技术混合主义：AI如何递归重塑社会语义规范

当语言生成AI的输出不断回流到训练材料的来源实践——也就是人类日常的沟通与制度运作中——语言本身会发生什么变化？一篇来自rss的社会理论研究提出了「递归语义规范化」的概念，试图为这个问题建立系统的分析框架。

从模型崩溃到语义规范化：一个更宽的问题域

围绕AI生成内容回流训练数据的讨论，此前多集中在「模型崩溃」（model collapse）这类技术现象上：模型反复学习自身输出会导致分布漂移和多样性衰减。但这篇文章的视角更宽——它关注的是社会层面的语义后果，而不是模型本身。

作者引入「递归语义规范化」来描述这样一个过程：机器生成的表述被反复采纳、评估、复用并在制度上保留下来之后，会参与语义规律的再生产与转变。换言之，AI的输出不只是被动的文本产物，而可能成为塑造「什么说法是正常的」这一判断的参与者。

为了与既有讨论划清界限，文章区分了多个邻近概念：模型崩溃、循环效应、机器习性、机器文化，以及AI证言的的认识论。这一区分的意义在于，「递归语义规范化」关注的不是单个模型的退化或个体的认知偏差，而是人机耦合系统层面的语义变迁。

模型崩溃（model collapse）指的是生成模型在训练数据被自身输出污染后出现的退化现象：模型逐渐遗忘原始数据分布中的低频模式，输出趋向同质化、错误累积，最终丧失对真实数据分布的建模能力。这一概念最早由Shumailov等人在2023年前后的研究中系统阐述，其核心机制是「递归诅咒」——每一代模型都在上一代输出的基础上学习，误差与偏差被逐层放大。值得注意的是，模型崩溃主要是一个关于模型性能与分布保真度的技术判断，它衡量的是模型输出与真实数据之间的距离；而「递归语义规范化」关注的则是另一层问题：即便模型没有崩溃，其输出被社会广泛采纳后，语言本身的规范结构会发生什么变化。前者问的是模型是否还「准确」，后者问的是社会是否还「多样」。

技术混合主义：分析单位是什么

文章提出的核心主张是：当AI深度介入社会沟通后，有意义的分析单位不再是「人类实践」或「计算生成」单独一方，而是「混合语义系统」——人类实践、计算生成与制度采纳三者递归耦合的构型。

这一框架下，作者建立了一个分析模型，将过程拆分为四个环节：生成、选择、采纳和持续。这个拆分的价值在于，它允许研究者区分「机器可归因的变化」与「无论如何都会发生的变化」——后者可能源于社会自身的演变趋势，而非AI的介入。

文章特别强调，该框架不赋予机器输出任何规范权威。发生变化的是人类与制度采纳所运作的场域本身，而不是AI被赋予了某种话语权力。这一区分对避免技术决定论的误读颇为关键。

技术混合主义（technohybridism）是文章标题所指向的理论立场，其要点在于拒绝将技术与社会视为两个独立实体并追问「谁影响了谁」，而是把二者看作始终已经交织在一起的混合构型。在这一立场下，「人类实践」与「计算生成」不是先于互动而存在的两个要素，而是在互动中相互构成：人类的沟通习惯塑造了模型的输出分布，模型的输出又反过来重塑人类的表达习惯。因此，分析单位必须落在二者耦合的界面上，而非任何单一一方。这一思路与行动者网络理论、后现象学的技术中介理论有亲缘关系，但更强调语义层面的具体机制，而非笼统的「技术中介」。

采纳作为一种分层化的社会实践

在分析采纳环节时，文章将其视为常规化、制度扩散且社会分层化的实践。不同群体接触和依赖AI生成内容的程度并不相同，制度对不同来源文本的信任程度也有差异。

作者进一步讨论了机器衍生的规律在何种条件下会转变为规范。采纳越是被常规化、越是经由制度渠道扩散，机器输出中的语义模式就越可能被固化为「正常」的表述方式。

三个社会认识论后果

文章识别出递归语义规范化的几项社会认识论后果，这部分对理解AI对公共知识生态的影响尤为直接。

来源洗白（laundering of provenance）削弱了认识论警觉——当机器生成的表述几经转手进入正式或非正式沟通时，其来源变得难以追溯，人们因而更难对信息保持应有的审慎。

认知多样性侵蚀——集体探究依赖于多元的认知视角，而语义规律的趋同可能削弱这种多样性，进而影响集体探究的质量。

共享解释学资源的收窄——当表述方式趋于统一，可供人们理解世界的共同概念资源也随之变窄。这三种后果相互关联，共同指向AI中介社会中的一个结构性风险。

社会认识论（social epistemology）研究的是知识的社会维度：知识如何经由他人的证言、制度的认证、群体的分工与协作而被产生、传播和评估。它关心的不是单个认知者如何形成信念，而是集体探究的组织方式如何影响我们所知的内容与可靠性。文章借用这一框架，是为了说明递归语义规范化的后果不能仅从个体层面理解——「来源洗白」削弱的是群体对信息来源的追踪机制，「认知多样性侵蚀」影响的是集体探究所依赖的视角分布，「共享解释学资源收窄」改变的是社会理解世界所用的概念工具箱。三者都属于知识生态的结构性变化，而非个人偏见的增减。

证据阶梯与开放问题

文章最后提出了一个面向实证研究的「证据阶梯」，为后续研究提供了分层推进的路径。这一部分体现了作者对理论可检验性的重视：递归语义规范化不应停留在概念层面，而需要经验证据的支撑。

整体而言，这篇研究提供了一个有用的分析语汇，将关于AI输出回流的讨论从模型技术层面提升到社会语义层面。其核心提醒在于：AI对语言的影响，最终不是通过某个模型的输出实现的，而是通过人类和制度日复一日的采纳实践累积而成。