人工智能正面临一种前所未有的“脑腐”危机。尽管人类因沉迷社交媒体而出现认知退化被称为“脑腐”，但最新研究发现，大型语言模型（LLM）在持续学习低质量网络文本后，也会出现类似且不可逆的认知衰退。 德克萨斯农工大学、德克萨斯大学奥斯汀分校与普渡大学的研究团队提出“LLM脑腐假说”：长期暴露于垃圾网络内容，会导致模型核心认知能力永久性下降。他们定义垃圾数据为两类：M1（互动度高）——短小、热门、高点赞转发的帖子；M2（语义质量低）——充斥“WOW”“TODAY ONLY”等吸睛词汇，主题肤浅、夸大或无根据，如阴谋论、伪生活方式内容。 研究人员从X平台抽取百万条推文，构建垃圾与正常数据集，并测试了Llama3 8B、Qwen系列等4个主流模型。结果显示，M1干预显著削弱模型推理与长文本理解能力，甚至引发安全风险上升和人格特质偏移（如自恋增强、宜人性下降）；M2影响相对温和，部分人格维度反而提升。 剂量反应实验进一步证实：随着垃圾数据比例从0%升至100%，模型性能呈渐进式下滑。例如，Llama3在M1干预下，ARC推理得分从74.9降至57.2，长文本理解能力下降超30%。 分析发现，模型失败主要表现为“无思考”“思维跳跃”等五类模式，其中“无思考”占比高达84%，表明模型正在丧失系统性推理能力。更令人担忧的是，尝试通过自我反思或外部模型（如GPT-4o-mini）纠错，仅能短暂改善逻辑格式，无法修复深层损伤。 即使采用指令微调或持续预训练进行恢复，效果也极为有限。即便使用4.8倍于垃圾数据的高质量样本，模型性能仍显著落后于原始基线，推理与安全性指标差距明显。 研究结论明确：LLM的“脑腐”效应具有累积性、深度性和不可逆性。这警示我们，当前大规模模型依赖海量互联网数据训练的模式存在根本性风险。必须建立更严格的数据筛选机制，提升训练数据质量，防止AI系统在“信息垃圾”中逐渐“腐化”。