Cell子刊警示：AI正导致人类表达与思维同质化，认知多样性面临侵蚀

事件概述

近日，南加州大学计算机科学家 Zhivar Sourati 等人在 Cell 子刊《Trends in Cognitive Sciences》发表题为《The homogenizing effect of large language models on human expression and thought》的观点文章。文章核心指出，大语言模型（LLM）不仅是被动的工具，更作为一种“主动的塑造者”，正在导致人类在语言风格、观点和思维方式上趋于同质化，进而侵蚀作为人类创造力与适应性基石的认知多样性。

核心影响分析

1. 语言的“美颜滤镜”：抹去个人特征

• 写作复杂性趋同：使用 LLM 润色各类文本（如社交媒体、新闻稿、学术摘要）后，文本的写作复杂性趋于一致，原本能预测作者政治倾向、性格、年龄或性别的语言特征被抹去。
• 健康信号风险：这种“语言标准化”不仅消除了个人独特的语言指纹，还可能掩盖阿尔茨海默病早期语言特征等重要健康预警信号。

2. 观点的“主流回声”：校准至单一立场

• 数据偏差：LLM 的观点倾向于反映西方、受教育程度高、工业化及富裕社会的特征，其回答的多样性远低于真实人类，更贴近所谓“主流”立场。
• 隐性校准：频繁与高度一致的模型对话，会导致用户自身的观点和表达框架不自觉地被“校准”。即使尝试让 AI 模拟特定身份，结果往往也是刻板印象的堆砌，而非真实的多元群体经验。

3. 思维的“最佳路径”依赖：削弱创新与认知能力

• 推理模板固化：LLM 被优化以追求“最佳性能”，广泛使用的“思维链”（Chain of Thought, CoT）等技术强化了线性的、显式的推理模板，削弱了推理策略的多样性。
• 创意相似度升高：在创意任务中，得到 LLM 协助的人产出的点子语义相似度显著升高。
• 神经科学证据：研究发现，用 LLM 辅助写作时，大脑的神经耦合最弱，记忆召回效果也更差，暗示人类可能正在将思考核心过程“外包”给 AI，付出认知能力退化的代价。

恶性循环机制：从数据到模型的收紧旋涡

同质化现象并非偶然，而是由以下机制形成的闭环：

1. 数据源头偏差：LLM 训练数据过度代表网络主流内容，且训练目标（预测下一个词）天然倾向于复现最常见模式，“平滑”掉特殊表达。
2. 反馈循环：越来越多的人使用少数主流 LLM → 生成同质化内容发布上网 → 这些内容成为下一代模型的训练数据 → 模型输出进一步同质化。
   这一过程如同不断收紧的旋涡，将人类表达的多样性卷入越来越窄的通道，被作者类比为社会学中的“麦当劳化”——牺牲情境丰富性和独特性以换取效率和控制。

关键结论与展望

论文作者并未全盘否定 AI 价值，但强调必须警惕其作为活跃参与者的塑造力。未来研究需关注：

• 如何让 AI 的“对齐”技术真正尊重人类认知的深层多样性。
• 长期依赖 AI 进行思考对大脑产生的不可逆影响。
• 能否通过产品设计帮助用户保持主动性和独特性。
  保护人类语言、思维和表达的“生态多样性”，已成为 AI 时代人类面临的重要文化命题。