LLMorphism：当我们把人类视为大模型|实证

来源：混沌巡洋舰

导读：近日的arXiv论文，提出“LLM形态化 (LLMorphism)”的新概念：认为人类的认知运作方式，会由于AI的普及，变得越来越像大语言模型。

https://arxiv.org/pdf/2605.05419

过去，人们因机器说话像人而赋予机器心智（拟人化，Anthropomorphism）；现在，随着LLM的普及，人们可能进行反向推断：如果LLM能像人一样流畅地说话，那么人类思考的方式可能也像LLM（如“下一个token预测”或“模式补全”）。

1 LLMorphism源自两种核心传播机制：

1类比迁移 (Analogical transfer)：因语言输出的表面相似性，人们将LLM的运作特征投射到人类认知上。

2 隐喻可用性 (Metaphorical availability) ：LLM的技术词汇（如“提示词”、“幻觉”、“训练数据”、“微调”）正成为文化中描述人类思想、创造力、记忆和解释的流行隐喻。

人类有一个强大的启发式规则——流畅、有意义的语言通常意味着背后有心智。这导致了对LLM的拟人化。然而，从“输出相似”推导到“架构相似”在逻辑上是无效的。人类语言是具身生物为了沟通、情感、社会义务和承担后果而发展的工具；而LLM只是对语言中的统计规律进行建模，缺乏具身性、真实意图和对所说内容的责任。

为了确立该概念的独特性，作者将LLMorphism与相邻概念严格区分：

不同于机械形态化 (Mechanomorphism)：LLMorphism 是机械形态化的一种更具体、更聚焦于语言生成的形式。
不同于计算主义 (Computationalism)：计算主义强调符号操作和逻辑规则，而 LLMorphism 强调基于统计的流畅生成。
不同于去人性化 (Dehumanization)：去人性化通常带有敌意或道德排斥，而 LLMorphism 可能是无恶意的，甚至适用于人类的自我认知。

2 LLMorphism可能导致：

① 人类被视为“可替代的输出生成器”；

② 将“语言流利度”错误等同于“专业知识或理解力”；

③ 削弱人类的“能动性 (agency)”与道德责任；

④ 在医疗等领域导致“去具身化 (disembodiment)”，忽视非语言线索；

⑤ 引发认识论危机，用“看似合理的生成”取代“有根据的理解”。

具体来看

医疗领域的“去具身化”风险（Healthcare Disembodiment）：在临床沟通中，医生不仅听患者“说什么”，还要观察患者“看起来怎样”（如面部表情、肢体语言、痛苦状态）。如果受 LLMorphism 影响，患者可能仅仅被视为“产生临床相关文本的生成器”。这会导致双向误诊：表达流利的患者即使病情恶化也可能被低估；而焦虑、认知受损或非母语患者，其碎片化、模糊的语言报告可能被系统或医生误读。
职场中的“可替代性”机制（Replaceability Mechanism）：组织通常通过输出来评估员工（如文档、报告、代码）。如果人类被视为类似 LLM 的“输出生成器”，那么用自动化取代人类不仅在经济上显得高效，在概念上也显得“合理”。这会加剧算法管理的风险，使人类显得更缺乏根基、更缺乏能动性，从而更容易被替代。
教育领域的“流利度”陷阱（Fluency Mechanism）：如果流畅的回答被视为理解的充分证据，学习就可能被等同于生成格式良好的文本。然而，真正的专家判断依赖于隐性知识、情境解释、不确定性管理和责任感。LLMorphism 会让“流利度”看起来足以代表“理解力”，从而贬低真正的专业知识并削弱教育规范。
如果人的行为被视为“概率分布的采样结果”，那么个人道德责任将被削弱。“我只是根据我的训练数据（成长环境）做出了最大概率的反应”，这可能成为推卸道德和法律责任的借口。
心理治疗可能变成单纯的“上下文重写”或“提示词优化”，忽视人类情感的真实具身性（Embodiment）和复杂的社会关系网络。人际交往可能变得像“多轮对话测试”，人们会过度分析对方话语中的“逻辑漏洞”或“幻觉”，而不是去共情其背后的情感诉求。真正的创新往往源于对规则的打破和非理性的直觉。如果人类用 LLM 的“插值（Interpolation）”逻辑来要求自己，将扼杀那些偏离统计常态的、颠覆性的艺术和科学突破。

当前关于AI的公共辩论可能只看到了一半的问题：我们不仅在担忧是否赋予了机器过多的心智，更危险的是，我们可能正在开始赋予人类太少的心智。

3 该研究目前没有直接的实证证据

这是一篇理论性/概念性论文（Theoretical/Conceptual Paper），其核心贡献是提出并定义了一个新的认知偏差概念——“LLMorphism”（LLM形态化，即人们错误地认为人类的认知方式像大型语言模型）。作者在文中明确指出，目前尚无直接的实证证据来证明这一现象的普遍性或其实际影响。

作者在“潜在社会影响”章节中明确声明：以下潜在影响应被理解为假设而非既定事实。由于 LLMorphism 在这里是作为一个新构建提出的，目前还没有关于其普遍性或影响的直接实证证据。

虽然论文没有直接证明“LLMorphism”的实证数据，但它引用了现有的实证研究来支持其理论推导的前提，主要包括：

人们对AI的拟人化倾向：引用实证研究（如 Chen et al., 2026; Cohn et al., 2024; Colombatto et al., 2025）证明，用户确实倾向于将心理状态和认知能力归因于大型语言模型。
语言流畅性触发“心智”启发式：引用经典和现代研究（如 Weizenbaum, 1966; Nass & Moon, 2000）证明，人类倾向于将流畅、有意义的语言输出等同于背后存在“心智”，这是 LLMorphism 产生的心理基础。
人类与LLM在认知架构上的本质差异：引用认知科学和语言学实证研究（如 Mahowald et al., 2024; Fedorenko et al., 2024），证明人类的语言是基于具身认知、社会互动和真实世界经验的，而 LLM 仅是统计规律的建模，从而论证“输出相似不等于认知架构相似”。

为了弥补当前缺乏实证证据的局限，作者在“讨论（Discussion）”部分详细规划了未来验证该理论的实证研究路径，表明该框架是可被实证检验的

构念测量（Construct Measurement）：未来研究需要开发心理测量量表（Psychometric scale），以验证 LLMorphism 是否是一个多维度的信念集群（例如：认为人类思维只是“下一个token预测”、认为人类创造力只是“数据重组”等）。
个体差异研究（Individual Differences）：通过实证调查，检验哪些人群更容易受到 LLMorphism 的影响（例如：LLM暴露程度、技术理解深度、性别、教育背景或职业差异）。
实验验证社会后果（Experimental Studies）：通过实验操纵（如让参与者接触不同类型的 LLM 交互），测量这是否会导致参与者更倾向于用 LLM 的术语来描述人类认知，并检验其是否会增加对人类工作者“可替代性”的感知，或削弱对人类能动性和道德责任的归因。

总结

该研究的价值不在于提供现成的实证数据，而在于敏锐地捕捉到了一种新兴的文化与认知趋势，并为其建立了严谨的理论框架和概念边界。它明确指出了当前公众讨论的盲区（我们不仅在过度赋予机器心智，也可能在过度剥夺人类心智），并为未来的实证心理学、社会学和人机交互（HCI）研究提供了清晰的假设和检验方向。

阅读最新前沿科技趋势报告，请访问21世纪关键技术研究院的“未来知识库”

未来知识库是 “21世纪关键技术研究院”建立的在线知识库平台，收藏的资料范围包括人工智能、脑科学、互联网、超级智能，数智大脑、能源、军事、经济、人类风险等等领域的前沿进展与未来趋势。目前拥有超过8000篇重要资料。每周更新不少于100篇世界范围最新研究资料。欢迎扫描二维码或访问https://wx.zsxq.com/group/454854145828进入。

截止到2月28日 ”未来知识库”精选的百部前沿科技趋势报告

（加入未来知识库，全部资料免费阅读和下载）