认知分歧：AI上下文窗口、人类注意力衰退与委托反馈循环
摘要
本文记录并理论化两个可测量趋势之间的自我强化动态：大语言模型（LLM）上下文窗口的指数级扩展与人类持续注意力容量的长期收缩。我们将由此产生的不对称称为认知分歧。AI上下文窗口已从2017年的512个token增长到2026年的2,000,000个token（因子约3,906；拟合lambda = 0.59/年；倍增时间约14个月）。在同一时期，人类有效上下文跨度（ECS）——一种从经过验证的阅读速率元分析（Brysbaert, 2019）和经验启发的理解缩放因子推导出的token等价度量——已从约16,000个token（2004年基线）下降到估计的1,800个token（2026年，从2020年结束的纵向行为数据外推（Mark, 2023）；见第9节讨论不确定性）。AI与人类的比率从ChatGPT发布时（2022年11月）的接近持平增长到556-1,111倍原始值和56-111倍质量调整值，在考虑检索退化之后（Liu et al., 2024; Chroma, 2025）。除了记录这种分歧外，本文提出了委托反馈循环假说：随着AI能力的增强，人类委托给AI的认知阈值下降，扩展到需求可忽略的任务；由此导致的认知练习减少可能进一步削弱已记录为正在下降的能力（Gerlich, 2025; Kim et al., 2026; Kosmyna et al., 2025）。两种趋势都不会自发逆转。本文从统计上刻画了这种分歧，回顾了八篇同行评审的神经影像学研究中的神经生物学机制，呈现了与委托阈值相关的实证证据，并提出了以经过验证的ECS心理测量工具和AI介导认知变化的纵向研究为核心的研究议程。
引用
@article{arxiv.2603.26707,
title = {The Cognitive Divergence: AI Context Windows, Human Attention Decline, and the Delegation Feedback Loop},
author = {Netanel Eliav},
journal= {arXiv preprint arXiv:2603.26707},
year = {2026}
}
备注
28 pages, 1 figure, 5 tables. Preprint, not peer reviewed