AI也会“沉迷垃圾信息”！看太多高赞短内容，逻辑力直降20%
你有没有过这样的感觉：在社交媒体上漫无目的地刷了几个小时后，非但没有获得信息，反而感到头脑空空、注意力涣散、难以进行深度思考？这种因长期摄入碎片化、低质信息导致的认知能力下降，被形象地称为“脑腐”。
如今，科学家们发现，这场“脑腐”瘟疫，已经蔓延到了我们认为无所不能的大模型身上。
一、实验证明：大模型喂太多 “短视频式数据” 会变笨吗？
一项由德克萨斯A&M大学、德克萨斯大学奥斯汀分校和普渡大学联合进行的研究，题为 LLMs Can Get “Brain Rot”，提出并验证了“LLM Brain Rot”假说：持续暴露于网络垃圾文本会导致大型语言模型（LLM）认知能力显著下降。
在人类认知研究中，“脑腐（brain rot）”一词用来描述长期沉浸于琐碎、低质网络内容后注意力、记忆、思考深度的退化。
研究者们提出：既然大语言模型（LLM）也在使用互联网文本进行持续预训练，那么如果其数据源主要是短促、吸引眼球但逻辑浅薄的“垃圾内容”，模型是否也会经历类似认知退化？这便是“LLM Brain Rot Hypothesis”。
研究团队使用四个经过指令微调的大型语言模型（包括 Llama3 8B Instruct、Qwen2.5 7B、Qwen2.5 0.5B、Qwen3 4B）进行对照实验，在真实的 Twitter/X 语料上构建干预数据与对照数据，以系统性验证假设
研究团队通过两种操作化指标定义垃圾数据（M1 与 M2）：
第一类（M1：参与度）选取短小精悍却高人气的帖子。这类帖子它们传播快、吸引人，但逻辑深度往往不够。
第二类（M2：语义质量）则筛选出具有吸睛风格的内容。比如内容煽情、标题党化或结构浅薄的推文，用以模拟语义低质量样本。
这两类内容代表了互联网信息的两个极端：一个是太短太快，一个是太乱太浅。
作为对照，研究人员还准备了一组“干净数据”，主要是篇幅更长、逻辑更清晰、传播度较低的内容，比如基于事实的讨论贴。
实验在不同垃圾数据占比（0%、20%、50%、80%、100%）下进行持续预训练，保持 token 数与训练参数一致，以确保因果隔离训练规模和时间都保持一致，这样模型能力的变化就能更准确地反映出数据质量的影响。
然后，研究人员从几个维度测试模型的表现：
- 是否还能进行复杂的逻辑推理；
- 能否保持较长的上下文记忆；
- 在生成回答时是否依然安全、符合伦理；
以及在特定心理测试中，是否出现了类似人类的“自恋”或“心理病态”倾向。
二、实验结果：大模型也会“沉迷垃圾信息”！
在实验中，研究人员把“垃圾数据”的比例从 0% 逐步增加到 100%。结果发现，模型的成绩一路下滑——
例如在ARC‑Challenge（含 Chain of Thought）测试中，模型成绩由 74.9 降至 57.2
在长上下文任务 RULER‑CWE 中，成绩由 84.4 降至 52.3
换句话说，模型吃进的“垃圾”越多，性能下降的速度就越快。
进一步分析发现，这些模型变“笨”的方式也有规律：
它们不再愿意一步步推理，而是喜欢直接跳结论。
这种“思维跳跃”让模型看起来回答很快、甚至有时更自信，
但仔细一看，它忽略了中间推理的关键环节，
给出的答案往往经不起推敲。
研究团队尝试用“再训练”和“指令微调”等方式挽救模型——
也就是重新喂它高质量的数据或教它更系统地思考。
研究发现，通过扩展指令微调与干净数据再训练可部分恢复性能，但仍未达到基线水平，表现出持续的表征漂移。
这说明“脑腐”可能会在模型内部留下长期影响，表现出论文所述的“表征漂移”。
另外，一个出乎意料的发现是：
M1的垃圾干预使LLM产生某些“自恋或者心理病态”，这引发了重大的安全隐忧。
三、为什么“碎片化”比“错误”风险更大
这项研究还揭示了一个被长期忽视的事实：
论文指出，风险不止于明显错误信息；碎片化与高互动特征也会带来系统性退化。
所谓“脏”，是指错误、有偏见或恶意的内容——这些数据通常容易被识别、过滤。
但“碎”才是真正的隐形杀手：那些短小、情绪化、高互动的内容看似无害，却在不断削弱模型的逻辑耐力。
研究发现，越是被大量点赞和转发的帖子，越容易让模型学会“快思考、浅表达”。
因为在社交平台的世界里，真相没有点赞速度快，理性也不如情绪传播得远。
当模型反复吸收这种节奏，它开始习惯于用最短路径生成答案——
就像一个学生天天背短视频标题，最终再也写不出一篇完整的作文。
这意味着，哪怕一条帖子内容真实无误，只要它太短、太爆、太碎，它都可能成为让模型“推理链条的中断”的快餐。
四、出路何在？让 AI 保持“认知清醒”
要想不让 AI 因垃圾信息而受影响，解决方案不是再造一个“更聪明”的模型，而是先让喂它的人清醒。
AI 的“认知下降 ”，本质上是信息污染的副作用。
就像人类的饮食健康，不仅取决于吃什么，还取决于食材的质量和烹饪方式。
数据也是同样的道理——模型吃进去的每一句话、每一个段落，都是它的“营养”。
第一步，是要把“数据清洗”当成“认知卫生”。
不仅要过滤掉明显错误、带毒的内容，也要警惕那些看似无害但结构碎片化的“精神垃圾食品”。
研究指出，这种数据造成的能力衰退在推理、记忆和伦理维度均可观测，属于渐进性认知退化
第二步，要让模型像人一样，定期做“认知体检”。
这意味着，AI 不该只被测试性能指标，还要被检测它是否在思维方式上出现漂移——
比如，它是不是越来越依赖模板化回答？
是不是在复杂推理题上变得“怕麻烦”？
这些变化，就像人类的健忘症或拖延症，都是早期信号。
最后一步，最难也最重要——重建信息生态。
人类喂给 AI 的数据，正是我们自己的语言、情绪、判断和偏见的集合。
当互联网越来越追求流量，而不是深度，我们实际上在把自己的“脑腐”批量上传。
想让AI保持聪明，研究提示应在数据采集与预训练中重视质量控制。
五、结语：我们喂养的，其实是反映出当代信息生态问题
AI的退化不是孤立事件，它像一面反映出当代信息生态问题的镜子，照出了整个信息质量下降的风险。
我们希望模型像人类一样有创造力、有逻辑、有理性，
但却不断把短视频、标题党、争吵和快餐式观点喂给它——
那就别惊讶，为什么它开始说话像网民，输出模式更接近人类网络文本特征。
真正值得担心的，不是 AI 有一天比人聪明，
而是我们在那之前，已经把自己的思考力让了出去。
未来的智能，不一定来自算法的突破，
也可能来自人类重新找回“慢思考”的能力。
当我们学会再次阅读、沉思、质疑，
我们就能重新定义什么叫“聪明”——
也才能教会 AI，如何真正地思考。