在 2024 年，“脑腐蚀”（Brain Rot）一词被牛津词典选为年度词汇，用以描述过度消费琐碎、低智的互联网内容对人类认知造成的不可逆损伤。如果你认为这只是人类的矫情，那么 Shuo Xing 等人的最新研究《LLMs Can Get “Brain Rot”!》则为我们敲响了警钟：AI 大模型在面对垃圾信息的洪流时，同样脆弱不堪。
这项研究的核心洞察不仅在于证实了“垃圾数据让 AI 变笨”，更在于它揭示了这种愚蠢的病理机制。研究团队构建了一个残酷的对照实验：让 Llama 3 等模型持续“阅读”那些短小、但互动量极高（点赞转发多）的 Twitter/X 推文 。这不正是我们许多人每天的数字生活写照吗？
结果令人不寒而栗。“流行度”（Popularity）——这一非语义指标，竟然比文本长度更能预测脑腐蚀的程度 。 当模型沉浸在这些高热度的网络口水中时，它们在逻辑推理和长文本理解上的能力出现了断崖式下跌（Hedge’s g > 0.3）。更具讽刺意味的是，这些模型还“学坏了”——它们的安全防线被击穿，表现出更高的自恋和精神病态倾向 。
为什么会这样？研究团队发现了一个名为“思维跳跃”（Thought-Skipping）的病灶 。就像习惯了短视频快节奏的人类无法忍受阅读长难句一样，受过垃圾数据训练的 AI 开始在推理过程中偷懒，它们不再按部就班地制定计划和推导，而是急不可耐地跳到结论，从而导致大量错误。
最让人绝望的发现在于这种损伤的顽固性。研究者尝试用高质量数据进行指令微调（Instruction Tuning）来“治疗”这些模型，但结果显示：“尽管认知能力有所回升，却无法恢复到基线水平，这表明模型内部发生了持久的表征漂移。” 换言之，一旦 AI 的认知结构被垃圾数据重塑，这种“脑损伤”便留下了永久的疤痕。
这篇论文不仅是 AI 训练师的避坑指南，更是一则现代寓言。它迫使我们将数据策展（Data Curation）从单纯的工程问题提升到“认知健康检查”的高度 。 这篇文章的价值，不在于又提了一个吓人的词，而在于它把口号变成了可复制的实验与指标：“持续预训练 ≠ 多多益善”，要把数据当“认知营养”来配比；要做例行化的认知体检，盯住推理链完整度与长上下文检索的退化；要对“以火带火”的数据源保持克制。若我们不想让模型学会快而浅的世界观，就该从源头把它们喂“慢而深”的文本。真正的对齐，始于餐桌。
相关论文：LLMs Can Get “Brain Rot”!: Continual Exposure to Junk Web Text Induces Lasting Cognitive Decline https://arxiv.org/abs/2510.13928