特征池算法化：将语言进化生态模型扩展到LLM中介的暴露场景

一篇论文提出将 Mufwene 的语言进化生态模型扩展到大型语言模型（LLM）语境。论文称 LLM 是分布中介，通过训练和再训练改变语言分布，并重新分配模型特有输出，影响人类用户接触的变体频率，但人类社会评价仍是决定因素。

该论文为理解 LLM 如何影响人类语言使用提供了新框架，强调模型并非直接决定语言选择，而是通过改变变体被人类接触的频率来间接影响。这提示产品设计需考虑模型输出对用户语言习惯的潜在影响。

LLM 聚合人类语言数据，通过训练和后期调整改变其分布，再大规模输出模型特有内容，从而在人类选择之前对特征池进行算法重加权。论文认为变体可能扩散、被标记为‘AI 化’而被抵制，或未能扩散，人类社会评价仍起决定性作用。

对依赖 LLM 生成内容的产品，模型版本更新可能改变输出语言特征的分布，影响用户感知。若用户抵制‘AI 化’表达，产品需调整生成风格或引入人工审查。测试模型输出对用户语言使用的影响需纳入产品研发流程。

• 开发工具监测模型输出中特定语言变体的频率变化，辅助团队调整生成策略。
• 设计 A/B 测试，评估不同模型版本对用户语言风格的实际影响。
• 为用户提供自定义生成风格选项，降低‘AI 化’表达带来的抵触风险。
• 研究人类对‘AI 化’表达的接受度，优化产品文案和交互语言。

• 证据是否表明 LLM 确实会显著改变人类语言变体的传播，还是仅为推测？
• ‘AI 化’表达被社会抵制的情况是否已被实际观察，还是仅为理论可能？
• 模型版本差异是否会导致语言分布不同的变化方向，从而影响产品稳定性？