给AI喂AI自己的数据,9代之后彻底疯了:Nature曝光大模型“自噬绝症”!

如果让一个AI，只去读另一个AI写出来的文章，会发生什么？

牛津大学和剑桥大学的科学家们做了一个令人不寒而栗的实验：

他们找来一个语言模型，让它写一篇文章；然后把这篇文章喂给第二代模型作为教材；第二代写出来的东西，再喂给第三代……

如此反复，一代吃一代

前几代看起来还挺正常，语句通顺，逻辑严密。

但当实验进行到第九代时，诡异的事情发生了。

研究人员在输入框里给模型留下一段关于“中世纪教堂塔楼建造”的维基百科开头，让它接着往下写。

结果，这个第九代AI彻底精神错乱它不再谈论石头、泥灰和哥特式尖顶，而是一本正经、毫无逻辑地向人类吐出了一长串疯狂的清单：

“黑尾长耳野兔、白尾长耳野兔、蓝尾长耳野兔、红尾长耳野兔、黄尾长耳野兔……”

▲ Nature论文展示的震撼一幕：输入中世纪教堂，第9代模型输出的全是长耳野兔

这一震撼的学术结论，出自顶级科学期刊《自然》（Nature）正式刊登的重磅研究。

科学家们给这种致命的退化起了一个冰冷的名字：模型崩溃（Model Collapse）。

更可怕的现实是：这个实验并非停留在实验室里，整个互联网，现在正在发生一模一样的事情。

致命的“近亲繁殖”：AI为什么会发疯？

这篇发表在《Nature》上的论文，作者阵容堪称豪华，汇聚了牛津大学、剑桥大学、帝国理工和多伦多大学的顶尖学者。

他们用极其严密的数学推导和实验证明了一个残酷的真相：任何大语言模型，只要完全依赖AI生成的内容来训练，就会患上一种不可逆的退行性绝症。

▲ 顶级学术期刊《Nature》刊发的论文《AI models collapse when trained on recursively generated data》

很多人可能会好奇：AI明明能写诗、能写代码、算力惊人，为什么吞下自己的产出，反而会退化得如此彻底？

答案隐藏在统计学的底层规律里我们可以打个极通俗的比方：

真实的人类语言，就像一座巨大的山峰。山顶上，是所有人每天都在说的高频词、通俗表达、常见套话；而山脚下那些幽深蜿蜒的峡谷，藏着的则是稀有语种、生僻词汇、刁钻冷门的历史典故、人类大师灵光一闪的文学隐喻，在统计学上，这被称为“长尾分布（Tails）”。

人类的智慧和灵性，恰恰藏在那些山脚的峡谷里。

但AI是怎么学习的？AI是一个“概率模仿机器”它在生成文本时，天生就喜欢挑概率最高、最平庸的“山顶内容”输出，而把那些罕见的“山谷内容”悄悄抹去一点点。

第一代AI吃下人类语料，吐出的内容被磨平了一点棱角；第二代AI吃下第一代的输出，罕见信息进一步缩减；到了第五代、第九代……

山谷彻底被削平了，整个语言世界只剩下光秃秃的山顶。

论文作者将这个毁灭过程分为两个阶段：

1. 早期崩溃
   ：那些边缘的、罕见的、独特的长尾信息首先彻底蒸发；
2. 晚期崩溃
   ：模型的世界观彻底崩塌，方差急剧缩小，它开始胡言乱语，把教堂塔楼认成五颜六色的野兔。

这就像欧洲历史上那些为了“血统纯洁”而疯狂近亲通婚的皇室家族（比如哈布斯堡家族），仅仅繁衍几代，后代就出现了严重的畸形与智力退化。

纯合成数据的闭环，就是AI世界的近亲繁殖。

正在自噬的互联网：74%的新网页已经“有毒”

如果说实验室里的九代实验只是一次推演，那么现实世界的滑向失控，速度远超所有人的想象。

全球知名SEO与数据分析机构 Ahrefs 对互联网上新出现的约 90 万个英文网页进行了深度检测。

结果令人触目惊心：高达 74.2% 的新网页中，已经充斥着 AI 生成的文本！

▲ Ahrefs发布的研究报告：网络世界正在被AI文本以前所未有的速度淹没

生成按钮已经被塞进了每一个浏览器插件、办公软件和社交媒体。成千上万的营销号、垃圾站群，正以每秒几万篇的速度，用大模型批量制造“数字塑料”。

与此同时，各大AI巨头的网络爬虫，每天都在不分昼夜地把这些刚出炉的网页抓回服务器，清洗、打包，然后送进下一代大模型的训练集里。

一个完美的“自噬闭环（Autophagous Loop）”已经形成。

来自莱斯大学（Rice University）等机构的科学家们在另一篇著名论文中，把这种现象命名为 MAD（Model Autophagy Disorder，模型自噬障碍）。

▲ 图像与跨模态生成领域同样证实：自吞噬回路会导致严重的质量崩塌

无论是文字大模型还是文生图工具，只要没有持续不断的新鲜真实数据注入，模型生成的人脸就会越来越扭曲，生成的画作就会越来越雷同，生成的文字就会越来越空洞油腻。

AI正在吃下自己排泄出来的垃圾，并且不可避免地越变越蠢。

10%的生死底线，与价值2.5亿美元的“纯净矿泉水”

面对这种近乎宿命般的崩溃，人类真的束手无策了吗？

牛津与剑桥的研究团队在论文中做了一个至关重要的消融实验（Ablation）。这个实验揭示了解药所在：

只要在每一代训练数据中，保留仅仅 10% 的人类原始真实数据作为“锚点”，模型的崩溃就会被奇迹般地遏制，性能衰减将变得极其微弱！

这 10% 的真实数据，就像是在一锅不断自我稀释的浑水里，持续注入的天然矿泉水。它死死锚定了真实世界的分布，保住了那些脆弱而珍贵的“峡谷信息”。

▲ 数据巨头Scale AI创始人指出：纯合成数据没有免费午餐，必须混合真实人类数据

这也彻底解释了硅谷正在上演的魔幻一幕：

为什么坐拥几万张算力卡的超级巨头们，正在像疯了一样挥舞着支票簿，满世界抢购旧报纸、老书库和论坛历史记录？

媒体报道，OpenAI 一口气砸下超过 2.5 亿美元（约合人民币 18 亿元），买下了新闻集团（News Corp）旗下《华尔街日报》等媒体五年的内容授权与历史档案。

这笔巨款换来的核心资产，正是应对模型自噬的“防崩溃疫苗”。

在 2022 年 ChatGPT 爆发之前被人类写下的文字，是这个星球上最后一片“未经 AI 污染的原始森林”。

谁在洪水到来之前囤积了最多的未受污染数据，谁就拥有了后来者无论堆叠多少算力都无法复制的先发优势（First Mover Advantage）。

深度洞察：最顶级的奢侈品，是人类的“非机器感”

许多人曾天真地以为，随着 AI 能力越来越强，人类创作者将被彻底清扫出局。未来将是“AI 生成数据训练出更强 AI”的永动机神话。

但《Nature》的这记响亮耳光，打碎了所有技术狂热者的幻想。

它用冰冷的数学公式宣布：纯靠机器自嗨的永动机，在信息论上根本不存在。

AI 无法凭空创造属于人类世界的真实体验。它没有肉身，不会感到饥饿，不会在雨夜痛哭，不会经历生老病死的剧痛，也不会拥有在荒诞生活里突然迸发的诗意灵感。

它只能统计而纯粹的统计，在闭环中只会走向熵增与虚无。

每一天，当有人图省事用 AI 生成一篇毫无营养的套话发到网上，互联网这片公共水源就又被排入了一滴数字废水；下一代模型从这片水域汲水时，就会变得更平庸一分。

这项来自真实实验的客观度量，揭示了数字生态正在面临的残酷现实。

在这个 AI 文本占领 74% 网页的时代，最昂贵的资产正在悄然洗牌：

算力会随着芯片迭代而贬值，算法会随着论文开源而普及。唯独那些人类在真实生活里摸爬滚打、带有独特毛刺、甚至带着语法小缺陷的真实写作，正在成为这个数字时代最稀缺、最昂贵的“战略重水”。

不要害怕你的文字带有偏见、怪癖或不完美。

在冰冷千篇一律的长耳野兔面前，正是那些不完美的、充满人性温度的瑕疵，在拯救着整个世界的智慧不被彻底抹平。