你在训练AI，AI也在训练你！Cell子刊：AI正在让人类的表达和思维同质化，失去多样性

撰文丨王聪

编辑丨王多鱼

排版丨水成文

当今人工智能（AI）模型（尤其是大语言模型）的核心是海量的训练数据——由真实的人类创作的文本、视频和图像，用于教导 AI 模型识别模式和生成内容。人类无疑在训练 AI——但 AI 是否也在训练我们呢？

越来越多的研究报告指出，人们往往会从他们使用的大语言模型（LLM）中习得写作模式、推理方法甚至观点。

近日，南加州大学的研究人员在 Cell 子刊Trends in Cognitive Sciences上发表了题为：The homogenizing effect of large language models on human expression and thought（大语言模型对人类表达和思维的同质化影响）的观点文章，

该文章指出，大语言模型（LLM）可能正在导致人类的表达和思维趋于同质化，让我们所有人的语言、观点甚至思考方式，变得越来越像，这甚至会波及到那些并没有直接使用 AI 的人。

文章作者、南加州大学计算机科学家Zhivar Sourati表示，如果你周围的人都在与这些大语言模型互动，并采用它们所表达的风格、观点和推理方式，那么在某个时候，这会将你包围得如此之深，以至于似乎只有使用这种方式来表述信息才是更符合社会规范的。

如果你正为一份工作报告或一封重要邮件而绞尽脑汁，此时，你只需打开 ChatGPT 或 DeepSeek 等基于大语言模型（LLM）的 AI 工具，输入几个关键词，几秒钟后，一段结构清晰、用词得体、逻辑通顺的文字便呈现在你眼前。你稍作修改，点击发送，效率之高，令人满意。

实际上，这已经成为无数人的日常，大语言模型（LLM）正以前所未有的深度融入我们的生活，从写作助手到创意伙伴，甚至成为我们决策时的“外脑”。

但你是否想过，在我们越来越依赖这些 AI 助手的同时，它们也在用一种不易察觉的方式，悄然重塑着我们自己？

认知多样性——体现在语言风格、观点视角和推理策略的差异上——是人类创造力、集体智慧和适应性的基石。这种多样性根植于我们不同的文化、历史和个体经验中。

不同的语言风格能反映人的个性、年龄甚至健康状况（例如，阿尔茨海默病的早期语言特征）；不同的观点构成了健康公共讨论的基础；不同的推理方式（比如基于生态关系归类 vs. 基于物种分类法）则让群体在解决复杂问题时能“八仙过海，各显神通”。

然而，大语言模型（LLM）的设计和运行机制，却在无形中消磨着这种宝贵的多样性。

语言的“美颜滤镜”：研究显示，当人们用 LLM “润色”各种文本——从社交媒体帖子、新闻稿到学术摘要甚至个人随笔——这些文本的写作复杂性会趋于一致。原本能预测作者政治倾向、性格、性别或年龄的语言特征（比如特定词汇的使用频率）变得难以捉摸。这意味着，经过 AI 修饰的文字，虽然更“规范”、“流畅”，却也抹去了个人独特的语言指纹。更令人担忧的是，这种“语言美颜”可能会掩盖如阿尔茨海默病早期语言特征等重要健康信号。

观点的“主流回声”：该文章指出，LLM 的观点倾向于反映具有西方、受教育程度高、工业化、富裕社会的特征。当被问及对某些议题的看法时，LLM 生成的回答不仅多样性远低于真实人类，而且更贴近所谓“主流”或“社会认可”的立场。即使尝试让 AI 模拟特定身份，其结果也往往是刻板印象的堆砌，而非真实、多元的群体经验。当我们与这些观点高度一致的模型频繁“对话”，我们自身的观点和表达框架也可能不自觉地被其“校准”。

思维的“最佳路径”依赖：在推理和创造领域，多样性是创新突破的关键。但 LLM 通常被训练和优化以追求“最佳性能”——更高的准确性、有用性、无害性。广泛使用的“思维链”（Chain of Thought，CoT）提示等技术，虽能提高逻辑性，但也强化了线性的、显式的推理模板。研究表明，在创意构思任务中，得到 LLM 协助的人虽然能产出更多、更详细的点子，但不同参与者产出的点子语义相似度也显著升高。更甚者，神经科学研究发现，与独立写作或使用搜索引擎辅助相比，用 LLM 辅助写作时，大脑的神经耦合最弱，记忆召回也更差。这意味着，我们可能正在将思考和创造的核心过程“外包”给了 AI，并为此付出认知能力退化的代价。

由大语言模型（LLM）介导的表达和思维同质化：个体在写作、推理和世界观存在差异。当这些差异通过相同的 LLM 进行调节时，他们原本独特的语言、视角和推理信号就会变得同质化，从而在使用者之间产生标准化的表达和思维。

这种同质化并非偶然。首先，LLM 的训练数据本身就已过度代表了网络上的主流语言和观点。其次，其训练目标（预测下一个词）天然倾向于学习并复现最常见、最易泛化的模式，而“平滑”掉少数和特殊的表达。

最棘手的问题在于循环反馈：越来越多的人使用少数几个主流 LLM → 生成的同质化内容被发布到网上 → 这些内容又成为训练下一代模型的数据 → 模型输出进一步同质化……这个过程如同一个不断收紧的旋涡，将人类表达的多样性卷入一个越来越窄的通道。

论文作者将这种现象类比为社会学中的“麦当劳化”——追求效率、可预测性和控制，却以牺牲情境的丰富性和独特性为代价。在认知领域，我们正用流畅和一致的 AI 输出，取代基于具体情境的、 独特的思考方式。

当然，论文作者并非全盘否定 AI 的价值，而是呼吁我们警惕其中的风险。他们进一步提出了几个关键的研究方向，例如：如何让 AI 的“对齐”技术真正尊重人类认知的深层多样性，而非制造表面差异？长期依赖 AI 进行思考，对我们的大脑会有何种不可逆的影响？能否通过产品设计来帮助使用者保持主动性和独特性？

大语言模型（LLM）无疑是一类强大的工具，但我们需要清醒地认识到，它不只是一个被动的工具。它是一个活跃的、具有塑造力的参与者，正在与我们共同书写未来思维的“源代码”。在享受其带来的便利与高效时，我们或许应该时常自问：当我们让 AI 帮助表达时，我们是在增强自己，还是在逐渐遗忘自己独特的声音？当 AI 能替我们思考时，我们是在解放大脑去探索更深的未知，还是在不知不觉中，让所有人的思想走向同一个、由数据定义的“标准答案”？

保护人类语言、思维和表达的“生态多样性”，或许将是 AI 时代人类面临的最重要的文化命题之一。这需要开发者、研究者、政策制定者，以及每一位使用者的共同警醒与努力。

论文链接：

https://www.cell.com/trends/cognitive-sciences/fulltext/S1364-6613(26)00003-3