今天小編分享的互聯網經驗：你GPT成瘾了嗎？，歡迎閲讀。
文 | 追問nextquestion
近期，我們對話了32位自我報告過度依賴LLM的用户，他們也許使用的時間不長，但都自認為已經完全無法離開大語言模型（LLM）。我們也從中發現了LLM成瘾超越傳統成瘾的一些特征……
從蒸汽機到互聯網，技術變革一浪接一浪，不斷重塑我們的生活方式。如今，LLM已經成為這場變革中的關鍵力量，塑造着我們與世界的互動方式。然而，随着我們越來越依賴這些智能系統，一個關鍵問題逐漸顯現：在這些機器帶來的便捷與高效面前，我們是否逐漸迷失了自我？我們對LLM的依賴，是否已經觸及了成瘾的邊緣？
成瘾通常被定義為對特定活動或物質的強烈依賴，即便這種依賴已對個體的身體、社交、情感、心理及經濟狀況造成了負面影響，個體也往往難以自拔。成瘾行為不僅表現為活動的頻繁或過度，還包括個人對這些行為的情緒管理、為獲得相同滿足而逐漸增加行為強度、出現戒斷反應以及難以抑制的衝動。在這樣的視角下，盡管當前的LLM技術帶來了巨大的便利和效率，但我們也必須審視這種全新的體驗背後可能隐藏的成瘾問題，以及它可能對我們的心理健康和決策能力造成的潛在侵蝕（Goodman, 1990）。
01 LLM成瘾主體
首先，LLM成瘾不能簡單類比為過去讨論的數字成瘾，比如沉迷于社交媒體或遊戲（Panova & Carbonell, 2018)。雖然從成瘾的結局而言是相似的，但社交媒體和遊戲通常旨在提供娛樂、休閒或社互動動，它們通過精心設計的用户界面和連續的低密度信息輸入，創造出一個使用户可以逃避孤獨或滿足社交需求的"被動性牢籠"。相比之下，語言模型往往與具體任務或目标相關聯，盡管也可能導致用户長時間使用，但其本質目的在于提供信息、解決問題或進行學習輔導等工作導向的功能性目的，而不是單純為了消遣或避免無聊。
因此，可能受到數字成瘾影響的對象廣泛，覆蓋各個社會階層（Barashdi et al,2015）。而國内，目前受LLM成瘾現象影響的主體主要出現在受過高等教育的個體上。這部分人群可能會因為工作壓力大、競争激烈、追求效率等心理壓力，而對快速獲取信息、生成内容的LLM尤為依賴。他們已然掌握科學上網技術，并願意知識付費，對新技術的好奇心、接受度以及可能的使用場景往往高于那些沒有接受過高等教育的人群。
我們很難想象伐木工人或者鋼鐵廠工人使用LLM的場景，這需要組織行為學工作者付出巨大的努力，才能使得LLM賦能這樣的生產環節。在未來更進一步的研究中，易成瘾主體的研究将從過去讨論特定人格特質與人工智能的接受性和開放性的研究中汲取靈感。更社會學的觀察是，在不同社會背景中追求競争優勢和技術壟斷的個體，會對LLM產生何種态度。也許那些尋求高社會地位的個體，更可能識别出AI生成的内容，并反感這些内容替代原本人工執行的程式性和枯燥任務，因為這很可能會對他們所使用的規訓和控制手段構成侵犯（Thomsen et al., 2018)。
02 嵌入到社會網絡中的LLM
其中一些自我報告進一步提示了LLM是如何和社會網絡緊密嵌入的，特别是在與人情、送禮、圈子這樣的文化概念結合在一起時，這就超出了精神病學的成瘾範疇：
如今，一種吊詭的現象可以被描述為：當所有人都在對OpenAI、ChatGPT和相關大語言模型發表高談闊論時，由于政策等限制而導致的對產品使用和技術可達性的讨論成了鮮有人踏足的寂靜之地。我們不得不意識到，GPT-4對普通人甚至是許多科研工作者都是難以獲得的，而且很多時候将賬号硬塞給他人，人們會對轉變原有明晰的範式而去迎合全新技術產生抗拒，并會選擇沿着自己原本的路線繼續前進。
而對我來説，GPT-4暫時是一項不可替代的巨大的附加優勢，是我科研信息差套利的重要來源。我非常害怕自己的賬号被官方注銷，因為我還借給很多人用，這意味着我在高等教育圈子的人際關系，面子很大程度是GPT給的。我将其作為一種面子流通，促進人情往來，許多學弟學妹甚至老師都在使用這個GPT賬号。我認為這種好意施惠增加了我在人際關系中的分量，而這只需要我支付一個月不到200元的費用。然而，随着GPT的離去，我擔心這些生產（特别是套利行為）和相關的人情都會受到負向的影響。所以我祈禱政策變的更嚴格，網絡上倒賣賬号和梯子的人趕緊進局子。
——克爾金斯，23歲，研究生，學習的時候就要開着GPT也不知道用了多久
這份材料提示了，在LLM作為高級的人工智能技術尚未廣泛普及的當下，早期采用者可以通過這種技術在特定領網域獲得競争優勢，增加感知享受的同時，也可能帶來更高的依賴風險。那些已經擁有一定技能優勢（例如，社交技能、資源獲取能力等）的個體，更有可能通過數字技術進一步增強這些優勢，從而在互聯網和其他數字平台上獲得更多的收益，我們也許可以将這比作一種具有排他性的"特權"，而部分個體對于特權的享受是一種相對容易令人愉悦、乃至上瘾的體驗。
在"富者愈富"（Rich-gets-richer）的社會環境中，這種成瘾形成可能源于個體在這些平台上獲得的持續積極反饋和獎勵，促使他們投入更多的時間和精力。因此，這種狀況下的成瘾不僅僅是因為時間上的過度投入，還可能是因為個體在社會競争中對這種互動產生依賴，特别是在它提供的回應和反饋給予了他們某種形式的心理滿足。
03 對LLM的情感依戀
另外，從互動方式上看，與用户被動或者無意識的陷入到短視頻或者新黃色文本中不同，LLM的互動方式賦予用户更多的控制權，這通常涉及到用户需要主動提出問題或輸入信息，且必須有明确的意圖和目标。
這種需要主動調用指導語才能得到回應的互動模式不滿足情感依戀的典型模式。後者通常涉及到與對方的情感連接和依賴，這種連接是雙向的，包括情感的投入與回應。此外，而LLM用户的工作界面與情感交流界面同處一個互動視窗，每次與LLM的互動都是相對獨立的，缺乏建立情感依戀所需的記憶性、持續性和深度，這在一定程度上限制了被動性成瘾行為的發生，也使得目前人們不太可能對LLM產生情感依戀。
然而，市場上可能已存在封裝產品（如人工智能伴侶），可以基于用户與系統的長期互動歷史，主動進行個性化的彈窗詢問和邀請互動，誘導用户產生情感依戀。在這種情況下，LLM所提供的及時反饋和角色扮演功能，可能被某些用户視為一種"安全基地"，用于獲得情感慰藉和認知支持，從而增加了成瘾的可能性(Torres et al., 2013)。
04 對LLM的效率依賴
因此，我們更有理由相信，如果人們對LLM存在過度依賴的話，這種依賴更可能會演變為效率成瘾。這種追求不僅僅體現在生產力的提升上，也滲透到日常生活中的各個方面，比如快速消費、快速決策、時間管理工具的普及等。效率成瘾來源于人們從突如其來的"能夠做得更快、更多"中嘗到了"成功"的滋味，而忽視了工作質量、深度以及對個人和社會的長遠影響。
人們無法抗拒的從易訪問的系統中獲取大量低成本的中等質量文本，并在缺乏足夠判斷和審視的情況下将其應用于實際工作中。此外，這種加速主義已經深深嵌入到我們的社會網絡之中，提高效率被視為比其他人或群體做得更好的一種方式（如減少社會必要勞動時間）。從一份關于LLM成瘾的自我報告中，我們可以進一步看到這種依賴的端倪：
無法使用LLM的時候，我會感到心跳加速、呼吸急促，仿佛溺水一般，感覺被文明世界抛棄。而且，就算這一天用不到LLM，我也需要在一天的時間裏，刷新一下，随便和它進行對話，确保機場和LLM是正常工作的。有一次，機場失效了，着急之下，我買了很多節點，有些是假的，這讓我花了很多錢……但這一切都是值得的。因為LLM已經作為不可取代的一環進入了我的生活。我的英語一般，信件和論文幾乎都要通過LLM潤色。更重要的是，由于LLM的出現，我幾乎很難再忍受枯燥的工作，一想到要做過去幾乎很快能完成的行政性或者格式性工作，現在如果需要親力親為的完成，我就會覺得相當煩躁。
——Cfzyax，19歲，學生，4h/天
這段描述涵蓋了成瘾行為的多個關鍵特征：明顯的生理和心理反應，如無法使用LLM時的心跳加速、呼吸急促，以及強烈的被孤立感。此外，即使在不需要使用LLM的情況下，該個體也表現出一種強迫性的行為，需要定期與LLM進行互動以确保一切正常。在一次技術故障時，這種依賴驅使他不顧成本地購買多個接入點，顯示出對LLM的異常依賴已經嚴重影響了他的經濟決策。這表明LLM已經成為他生活的一個核心部分，不僅僅是工作工具，而是情感支持和生活方式的一部分。
這位用户面對枯燥工作的煩躁的心态可以得到時間壓縮理論（Time Compression Theory; Moore et al., 1986）的進一步支持。随着信息技術的發展，人們感受到的時間流逝速度加快，因為我們可以在更短的時間内完成更多的任務。LLM的出現加劇了這種感覺，因為它極大提高了處理信息和完成任務的速度。這可能導致人們對于任何看起來效率低下的任務都感到不耐煩 (Griffiths et al., 2018)。
另一份使用GPT改善學術語言的報告，提示了LLM和技能培養之間的關系（這位用户的英語水平是雅思6.5分）：
從生產環節來説，GPT已經作為我的生活不可取代的一部分了。我的英語一般，信件和論文幾乎都要通過GPT翻譯和潤色，我現在基本上不磨練自己的學術英語了。我認為如果不追求莎士比亞那種極致表達的話，不管我花多長時間來學習英語，普通資質的我在GPT面前都是不堪一擊的。更何況，英語本來就不是母語，學習到GPT那種水平，實際上是極大浪費了科研的時間。話也説回來，這和直接使用GPT生成中文文本不一樣，我還能依賴我的母語水平改一下中文文本，但我确實也沒能力改GPT的英文翻譯，我改了一個小時，就修改幾個詞，還不如不改，閉眼衝的成本還小一點。但是我隐約覺得這可能會造成一些潛在問題，但是我目前還沒遇到。
——Sandwich，37歲，老師，電腦開機GPT就要啓動，GPT，啓動！
個體利用GPT來處理英語寫作任務（如信件和論文的翻譯與潤色），這是追求效率的直接體現。在初期，這種做法可能顯著提高了工作效率和輸出質量，給個體帶來了立即的正向反饋。這種正向反饋可能是成瘾行為形成的關鍵因素，因為大腦開始将GPT的使用與成功和滿足感聯系起來。随着對GPT的持續依賴，個體逐漸減少了對英語學習和提高學術寫作技能的努力。
這種技能的退化不僅減少了個體在沒有技術輔助時完成任務的能力，還可能導致自我效能感的降低。這也可能是成瘾循環中的一個關鍵環節，個體因為依賴某項技術而減少了自身能力的培養和應用，進一步地，這種依賴可能會讓個體感覺自己無法獨立完成任務，進而降低個體對自己完成任務的信心，從而減少了嘗試新任務或挑戰的意願，以此形成一個負面的循環。
05 復雜任務中的LLM
在利用LLM進行代碼學習的場景中，任務本身的性質可能催生更復雜的學習模式。接下來的自我報告材料提示了，用户在學習過程中，通過與LLM的互動，可以即時獲得代碼的反饋，包括代碼是否運行成功、存在的錯誤等。
這種即時反饋大大增強了學習的動态性和互動性，有助于學習者及時調整學習策略和改正錯誤。這與傳統學習方式的延時反饋形成鮮明對比。後者往往需要等到實際編碼并運行程式後，才能發現問題所在，這種延時反饋可能導致學習效率的降低：
在目前本科階段，我對于代碼的學習存在很大的興趣，但如果沒有LLM的話，這個興趣很難維持下去，因為它需要的學習和工作的強度會遠遠大于沒有LLM的時候。通過看書看視頻來學習，還是太慢，更枯燥，就是它反饋性很低。LLM能一下子搞出一堆代碼，而且還能用，這種感覺很愉悦。
在利用LLM對代碼的學習過程中，通常我會先詢問LLM組合代碼，然後看它是否能運行，能夠運行之後我就知道是正确的代碼然後我逐行去看，遇到不懂的再返回去詢問LLM。相當于一步步輸入、輸出代碼，然後再把它們組合在一起運行，因為一開始就給LLM復雜的任務或者要求的話，越復雜的任務就需要越精确的描述。我知道大概怎麼細化，但不能精确描述。就是做不到跟LLM那種互動的格式，還沒有能力能夠足夠精确的描述任務讓LLM理解。
每當我想要将復雜的任務交給LLM處理的時候，它生成的代碼往往是失敗的。我會選擇将復雜任務細化，一步一步地向LLM詢問。細化後的任務每一部分是很小的，即使描述不清楚，也可以通過反復描述；如果是多個復雜的任務給它，後期補充的任務就太大了。總的來説，給它的任務越簡單越好，簡單到不可以再簡單然後在組合。比如：在我對這些技術都不懂的前提下，我現在要設計一個程式需要給它一個數據庫又需要給它Python中的文本處理，還需要一些其他的東西，然後我一次性的跟LLM説，我要設計一個程式裏面要包含數據庫又要包含什麼，LLM會給出一段很長的代碼，你只需要把那個代碼復制進python然後運行，你會發現跟自己想的完全不一樣。但如果説我先從數據庫突破，然後再從文本處理突破，最後再從銜接上突破。這樣一個一個突破，我自己也能懂。
——KK，文科轉碼難兄難弟，8h/天
這段材料已經很好地描述了使用提示工程處理復雜編程任務的方式，即将復雜的任務分解為簡單的子任務，從而允許用户根據自己的學習節奏和興趣逐步構建項目中心的知識體系。通過這種方法，即使在描述不夠清晰的情況下，用户也可以通過反復試錯來逐步解決問題。此外，通過從語言模型（LLM）快速獲取代碼解決方案并見證其成功運行，可以為學習者帶來即時的滿足感和成就感。
然而，如果過分依賴LLM的創造和編譯器反饋作為編程學習的核心，并依賴于其多輪互動以期望獲取正确答案的做法，可能導致用户形成以結果為導向的學習模式。這種模式下，知識被封裝在模塊中，只要項目能夠運行，學習者通常不會修改原始代碼，也不會花時間去深入理解問題背後的邏輯和原理，這最終影響學習的深度和質量。學習者可能最終仍無法獨立修改代碼，而只是停留在代碼搬運和模塊化應用的層面。
更推薦的方法是，學習者應首先通過閲讀書籍或觀看教程建立基礎知識框架，然後利用LLM支持的項目進行實踐和補充。這種結合了傳統學習方法和現代技術工具的混合學習方式，能更有效地促進知識的深層理解和應用。這一觀點得到了一位用户的支持，他特别強調了框架性知識的重要性：
我覺得書本或者老師能提供一個基礎的知識教學，畢竟解決這些題目還需要基礎的知識。基礎知識還是比較重要的，不然有些問題你都不知道怎麼提問，不會問更不用提弄懂了。所以，可能還是需要上課系統過一遍，聽個大概，腦中有個框架性的東西。所以構建知識框架，對于GPT的互動是有很有幫助的。目前GPT提供框架性的東西還是比較弱的，但它對提供框架裏的細節處理還是很好的。就比如説有一道函數題，你想讓GPT幫你解，可是你連函數專業名詞都不知道，問題都問不出。
通過看書或觀看教程，學習者可以系統地學習編程語言的語法、基礎概念、編程思維等核心知識。這種框架性的知識可以幫助學習者構建起一個清晰的知識地圖，了解各個知識點之間的聯系和層次。當學習者對一個領網域有了基本的了解和框架性的認識後，他們能夠更加精準地提出問題。知道自己缺失哪些知識，能夠更有針對性地利用LLM尋求幫助，從而提高學習的針對性和效率。在建立了基礎知識框架之後，通過LLM等工具進行項目實踐，可以将理論知識應用于實際問題中，加深理解和鞏固學習。
06 LLM的輕信
最後，導致成瘾的另一顯著因素可能是用户對LLM生成的文本或觀點的盲目信任或未經驗證的直接應用。這一現象在以往的英語和編程案例中已有所體現，其中用户由于缺乏能力修改LLM生成的文本，往往只能依賴其他工具的反饋。
然而，在工作場景中，這種反饋并非總是即時的，尤其是當執行的任務具有高度的不确定性和政治敏感性時。一項評估警察與LLM聯合決策的研究表明，警察并不總是遵循LLM的所有建議，而是會選擇性地忽略那些與其專業知識相矛盾的觀點。這表明當LLM的建議符合現有的刻板印象和偏見時，警察更有可能信任這些建議。然而，警察之所以更有信心這樣做，是因為他們在接觸人工智能之前已經處理過許多案件，從而建立了專業的勝任感。
對于非專業人士，或在個體不具備足夠專業勝任感的任務中，人們可能更傾向于信任LLM。由于缺乏足夠的知識或經驗來評估LLM的建議，缺乏足夠勝任力的個體可能會過分依賴LLM的輸出。此外，在創造性或非常規任務中，由于缺少明确的正确答案或标準操作流程，用户可能會更加依賴LLM的建議。例如，最近引起廣泛讨論的一起學術事故中，幾位作者在提交論文時忘記删除對LLM的prompt（Gulati et al., 2019）。
研究者可以進一步拓展人機信任框架将過度信任作為人機信任的陰暗面。将自動化機器（Automation）信任的量表維度應用于LLM（如GPT系列），可以幫助我們理解用户如何建立對這些高級AI系統的信任，以及這種信任可能導致的過度依賴和成瘾問題。過度信任問題可以作為性能可靠性維度的一部分納入人際信任框架中。在技術接受模型（TAM）的框架下，性能可靠性的負面影響意味着用户通常會根據LLM提供的回答的準确性和一致性來評估其性能。如果LLM能夠連續提供高質量和準确的信息，用户的信任度會增加。然而，這也可能導致用户過分依賴LLM提供的信息，而不是進行獨立的驗證或考慮其他信息源（Madsen & Gregor, 2000）
07 走向LLM拜物教
也許在最後，随着LLM等技術越來越能夠處理復雜的問題并提供深刻的見解，人們可能會開始将這些系統視為知識和智慧的源泉，進而形成一種象征性的崇拜。"LLM拜物教"正在進入現代性批判的工作中。歷史上，人類對于自身理解能力所不能及的復雜系統，如馬克思所指的市場和貨币，通常持有一種混合敬畏的态度，這種态度有時甚至演變成為形式化的崇拜或信仰體系。如今，随着人工智能技術，特别是LLM在復雜性、能力和智能化水平上的飛速發展，人們可能開始對這些看似超越人類智慧的技術產生非理性的敬畏，甚至是崇拜。
這從斯坦福計算語言學家克裏斯托弗·曼寧的評論（Christopher Manning）可見一斑："這時，某種奇迹發生了，這很令人吃驚——但的确是真的——你直接樹立猜測的目标，讓每個詞的詞向量都能關聯出現在上下文中的詞，反過來也是如此——你只有一個非常簡單的目标——你對如何實現這個目标只字不提——你只是祈禱，依靠深度學習的魔力……奇迹發生了。然後詞向量就出來了，它們在表示詞匯的意義方面非常強大，對各種事情都很有用。"（Christian, 2021)
另一角度來説，左翼思想家們正在努力消化通用人工智能（AGI）對勞動過程的再革新，并且再次和資本主義相結合。他們借此重申馬克思關于商品拜物教的觀點：在分工體系下，人的智慧與勞動成果被系統性遮蔽，并不自覺的使得其他生產者和消費者誤認為一個被賦予了獨立于創造者的"生命"的存在。他們強調，這超脱出微觀心理學成瘾，而是将這種成瘾上升到了生產體制本身的問題。這是由于生產活動不僅僅是工作過程，更是資本增值的過程。技術的進步雖然提高了勞動生產率，但卻使工人更加依賴機械化生產，剝奪了他們的選擇權。
在現代技術快速發展的背景下，特别是随着人工智能的廣泛應用，我們見證了一種與歷史上機械化生產相似的現象：不再是工人使用工具，而是工具在使用工人。這種轉變在LLM及其自動化技術的實施中尤為明顯，其中自動化不僅僅是生產的工具，更成為資本利益的代表，與工人的利益形成了對立（Braverman, 1974)。比如，阿裏雲正在内部全面推行AI編程，使用通義靈碼輔助程式員寫代碼、讀代碼、查BUG、優化代碼等。阿裏雲甚至為這些AI程式分配了正式的員工編号（AI001），預計未來20%的代碼将由AI完成。
這種以機器為中心的勞動部署方式反映了資本主義生產方式的本質趨勢，即加緊自動化，追求不斷提高的勞動生產率。而這種追求并不是出于滿足人類需求的目的，而是資本積累過程的一部分，變成了一種瘋狂的競賽，幾乎成了社會上普遍流行的一種賽博精神病。生產率的提升只能是無底洞，不論有多高都不可能被滿足（Braverman, 1974)。
更重要的是，組織行為學家仍然需要評估和确認的是，LLM的發展是否整體上導致了工人階級的進一步分化。對于那些處于勞動市場不利位置的邊緣性工人，如低技能工人、經濟弱勢群體或技術接入有限的個體，LLM的復雜和不透明的工作原理使得這些技術看起來既神秘又不可預測，仿佛是一種近乎超自然的難以掌控的力量。
▷圖：随機械化等級的提升，工人所需技藝水平的變化趨勢。
布賴特在其《自動化與管理》一書中提出，随着自動化和機械化技術的發展，工人所需的技藝水平和直接貢獻會經歷從增加到急劇下降的轉變，尤其是在高度自動化的生產過程中（如上圖所示）。
在機械化的初期階段（等級1至4），技藝水平呈線性上升趨勢，説明在這一階段，随着機械化等級的逐步提升，工具仍然完全由工人控制，因此對工人的技藝要求随之增加。這表明在早期的機械化過程中，技術的引入實際上增加了工人所需的技能水平。然而，當機械化等級進入5至8階段時，技藝水平的曲線先是略微上升，随後出現明顯的下降。這反映了盡管機械化引入了機械控制，一部分工作仍然需要依賴工人的技藝，但随着機械化程度的加深，越來越多的任務被自動化取代，導致對工人技藝的總體需求下降。進入等級9至11，以及之後的最高機械化等級階段時，技藝水平持續下降，到達一個相對較低的水平。這表明在這些階段，機器已經可以進行更高程度的自動控制，減少了對工人技能的依賴。在機械化水平最高的階段，技藝水平的要求急劇下降，幾乎所有技藝指标都顯著減少，工人的直接貢獻幾乎為零，只剩下"責任"和"教育"兩項指标仍有一定的模糊性。
那麼更進一步的，過去被視為創造性更高的程式員是否會成為LLM生產產品流水線上的輔助人員呢？在過去，自動機主要用于機械化大生產和精細的自動化流水線；而現在，更復雜的系統如LLM或者更上層概念的AGI将取代這些自動機。特别是，在機械化的大工業生產的分工中，智力勞動與體力勞動的分離近乎完成。大多數程式員不再直接創造代碼，而是變成了在龐大的prompt工程庫中篩選和組合合适的prompt的輔助工作人員，從而完成了智力和體力上的退化。
這種轉變反映了私有LLM内部智力勞動的資本化，加劇了資本對工人勞動的控制。在這種背景下，個别機器操作工人的專門技能變得不再重要，他們的技能在科學知識、自然能源的巨大潛能和社會化大規模勞動的組合前顯得微不足道。這三者通過機器系統的運作共同加強了資本對勞動的統治力量。
這種勞動力市場的變化進一步加深了勞動分化，将LLM的控制權和經濟利益集中在少數擁有技術和資本的個體或公司手中。這種權力的集中轉移使得廣大工人，尤其是邊緣性工人，感到自己在這個技術驅動的生產過程中失去了主動性和控制力。
08 過度依賴還是成瘾
盡管人們對GPT及其他人工智能技術的依賴可能在增加，但沒有足夠的證據表明這種依賴達到了醫學上定義的"成瘾"水平。這種過度依賴主要是由于GPT提供的快速、準确回答，減少了個體自我探索和獨立思考的需要，從而使個體習慣于依賴這種外部輔助，以至于減少了自己的努力或嘗試其他解決方式的頻率。這種依賴主要是基于技術帶來的便利和效率，而不是心理上的強迫性需求。
過度依賴可能導致個體在某些技能上的退化，比如批判性思維能力、問題解決能力或自主學習能力。然而，這種依賴通常不會嚴重幹擾個體的日常生活或社會功能。與之相對的成瘾是指個體對GPT的使用表現出無法自控的強迫行為，即使這種使用已明顯對個體的生活、工作和人際關系產生了負面影響，個體也難以減少或停止使用。成瘾背後的驅動力更多是心理上的需要，如逃避現實、情感滿足或獲得即時獎勵的渴望，這超出了單純的工具使用便利性。
雖然一些左翼思想家可能習慣于使用如"資本主義精神病"等誇張的表達來吸引注意，但是否将對GPT或類似技術的使用歸類為"成瘾"仍需精神病學專家的嚴格評估。當前階段，将人們對GPT的依賴描述為"過度依賴"可能更為準确。過度依賴強調了個體可能過度依賴技術來完成任務、做出決策或獲取信息，但它并不涉及成瘾特有的生理和心理機制，或嚴重的生活幹擾。通過使用"過度依賴"這一概念，我們可以探讨人們與技術互動時可能出現的問題，同時避免了将行為過度醫學化的風險(Ersche et al., 2010)。
當深夜的燈火在窗外一盞盞熄滅，人們進入夢鄉，那些不眠的伺服器還在繼續運轉，處理着一天中積累的查詢和命令。這種依賴，漸漸成為了現代生活的常态。或許，真正的挑戰不在于我們是否會對這些智能系統產生依賴，而是在于如何在這種依賴中找到新的自由——在被編程和編程之間，我們應如何選擇？只有在這樣的問詢中，我們才能把握住屬于自己的那一線光明。
參考文獻：
Barashdi, H., Bouazza, A., & Jabur, N. (2015). Smartphone addiction among university undergraduates: a literature review. Journal of Scientific Research and Reports, 4(3), 210-225.
Braverman, H. (1974). Labor and Monopoly Capital: The Degradation of Work in the Twentieth Century. Monthly Review Press.
Christian, B. (2021). The alignment problem: How can machines learn human values?. Atlantic Books.
Ersche, K. D., Turton, A. J., Pradhan, S., Bullmore, E. T., & Robbins, T. W. (2010). Drug addiction endophenotypes: impulsive versus sensation-seeking personality traits. Biological psychiatry, 68(8), 770-773.
Goodman, A. (1990). Addiction: definition and implications. British journal of addiction, 85(11), 1403-1408.
Griffiths, M. D., Demetrovics, Z., & Atroszko, P. A. (2018). Ten myths about work addiction. Journal of behavioral addictions, 7(4), 845-857.
Gulati, S., Sousa, S., & Lamas, D. (2019). Design, development and evaluation of a human-computer trust scale. Behaviour & Information Technology, 38(10), 1004-1015.
Madsen, M., & Gregor, S. (2000). Measuring human-computer trust. In 11th australasian conference on information systems (Vol. 53, pp. 6-8).
Moore, D. L., Hausknecht, D., & Thamodaran, K. (1986). Time compression, response opportunity, and persuasion. Journal of Consumer Research, 13(1), 85-99.
Panova, T., & Carbonell, X. (2018). Is smartphone addiction really an addiction?. Journal of behavioral addictions, 7(2), 252-259.
Rømer Thomsen, K., Callesen, M. B., Hesse, M., Kvamme, T. L., Pedersen, M. M., Pedersen, M. U., & Voon, V. (2018). Impulsivity traits and addiction-related behaviors in youth. Journal of behavioral addictions, 7(2), 317-330.
Torres, A., Catena, A., Megías, A., Maldonado, A., Cándido, A., Verdejo-García, A., & Perales, J. C. (2013). Emotional and non-emotional pathways to impulsive behavior and addiction. Frontiers in human neuroscience, 7, 43.
