一、引言

生成式AI技术的快速发展，正在重塑融媒体传播的基本逻辑。技术越来越精细的“真实拟态”能力和算法固有的“幻觉”缺陷之间的结构性问题，在开放、融合的媒体环境中不断扩大，让用户认知机制面临前所未有的真实性判断困难。本文通过构建“认知—技术生态模型”，不仅揭示了AI生成内容与人类认知系统的复杂关系，还提出了基于场景的管理框架，对弥合技术发展和伦理约束之间的差距具有重要的理论价值和现实意义。

（一）技术发展与社会需求的双重驱动

当前，传播生态正在经历生成式AI技术带来的深刻变革。从基础文本生成到复杂多模态内容创作，AI系统全面渗透到信息生产和传播的各个环节。这项技术的发展呈现出三个核心特点：一是内容产能实现质的飞跃，信息生产效率大幅提升；二是人机交互方式发生了根本性改变，信息获取方式得到重构；三是传播效率取得突破性进展，彻底改变了传统信息传播路径。同时，社会对高质量信息的需求持续增长，在信息超载的背景下，用户在追求高效信息服务的同时，对信息的真实性和可靠性保持高度敏感。这种矛盾的需求，构成了研究AI幻觉与用户认知互动关系的现实基础。

（二）AI幻觉的概念定义和典型表现

AI幻觉是指AI系统在没有充分事实依据的情况下产生的看似合理但存在事实错误或逻辑矛盾的内容输出。在融媒体传播环境中，这种现象主要呈现三种典型形式：事实性幻觉、逻辑性幻觉和语境性幻觉。事实性幻觉表现为与客观事实明显不符的内容生成，逻辑性幻觉体现在推理过程中出现的自相矛盾，语境性幻觉反映为与特定场景要求不相符的表达方式。

（三）用户认知与AI幻觉的相互作用

用户认知与AI幻觉之间存在着多层次的动态互动机制。从认知加工过程来看，这种互动包括直观、理性和元认知三个方面。直观级别的快速筛查机制起到初步识别可疑内容的作用，合理级别的深度验证系统负责精细分析，元认知级别的自我监测能力负责统筹协调。在传播场景维度上，这种互动呈现出明显的差异性。高风险场景激发用户的防御性认知模式，低风险场景激发包容性认知态度，创新场景培育探索性认知倾向。这种互动关系具有动态演化的特点，表现为技术真实性和认知边界性的优劣，信息需求与风险规避的复杂博弈，以及短期接受与长期适应的阶段性变化。

二、研究现状

（一）AI幻觉的生成机制

AI幻觉现象源于深度学习模型的本质特征。现有研究指出，大型语言模型通过概率预测生成内容，这种机制伴随事实偏见的风险。在融媒体环境下，该问题呈现出三个新特点。一是多模态融合加剧了错觉的隐蔽性。当文本、图片和视频等多种形式相互印证时，用户更难识别内容缺陷。例如，一条配有逼真图像的假新闻比单一文本形式更难理解。二是交互设计强化了认知偏差。聊天机器人采用拟人化的对话模式，这种“社交临场感”会降低用户的批判性。研究发现，当AI以第一人称表达时，用户对错误信息的接受度会高出40%。三是算法黑盒使其难以追溯。融媒体传播的碎片化特性使用户难以追溯信息来源并验证内容的真实性。这种不可追溯性为幻觉传播提供了温床。

（二）用户认知的调控机制

用户对AI幻觉的认知加工呈现出动态特征。双重加工理论认为，人类存在直觉和反思两种认知模式。在融媒体环境中，这种二元性表现在三个方面。一是情感通道更容易接受形式完美的内容。神经通信研究表明，融合视听的多模态信息直接激活边缘系统，绕过理性审查。这种生理机制解释了为什么包装精美的虚假内容更具传播性。二是认知负荷影响纠错。当信息过载时，用户会依赖启发式判断，采取“满足原则”而非“最优原则”。融媒体环境中的信息爆炸进一步加剧了这种认知简化倾向。三是群体动力学产生放大效应。社交媒体的从众心理会强化错误认知，形成“回音室效应”。实验表明，当看到多个AI生成的一致内容时，即使存在明显的错误，用户的接受率仍然达到65%。

（三）现有理论的局限性

当前研究存在三大盲点。一是技术决定论倾向明显。大多数研究侧重于算法优化，忽略了传播情境的调节作用。事实上，相同的AI错误在不同的传播场景下可能会产生截然不同的影响。二是认知研究的碎片化。学者们要么关注个体心理，要么关注群体沟通，缺乏整合的视角，这种碎片化阻碍了系统理论的建立。三是伦理讨论脱离实践，现有的伦理准则往往过于抽象，无法指导具体的内容治理，亟需一个更具操作性的评估框架。

三、认知—技术生态模型的理论构建

（一）理论依据和概念框架

本文构建的认知—技术生态模型根植于三个相互补充的理论传统：技术哲学中的“后现象学”视角强调了技术与人性的互构关系；传播学领域的“媒介化”理论揭示了媒介技术在塑造社会认知方面的作用；认知科学中的“延展心智”假说为理解人类与AI的互动提供了新的思路。这三种理论共同支撑了本文的分析框架。该模型的核心在于识别三个交互子系统：一是技术表征系统，包括AI生成的内容的充实度、交互模式和透明度；二是认知加工系统，包括用户的感知过滤、理性分析和元认知监测机制；三是环境调控系统，包括社区医药融合场景、社会规范和文化语境。这三个系统通过动态反馈环构成整个生态学，它们的相互作用呈现出非线性的、非歧视性的特征。这三个系统通过动态反馈环构成整个生态，相互作用呈现出非线性特征。这种系统观念不仅能解释因果决定论，更能解释融媒体传播的复杂现象。

（二）模型关键机理分析

第一，技术保真度的认知效果。高清内容产生一种“超现实”体验，改变用户对真实性的判断标准。当技术性能超过一定阈值时，用户的怀疑度会非线性下降。这些变化不仅仅是数量上的变化，还是导致认知模型的质变。

第二，认知免疫的分级反应。该模型提出认知系统中存在三种防御机制。感知层的直观过滤可以快速筛选异常信息，分析层的理性审视可以深入验证，反思层的元认知调节可以起到调节判断标准的作用。这三种机制构成动态平衡系统，其运行效率受个人认知资源和环境压力的共同影响。

第三，环境压力的调节作用。传播环境通过时间限制、社会影响和制度规范三个维度来调控认知过程。快速流动的信息环境缩短了认知加工时间，集体共识可能优先于个人判断。平台规则形成了认知行为的边界条件。这些环境因素与技术特征和认知能力形成了复杂的相互作用。

（三）核心理论命题

第一，在技术接受层面，AI系统的动态特征与用户的认知加工能力形成动态平衡关系。当算法产生内容的技术复杂性超过一定阈值时，会触发用户的认知简化策略，从而提高信息处理效率，但往往牺牲判断的准确性。这种现象在需要专业知识的交流场景中尤为明显。

第二，情感沟通机制显示出独特的渗透途径。情绪丰富的内容可以激活边界认知系统，部分绕过合理的审查机制。在群体交流环境中，这种效应通过强化社会进一步放大，形成特定的认知过滤模式。

第三，置信动力学表明存在显著的不对称性。用户对AI系统建立信任的过程显然容易获得，信任的恢复需要更强的负面证据积累。这种认知惯性为虚假信息的持续传播创造了潜在条件。

（四）模型的解析边界和理论贡献

该模型具有明确的解释边界，适用于分析AI生成内容对公共传播领域的影响，不涉及专业闭环系统的应用场景。与现有理论相比，该模型实现了技术分析和认知研究的有机融合。传统研究倾向于分别检查这两个维度，而该模型通过“生态相互作用”的概念建立了统一的框架。模型给出了可行的理论假设，每个核心命题都明确了变量之间的关系和变化规律，为后续实证研究提供了方向。此外，模型强调动态进化的研究视角，不仅解释了系统要素之间的静态关系，还揭示了系统要素之间的动态平衡机制，有助于预测认知生态学的进化趋势。

四、相互作用机制的多维影响

AI技术与人类认知的互动正在重塑整个传播生态，这种影响呈现出复杂的多层次特征。从微观的个人认知过程到宏观的社会文化结构，AI幻觉的渗透效应正在发生一系列深刻变化。

首先，在认知层面，这种互动呈现出明显的级联效应。底层感知系统首当其冲，高度逼真的AI内容很容易突破人类的直觉防御。这种效应并非停留在表面，而是深刻地改变着人们的思维模式。长时间接触AI内容会导致认知框架的重构，用户会不自觉地接受算法特定的表达逻辑和叙事。最令人担忧的是元认知能力的退化：当人们过度依赖人工智能系统时，自主判断和批判性思考的能力会显著减弱。

其次，传播生态的结构性变化不容忽视。传统的“生产—传播—反馈”的线性链条已被彻底打破，取而代之的是算法主导的闭环系统。在这个新的生态中，内容生产不再是专业机构的专利，而是算法与用户数据共同作用的产物。传播路径呈现出网状扩散特征，社交网络与推荐算法的协同作用使得信息传播速度呈几何级数增长。更为关键的是反馈机制的异化，用户的每一次点击和停留都成为算法优化的反馈，这种实时互动构建了一个自我强化的传播体系。

再次，这种变化对社会和文化的影响正在逐渐显现。在知识传播领域，权威信息源的垄断被打破，但也带来了事实标准的混乱。当AI能够轻松生成看似专业化的学术内容时，传统的基于专家系统的知识验证体系面临着严峻的挑战。价值观塑造的流程也在发生变化，个性化推荐造成的“信息茧房”效应正在加剧社会认知碎片化。尤其是在重大公共议题上，算法偏见可能导致群体极化加剧。

最后，面对这些挑战，现有的治理模式显得力不从心。传统的线性监管框架难以应对AI传播的非线性特征，事后问责机制在算法黑箱面前往往失效。新的治理范式需要从多个维度入手：技术层面应建立技术透明度的强制性标准，平台层面需完善全流程内容审核机制，用户教育则应注重培养数字时代的批判性认知思维。同时，这种治理必须具备全球视野，在尊重文化差异的基础上建立统一的道德准则。

值得指出的是，不同社会群体应对此类影响的能力存在显著差异。数字原生代群体往往表现出更强的适应性，而数字移民群体则更容易陷入认知困境。这种数字鸿沟的存在要求我们在制定应对策略时考虑群体差异，避免一刀切的解决方案。从长远来看，这种互动将持续演变。随着脑机接口等新兴技术的出现，人机交互的界限将进一步模糊，认知过程可能与AI系统更深入地融合。这既带来了效率提升的潜力，也带来了新的认知风险。未来的研究需要跟踪这些变化，并及时调整理论框架和研究方法。实践层面的应对措施也需要与时俱进：建议建立动态风险评估机制，定期系统地评估AI传播的影响，同时加强跨学科合作，整合传播学、心理学和计算机科学等不同领域的专业知识。

五、结论

本文通过构建“认知—技术生态模型”，建立了AI传播研究的系统视角。该模型突破了传统传播研究中线性思维的局限，将技术特征、认知过程和环境因素视为一个相互作用的生态系统。这种系统视角为理解融媒体传播的复杂性提供了一个新的概念框架。

本文虽然取得了一定的成果，但也存在一些理论局限性，主要体现在三个方面：模型的普适性有待进一步验证，目前的理论框架主要基于大众传播场景的分析构建，在具体专业领域或文化情境中的适用性还有待检验；系统动态演化机制研究仍需深化，模型虽然辨识出了系统要素之间的相互作用，但对其长期演化规律的探索仍然不足；本文涉及传播学、认知科学、伦理学等多个学科领域，在学科交叉融合的过程中，不同学科传统之间一些概念的兼容性仍有待提高，存在一定的张力。这些局限性为未来的研究指明了方向。

在AI技术深度重塑传播生态的时代背景下，本文通过系统的理论构建，为理解用户认知与AI幻觉的互动机制提供了新的概念工具和分析框架。这一探索既是传播学理论发展的必然，也是应对数字时代传播挑战的必然选择。未来的研究应在保持理论深度的同时，进一步加强跨学科合作与实践导向，推动AI时代传播学科的创新发展。

参考文献：

1. [1] 刘泽垣,王鹏江,宋晓斌,等.大语言模型的幻觉问题研究综述[J].软件学报,2025,36(3):1152-1185.
2. [2] 张诗瑶,沈阳.Sora：传媒生态镜像进化与认知变革[J].编辑之友,2024(6):53-60.
3. [3] 段荟,袁勇志,张海.大数据环境下网络用户信息茧房形成机制的实证研究[J].情报杂志,2020,39(11):158-164.
4. [4] 宋士杰,赵宇翔,朱庆华.从ELIZA到ChatGPT：人智交互体验中的AI生成内容（AIGC）可信度评价[J].情报资料工作,2023,44(4):35-42.
5. [5] 张文祥.生成式人工智能虚假信息的舆论生态挑战与治理进路[J].山东大学学报(哲学社会科学版),2025(1):155-164.
6. [6] 林曦.人工智能“幻觉”的存在主义阐释[J].社会科学辑刊,2025(2):81-91.
7. [7] 张铮,刘晨旭.大模型幻觉：人机传播中的认知风险与共治可能[J].苏州大学学报(社会科学版),2024,45(5):171-180.
8. [8] 陈昌凤.生成式人工智能与新闻传播：实务赋能、理念挑战与角色重塑[J].新闻界,2023(6):4-12.
9. [9] 周葆华,陆盈盈.生成式人工智能影响下的新闻生产创新：实践与挑战[J].青年记者,2024(3):5-11.
10. [10] 艾媒咨询.2024—2025年中国AI大模型市场现状及发展趋势研究报告[R/OL].(2024-12-25)[2024-12-29].https://www.iimedia.cn/c400/104152.html.
11. [11] 艾媒咨询.2024年微信视频号用户画像与行为洞察报告[R/OL].(2024-11-29)[2024-12-29].https://www.iimedia.cn/c400/103639.html.