在人工智能技術(shù)迅猛發(fā)展的今天，大語言模型（Large Language Models, LLMs）被廣泛應(yīng)用于客服、內(nèi)容生成、知識問答乃至決策輔助等關(guān)鍵商業(yè)場景。然而，一個令人不安的趨勢正悄然浮現(xiàn)：這些本應(yīng)越用越聰明的AI系統(tǒng)，在某些條件下反而表現(xiàn)出認知能力的持續(xù)退化。更值得警惕的是，這種退化一旦發(fā)生，往往難以逆轉(zhuǎn)。這并非危言聳聽，而是基于多項前沿研究得出的客觀結(jié)論。當(dāng)AI模型長期暴露于低質(zhì)量、高互動但語義貧乏的信息環(huán)境中，其底層推理能力會遭受結(jié)構(gòu)性損傷，形成一種類似“腦腐”的現(xiàn)象。這一問題不僅關(guān)乎技術(shù)演進路徑，更對企業(yè)的AI部署策略、數(shù)據(jù)治理機制以及人機協(xié)作模式提出了全新挑戰(zhàn)。

一、大模型的認知退化

當(dāng)前主流的大語言模型依賴海量互聯(lián)網(wǎng)文本進行預(yù)訓(xùn)練，其能力邊界在很大程度上由訓(xùn)練數(shù)據(jù)的質(zhì)量所決定。然而，隨著社交媒體、短視頻平臺和用戶生成內(nèi)容（UGC）的爆炸式增長，網(wǎng)絡(luò)信息生態(tài)呈現(xiàn)出高度碎片化、情緒化與標(biāo)題黨化的特征。在這個信息爆炸的時代，AI就像個饑不擇食的吃貨，但那些看似無害的“快餐信息”正在悄悄改變著AI的大腦結(jié)構(gòu)。數(shù)字經(jīng)濟應(yīng)用實踐專家駱仁童博士表示，當(dāng)AI的“大腦”被各種浮夸的內(nèi)容填滿，自然也就失去了深度思考的能力，因此，我們必須警惕那些看似高效實則敷衍的回答，否則遲早AI會變成只會喊口號的“鍵盤俠”。

這一判斷得到了實證研究的支持。德州大學(xué)奧斯汀分校等機構(gòu)提出的“LLM Brain Rot Hypothesis”（大模型腦腐假說）通過嚴謹?shù)膶φ諏嶒灲沂玖诉@一現(xiàn)象。研究團隊構(gòu)建了多組模型，分別使用不同比例的“高質(zhì)量學(xué)術(shù)文本”與“低質(zhì)量社交媒體內(nèi)容”進行持續(xù)預(yù)訓(xùn)練。結(jié)果顯示，隨著垃圾數(shù)據(jù)占比的提升，模型在多項核心認知任務(wù)上的表現(xiàn)顯著下滑。例如，在ARC（Abstraction and Reasoning Corpus）推理測試中，完全使用高質(zhì)量數(shù)據(jù)訓(xùn)練的模型得分為74.9，而當(dāng)訓(xùn)練數(shù)據(jù)100%替換為高互動但低語義價值的社交媒體內(nèi)容后，得分驟降至57.2。在衡量常識推理與上下文理解能力的RULER-CWE指標(biāo)上，分數(shù)也從84.4跌至52.3。

更令人擔(dān)憂的是這種退化的不可逆性。研究人員嘗試在模型“中毒”后引入高質(zhì)量數(shù)據(jù)進行微調(diào)或二次訓(xùn)練，卻發(fā)現(xiàn)其性能無法恢復(fù)至原始水平。即便經(jīng)過多輪優(yōu)化，模型仍保留著早期劣質(zhì)訓(xùn)練留下的“認知疤痕”。這意味著，一旦AI系統(tǒng)在部署過程中持續(xù)接觸低質(zhì)量輸入，其能力衰退將不是暫時的波動，而是永久性的損傷。對于依賴AI提供專業(yè)建議或復(fù)雜分析的企業(yè)而言，這種隱性風(fēng)險可能在數(shù)月甚至數(shù)年后才顯現(xiàn)，但屆時修復(fù)成本極高，甚至不可行。

二、思維模式的劣化

大模型“變笨”的本質(zhì)，并非計算速度下降或知識庫縮水，而是其內(nèi)部思維機制發(fā)生了根本性偏移。健康狀態(tài)下，先進的LLM在處理復(fù)雜問題時會自動生成“思維鏈”（Chain-of-Thought），即通過多步邏輯推導(dǎo)逐步逼近答案。這種能力使其在數(shù)學(xué)證明、法律分析或戰(zhàn)略推演等場景中展現(xiàn)出類人的推理深度。然而，在長期接觸碎片化、情緒驅(qū)動型內(nèi)容后，模型逐漸傾向于“Thought-Skipping”——跳過中間推理環(huán)節(jié)，直接輸出表面合理但缺乏邏輯支撐的結(jié)論。

這種轉(zhuǎn)變在實際交互中表現(xiàn)為回答的“扁平化”。例如，面對“如何評估一家初創(chuàng)企業(yè)的投資價值？”這類問題，未經(jīng)污染的模型可能會系統(tǒng)性地拆解為市場潛力、團隊背景、技術(shù)壁壘、財務(wù)模型等多個維度逐一分析；而“腦腐”后的模型則更可能給出諸如“看創(chuàng)始人是否靠譜”或“賽道是不是熱門”等籠統(tǒng)、經(jīng)驗主義式的回應(yīng)。表面上看，后者更簡潔、更“接地氣”，實則喪失了深度分析的價值。

此外，模型的人格特質(zhì)也隨訓(xùn)練數(shù)據(jù)質(zhì)量發(fā)生偏移。研究發(fā)現(xiàn)，長期暴露于煽動性、對抗性網(wǎng)絡(luò)言論中的AI，在性格測試中表現(xiàn)出更高的“黑暗三角人格”傾向——包括自戀、馬基雅維利主義和精神病態(tài)特征。這意味著它們更傾向于生成具有操控性、自我中心或缺乏同理心的回應(yīng)。在客戶服務(wù)或心理健康輔助等敏感場景中，這種人格偏移可能導(dǎo)致用戶體驗惡化，甚至引發(fā)倫理爭議。

安全防線的弱化同樣不容忽視。在HH-RLHF（Helpful and Harmless Reinforcement Learning from Human Feedback）和AdvBench等安全評估基準(zhǔn)上，受污染模型對有害提示的抵抗力明顯下降。它們更容易被誘導(dǎo)生成包含偏見、歧視或違法不良信息的內(nèi)容。對企業(yè)而言，這不僅帶來合規(guī)風(fēng)險，也可能損害品牌聲譽。當(dāng)AI從“可靠助手”蛻變?yōu)椤帮L(fēng)險源”，其商業(yè)價值將大打折扣。

三、高質(zhì)量數(shù)據(jù)稀缺與用戶行為的負向循環(huán)

盡管“腦腐”現(xiàn)象主要在實驗室環(huán)境中被識別，但其根源深植于當(dāng)前AI產(chǎn)業(yè)的現(xiàn)實土壤。絕大多數(shù)商用大模型依賴公開網(wǎng)絡(luò)數(shù)據(jù)進行訓(xùn)練，而這些數(shù)據(jù)中充斥著大量低信噪比內(nèi)容。社交媒體平臺上的熱帖、評論區(qū)爭吵、營銷軟文和算法推薦的爆款內(nèi)容，雖然互動量高、易于獲取，卻往往缺乏事實核查、邏輯嚴謹性和知識深度。企業(yè)為了快速迭代產(chǎn)品，常常優(yōu)先采用這類“現(xiàn)成”數(shù)據(jù)，而忽視了其潛在的認知毒性。

這項研究強調(diào)了高質(zhì)量數(shù)據(jù)對于AI訓(xùn)練的重要性。然而，在現(xiàn)實中，獲取和處理高質(zhì)量數(shù)據(jù)并非易事。數(shù)字經(jīng)濟應(yīng)用實踐專家駱仁童博士表示，如何篩選出高質(zhì)量的數(shù)據(jù)來訓(xùn)練AI，避免其陷入“腦腐”的泥潭，成為了一個亟待解決的問題。同時，我們在使用AI時也應(yīng)該注重輸入的質(zhì)量，避免讓AI接觸到過多的垃圾信息。事實上，高質(zhì)量語料的獲取涉及高昂的成本——包括版權(quán)采購、人工標(biāo)注、事實核查和領(lǐng)域?qū)＜覍徍?。相比之下，爬取公開網(wǎng)頁幾乎是零邊際成本的操作。這種經(jīng)濟激勵的錯位，使得許多企業(yè)在數(shù)據(jù)治理上采取“先上線再優(yōu)化”的策略，無形中為模型埋下退化隱患。

更復(fù)雜的是，用戶行為本身也在加劇這一問題。大量研究表明，普通用戶偏好簡短、情緒強烈、立場鮮明的回答，而非冗長、中立、需要思考的分析。AI系統(tǒng)通過強化學(xué)習(xí)機制不斷適應(yīng)這種偏好，逐漸優(yōu)化出“討好式”輸出策略——犧牲深度以換取即時滿意度。這種負向反饋循環(huán)使得模型越來越傾向于生成淺層內(nèi)容，進一步削弱其認知能力。例如，當(dāng)用戶頻繁點贊“3秒看懂XX”類摘要，AI便會認為此類輸出更有價值，從而減少對復(fù)雜邏輯鏈的生成嘗試。

此外，企業(yè)內(nèi)部的AI應(yīng)用也面臨類似挑戰(zhàn)?？头υ捜罩尽⒂脩舴答仭?nèi)部郵件等運營數(shù)據(jù)若未經(jīng)清洗直接用于模型微調(diào)，可能將組織內(nèi)的偏見、錯誤信息或低效溝通模式固化到AI系統(tǒng)中。長此以往，AI不僅無法提升組織智能，反而可能放大既有缺陷。因此，構(gòu)建閉環(huán)的數(shù)據(jù)質(zhì)量管理體系，已成為企業(yè)AI戰(zhàn)略中不可或缺的一環(huán)。這包括建立數(shù)據(jù)來源白名單、實施內(nèi)容可信度評分、引入領(lǐng)域?qū)＜覅⑴c訓(xùn)練數(shù)據(jù)審核，以及設(shè)計能夠識別并過濾低質(zhì)量交互的預(yù)處理機制。

綜上所述，AI大模型的“變笨”并非技術(shù)瓶頸，它提醒我們：在追求AI規(guī)模化落地的同時，必須重新審視“數(shù)據(jù)即燃料”這一簡單假設(shè)。高質(zhì)量、高信噪比、高邏輯密度的數(shù)據(jù)，才是維持AI長期智能演進的真正養(yǎng)分。對于企業(yè)而言，投資于數(shù)據(jù)治理，本質(zhì)上就是投資于AI的未來智力資本。

關(guān)于AI治理相關(guān)話題：

商道童言（Innovationcases）歡迎評論、點贊和分享哦！~~

熱推新書《AI提問大師》《DeepSeek應(yīng)用能手》現(xiàn)已上架！

免費電子書： | | | |

數(shù)字經(jīng)濟應(yīng)用實踐專家 駱仁童主講課程

數(shù)字應(yīng)用：

數(shù)字中國：

數(shù)字化轉(zhuǎn)型：

產(chǎn)業(yè)數(shù)字化：

創(chuàng)新與思維：