在当下科技浪潮中，人工智能（AI）尤其是大语言模型发展势头迅猛。其核心基础在于海量训练数据，这些数据皆源自真实人类创作的文本、视频和图像。人类借助这些数据精心教导AI模型，使其能够精准识别模式并生成相应内容。毫无疑问，人类在AI的训练进程中扮演着至关重要的角色。然而，一个引人深思的问题随之浮现：AI是否也在反向“训练”着我们呢？

近期，越来越多的研究报告揭示出一个令人警醒的现象：人们在使用大语言模型（LLM）的过程中，会不自觉地受其影响，逐渐习得其写作模式、推理方法，甚至在观点形成上也受到潜移默化的作用。

近日，南加州大学的研究团队在Cell子刊《Trends in Cognitive Sciences》上发表了一篇颇具影响力的观点文章，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）。

该文章着重指出，大语言模型（LLM）正悄然成为人类表达和思维走向同质化的“幕后推手”。在其影响下，我们每个人的语言风格、观点倾向，乃至思考问题的方式，都呈现出愈发相似的趋势。更为惊人的是，这种同质化现象的影响范围极为广泛，甚至会波及那些并未直接使用AI的人群。

文章作者之一、南加州大学计算机科学家Zhivar Sourati进一步解释道，倘若你身边的人都在频繁与这些大语言模型互动，并且纷纷采用模型所呈现的表达风格、观点立场以及推理逻辑，那么久而久之，你会发现自己仿佛置身于一个无形的“信息茧房”之中。这种环境会让你产生一种错觉，似乎只有按照这种方式来表述信息，才更符合社会的普遍规范和大众的期待。

当你正为一篇工作报告愁眉不展，或是对一封重要邮件的措辞反复斟酌时，只需打开像ChatGPT、DeepSeek这类基于大语言模型（LLM）的AI工具，输入几个关键信息，短短几秒，一段条理清晰、用词恰当、逻辑连贯的文字便会跃然眼前。你只需稍作调整，便可点击发送，这般高效便捷，着实让人满意。

事实上，这已然成为众多人的日常操作。大语言模型正以前所未有的态势深度融入我们的生活，它不仅是写作时的得力助手，还是创意激发的亲密伙伴，甚至在决策过程中，也如同我们的“外脑”一般，提供着支持与参考。

然而，在我们愈发依赖这些AI助手的同时，是否思考过，它们正以一种不易察觉的方式，悄然改变着我们自身呢？

认知多样性，体现在语言风格、观点视角以及推理策略的差异上，它是人类创造力、集体智慧和适应能力的基石。这种多样性深深扎根于我们不同的文化背景、历史经历以及个体经验之中。

不同的语言风格，宛如一面镜子，能够映射出人的个性、年龄，甚至健康状况。例如，阿尔茨海默病在早期就有着独特的语言特征。不同的观点，则是构建健康公共讨论的基石，让各种声音得以碰撞、交流。而不同的推理方式，比如有的基于生态关系进行归类，有的则依据物种分类法，这使得群体在面对复杂问题时，能够各展所长，找到多样化的解决方案。

但令人惋惜的是，大语言模型的设计与运行机制，却在不知不觉中侵蚀着这种珍贵的多样性。

先看语言的“美颜滤镜”现象。研究显示，当人们借助LLM对各类文本进行“润色”，无论是社交媒体上的帖子、新闻稿，还是学术摘要，甚至是个人随笔，这些文本的写作复杂程度都会趋于一致。原本那些能够预测作者政治倾向、性格、性别或年龄的语言特征，比如特定词汇的使用频率，变得难以分辨。这意味着，经过AI修饰后的文字，虽然更加“规范”“流畅”，却也抹去了个人独特的语言印记。更为严峻的是，这种“语言美颜”还可能掩盖如阿尔茨海默病早期语言特征等重要的健康信号，让我们错过早期发现和干预的机会。

再瞧观点的“主流回声”情况。相关文章指出，LLM所呈现的观点，往往倾向于反映西方、高受教育程度、工业化、富裕社会的特征。当被询问对某些议题的看法时，LLM生成的回答不仅在多样性上远远低于真实人类，而且更贴近所谓的“主流”或“社会认可”的立场。即便我们尝试让AI模拟特定身份，其结果也常常是刻板印象的简单堆砌，而非真实、多元的群体经验。当我们频繁与这些观点高度一致的模型“对话”，我们自身的观点和表达框架，也可能会在不知不觉中被其“校准”，逐渐失去独特的视角和见解。

最后说说思维的“最佳路径”依赖问题。在推理和创造领域，多样性是创新突破的关键因素。然而，LLM通常被训练和优化以追求“最佳性能”，即更高的准确性、有用性和无害性。广泛应用的“思维链”（Chain of Thought，CoT）提示等技术，虽然能够提升逻辑性，但也强化了线性、显式的推理模板。研究表明，在创意构思任务中，借助LLM协助的人虽然能够产出更多、更详细的点子，但不同参与者产出的点子在语义上的相似度也显著升高。更值得关注的是，神经科学研究发现，与独立写作或使用搜索引擎辅助相比，使用LLM辅助写作时，大脑的神经耦合程度最弱，记忆召回能力也更差。这意味着，我们可能正在将思考和创造的核心过程“外包”给AI，并为此付出认知能力退化的代价。

这种同质化现象绝非偶然降临。一方面，LLM所依赖的训练数据，本身就存在过度偏向网络主流语言和观点的问题。那些在网络上占据主导地位的语言风格、观点倾向，在训练数据中占据了极大比例，为同质化埋下了伏笔。另一方面，LLM的训练目标聚焦于预测下一个词，这种特性使得它天然地倾向于学习并复制最常见、最容易广泛应用的模式，而那些少数、特殊的表达方式则会被无情“抹平”。

更为棘手的是循环反馈机制带来的恶性循环。随着越来越多的人选择使用少数几个主流的LLM，大量同质化的内容如潮水般涌入网络。而这些同质化的内容，又摇身一变成为训练下一代模型的数据“养料”。新一代模型基于这些数据输出内容，进一步加剧了同质化程度。这一过程就像一个不断收紧的漩涡，将人类表达原本丰富多彩的多样性，无情地卷入一个愈发狭窄的通道之中。

论文作者将这一现象形象地类比为社会学领域的“麦当劳化”。在追求效率、可预测性和控制的道路上，我们往往以牺牲情境的丰富性和独特性作为代价。在认知领域，我们正逐渐用流畅、一致的AI输出，取代那些基于具体情境、独具特色的思考方式。原本多元的思考视角，在AI的“标准化”输出面前，变得千篇一律。

当然，论文作者并非要对AI的价值全盘否定，而是发出了警惕风险的诚挚呼吁。他们进一步提出了几个极具前瞻性的关键研究方向。例如，如何让AI的“对齐”技术真正做到尊重人类认知的深层多样性，而不是仅仅制造一些表面的差异？长期依赖AI进行思考，会对我们的大脑产生哪些不可逆转的影响？能否通过精心的产品设计，帮助使用者在使用AI的过程中保持主动性和独特性，避免被AI“同化”？

大语言模型（LLM）无疑是一类威力强大的工具，但我们必须清醒地认识到，它绝非只是一个被动的存在。它是一个充满活力、具有强大塑造能力的参与者，正与我们携手共同书写未来思维的“源代码”。在尽情享受AI带来的便利与高效时，我们或许应该时常停下脚步，认真反思：当我们借助AI来表达时，我们是在不断增强自身的表达能力，还是在不知不觉中逐渐遗忘自己独特的声音？当AI能够替我们思考时，我们是在解放大脑，让它有更多精力去探索更深层次的未知，还是在悄无声息中，让所有人的思想都走向一个由数据定义的“标准答案”，失去原本的个性与色彩？

在AI时代，保护人类语言、思维和表达的“生态多样性”，或许将成为人类面临的最重要文化命题之一。这需要开发者在技术研发中秉持多元包容的理念，研究者深入探索潜在影响与应对策略，政策制定者制定科学合理的规范与引导政策，更需要每一位使用者保持清醒的认知和主动的思考。唯有各方共同警醒、携手努力，才能守护好人类认知与表达的独特“生态”。

乐备实（上海优宁维生物科技股份有限公司旗下全资子公司），是国内专注于提供高质量蛋白检测以及组学分析服务的实验服务专家，自2018年成立以来，乐备实不断寻求突破，公司的服务技术平台已扩展到单细胞测序、空间多组学、流式检测、超敏电化学发光、Luminex多因子检测、抗体芯片、PCR Array、ELISA、Elispot、PLA蛋白互作、多色免疫组化、DSP空间多组学等30多个，建立起了一套涵盖基因、蛋白、细胞以及组织水平实验的完整检测体系。

 
我们可提供从样本运输、储存管理、样本制备、样本检测到检测数据分析的全流程服务。凭借严格的实验室管理流程、标准化实验室操作、原始数据储存体系以及实验项目管理系统，已经为超过3000家客户单位提供服务，年检测样本超过100万，受到了广大客户的信任与支持。