人工智能市场面临一个悖论:模型在合成数据上训练得越多,退化得就越快。这一现象被称为“模型崩溃”,迫使实验室寻找越来越稀有的“纯净”内容来源——从大规模收购纸质书籍到租用真人面孔制作深度伪造。我在此探讨,为何一个追求自主性的行业如今却迫切依赖“有机”数据。
递归的诅咒:人工智能如何自我吞噬
“模型崩溃”一词于2023年5月由伊利亚·舒迈洛夫领导的研究团队引入科学界。数学上已证明:当模型在另一神经网络生成的数据上训练时,它会丧失正确再现稀有事件和细微规律的能力。每经过一个循环,回答就变得更加平均化,错误则如雪崩般累积。
问题的规模有数据佐证。据我估计,目前互联网上超过74%的新内容是由自动化生成的,而根据Epoch AI的预测,公开可用的适合训练的全部文本可能在2032年前耗尽。这催生了对保证不含“合成垃圾”的数据的巨大需求——而2022年前出版的书籍成为首选来源。
灰色方案:书籍作为消耗品
ISBNdb服务的情况颇具代表性,该服务向人工智能公司提供批量经纪服务,以高达百万册的批量收购纸质书籍,随后进行数字化和销毁。当这一方案公之于众后,该公司匆忙删除了推广页面,称这一切只是“市场需求的测试”。然而,独立旧书商证实,自2026年4月以来采购量出现异常激增,周销量从二十本跃升至数百本。
这种做法已获得法律认可。2025年6月,法官威廉·阿尔苏普裁定,将合法购买的书籍数字化用于大语言模型训练属于合理使用原则的范畴。现在只需保留收据——数据来源即可得到文件证明。这一方案的经济效益令人震惊:二手市场上价值2至5美元的一本书,变成了帮助打造价值数十亿美元模型的资产。
面孔与声音:新的货币
生物识别数据市场也出现了类似情况。像ActID和New Claw这样的平台向人们支付15至700美元,以许可其外貌用于人工智能剧集和广告。在中国,2026年第一季度发行的128,000部人工智能迷你剧中,超过95%是由神经网络制作的,对“鲜活”面孔的需求巨大。
然而,对这些数据使用的控制极其脆弱。已知有案例显示,出售了头像权利的英国公民的数字克隆被用于独裁政权的宣传视频。这印证了我长期以来的观点:一旦转让权利,人们实际上就永远失去了对其数字形象的控制。
分析师结论
我们正在目睹一个根本性转变:追求完全自主的人工智能行业,实际上却严重依赖人类的“原材料”。无论是文本、面孔还是声音——模式都一样:数据不可逆转地脱离所有者的控制,如今还附上了收据。在市场制定出严格的长期控制机制和公平的利润分配方案之前,这种不对称只会加剧,埋下新的伦理和法律定时炸弹。