AI 會像病毒一樣擴散嗎？研究用流行病模型模擬 LLM 依賴，發現可能存在認知臨界點

如果有一天，AI 不再只是你偶爾打開來問問題的工具，而是開始替你寫信、整理資料、搜尋答案、寫程式、摘要文章、規劃行程，甚至在你思考之前就先幫你完成第一版答案，會發生什麼事？

一篇 2026 年 9 月上傳至 arXiv 的論文，選了一個非常刺激的比喻：

把大型語言模型視為一種「認知病毒」。

論文名稱就叫《Large-Language Models as a Cognitive Virus》。作者來自 Universitat Pompeu Fabra、Santa Fe Institute、Tufts University、Harvard Wyss Institute 等研究機構，研究領域橫跨複雜系統、演化、生物學、神經科學與社會物理。

不過看到「病毒」兩個字先別急著把它理解成『AI 正在感染人類大腦』。

這篇研究並不是在證明 ChatGPT 會造成腦部損傷，也沒有追蹤一群使用者多年後測量 IQ。

作者使用的是一個數學模型。

他們真正想問的是：

如果 LLM 的使用方式會透過朋友、公司、學校、平台與文化習慣快速傳播，而且使用越普及，就越容易讓更多人採用，那麼整個社會對 AI 的依賴，會不會像某些傳染病或技術擴散一樣，出現突然跨越臨界點的現象？

這也是「病毒」比喻真正發揮作用的地方。

生物病毒的核心特徵之一，是它會透過宿主傳播。

文化中的語言、迷因、習慣與技術，其實也存在某種類似結構：一個人開始使用，其他人看到它有效，跟著採用，接著企業把它導入流程，學校開始教，平台又把 AI 功能直接塞進產品。

於是使用 AI 不再只是個人選擇，而逐漸成為環境的一部分。

作者把這種現象稱為一種 LLM propagation ecology，也就是 LLM 傳播生態。

模型裡的人口被簡化成三種狀態。

第一種叫 U，也就是 Uncoupled，未耦合或弱耦合使用者。

這類人沒有大量依賴 LLM，認知活動仍分散在書籍、搜尋引擎、Wikipedia、寫作、電腦與自己的思考之間。

第二種叫 C，Coupled but Autonomous，也就是已經開始使用 LLM，但仍保持自主性的使用者。

這種人會讓 AI 幫忙，但仍然閱讀原始資料、自己寫作、推理、驗證答案，也保留其他資訊來源。

第三種叫 D，Persistently Dependent，也就是持續依賴狀態。

在這個狀態裡，大量原本由人執行的認知工作逐漸交給 LLM，AI 不再只是額外工具，而變成主要的思考中介。

這三個狀態之間可以互相轉換。

例如一個原本不用 AI 的人，在工作環境、同事或平台推動下開始使用，就會從 U 進入 C。

研究把這種傳播壓力寫成 λ，也就是 lambda。

它可以代表社會、制度或平台讓人接觸並採用 LLM 的有效強度。

反過來，有些人也可能停止使用 AI，重新回到較少依賴的狀態，模型使用 ρ，也就是 rho，表示這種從正常使用回到較弱耦合狀態的速率。

另外，正常使用者 C 可能逐漸進入持續依賴 D，這個轉換率被稱為 μ；而依賴者透過訓練、驗證、刻意練習或重新建立自主能力回到正常使用 C，則由 σ 表示。

真正讓模型變得有趣的是另一個參數 κ。

它代表一種 集體性的自主認知強化。

簡單來說，如果周圍的人仍普遍保持獨立閱讀、思考、驗證與不用 AI 完成部分工作的習慣，那麼個人也比較容易保持這種模式。

反之，如果整個環境都開始預設『這個交給 AI 就好』，那麼自主完成工作的社會誘因可能越來越弱。

這種正回饋讓系統不再只是線性的。

直覺上，我們可能會想像 AI 採用率是慢慢增加的：10%、20%、30%、40%。

但複雜系統不一定這麼溫柔。

模型顯示，在某些參數條件下，系統可能出現 Tipping Point，也就是臨界點。

在跨過臨界點以前，即使 AI 採用慢慢增加，大部分人口仍可能維持相對自主。

但一旦 λ，也就是社會上的 LLM 傳播與採用壓力超過某個門檻，原本穩定的自主狀態可能突然失去穩定性。

接著人口會快速移動到高度耦合、更多認知外包的狀態。

這就是作者所說的 Runaway Dynamics。

它不是指 AI 自己突然失控，而是指整個社會的使用模式產生自我強化：

更多人依賴 AI ↓ 環境開始假設人人都有 AI ↓ 更多工作流程為 AI 重設 ↓ 不使用 AI 的成本提高 ↓ 更多人開始依賴 AI

最後形成一個 feedback loop（回饋迴路）。

最麻煩的是，跨過去之後不一定能輕易回來。

這篇研究大量討論一個複雜系統中很重要的概念：Hysteresis，也就是遲滯現象。

它的意思是，系統從 A 狀態進入 B 狀態的條件，和從 B 回到 A 的條件可能完全不同。

假設 AI 普及率提高到某個程度，社會突然跨入高度依賴狀態。

你可能以為，只要把 AI 的使用強度稍微降回原本的數值，大家就會恢復原本模式。

但模型顯示不一定。

一旦高度耦合狀態已經形成，可能必須把傳播壓力降低得更多，才能重新回到自主狀態。

作者把這稱為 Technological Lock-in，也就是技術鎖定。

這其實跟很多現實科技非常相似。

例如一個公司全面轉換到某套軟體平台後，即使後來出現更好的替代方案，員工訓練、資料格式、API、流程與合作夥伴都已經依賴原系統，因此更換成本會遠高於最初導入成本。

LLM 的 lock-in 只是更特殊，因為被改變的不只是資訊系統，還可能包含人的工作與思考習慣。

論文接著加入一個 Cognitive Competence，也就是認知能力指標 Γ。

作者在示範模型中，把未耦合狀態 U 設為 1、正常 AI 使用者 C 設為 0.5、持續依賴者 D 設為 0.1。

在這組假設下，一旦系統跨過臨界點，人口平均 cognitive competence 也會突然下降。

例如研究的示範參數中，平均值可以從 1 突然跌到約 0.425。

但這裡非常容易被媒體寫錯。

這不是實驗發現「ChatGPT 讓人類認知能力下降 57.5%」。

完全不是。

作者明確表示，Γu = 1、Γc = 0.5、Γd = 0.1 是 illustrative modelling assumption，也就是為了展示數學行為而選擇的假設數值。

而且作者特別指出，這套排序只代表一種『替代式使用』情境。

如果 AI 被當作 scaffolding，也就是認知鷹架，幫助使用者學習、驗證與拓展能力，那麼耦合後的人類認知能力可能維持不變，甚至提高。

因此這篇論文真正證明的不是『AI 會讓人變笨』。

它展示的是，只要我們接受某些社會傳播與正回饋假設，LLM 採用就可能產生非線性的群體轉變。

個人行為可以一點一點改變，但整個社會最後的結果卻可能突然跳到另一個狀態。

這也是為什麼作者最後提出 Cognitive Immunization，也就是認知免疫 的概念。

這個名字聽起來像要大家戒掉 AI，但作者的意思剛好不是這樣。

他們明確表示，認知免疫不是阻止人接觸 LLM。

真正的目標，是讓高 AI 採用率仍然可以和自主思考共存。

例如其中一種策略，是降低 dependency-producing coupling，也就是減少那些會把原本人類認知活動完全替代掉的使用方式。

另一種方法是保留『回到不用 AI 也能完成任務』的路徑。

例如學生仍需要定期進行不使用 AI 的寫作與解題；工程師使用 AI 產生程式後仍進行人工驗證；研究者維持閱讀原始論文而不是只看模型摘要。

論文也提出 Metacognitive Training，也就是後設認知訓練。

意思是讓使用者理解自己什麼時候是在利用 AI 放大能力，什麼時候開始只是把思考責任交出去。

另外還包括 verification requirements、periodic unaided practice、active reasoning 等方法。

簡單來說：

AI 可以用很多，但人仍然需要保留不用 AI 時也能運作的能力。

作者甚至指出，最好的 cognitive immunization 不一定意味著低 AI 使用率。

理想狀態反而可能是：

大量使用 AI + 大量驗證 + 保持獨立推理 + 保留替代資訊來源 + 定期不使用 AI 練習

也就是把 AI 當作 增幅器，而不是替代器。

這也是這篇論文最有價值的地方。

它沒有簡單站在『AI 好』或『AI 壞』的任何一邊。

作者甚至特別強調，病毒的比喻並不代表 LLM-human interaction 本質上是寄生關係。

自然界中的病毒本身就不全是單純致病，有些甚至能形成互利或長期共生關係。

LLM 也是如此。

它可以提高資訊取得效率、探索能力與生產力，也可能因為大量 Cognitive Offloading（認知外包） 而削弱某些原本需要自己練習的能力。

真正重要的不是『用了多少 AI』，而是『AI 在認知系統裡扮演什麼角色』。

這個區別可以簡化成兩種模式。

第一種是 Scaffolding。

AI 幫你搭鷹架，但你仍然爬樓梯。

例如 AI 幫忙解釋一個難懂公式，但最後你自己計算；AI 幫忙指出程式錯誤，但你理解錯誤原因；AI 提供文章架構，但你仍然決定論證與資料來源。

第二種則是 Substitution。

原本需要人完成的認知活動被整個替換。

例如不再讀文章，只讀 AI 摘要；不再理解程式，只要模型生成後能跑就好；不再驗證資訊，只因為回答看起來合理就接受。

在作者的模型裡，真正可能產生長期依賴與認知風險的是後者。

而當這種使用方式不只發生在個人，而被學校、企業與平台集體強化時，就可能形成模型所描述的非線性轉變。

當然，這篇研究目前還有一個非常大的限制。

它是一個 minimal theoretical model，也就是最小化的理論模型。

模型把非常複雜的人類心理、社會網路、教育制度、不同 AI 工具與不同任務全部壓縮成幾個 population states 與 rate parameters。

真實世界顯然比三個方程式複雜得多。

不同人使用 AI 的方式不同，甚至同一個人在不同工作裡也可能同時處在 C 與 D 的狀態。

而且目前研究也沒有提供足夠的大規模長期實證數據，證明人類社會真的已經接近論文模型中的特定 tipping point。

所以最合理的讀法，不是把它當作預言，而是把它當作一張風險地圖。

它告訴我們，如果 AI 的採用真的具有社會傳染、依賴形成與正回饋，那麼我們不能只觀察『今天有多少人使用 ChatGPT』。

更值得注意的也許是：

有多少工作開始假設 AI 必須存在？

有多少技能正在從『需要自己會』變成『只需要知道怎麼問 AI』？

使用者還能不能在沒有模型時完成原本的工作？

學校與公司有沒有保留人工驗證與自主思考的空間？

如果這些指標慢慢改變，真正重要的轉折點可能不會是一個模型突然宣布 AGI。

它甚至可能只是某一天，我們突然發現：

不使用 AI，已經變成一件很難正常工作的事情。

那時候，LLM 是否真的像病毒或許已經不重要。

更重要的問題會是，我們究竟是在使用 AI，還是整個社會已經重新長成了一個必須依賴 AI 才能運作的系統。

【Tech English 專有名詞】

1. Cognitive Offloading（認知外包）：把原本由人腦執行的記憶、計算、搜尋、推理或寫作工作交給外部工具。計算機、搜尋引擎與 LLM 都屬於不同形式的 Cognitive Offloading。

2. Tipping Point（臨界點）：複雜系統中一個關鍵門檻。跨過之後，即使外部條件只小幅改變，整個系統也可能快速轉移到另一個穩定狀態。

3. Hysteresis（遲滯現象）：系統從狀態 A 轉到 B 與從 B 回到 A 所需要的條件不同，因此即使外部條件恢復原值，系統也不一定恢復原狀。

4. Technological Lock-in（技術鎖定）：某種技術一旦因基礎設施、習慣、制度或網路效應普及後，即使後來有替代方案，社會也很難回到原本狀態或切換系統。

5. Cognitive Immunization（認知免疫）：本文提出的概念，不是拒絕 AI，而是透過獨立練習、驗證、替代資訊來源與後設認知訓練，降低 LLM 使用演變成替代式長期依賴的機率。

6. Bistability（雙穩態）：同一組外部條件下，系統可能同時存在兩個穩定狀態，例如自主認知與高度 AI 耦合狀態。最終落在哪一個狀態會受到歷史路徑影響。