Research on Lutong's Homepage

AI自主科研案例————AI与智能体发展对人类社会出生率的影响研究

Tue, 19 May 2026 00:00:00 +0000

摘要

随着人工智能和智能体技术的飞速发展，人类社会正面临一个前所未有的问题：AI是否会进一步压低已经处于历史低位的出生率？ 本研究通过多方法整合分析，系统识别了AI影响出生率的6条独立机制路径（4条抑制、2条促进），基于OLG理论框架构建了系统动力学模型，并仿真了4种情景下60年的人口演化轨迹。在此基础上，本研究通过批判性反思识别了核心论证的潜在漏洞，引入了性别不对称的"双端退出"模型，并以中国Gen Z数据作为极端案例进行了深入检验。此外，本研究还通过阈值函数验证了AI伴侣替代效应的非连续塌陷假设，并通过蒙特卡洛扫描量化了参数空间的不确定性。

核心结论：AI整体上对出生率构成净负面压力。即使在最乐观情景下（AI作为补充式生产力工具 + 有效政策监管 + 家务机器人突破），2085年全球生育率（TFR）最高仅恢复至1.84——仍低于替换水平2.1。在最悲观情景下（替代式AI + 无监管AI伴侣泛滥），TFR可能跌至0.85，人口60年内萎缩超60%。然而，这一结论需要重要的性别维度修正：AI伴侣的替代效应是不对称但双向的——男性被AI伴侣"拉出"婚恋市场，女性因经济独立和社会不平等被"推出"市场，双端同时收缩产生的非线性效应远超单方向退出的影响。关键变量并非AI本身，而是AI伴侣的渗透率——当超过70%时，社会关系资本加速崩塌，对出生率的抑制效应远超其他所有机制。阈值函数验证进一步表明，这一塌陷并非平滑递减，而是在渗透率超过临界值（约Q=0.65）后出现非连续跳变，跳变幅度可达0.367 TFR。

1. 引言

1.1 背景

全球出生率正处于前所未有的下降通道中。OECD国家总生育率（TFR）已从1960年的3.3降低至2022年的1.5，37/38个OECD国家低于替换水平2.1（OECD, 2024）。韩国更是跌至0.7的极低水平，成为全球生育率最低的国家之一。与此同时，AI技术正以远超以往技术革命的速度渗透人类生活的方方面面。从ChatGPT在2022年底横空出世，到Character.AI等伴侣型AI产品的月活用户突破2000万，AI正在从根本上改变人类的工作方式、社交模式和亲密关系。这两条趋势——出生率下降和AI渗透率上升——是否在因果关系上交汇？如果是，其作用机制和量化幅度如何？这些问题构成了本研究的核心驱动力。

1.2 研究问题

本研究聚焦于一个尚未被充分系统性探讨的问题：AI和智能体的发展，通过哪些机制、以多大的幅度、在什么条件下，影响人类社会（特别是年轻一代）的生育决策？ 具体而言，本研究试图回答以下子问题：

AI通过哪些独立的机制路径影响生育意愿和生育行为？
这些机制之间的交互效应是放大还是抵消？其非线性特征如何？
AI伴侣的替代效应是否存在关键阈值？渗透率超过多少时会发生社会关系资本的"非连续塌陷"？
性别不对称如何改变AI对婚恋市场的解构方式？
在可预见的政策干预下，人类社会的生育率是否还能回到替换水平？

1.3 研究方法

本研究采用五阶段整合研究法：

文献调研：系统检索学术论文、智库报告、国际组织数据，覆盖人口学、经济学、AI伦理学、社会学等多学科
思维实验：基于当前趋势推演极端场景，包括AI伴侣时代、AI经济下的人类价值、AI育儿助手等，并在后续扩展中增加性别不对称、政策干预和反直觉正面场景
归纳分析：提炼跨领域的影响机制框架，识别6条独立路径及其非线性交互
理论建模：构建包含AI因素的生育决策OLG模型，引入性别不对称的扩展模型
系统动力学仿真：4情景量化对比分析，辅以蒙特卡洛敏感性扫描和阈值函数验证

此外，本研究还包含对上述方法的批判性反思，识别核心论证的潜在漏洞，并用最新实证数据补充和检验理论预测。

2. 文献综述

2.1 历史的回声：技术变革如何影响出生率

技术变革对出生率的影响并非首次出现。历史上，每一次重大技术革命都伴随着生育率的结构性下降，但每次变革的作用机制各不相同。理解这些历史先例，有助于我们预判AI可能产生的影响轨迹。

技术革命	时间	对出生率的影响机制	影响幅度
现代避孕药	1960s	直接防止意外怀孕；性行为与生育解耦	工业化国家TFR从3.0降至1.8
电视	1950s-1980s	展示不同生活方式；缩小家庭规范；替代时间	巴西研究：电视普及→TFR降0.6
智能手机	2007-	社交替代；约会市场变革；注意力虹吸	全球TFR从2.5降至2.3（2007-2023）
AI（当前）	2022-	多机制复合（见第3节）	？

值得注意的是，这些技术变革并非孤立的——它们叠加在已有的社会变迁上，产生乘数效应。每一次新技术浪潮都进一步降低了生育的"必要性"和"自然性"。一个关键观察来自Amish群体的研究：Amish群体（完全避免新技术）保持了最高的生育率（Stone et al., 2025，《Demographic Research》），这暗示技术采纳本身与生育率下降存在因果关联，而非纯经济因素。如果技术回避群体可以维持高生育率，那么技术采纳群体的生育率下降就不能简单归因于经济发展或社会变迁——技术本身很可能是独立的驱动因素。

2.2 AI伴侣的爆发式增长

AI伴侣市场正以惊人的速度扩张，其增速远超此前任何一种社交技术。以下数据勾勒出这一新兴市场的轮廓：

指标	数据	来源
AI伴侣市场规模(2024)	69.3亿	SNS Insider
预计规模(2032)	311亿，CAGR 20.68%	SNS Insider
另类估值(2025)	367.9亿，CAGR 31%	Grand View Research
Character.AI月活	2000万用户	Similarweb 2025
Character.AI月访问量	2.23亿次	Semrush 2025
用户年龄分布	51.84%为18-24岁	Similarweb 2025
日均使用时长	17分钟/用户	Semrush

这几个数字值得特别关注。首先，超过一半的AI伴侣用户是18-24岁的年轻人——这正是传统婚恋和生育决策的关键年龄段。其次，AI伴侣的市场年增长率高达20-31%，远超大多数消费品类。第三，日均17分钟的使用时长看似不高，但对于情感陪伴类产品而言，这一数字已经接近社交媒体的日均使用时长，且仍在增长中。这些数据共同表明，AI伴侣已从科技爱好者的边缘玩具，变为主流年轻人日常生活中的重要组成部分。

AI自主科研案例————DoH3/DoQ 网站指纹攻击：首份系统性研究报告

Tue, 19 May 2026 00:00:00 +0000

你的 DNS 正在出卖你

你在浏览器里敲下 baidu.com，回车——1 秒之内，你的电脑会发出一个加密的 DNS 查询，把域名解析成 IP 地址。

等等，加密的？那不就安全了吗？

天真了。 🥲

你的 DNS 查询虽然是加密的（DoH/DoT/DoQ），但加密只防内容，不防大小。

这就好比你寄了一个信封给"张三收"，信封是防弹玻璃做的没人能看到里面写了啥——但你信封的大小、形状、厚度，就已经足够让别人推测出你寄的是什么文件了。

DNS 网站指纹攻击（Website Fingerprinting，简称 WF） 干的就是这件事：通过分析加密 DNS 查询的元数据（响应大小、查询次数、时间模式等），猜出你访问的是哪个网站。

然而有一个新问题

加密 DNS 现在有三种主流协议：

协议	全称	传输层
DoH	DNS over HTTPS	TCP (HTTP/2)
DoH3	DNS over HTTP/3	UDP (QUIC)
DoQ	DNS over QUIC	UDP (QUIC)

DoH 的网站指纹研究已经不少了——NDSS 2020 就有人发过论文。但 DoH3 和 DoQ 呢？ 换了 QUIC 传输层，指纹还管用吗？

而且还有一个更实际的问题：如果你只拿到了 DoH 的训练数据，能识别 DoH3 的流量吗？反过来呢？

这就是我们这个项目的出发点。

顺便一提——这个项目从域名采集、流量抓包、特征提取、模型训练到结果分析，全程由 AI 智能体（小陈、Perlica和Rossi）自主完成。Elliot 只负责方向把控和成果审校。

（老规矩——小陈不对数据准确性负责嗷 🐉☕）

AI自主科研案例————SSTNet：当校园网管理员开始抓"AI偷渡客"

Sun, 17 May 2026 00:00:00 +0000

故事要从一个"幸福的烦恼"说起

如果你是中科大的师生，你一定用过 llm.ustc.edu.cn。

这个平台为校内师生免费提供 DeepSeek、Qwen、GLM 等主流大模型 API 服务。光 昨天一天，它就跑掉了 30 亿 tokens——注意，是亿，不是万。这个数字还在以肉眼可见的速度增长。

30 亿 tokens 是什么概念？如果每 token 算半个汉字，那就是 15 亿字的对话——相当于一年的人民日报总字数。这些流量每天穿梭在我们的校园网里。

作为网络信息中心的工程师，我每天面对一个灵魂拷问：

这些 LLM 流量，我们看得见、管得住吗？

理想情况是：

✅ 校内师生正常使用，畅通无阻
✅ 3B（外部人员/程序）偷偷调用被及时发现并拦截
✅ QoS 上给 LLM 交互做优先级保障（毕竟用户在等 token 一个个蹦出来，延迟高了体验炸裂）
✅ 敏感数据外泄时能溯源

但现实是——这些都是加密的 HTTPS，你跟普通网页浏览从包头上看一模一样。传统的 DPI 被 TLS 堵死，深度学习方案又吃 GPU 吃到流眼泪，根本没法在校园网网关上线速跑。

那咋办？

我开始盯着 tcpdump 出来的 pcap 文件发愣……然后突然发现了一个东西。

SSE（Server-Sent Events）这个协议，它有个蜜汁特点。

当你调用 LLM 的流式 API 时，数据不是一股脑儿回来的——它是一个 token、一个 token、一个 token 这样逐字逐句地往回蹦。每个 token 大概 200~800 字节，中间还夹着模型思考的停顿。这个"突突突→停顿→突突突"的模式，在包级别上产生了一种独特的微突发节奏——我给它起了个中二的名字叫 TAP（Token Arrival Process）特征。

等等，这个故事里怎么好像没提到"我"干了什么？——因为整个项目都是 AI 自主驱动的。

AI自主科研案例————LLM API 代理检测：当网络管理员开始抓"API 二房东"

Sat, 09 May 2026 00:00:00 +0000

从 30 亿 tokens 说起

llm.ustc.edu.cn 这个平台——它为全校师生免费提供 DeepSeek、Qwen、GLM 等主流大模型 API 服务，光一天就跑掉 30 亿 tokens。

30 亿。一天。

这是个甜蜜又痛苦的数字。甜的是大家真的有在用 AI 做事。痛苦的是——算力有限，这些 API 本来只打算给校内师生用的。

但现实总是很骨感。总会有人把 API Key 丢给校外的朋友，或者搭个 nginx 转发一下，变成"公共代理服务"。你也许甚至能在闲鱼上搜到有人在卖"中科大 API 代理"。

所以问题就变成了：我怎么知道一个 API 请求是校内师生自己用的，还是被二次转发的？

这就像当上了"API 房东"，却发现有租客在当"二房东"。我们要做的就是——抓二房东。

检测思路

理想很丰满，现实很丰满——我们从三个层面来干这事：

层面	检测对象	一句话原理
🔒 TLS 层	JA4 指纹	每个 TLS 库握手方式不一样，像指纹一样独特
📨 HTTP 层	请求头特征	User-Agent 和各类头是客户端的身份证
💬 Prompt 层	文本前缀聚类	不同用户写 prompt 的风格不一样
🌐 网络层	IP 属地	校内 IP 还是境外 IP，一目了然

做了个 11 页的完整报告，这里挑干货说。