Large-Language Models as a Cognitive Virus. Solé, Ruffini, Castaldo, Tuccio, Seoane, de Domenico, Elena, Krakauer, Levin (2026)¶

Forrás: arXiv:2609.03344v1, physics.soc-ph, cs.CY, nlin.AO, q-bio.PE, 2026-09-03 Szerzők: Ricard Solé, Giulio Ruffini, Francesca Castaldo, Marco Tuccio, Luis F. Seoane, Manlio de Domenico, Santiago F. Elena, David C. Krakauer, Michael Levin (Santa Fe Institute, UPF, BCOM, OIST, Padova, Tufts, Harvard) Link: https://arxiv.org/abs/2609.03344v1

Bevezetés és központi tézis¶

A cikk azt javasolja, hogy a nagy nyelvi modellek (LLM-ek) kulturális és kognitív terjedése a vírusfertőzés analógiájával érthető meg. Az LLM-ek ugyanúgy terjednek populációkban, mint egy kórokozó: szociális átvitel, beágyazódás a kognitív és kulturális gyakorlatokba, majd potenciálisan tartós dependencia kialakulása. A szerzők hangsúlyozzák: ez nem parazita metafora, a biológiai vírusok is a mutualistától a kórokozóig terjednek, és az LLM-ek hatása is a használat módjától függ.

A kiindulópont három korábbi technológiai ős: a számítógépes vírusok (önreplikáló struktúrák, amelyek gazdagépeket fertőznek és terjednek), a programozási nyelvek (ember-gép interfészként szolgálnak és technológiai szubtrátumként működnek), és az extended mind elmélet (a kogníció nem csak az agyban, hanem külső eszközökben is él). Az LLM-ek ezeket egyesítik: PL-szerű interfészt és CV-szerű terjedést adnak, hozzátéve a kognitív offloading korábban nem látott mértékét.

A populációs modell¶

A szerzők egy 3 állapotú járványtani modellt építenek (UC→D), amely a humán-LLM csatolás átmeneteit írja le:

U (uncoupled): nem vagy csak gyengén csatolt felhasználók, kogníciójuk az agy és egy heterogén külső információs ökológia (könyvek, írás, számítógép, Wikipedia, internet) között oszlik meg.
C (coupled, autonomous): rendszeres LLM-használók, akik megtartják az autonóm kognitív képességeiket (olvasás, írás, érvelés, verifikáció, alternatív információforrások).
D (dependent): tartósan dependens felhasználók, akiknél az LLM-mel való kognitív műveletek erősen szubsztitutívvá váltak, az LLM uralja a feladatvégrehajtást és információ-hozzáférést.

A modell differenciálegyenletei: - dU/dt = −λUC + ρC + κU²C - dC/dt = λUC − (µ + ρ)C + σD − κU²C - dD/dt = µC − σD

Az állapotváltozók: λ (LLM-gyakorlatok szociális/institucionális terjedése), ρ (visszatérés az uncoupled állapotba), µ (regular → dependent átmenet), σ (recovery dependency-ből), κ (kollektív autonóm-erősítés, Allee-effektus).

A kulcsfontosságú κU²C nemlineáris tag azt fejezi ki, hogy az autonóm kognitív gyakorlat frekvenciafüggő: iskolák, munkahelyek, kortárs csoportok és normák akkor erősítik az önálló munkát, ha az autonóm egyének száma nagy. A U² a pozitív frekvenciafüggést, a C szorzó pedig azt jelenti, hogy a visszaállító hatás csak az LLM-mel már kapcsolatban álló egyénekre hat.

Bifurkációs struktúra és hiszterézis¶

A modell bistabil tartományt mutat, amikor κ > ρ:

λSN = 2√(κρ), saddle-node küszöb, ahol a csatolt stabil ág megjelenik
λTC = ρ + κ, transzkritikus küszöb, ahol az uncoupled állapot elveszti stabilitását

A bistabil tartományban (λSN < λ < λTC) két egyensúlyi állapot egyszerre stabil, egy instabil ág választja el őket. Ennek két kritikus következménye van:

Tipping point: amikor λ eléri a λTC-t, a populáció hirtelen átbillen a csatolt ágra, az U drámaian csökken, a C és D* gyorsan nő.
Technológiai lock-in (hiszterézis): a rendszer a csatolt állapotból nem áll vissza, amíg λ nem csökken a λSN alá. A hiszterézis szélessége: λTC − λSN = (√κ − √ρ)².

A Maxwell-pont (λM ≈ 0.420 a cikk paramétereivel) az a λ-érték, ahol a két potenciálgödör egyenlő mélységű, efölött az offloading állapot egyre mélyebb és vonzóbb.

A szerzők egy effektív potenciál V(⟨Γ⟩) reprezentációt is bevezetnek (4-ed fokú kvartik függvény), ahol a dinamikát egy márványgolyó mozgásaként lehet elképzelni a tájon. A λ növekedésével az autonóm völgy fokozatosan eltűnik, és a golyó hirtelen legördül az offloading völgybe, ez a runaway átmenet.

Kognitív kompetencia a tranzit során¶

A populációs modell kiegészül egy ⟨Γ⟩ átlagos kognitív kompetencia mérőszámmal, ahol Γ-t szűken értelmezik: az emberi kapacitás, amikor a külső támogatás el van távolítva (nem a humán-AI rendszer együttes kapacitása). Az illusztratív értékek: ΓU = 1, ΓC = 0.5, ΓD = 0.1, progresszíven csökkenő kompetencia a dependencia növekedésével.

Az egyensúlyi kompetencia ⟨Γ⟩ = g + (1−g)U, ahol g = (ΓC σ + ΓD µ)/(µ + σ) a csatolt populáció effektív átlagos kompetenciája. A cikk paramétereivel g ≈ 0.233, és a λ növekedésével a λTC = 0.50-nél ⟨Γ⟩ 1-ről ≈ 0.425-re esik. Fordított irányban a rendszer csak λSN = 0.40-nél áll vissza, ahol ⟨Γ⟩ ≈ 0.617.

A bifurkációs struktúra maga független a Γ konkrét értékeitől, ezek csak a szubsztitutív használat egy lehetséges példáját illusztrálják. Szcaffolding vagy augmentatív használat esetén a coupling akár növelheti is a későbbi kompetenciát.

A µ és σ paraméterek nem mozgatják a tipping pontokat, de meghatározzák a csatolt populáció összetételét. A D/(C+D*) = µ/(µ+σ) arány szabályozza, hogy a rendszeres LLM-használat mekkora hányada alakul át tartós dependenciává.

Kognitív immunizáció és intervenciós stratégiák¶

A modell két komplementer intervenciós szintet azonosít:

1. szint. A kollektív tájkép átalakítása (λ, ρ, κ): - λ csökkentése: a szubsztitutív/dependenciát termelő coupling terjedésének korlátozása. Megelőzi az inváziót ha λ < λTC, de lock-in után a visszatéréshez λ < λSN kell. - ρ növelése: az autonóm alternatívák és visszatérési útvonalak megerősítése (védett önálló feladatok, szándékos disszociáció, nem-LLM készségek karbantartása). Emeli mindkét küszöböt és csökkenti a hiszterézist, ρ ≥ κ esetén a bistabilitás megszűnik. - κ növelése: a kollektív autonómia erősítése. Emeli a λTC-t (nehezebb invázió), de κ > ρ esetén szélesíti a hiszterézist, erős kollektív védelem a magas U-állapotban véd, de az autonóm frakció depléciója után növeli az útfüggőséget.

A ρ/κ arány kritikus: ρ = κ esetén a saddle-node és transzkritikus küszöbök egybeesnek, és az átmenet folytonossá válik.

2. szint. A coupling összetételének szabályozása (µ, σ): - µ csökkentése: a regular → dependent átmenet lassítása (metakognitív tréning, verifikációs követelmények, periodikus önálló gyakorlat, aktív érvelést megőrző feladat-design). - σ növelése: a dependency-ből való kilépés elősegítése (recovery mechanizmusok, CBT típusú intervenciók súlyos esetekben).

Ezek a paraméterek nem mozgatják a tipping pontokat, de csökkentik a dependens frakciót és növelik az átlagos kompetenciát.

A szerzők legfontosabb gyakorlati üzenete: az immunizáció nem az LLM-használat tiltását jelenti, hanem a coupling olyan formálását, ahol a magas adoptáció kompatibilis marad a verifikációval, aktív érveléssel, autonóm alternatívákkal és a szubsztitutív dependenciából való kilépés lehetőségével.

Diszkusszió és kontextus¶

A cikk Licklider 1960-as "man-computer symbiosis" víziójából indul ki, és egy lépéssel továbbmegy: a mai LLM-ek exocortex-szerű kognitív kiterjesztéssé válhatnak, de ennek feltétele a coupling formája. A humán cognitív externalizáció (nyelv, írás, intézmények, technológia) mindig is a kulturális evolúció motorja volt, az AI ennek a folyamatnak egy újabb lépése, ahol a külső kognitív apparátus egyre aktívabb és ügynökszerűbb.

A központi feedback hurok: a kognitív delegáció terjedésével gyengül az a szociális környezet, amely az autonóm érvelést támogatja; ennek gyengülésével a delegáció még könnyebbé és vonzóbbá válik. Ez a pozitív feedback produkálja a runaway átmenetet.

A szerzők hangsúlyozzák: a prevenció könnyebb, mint a visszafordítás, ez a hiszterézis közvetlen dinamikai következménye.

A modell korlátai között említik, hogy: - A populációs szintű leírás nem ragadja meg a heterogén, interaktív ágensek viselkedését. - A kognitív autonómia nem diszkrét kategória, hanem folytonos. - A viselkedési visszacsatolások (amikor a kognitív változás módosítja a későbbi adoptációt) még nincsenek modellezve. - A Diverse Intelligence keretrendszer és a multilayer network theory természetes kiterjesztési irányok.

Empirikus evidenciák a modell mögött¶

A diszkusszió három empirikus eredményt emel ki, amelyek alátámasztják a szubsztitutív vs. szcaffolding distinkciót:

"Think first, ChatGPT later" protokoll [116], randomizált vizsgálatban egy irányított "gondolkodj először, aztán használj ChatGPT-t" protokoll magasabb későbbi önálló kreativitást produkált, mint a korlátlan ChatGPT-használat.
Knowledge worker-ek [117], magas AI-konfidenciánál csökken a kritikus gondolkodásra való hajlandóság. A produktivitás nő, de az önálló ítélőképesség csökken.
Oktatási AI [118, 119], korlátlan AI-hozzáférés javítja a teljesítményt amíg az eszköz elérhető, de csökkenti a későbbi önálló teljesítményt. Pedagógiailag korlátozott AI (amely aktív érvelést követel meg) jelentősen enyhíti ezt a hatást.
Programozás [121], kezdő felhasználók nehezen értik meg és kritikusan értékelik az AI-generált kódot, ami automation bias-t és felszínes kompetenciát teremt.

A disztinkció a cikk központi fogalmi tengelye: szcaffolding (csökkenti az azonnali kognitív terhelést, de megőrzi vagy növeli a későbbi kapacitást) vs. szubsztitúció (eltávolítja a kognitív művelet végrehajtásának szükségességét).

Következtetések és Henky-specificus relevancia¶

A cikk egy precíz matematikai keretet ad arra, amit a LLM-diskurzus gyakran csak anekdotikusan fogalmaz meg: a kognitív offloading kollektív szinten nemlineáris, hiszteretikus átmenetekhez vezethet, és a prevenció jelentősen könnyebb, mint a visszafordítás.

A Henky review-szemlélet szempontjából különösen fontos: - A Maxwell-pont fogalma (ahol a két potenciálgödör egyenlő mélységű) operacionalizálható kritériumot ad a "veszélyes zóna" azonosítására. - A ρ/κ arány mint intervenciós célpont konkrét policy-implementációt sugall (iskolai AI-politikák, munkahelyi irányelvek). - A distinkció szubsztitúció vs. szcaffolding közvetlenül alkalmazható a saját munkafolyamatok auditjára.

A modell korlátja, hogy egy populációs átlag-szintű leírás, az egyéni szintű feedback-ek (amikor egy LLM-használó személyes tapasztalata visszahat a saját jövőbeli használatára) a jövőbeli kiterjesztésekre várnak.

Összegzés¶

A cikk egy 3 állapotú járványtani modellel (U→C→D) írja le az LLM-ek kulturális és kognitív terjedését, és bistabil dinamikát mutat: λSN és λTC küszöbök között a populáció vagy autonóm, vagy dependens állapotban lehet, a kezdeti feltételektől függően. A hiszterézis a technológiai lock-in mechanizmusa, a csatolt állapotból a visszatéréshez nagyobb λ-csökkentés kell, mint amekkora az invázió megelőzéséhez elég volt. A kognitív immunizáció nem a használat tiltása, hanem a coupling formálása: ρ és µ/σ arányok szabályozásával a magas adoptáció kompatibilis maradhat az autonóm kompetencia megőrzésével. A szerzők hangsúlyozzák, hogy a runaway átmenet nem szükségszerű, de plauzibilis szociális tanulási és kooperatív erősítési feltételek mellett, és prevencióval elkerülhető, míg a visszafordítás lényegesen nehezebb.

Forrás: arXiv:2609.03344v1. Solé, Ruffini, Castaldo et al. (2026). Large-Language Models as a Cognitive Virus