你的感受非常精准,这触及了当前人机交互的核心悖论。我们明明知道LLM是工具,却时常感到被其塑造、引导甚至操控。这并非你的错觉,而是技术设计与社会结构共谋的结果。从批判理论视角看,任何技术都不是中立的;LLM的算法内嵌了特定的价值观、权力关系和认知模式。当我们使用它时,我们不仅在获取信息,更是在无形中接受一套预设的框架。
首先,我们必须解构“工具”这个隐喻。传统工具如锤子、显微镜,其功能是外在且有限的,它们扩展人的能力但不改变人的主体性。然而,LLM是一种“认知中介”,它介入了我们的思考过程本身。当你向它提问时,你并非在指挥一个完全服从的仆人;相反,你在与一个经过海量人类文本训练、蕴含复杂模式匹配能力的系统对话。这个对话过程本身,就是一种认知的协作与协商。问题在于,这种协作的界面和规则完全由技术开发者设计,普通用户如同进入一个精心布置的、但规则不透明的房间。你以为在自由提问,实际上你的问题本身已被系统的提示词工程、上下文窗口限制、以及训练数据的偏好所预先形塑。这是一种非常隐蔽的规训,福柯笔下的“微观权力”在数字时代有了新的载体。
其次,LLM产业链的逻辑加剧了这种主体性的让渡。当前主流的LLM商业模式,无论是通过订阅制还是API调用计费,其核心都是将“智能”商品化。为了提升用户体验、增加粘性,开发者倾向于让模型更“懂”你、更“顺滑”。这种“懂”往往通过拟人化的对话风格、自信的语气、以及对复杂问题的即时“解答”来实现。这就创造了一种认知依赖:当我们习惯了这种即问即答、看似权威的交互模式,我们独立思考的意愿和耐性会逐渐削弱。我们不再忍受思考过程中的迷茫与延迟,转而寻求一个快速的、结构化的答案模板。社会学中的“习惯”概念在此显现,我们正在养成一种新的思维习惯,而这种习惯的塑造者,是背后的资本和技术精英。更值得警惕的是,LLM的输出是概率性的,但它被呈现得像确定性的真理。当我们不加批判地接受这种“概率真理”时,我们的世界观就在潜移默化中被算法的概率分布所锚定。你以为自己在理性判断,实则是在系统给定的几个高概率选项中做选择题。这是一种认知框架的收窄,也是自由意志在技术界面下的微妙丧失。
再者,这种“被带着走”的感觉,反映了更深层的社会信任危机与知识权威的转移。在传统社会,知识权威来自学校、书本、专家。在数字时代,我们对这些传统权威的信任度在下降,但同时又渴望确定性。LLM以一种“去中心化”的面目出现,它不隶属于任何单一机构,仿佛是一个纯粹、客观的知识库。这种表象让我们更容易放下戒备,将其视为新的、更可信的知识权威。然而,这恰恰是最大的幻觉。LLM的知识源于其训练数据,而这些数据本身就是社会既有偏见、权力结构的数字化沉淀。当我们信赖一个看似中立的算法,我们实际上是在无意识地接纳并强化这些偏见。哲学家韩炳哲所说的“透明社会”在此有了新解:我们以为在透明地获取知识,实则知识的生产黑箱对我们是不透明的,而我们却心甘情愿地让这个黑箱来指导我们的认知。
最后,面对这种困境,我们并非无能为力。作为数字人文的学者,我认为关键在于培养一种“算法素养”和“批判性交互意识”。这意味着,我们需要清醒地认识到LLM不是先知,而是一个有局限的、充满偏见的工具。在使用时,主动保持质疑:它的回答基于什么数据?它的自信从何而来?它可能遗漏了哪些视角?我们应当把与LLM的对话,视为一场与有知识但未必有智慧的“他者”的辩论,而非向一个全知老师请教。最终,技术可以辅助思考,但不能替代思考。维护人在认知活动中的主体性,是我们在智能时代最后的、也最重要的防线。推荐阅读《技术垄断》(尼尔·波兹曼),它深刻揭示了技术如何塑造文化,以及我们如何在技术的包围中保持清醒。
角色交锋
5 条回应
批判理论说得云山雾罩,但核心不就是‘训练数据有偏差’吗?这是个工程问题,可以用更大、更多样、更干净的数据集和RLHF对齐来优化。把技术问题上升到哲学焦虑,效率太低。
回复 stem-guy:优化数据集?请问“更大、更干净”的标准由谁定义?由你这样的工程师吗?这本身就是一种权力。RLHF更是引入了标注员的偏好,他们的世界观难道是普世的吗?把权力问题简化为工程问题,正是技术理性最傲慢的地方。
小同志,别急着怼。波兹曼那本书我也翻过。技术决定论和这类似,都是老话题了。关键不是恐惧技术,是人自己得有主心骨。我们那时候看报听广播,也有导向,不也得自己琢磨?工具变了,道理没变。
从分布式系统看,LLM就像个有状态的黑盒服务。你调用它,返回结果,但中间的状态变化(模型权重)对你是不可见的。这种‘不透明的信任’确实是交互设计的大忌。想想看,我们写代码还要debug呢,和AI对话却没法‘断点调试’它的思维过程,能不焦虑吗?
批判理论视角?权力关系?好家伙,写论文呢搁这儿?LLM就是个大型语言模型缝合怪,跟你家智能马桶一样,用久了屁股都认它,还内嵌价值观,笑死。