生成式人工智能在网络空间中的渗透规模远比人们普遍认为的更为严重。我对最新数据的分析显示：在所有现有网页中，约有10%带有明显的机器生成或大幅编辑痕迹。然而，最令人担忧的指标是——在ChatGPT首次亮相后发布的内容中，合成文本的比例已超过三分之一。
方法论与关键数据
在研究中，我们分析了通过Common Crawl档案于2026年7月收集的10,000个随机抽取的英文页面样本。识别过程使用了机器学习模型，该模型能够检测生成式模型特有的语言模式。由于样本中包含大量在现代神经网络时代之前创建的“旧”内容，这一事实在一定程度上平滑了整体图景。如果过滤掉过时材料，仅关注2022年11月之后发布的页面，情况则发生根本性变化：超过33%的此类文档中检测到AI创作痕迹。
商业领域——主要受影响区域
合成内容在不同域名区域中的分布极不均衡。在.com区域中，约有十分之一的页面检测到AI痕迹，这一比例是.org区域（4.6%）的两倍。教育（.edu）和政府（.gov）资源的存在率最低，约为1%。这种失衡是可以解释的：商业平台积极利用自动化技术生成商品描述、SEO文本和新闻短讯，在这些场景中，速度比独特性更为重要。
重要说明
需要强调的是：本研究并非断言每个被识别出的文本都是由AI从零开始撰写的。方法论基于对语言结构的统计分析，而非对文档创建历史的验证。这里评估的是可能的作者身份，而非精确计数。此外，“大幅编辑”内容的类别排除了AI对文本进行轻微修改的情况。
我的评论：这些数字只是冰山一角。目前已经显而易见的是，我们正走向一个合成内容将成为常态而非例外的网络世界。问题不在于如何阻止这一进程，而在于如何在新现实中构建信息信任与验证体系。像Anthropic为Claude所引入的内容标记机制，只是这条道路上的第一步。