物理學報告：大語言模型重塑傳播動力學

導語

作為統計物理與網絡科學的核心議題，傳播動力學長期依托倉室模型、閾值模型、級聯模型等理論框架，刻畫疾病、信息、行為和觀點如何在相互作用的個體之間擴散。然而，在真實傳播場景中，語義表達、認知偏好、文化語境、生活環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或預設規則體系，成為經典模型貼近現實系統的主要壁壘。2026年2月發表于 Physics Reports的綜述指出，大語言模型正從外部分析工具轉向傳播系統中的主動參與者，其生成內容、交互行為和人機反饋可能改變傳播路徑、反饋結構與系統演化方式，為復雜系統傳播動力學提出了新的理論問題。

關鍵詞：傳播動力學、大語言模型（large language models, LLMs）、復雜系統、數字疫情、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 發表時間：2026 年 2 月 9 日 論文來源：Physics Reports

謠言、疫情、觀點、恐慌與社交媒體情緒看似屬于不同領域，本質上都指向同一類問題：某種狀態如何在相互作用的個體之間擴散。這正是傳播動力學的核心議題。傳統研究通常將個體抽象為節點，將接觸或影響關系抽象為邊，并用感染、恢復、采納、轉發等狀態轉移刻畫傳播過程。這一框架已在統計物理、網絡科學和流行病學中形成成熟體系。然而，真實傳播并不只由網絡結構決定。謠言是否被相信，取決于敘事方式、情緒強度和群體認知。疫情是否擴散，也受到個體行為、政策理解和風險感知的影響。這些語義和認知因素難以被簡單壓縮為固定參數。大語言模型（large language models, LLMs）的出現，使傳播動力學進入新的問題域：LLMs 不僅可以作為分析工具理解傳播內容和語境，還可能作為生成內容、影響行為的參與者嵌入傳播系統。

這篇綜述的核心判斷是，在 LLM 進入社會信息系統后，傳播動力學不再只是“節點—邊—狀態”的問題，也開始轉向“語義—認知—行為—反饋”的問題。傳播內容不再是被動載荷，而可能成為可建模、可生成、可調控，并反過來改變傳播路徑的動力學變量。

從網絡傳播到語義傳播

復雜系統的基本思想是：大量個體通過相互作用形成整體行為。疾病在人群中擴散，觀點在社交網絡中擴散，錯誤信息在平臺中擴散，都可以被視為傳播過程。傳統傳播動力學通常以網絡為基礎。節點代表個體，邊代表接觸或影響關系，狀態轉移描述個體從易感、感染、恢復，或從未采納到采納的變化。

在生物流行病中，經典模型包括 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”過程） 模型。它們強調感染率、恢復率和傳播閾值，適合描述病原體通過接觸網絡擴散的基本規律。在數字流行病中，研究對象則是謠言、錯誤信息、假新聞、觀點和行為。這里常見的是閾值模型和獨立級聯模型：前者強調多次社會強化后才發生采納，后者強調每次接觸都有一定概率觸發傳播。

這些模型的優點是清楚、可計算、可解釋。缺點也很直接：它們通常把傳播內容簡化成一個標簽，把個體行為簡化成預設規則。可是，在真實社交平臺上，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、是否煽動情緒、是否符合已有立場、是否嵌入某種社會語境。傳統模型很難自然處理這些語義和認知因素。

圖1. 文章整體框架。左側區分數字流行病與生物流行病，中間展示文本、圖像、網絡、時間序列等異質數據，右側展示LLMs在建模、檢測、監測、預測和治理中的作用。

LLMs為什么改變了傳播動力學

LLMs的能力來自其訓練流程。研究者們將其概括為預訓練、指令微調和基于人類或人工智能反饋的強化學習。在預訓練階段，模型通過大規模文本學習語言規律和世界知識。在指令微調階段，模型學習如何按照人類任務要求作答。在強化學習階段，模型根據偏好反饋進一步優化輸出，使其更符合有用性、安全性和任務目標。

傳播動力學之所以會受到LLMs影響，關鍵在于 LLMs 能夠處理文本語義、上下文線索、多模態信息和社會情境。對于數字傳播，這意味著模型可以識別一條信息中的立場、情緒、敘事邏輯和潛在誤導性。對于疫情傳播，這意味著模型可以從新聞報道、癥狀描述、公共衛生政策文本、病例時間序列和移動軌跡中提取相關信息，并將這些信息轉化為建模所需的結構化表示。

圖2. LLMs 通過預訓練、指令微調和強化學習獲得任務能力。

更重要的是，LLMs并不只是外部分析工具。它們可以生成帖子、回復評論、模擬用戶、構造社交網絡，甚至通過對話影響人類的風險判斷和行為選擇。因此，LLMs 在傳播系統中具有雙重身份：一方面是分析工具，另一方面是傳播參與者。這使得傳播動力學中的反饋結構發生變化。人類生成的數據訓練模型，模型生成的內容影響人類行為，人類行為又重新進入數據環境，形成持續的人機共演化（human-AI co-evolution）。

從建模到治理：LLM 如何進入傳播研究鏈條

傳統傳播動力學通常從預設規則出發：倉室模型規定個體如何感染與恢復，閾值模型和級聯模型規定個體如何采納與轉發，基于智能體的模型（agent-based models, ABMs）則進一步為不同個體設定屬性和行為規則。這類方法清晰、可控、可復現，但真實傳播中的語言表達、情緒動員、社會身份、認知偏見和政策理解，往往難以被壓縮成固定參數。

LLM-based ABM 的關鍵變化在于，智能體不再只是執行預設轉移規則，而可以根據身份、立場、知識背景和社會關系進行語言推理，并在傳播過程中生成情境化反應。在數字流行病中，這使研究者能夠模擬錯誤信息傳播、觀點演化、群體極化和回音室效應。在生物流行病中，LLM 則可用于刻畫個體如何理解風險、響應政策、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制，但它可以改變人們對疫情信息的理解和行為選擇，進而影響接觸網絡與傳播曲線。

圖3. 經典流行病建模與 LLM-based流行病建模的對比。

傳播研究的第二個環節是檢測與監測。傳統模型主要關注節點狀態和傳播規模，而 LLM 擅長處理傳播內容和語境。在數字流行病中，它可以識別文本中的主題、立場、情緒、敘事結構和事實一致性，幫助判斷信息是否具有誤導性，并進一步分析為什么相信、為什么轉發、為什么擴散。在公共衛生場景中，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，使監測對象從結構化病例數據擴展到更分散、更噪聲化但更接近真實行為的數據源。

預測與治理對應傳播研究的下一步：判斷接下來會發生什么以及如何干預。LLM 可以結合文本語義、用戶畫像、網絡結構和傳播歷史，預測話題熱度、轉發概率、級聯規模和群體反應。也可以參與事實核查、反駁文本生成、惡意內容識別和公共信息解釋。但這一點必須謹慎理解：LLM 既可能幫助抑制錯誤信息，也可能被用于生成更具迷惑性的內容，并通過自動化互動放大特定觀點。因此，LLM 不只是傳播研究的新工具，也可能成為數字流行病中的新型傳播因素。

新邊界：當 LLM 成為傳播系統變量

這篇綜述不是把 LLM 當成更聰明的預測器，而是提醒我們，模型本身已經進入了傳播現場。過去，研究者關心的是信息如何在人與人之間流動。現在，信息可能先由模型生成，再被人類閱讀、轉發、質疑或相信，隨后又變成新的數據，反過來影響下一代模型。這意味著傳播系統多了一個新的回路。謠言不再只是人在社交網絡中擴散的內容，也可能由模型改寫、放大和包裝。公共衛生信息不再只是由機構發布、公眾接收，也可能經過模型解釋后影響個體的就醫、出行和防護選擇。LLM 不一定改變病毒本身，卻可能改變人們對病毒的反應。它不一定創造社會情緒，卻可能改變情緒被組織和擴散的方式。

因此，問題不再只是能不能用 LLM 預測傳播，而是當 LLM 也參與傳播時，我們還在研究同一個傳播系統嗎？這正是LLMs給傳播動力學提出的新邊界：傳播內容、傳播主體和傳播環境之間的界限正在變得模糊，而經典模型需要重新回答，語言、認知和生成式反饋究竟如何進入動力學機制。

閱讀最新前沿科技趨勢報告，請訪問21世紀關鍵技術研究院的“未來知識庫”

未來知識庫是 “21世紀關鍵技術研究院”建 立的在線知識庫平臺，收藏的資料范圍包括人工智能、腦科學、互聯網、超級智能，數智大腦、能源、軍事、經濟、人類風險等等領域的前沿進展與未來趨勢。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進入。

截止到2月28日 ”未來知識庫”精選的百部前沿科技趨勢報告

（加入未來知識庫，全部資料免費閱讀和下載）