導(dǎo)語

作為統(tǒng)計(jì)物理與網(wǎng)絡(luò)科學(xué)的核心議題，傳播動(dòng)力學(xué)長(zhǎng)期依托倉室模型、閾值模型、級(jí)聯(lián)模型等理論框架，刻畫疾病、信息、行為和觀點(diǎn)如何在相互作用的個(gè)體之間擴(kuò)散。然而，在真實(shí)傳播場(chǎng)景中，語義表達(dá)、認(rèn)知偏好、文化語境、生活環(huán)境與公共政策等因素往往共同作用，卻難以被直接納入固定參數(shù)或預(yù)設(shè)規(guī)則體系，成為經(jīng)典模型貼近現(xiàn)實(shí)系統(tǒng)的主要壁壘。2026年2月發(fā)表于 Physics Reports的綜述指出，大語言模型正從外部分析工具轉(zhuǎn)向傳播系統(tǒng)中的主動(dòng)參與者，其生成內(nèi)容、交互行為和人機(jī)反饋可能改變傳播路徑、反饋結(jié)構(gòu)與系統(tǒng)演化方式，為復(fù)雜系統(tǒng)傳播動(dòng)力學(xué)提出了新的理論問題。

關(guān)鍵詞：傳播動(dòng)力學(xué)、大語言模型（large language models, LLMs）、復(fù)雜系統(tǒng)、數(shù)字疫情、生物疫情

來源：集智俱樂部

作者：王璇

審校：趙思怡

論文題目：Large language models for spreading dynamics in complex systems 論文鏈接：https://doi.org/10.1016/j.physrep.2026.01.006 發(fā)表時(shí)間：2026 年 2 月 9 日 論文來源：Physics Reports

謠言、疫情、觀點(diǎn)、恐慌與社交媒體情緒看似屬于不同領(lǐng)域，本質(zhì)上都指向同一類問題：某種狀態(tài)如何在相互作用的個(gè)體之間擴(kuò)散。這正是傳播動(dòng)力學(xué)的核心議題。傳統(tǒng)研究通常將個(gè)體抽象為節(jié)點(diǎn)，將接觸或影響關(guān)系抽象為邊，并用感染、恢復(fù)、采納、轉(zhuǎn)發(fā)等狀態(tài)轉(zhuǎn)移刻畫傳播過程。這一框架已在統(tǒng)計(jì)物理、網(wǎng)絡(luò)科學(xué)和流行病學(xué)中形成成熟體系。然而，真實(shí)傳播并不只由網(wǎng)絡(luò)結(jié)構(gòu)決定。謠言是否被相信，取決于敘事方式、情緒強(qiáng)度和群體認(rèn)知。疫情是否擴(kuò)散，也受到個(gè)體行為、政策理解和風(fēng)險(xiǎn)感知的影響。這些語義和認(rèn)知因素難以被簡(jiǎn)單壓縮為固定參數(shù)。大語言模型（large language models, LLMs）的出現(xiàn)，使傳播動(dòng)力學(xué)進(jìn)入新的問題域：LLMs 不僅可以作為分析工具理解傳播內(nèi)容和語境，還可能作為生成內(nèi)容、影響行為的參與者嵌入傳播系統(tǒng)。

這篇綜述的核心判斷是，在 LLM 進(jìn)入社會(huì)信息系統(tǒng)后，傳播動(dòng)力學(xué)不再只是“節(jié)點(diǎn)—邊—狀態(tài)”的問題，也開始轉(zhuǎn)向“語義—認(rèn)知—行為—反饋”的問題。傳播內(nèi)容不再是被動(dòng)載荷，而可能成為可建模、可生成、可調(diào)控，并反過來改變傳播路徑的動(dòng)力學(xué)變量。

從網(wǎng)絡(luò)傳播到語義傳播

復(fù)雜系統(tǒng)的基本思想是：大量個(gè)體通過相互作用形成整體行為。疾病在人群中擴(kuò)散，觀點(diǎn)在社交網(wǎng)絡(luò)中擴(kuò)散，錯(cuò)誤信息在平臺(tái)中擴(kuò)散，都可以被視為傳播過程。傳統(tǒng)傳播動(dòng)力學(xué)通常以網(wǎng)絡(luò)為基礎(chǔ)。節(jié)點(diǎn)代表個(gè)體，邊代表接觸或影響關(guān)系，狀態(tài)轉(zhuǎn)移描述個(gè)體從易感、感染、恢復(fù)，或從未采納到采納的變化。

在生物流行病中，經(jīng)典模型包括 SIS（susceptible–infected–susceptible，表示“易感—感染—再易感”過程） 模型和 SIR（susceptible–infected–recovered，表示“易感—感染—恢復(fù)”過程） 模型。它們強(qiáng)調(diào)感染率、恢復(fù)率和傳播閾值，適合描述病原體通過接觸網(wǎng)絡(luò)擴(kuò)散的基本規(guī)律。在數(shù)字流行病中，研究對(duì)象則是謠言、錯(cuò)誤信息、假新聞、觀點(diǎn)和行為。這里常見的是閾值模型和獨(dú)立級(jí)聯(lián)模型：前者強(qiáng)調(diào)多次社會(huì)強(qiáng)化后才發(fā)生采納，后者強(qiáng)調(diào)每次接觸都有一定概率觸發(fā)傳播。

這些模型的優(yōu)點(diǎn)是清楚、可計(jì)算、可解釋。缺點(diǎn)也很直接：它們通常把傳播內(nèi)容簡(jiǎn)化成一個(gè)標(biāo)簽，把個(gè)體行為簡(jiǎn)化成預(yù)設(shè)規(guī)則?？墒?，在真實(shí)社交平臺(tái)上，一條消息是否傳播，不僅取決于誰看見了它，還取決于它如何措辭、是否煽動(dòng)情緒、是否符合已有立場(chǎng)、是否嵌入某種社會(huì)語境。傳統(tǒng)模型很難自然處理這些語義和認(rèn)知因素。

圖1. 文章整體框架。左側(cè)區(qū)分?jǐn)?shù)字流行病與生物流行病，中間展示文本、圖像、網(wǎng)絡(luò)、時(shí)間序列等異質(zhì)數(shù)據(jù)，右側(cè)展示LLMs在建模、檢測(cè)、監(jiān)測(cè)、預(yù)測(cè)和治理中的作用。

LLMs為什么改變了傳播動(dòng)力學(xué)

LLMs的能力來自其訓(xùn)練流程。研究者們將其概括為預(yù)訓(xùn)練、指令微調(diào)和基于人類或人工智能反饋的強(qiáng)化學(xué)習(xí)。在預(yù)訓(xùn)練階段，模型通過大規(guī)模文本學(xué)習(xí)語言規(guī)律和世界知識(shí)。在指令微調(diào)階段，模型學(xué)習(xí)如何按照人類任務(wù)要求作答。在強(qiáng)化學(xué)習(xí)階段，模型根據(jù)偏好反饋進(jìn)一步優(yōu)化輸出，使其更符合有用性、安全性和任務(wù)目標(biāo)。

傳播動(dòng)力學(xué)之所以會(huì)受到LLMs影響，關(guān)鍵在于 LLMs 能夠處理文本語義、上下文線索、多模態(tài)信息和社會(huì)情境。對(duì)于數(shù)字傳播，這意味著模型可以識(shí)別一條信息中的立場(chǎng)、情緒、敘事邏輯和潛在誤導(dǎo)性。對(duì)于疫情傳播，這意味著模型可以從新聞報(bào)道、癥狀描述、公共衛(wèi)生政策文本、病例時(shí)間序列和移動(dòng)軌跡中提取相關(guān)信息，并將這些信息轉(zhuǎn)化為建模所需的結(jié)構(gòu)化表示。

圖2. LLMs 通過預(yù)訓(xùn)練、指令微調(diào)和強(qiáng)化學(xué)習(xí)獲得任務(wù)能力。

更重要的是，LLMs并不只是外部分析工具。它們可以生成帖子、回復(fù)評(píng)論、模擬用戶、構(gòu)造社交網(wǎng)絡(luò)，甚至通過對(duì)話影響人類的風(fēng)險(xiǎn)判斷和行為選擇。因此，LLMs 在傳播系統(tǒng)中具有雙重身份：一方面是分析工具，另一方面是傳播參與者。這使得傳播動(dòng)力學(xué)中的反饋結(jié)構(gòu)發(fā)生變化。人類生成的數(shù)據(jù)訓(xùn)練模型，模型生成的內(nèi)容影響人類行為，人類行為又重新進(jìn)入數(shù)據(jù)環(huán)境，形成持續(xù)的人機(jī)共演化（human-AI co-evolution）。

從建模到治理：LLM 如何進(jìn)入傳播研究鏈條

傳統(tǒng)傳播動(dòng)力學(xué)通常從預(yù)設(shè)規(guī)則出發(fā)：倉室模型規(guī)定個(gè)體如何感染與恢復(fù)，閾值模型和級(jí)聯(lián)模型規(guī)定個(gè)體如何采納與轉(zhuǎn)發(fā)，基于智能體的模型（agent-based models, ABMs）則進(jìn)一步為不同個(gè)體設(shè)定屬性和行為規(guī)則。這類方法清晰、可控、可復(fù)現(xiàn)，但真實(shí)傳播中的語言表達(dá)、情緒動(dòng)員、社會(huì)身份、認(rèn)知偏見和政策理解，往往難以被壓縮成固定參數(shù)。

LLM-based ABM 的關(guān)鍵變化在于，智能體不再只是執(zhí)行預(yù)設(shè)轉(zhuǎn)移規(guī)則，而可以根據(jù)身份、立場(chǎng)、知識(shí)背景和社會(huì)關(guān)系進(jìn)行語言推理，并在傳播過程中生成情境化反應(yīng)。在數(shù)字流行病中，這使研究者能夠模擬錯(cuò)誤信息傳播、觀點(diǎn)演化、群體極化和回音室效應(yīng)。在生物流行病中，LLM 則可用于刻畫個(gè)體如何理解風(fēng)險(xiǎn)、響應(yīng)政策、改變出行和社交行為。也就是說，LLM 不直接改變病原體的傳播機(jī)制，但它可以改變?nèi)藗儗?duì)疫情信息的理解和行為選擇，進(jìn)而影響接觸網(wǎng)絡(luò)與傳播曲線。

圖3. 經(jīng)典流行病建模與 LLM-based流行病建模的對(duì)比。

傳播研究的第二個(gè)環(huán)節(jié)是檢測(cè)與監(jiān)測(cè)。傳統(tǒng)模型主要關(guān)注節(jié)點(diǎn)狀態(tài)和傳播規(guī)模，而 LLM 擅長(zhǎng)處理傳播內(nèi)容和語境。在數(shù)字流行病中，它可以識(shí)別文本中的主題、立場(chǎng)、情緒、敘事結(jié)構(gòu)和事實(shí)一致性，幫助判斷信息是否具有誤導(dǎo)性，并進(jìn)一步分析為什么相信、為什么轉(zhuǎn)發(fā)、為什么擴(kuò)散。在公共衛(wèi)生場(chǎng)景中，LLM 則可以從新聞、社交媒體、論壇帖子和搜索記錄中提取早期流行病信號(hào)，使監(jiān)測(cè)對(duì)象從結(jié)構(gòu)化病例數(shù)據(jù)擴(kuò)展到更分散、更噪聲化但更接近真實(shí)行為的數(shù)據(jù)源。

預(yù)測(cè)與治理對(duì)應(yīng)傳播研究的下一步：判斷接下來會(huì)發(fā)生什么以及如何干預(yù)。LLM 可以結(jié)合文本語義、用戶畫像、網(wǎng)絡(luò)結(jié)構(gòu)和傳播歷史，預(yù)測(cè)話題熱度、轉(zhuǎn)發(fā)概率、級(jí)聯(lián)規(guī)模和群體反應(yīng)。也可以參與事實(shí)核查、反駁文本生成、惡意內(nèi)容識(shí)別和公共信息解釋。但這一點(diǎn)必須謹(jǐn)慎理解：LLM 既可能幫助抑制錯(cuò)誤信息，也可能被用于生成更具迷惑性的內(nèi)容，并通過自動(dòng)化互動(dòng)放大特定觀點(diǎn)。因此，LLM 不只是傳播研究的新工具，也可能成為數(shù)字流行病中的新型傳播因素。

新邊界：當(dāng) LLM 成為傳播系統(tǒng)變量

這篇綜述不是把 LLM 當(dāng)成更聰明的預(yù)測(cè)器，而是提醒我們，模型本身已經(jīng)進(jìn)入了傳播現(xiàn)場(chǎng)。過去，研究者關(guān)心的是信息如何在人與人之間流動(dòng)。現(xiàn)在，信息可能先由模型生成，再被人類閱讀、轉(zhuǎn)發(fā)、質(zhì)疑或相信，隨后又變成新的數(shù)據(jù)，反過來影響下一代模型。這意味著傳播系統(tǒng)多了一個(gè)新的回路。謠言不再只是人在社交網(wǎng)絡(luò)中擴(kuò)散的內(nèi)容，也可能由模型改寫、放大和包裝。公共衛(wèi)生信息不再只是由機(jī)構(gòu)發(fā)布、公眾接收，也可能經(jīng)過模型解釋后影響個(gè)體的就醫(yī)、出行和防護(hù)選擇。LLM 不一定改變病毒本身，卻可能改變?nèi)藗儗?duì)病毒的反應(yīng)。它不一定創(chuàng)造社會(huì)情緒，卻可能改變情緒被組織和擴(kuò)散的方式。

因此，問題不再只是能不能用 LLM 預(yù)測(cè)傳播，而是當(dāng) LLM 也參與傳播時(shí)，我們還在研究同一個(gè)傳播系統(tǒng)嗎？這正是LLMs給傳播動(dòng)力學(xué)提出的新邊界：傳播內(nèi)容、傳播主體和傳播環(huán)境之間的界限正在變得模糊，而經(jīng)典模型需要重新回答，語言、認(rèn)知和生成式反饋究竟如何進(jìn)入動(dòng)力學(xué)機(jī)制。

閱讀最新前沿科技趨勢(shì)報(bào)告，請(qǐng)?jiān)L問21世紀(jì)關(guān)鍵技術(shù)研究院的“未來知識(shí)庫”

未來知識(shí)庫是 “21世紀(jì)關(guān)鍵技術(shù)研究院”建 立的在線知識(shí)庫平臺(tái)，收藏的資料范圍包括人工智能、腦科學(xué)、互聯(lián)網(wǎng)、超級(jí)智能，數(shù)智大腦、能源、軍事、經(jīng)濟(jì)、人類風(fēng)險(xiǎn)等等領(lǐng)域的前沿進(jìn)展與未來趨勢(shì)。目前擁有超過8000篇重要資料。每周更新不少于100篇世界范圍最新研究資料。 歡迎掃描二維碼或訪問https://wx.zsxq.com/group/454854145828進(jìn)入。

截止到2月28日 ”未來知識(shí)庫”精選的百部前沿科技趨勢(shì)報(bào)告

（加入未來知識(shí)庫，全部資料免費(fèi)閱讀和下載）