，造成种群均衡状态的突变。但最简模型无法刻画现实中跃迁实际发生的快慢。

我们使用有效势能提供另一种可视化方式。在补充材料的一维约化下，\(C、D\)快速弛豫到准平衡比例，动力学写成梯度系统：

\(\frac{d\langle\Gamma\rangle}{dt}=-\frac{dV}{d\langle\Gamma\rangle}\) 势能定义：

\(V(\langle\Gamma\rangle)=-\int^{\langle\Gamma\rangle}\left(\frac{d \Gamma}{d t}\right) d \Gamma\) 势能是四次函数，存在双势阱（详见补充材料）。该表达保留种群模型均衡点与分岔阈值：势能极小对应稳定种群状态；中间极大值代表分隔吸引域的不稳定分支。

图 3c 展示\(\lambda\)逐步升高时势能地貌的变化，可以类比小球在势能地表滚动，最终停留在山谷。低\(\lambda\)条件下，唯一的山谷对应高认知自主性。到达\(\lambda_{SN}\)，第二个山谷出现，对应认知卸载主导的低认知能力状态。双稳态区间\(\lambda_{SN}<\lambda<\lambda_{TC}\)，两种状态都可以稳定存在，取决于系统历史，以及是否越过中间势垒。随着\(\lambda\)继续增大，低认知能力的势阱变得更深。在麦克斯韦点\(\lambda_M\approx0.420\)，两个势阱深度相等；超过该点，认知卸载状态更占优势。但小球仍然可以被困在高自主势阱，直到这个势阱在\(\lambda_{TC}\)彻底消失；小球会骤然滚落至低认知能力极小值，形成失控跃迁：大模型使用增强带来更多认知卸载，进一步强化对大模型的依赖。与之相反，想要恢复自主性，必须越过势垒，或者把\(\lambda\)压到足够低，使卸载势阱在\(\lambda_{SN}\)消失。势能地貌直观解释临界点、失控变化，以及自主状态与认知卸载状态之间的滞后现象。

图 3 认知卸载分岔、相图、有效势能。(a) 均衡平均认知能力\(\langle\Gamma\rangle^*\)随传播参数\(\lambda\)变化。完全自主状态稳定至跨临界阈值\(\lambda_{TC}=\rho+\kappa=0.50\)；稳定卸载分支与不稳定分支在鞍结点阈值\(\lambda_{SN}=2\sqrt{\kappa\rho}=0.40\)出现。灰色区间\(\lambda_{SN}<\lambda<\lambda_{TC}\)为双稳态，自主状态与卸载状态共存，意味着滞后与路径依赖。(b)\((\kappa,\lambda)\)平面相图。下边界\(\lambda_{SN}=2\sqrt{\kappa\rho}\)，上边界\(\lambda_{TC}=\rho+\kappa\)，黑色区域是双稳态域；灰色为自主主导相；白色区域仅卸载相稳定。(c) 代表性\(\lambda\)取值对应的有效势能\(V(\langle\Gamma\rangle)\)，对应 (a) 中灰色箭头穿过双稳态区域。势能地貌展示：单一自主极小值，在双稳态区间变成两个竞争极小，\(\lambda>\lambda_{TC}\)之后只剩下卸载极小。麦克斯韦点\(\lambda_M\)处两个势阱深度相等。参数与图 2 保持一致，\(\Gamma_u=1,\Gamma_c=0.5,\Gamma_d=0.1\)。

四、认知免疫与干预策略

分岔结构为理解认知免疫提供天然框架。本文定义的认知免疫，不是隔绝大模型接触，而是抵抗有害的替代式、催生依赖的耦合模式，同时保留人机融合带来的收益。第一个重要结论：预防与逆转存在不对称性。种群初始处于非耦合状态，只要满足

\(\lambda<\lambda_{TC}=\rho+\kappa\) 就可以阻止入侵。

可一旦系统已经进入耦合吸引子，即便把\(\lambda\)降到\(\lambda_{TC}\)以下，只要还处于双稳态区间，系统仍维持耦合状态。只有满足：

\(\lambda<\lambda_{SN}=2\sqrt{\kappa \rho}\) 才会恢复。

因此越过临界点之后，想要逆转局面，需要比预防阶段更大幅度压低传播压力。预防‑逆转的不对称直接来自滞后效应，是技术锁定的动力学来源。

在控制分岔结构的参数中，\(\rho\)具备明确保护作用。提高\(\rho\)，也就是提升常规使用者退回非耦合 / 弱耦合认知的速率，既抬升入侵阈值，也推动系统向边界\(\rho=\kappa\)靠近。越过该边界，鞍结点解在物理可行域消失；当\(\rho\ge\kappa\)，双稳态完全消失，转变变成连续平滑过程。因此，各类干预手段，如果能够让自主认知成为容易回归的常态，例如设置无辅助任务、刻意脱离大模型的时段、维护非大模型技能、打造有吸引力的非大模型替代方案，不仅可以改变临界点位置，甚至可以改变跃迁本身的定性性质。

\(\kappa\)的效果更加微妙。提高\(\kappa\)会强化自主认知的集体强化效应，抬升\(\lambda_{TC}\)；当种群以自主人群为主时，提升抵御入侵的能力。但与此同时，只要\(\kappa>\rho\)，\(\kappa\)扩大会扩大两个阈值之差\(\Delta\lambda\)，拓宽滞后区间。较强的集体保护可以在\(\lambda\)较高时稳住自主性；而一旦自主人群被大量消耗，更强的集体保护反而放大路径依赖。因此干预不能单纯最大化\(\kappa\)，而要同时强化集体自主性与足够强的个体回归通道，避免保护代价是形成过宽的滞后区域。

\(\mu\)和\(\sigma\)发挥另一类作用。它们不会移动\(\lambda_{SN}\)、\(\lambda_{TC}\)的位置，但会改变耦合人群内部构成。均衡下：

\(\frac{D^{*}}{C^{*}+D^{*}}=\frac{\mu}{\mu+\sigma}\)

降低\(\mu\)或者提高\(\sigma\)，可以降低依赖用户在耦合人群中的占比，却不一定降低大模型整体使用率。这一组参数对应第二类干预：不去阻止耦合本身，而是限制普通使用滑向持久认知替代。案例包括元认知训练、核验要求、定期无辅助练习、保留主动推理的任务设计、帮助依赖状态恢复的机制。

综上模型区分两类互补干预层级：改变\(\lambda,\rho,\kappa\)重塑种群临界点地貌，决定系统是否存在双稳态与滞后；改变\(\mu,\sigma\)主要改变耦合状态带来的认知负担。因此认知免疫不等于压低大模型整体使用率。它可以表现为改造耦合模式：让高使用率和核验、主动推理、备选自主方案、从替代依赖中恢复的机制共存。

表 1 认知免疫策略定性效果。\(\lambda_{SN}=2\sqrt{\kappa\rho}\)，\(\lambda_{TC}=\rho+\kappa\)。当\(\kappa>\rho\)，两个阈值划定双稳态区域。与之对照，\(\mu\)、\(\sigma\)不会改变最简模型的临界点位置，但决定常规用户与依赖用户的划分，因此决定平均认知能力\(\langle\Gamma\rangle\)。

干预手段	主要数学效应	对临界点与认知状态的影响
降低替代 / 催生依赖的耦合行为传播	减小\(\lambda\)，限制自动采纳，削弱社会、机构对大模型使用的放大效应	直接效应：\(\lambda<\lambda_{TC}\)阻止入侵；锁定发生后，恢复需要\(\lambda<\lambda_{SN}\)
保留自主备选方案，开辟回到无辅助认知的通路	增大\(\rho\)，提高常规用户退回非耦合 / 弱耦合认知的速率	抬升两个阈值，缩小滞后区间；\(\rho\ge\kappa\)时双稳态消失
强化集体认知自主性	增大\(\kappa\)，增强自主认知的非线性集体强化	提升抵御入侵能力；但\(\kappa>\rho\)会拓宽滞后区间
促进恢复，对抗集体锁定	提升\(\rho/\kappa\)比值，强化个体回归自主认知的通路，相对集体强化占优势	系统趋向\(\rho=\kappa\)，鞍结点、跨临界阈值合并，转变变为连续平滑
防止滑向依赖状态	降低\(\mu\)，减少常规用户C转向持久依赖D	不直接改变\(\lambda_{SN}\)、\(\lambda_{TC}\)；降低\(D^*/(C^*+D^*)\)，提升\(\langle\Gamma\rangle\)
促进依赖状态恢复	增大\(\sigma\)，推动持久依赖用户D变回常规自主用户C	不改变分岔阈值；降低依赖占比，固定\(U^*\)条件下抬升\(\langle\Gamma\rangle\)

五、讨论

1960 年，约瑟夫・利克莱德就预见，人类与计算机的关系将超越简单工具使用 [107]：

“人机共生或许并非复杂技术系统的终极范式。终有一天，电子或化学机器极有可能，在大多数我们认定专属于人脑的功能上超越人类大脑。”

六十多年过去，大语言模型让这段话变得无比真切。它的重要性不只在于能完成什么任务，而在于创造出全新的人类‑人工智能认知耦合模式。一种极端图景：AI 成为 “外皮层”，作为认知外部延伸，负责检索海量知识，而解释、高层判断仍然留给人类研究者 [108]。这类系统可以极大加速文化与科学知识的积累传播。更广义来说，人类一直把部分认知外化到语言、书写、制度与技术之中。认知外化正是文化驱动快速加速变迁的引擎 [109‑110]。人工智能是这一进程的新阶段：外部认知机器变得越来越主动，具备类主体特征 [111]。已有研究提出，这或许属于一类全新合成演化跃迁 [112‑115]。

本模型表明，我们无法仅从个体使用大模型的角度理解这场变迁。两套社会过程相互作用：第一，大模型新用法会通过人际学习、职场学校采纳、行为模仿实现传播，具备类似传染的特征。第二，自主认知本身依靠社会维系。教育和机构不只是传递信息，它们构建环境，让阅读、写作、推理、核验、独立解决问题得到反复实践与奖励。当这类实践足够普遍，它们互相强化。

两种过程的交互构成模型核心反馈：当认知委托行为越来越普遍，支撑独立推理的社会环境就被削弱；环境进一步弱化，又会让认知委托变得更加简单、更有吸引力。于是，大模型采纳程度平缓上升，却引发不成比例的群体响应。越过临界点之后，自主性的丧失自我强化，种群快速走向高强度认知卸载，认知能力大幅下降。重点不是这种失控必然发生，而是在现实可行的社会学习、合作强化条件下，失控跃迁在动力学层面具备可能性。并且一旦该状态确立，仅仅把环境恢复到跃迁之前的条件，不足以把系统复原。预防远比逆转简单。

但这种可能性，不能掩盖大模型带来的巨大收益。真正的分界，不在于用不用 AI，而在于耦合模式：是拓展人类能力，还是替代维持能力所必需的底层认知操作。现有实证证据两种情况都存在。随机对照研究表明：“先独立思考，再调用 ChatGPT” 的使用范式，对比无限制使用，可以保留更高的后续独立创造力 [116]。生成式 AI 可以提升生产力，提供强大认知辅助，但知识工作者报告，高度信任 AI 输出时，自身批判性思考的付出会下降 [117]。教育场景下，无约束的生成式 AI，在工具可用时提升表现，但会削弱撤掉工具之后的能力；经过教学设计约束的 AI 可以显著缓解该问题 [118‑119]。相关实验显示，学生只依赖大模型，不做笔记等配套认知活动，会造成理解、记忆效果变差 [120]。编程领域，新手难以批判性评估 AI 生成代码，产生自动化偏见，形成表面上的能力 [121]。

这些证据再次印证脚手架与替代的区分，也重塑我们对 “认知免疫” 的理解。种群层面，认知免疫不等于隔绝 AI。它意味着守护那些维持人类认知活跃的实践与制度：无辅助解题、核验、批判性讨论、刻意脱离工具的时段、维护非 AI 技能；教学设计中，模型起到辅助作用，而不是完成全部认知任务。可一旦持久依赖已经形成，只靠教学设计不足以解决问题。现有关于大模型问题性使用的研究指出，相关心理行为机制包括失控、情绪调节、认知偏见、习惯性依赖；提示行为自我调节，严重情况下认知行为疗法等心理干预也会派上用场 [122]。于是免疫的类比自然延伸：从文化制度层面的预防，到个体层面的恢复。

若想要贴近真实人机交互的复杂性，本最简模型还有大量拓展方向：用异质性智能体种群替代均质种群模型 [22]；认知自主性改为连续变量，而非严格划分几类用户；引入反馈：认知变化反过来改变后续采纳与依赖行为。这样的处理，会模糊人类、大模型、人机混合系统之间的边界 [123]，认知组织会分布在广阔连续谱系，而不是离散类别。更广义地，如果智能体被理解为分布在生物、人工、混合载体之上持续存在的信息与活动模式 [111,124‑125]，演化对象未必是传统意义的个体。传播的对象可以是认知组织模式，包括塑造主体如何表征世界、自我、可行行动的观念。大模型于是不只是认知卸载的被动工具：通过参与分布式信息模式，它们逐步重塑用户理解世界、开展行动的认知结构。从该视角，“认知病毒” 是一套存续的技术谱系，处在文化复制子、人类宿主状态、各类机构、技术基础设施共同构成的更大生态之中。

另一处局限：模型没有显式把人类行为和传播过程耦合。这类反馈会定性改变流行病阈值 [126‑130]，甚至产生高阶临界现象 [131‑133]。新兴的全域智能（Verse Intelligence）理论，提供拓展本研究的概念框架。该理论不把智能、能动性局限在大脑或特定生物载体，而将其视作跨多空间、时间、组织尺度系统的分级能力 [134‑135]。该视角重点关注生物、人工、混合智能体完成问题空间导航、维持目标导向组织的能力，很适合描述人机耦合系统 —— 其中边界、能动性程度本身都在发生变化。除此之外，多层网络理论为刻画驱动反馈传播的行为、技术、社会交互过程提供形式化框架 [136‑137]。以上思路共同提供一条超越本文均值场模型的系统路径。

未来模型可以将自主性、依赖性、能动性看作分布式人机模式共同演化的连续属性，而不是固定的仓室类别，去探究：在什么条件下，短暂交互会演变成自我维持的认知组织形态。

致谢

R.S. 获得 AGAUR 2021 SGR 0075 项目、MICIU/AEI PID2023‑152129NB‑I00 项目（由欧洲区域发展基金 ERDF 资助）、圣达菲研究所支持。S.F.E. 获得 MCIU/AEI PID2025‑169610NB‑I00 项目、瓦伦西亚自治区 CIPROM/2022/59 项目、圣达菲研究所支持。L.F.S. 获得 Occident 基金会 FJSCNB‑2022‑12‑B 项目、MICIU/AEI PID2023‑153225NAI00 项目（ERDF 资助）；L.F.S. 在冲绳科学技术大学院大学理论科学访问项目访问期间完成部分工作。

参考文献（略，原文参考文献全部保留编号，文本不再逐条翻译）

注：

1. 专业术语统一：cognitive offloading = 认知卸载；extended mind = 延展心智；bistable = 双稳态；hysteresis = 滞后效应；technological lock‑in = 技术锁定；tipping point = 临界点；scaffolding = 脚手架效应；substitution = 替代效应；cognitive immunization = 认知免疫。
2. 公式、符号严格和原文保持一致。
3. 论文引用标记 [1][2] 等全部保留。
4. 补充材料（SM）为原文在线补充信息，正文翻译保留该标记。