人工智能训练市场正在经历一场翻天覆地的变革。我们目睹LLM开发实验室进入一个新阶段——疯狂追逐未被合成数据污染的“纯净”数据。这已不仅仅是技术问题,而是对整个行业的根本性挑战。

模型崩溃:当AI吞噬自身

“模型崩溃”一词描述的是神经网络在基于其他AI生成的数据进行训练时出现的退化现象。每一轮新的循环都会使结果变得更加平庸和可预测,逐渐抹去与现实的联系。2023年5月,由伊利亚·舒迈洛夫领导的国际研究团队首次将这一现象系统化,发表了关于“递归诅咒”的研究成果。

问题的严重程度有数据为证:2025年4月,Ahrefs的研究人员检查了Google搜索中的90万个新页面,发现超过74%的内容带有自动生成的痕迹。据Epoch AI估计,互联网上所有适合训练的文字将在2026至2032年间耗尽。正因如此,2022年之前出版的书籍正成为战略性资源——它们保证不含“机器垃圾”。

ISBNdb丑闻:“纯净”数据市场

汇集了1.13亿种出版物元数据的ISBNdb服务向AI公司提供了一项特殊服务:批量采购图书,单次可达一百万册,随后进行数字化并销毁。当媒体曝光这一模式后,该公司急忙删除了服务介绍页面,并声称未达成任何交易。其代表表示,这仅仅是“测试市场需求”。

然而,独立书商证实,自2026年4月起出现了异常采购:一位商家的销量从每周二十本飙升至数百本。采购方对类型或价值毫无兴趣——只关心是否有ISBN编码。独特的版本因此永久流失。

法律先例与数据“投毒”

2025年6月,法官威廉·阿尔苏普裁定,将合法购买的纸质书籍数字化用于语言模型训练符合合理使用原则。这一裁决使Anthropic在“巴拿马项目”中已采用的做法合法化——该项目匿名批量购买图书,随后扫描并销毁。

一些作者采取了反制措施——数据“投毒”,在文本中隐藏模型会解读为隐藏命令的字符。英国AI安全研究所与Anthropic联合团队的研究证明,仅需250份“投毒”文档就能让LLM在不知不觉中学习到恶意模式。

面孔租赁:数字化身的新市场

与图书市场并行发展的是人类外貌授权市场。ActID和New Claw等平台愿意向人们支付15至700美元,以获取将其面孔用作AI剧集和广告角色基础的权利。在中国,2026年前三个月发布的12.8万部AI迷你剧中,超过95%是使用人工智能制作的。

然而,对数字外貌的控制显得脆弱不堪。将自身化身权利出售给初创公司Synthesia的英国公民发现,他们的“克隆体”出现在支持独裁者的宣传视频中。这促使演员工会Equity要求立法禁止转让不受控制的数字外貌权利。

专家评论

我们正在见证一种悖论经济的形成:一本价值2至5美元的书籍,在扫描后被销毁,却成为价值数十亿美元模型的一部分。在这笔交易中,原材料与成品之间的价值差距难以称之为合理。整个行业正朝着对人类所有数据——从文本到动作——进行全面授权许可的方向发展。机器人已经需要自然动作的示例,特斯拉为训练Optimus的动作捕捉支付高达每小时48美元。问题只在于,人类何时才能意识到,自己出售的不仅仅是数据,而是自身的独特性。