ARTICLE · 1073822
让AI自产自销9代后彻底精神错乱!牛津剑桥Nature顶刊发警报:人类文本正在变成天价黄金
如果你给一个顶尖的AI模型输入这样一段文字：“请续写中世纪教区教堂的塔楼建筑风格与石匠工艺……”
你期望它会聊起哥特式飞扶壁、尖顶或是中世纪手艺人的行会秘密。
但在欧洲顶尖实验室的屏幕上，当研究人员让AI连续9代只学习上一代AI写出来的文本后，第9代模型敲出了这样一段令人毛骨悚然的胡话：
“……除了是世界上拥有最多黑尾长耳大野兔、白尾长耳大野兔、蓝尾长耳大野兔、黄尾长耳大野兔的栖息地之外……”
教堂变成了大野兔建筑学变成了疯狂的动物色彩清单
这个看似荒诞的场景，出自发表在顶级科学期刊《自然》（Nature）正刊上的一项严肃实验。
▲ 牛津大学与剑桥大学等团队发表于《自然》正刊的重磅研究，DOI: 10.1038/s41586-024-07566-y
来自牛津大学、剑桥大学、帝国理工以及多伦多大学的联合研究团队正式向全人类发出了警报：
一旦AI开始吃下自己排泄出来的“合成数据”，只要迭代数代，模型就会患上一种不可逆转的致命脑萎缩，他们将其命名为“模型崩溃”（Model Collapse）。
当全世界的科技巨头都在狂欢“用AI生成数据训练下一代更强大的AI”时，科学家们却揭开了一个冰冷而残酷的真相：
没有人类的真实输入，AI会迅速把自己逼疯。
01一场荒诞的“近亲繁殖”实验：教堂是如何变成兔子的？
在机器学习领域，一直流传着一个诱人的神话：合成数据（Synthetic Data）是通向通用人工智能（AGI）的无限印钞机。
人类写的所有书籍、网页、论文加起来是有限的，早晚会被AI吃光。既然如此，让GPT-4写一万亿字，再喂给GPT-5，不就可以无限进化了吗？
牛津与剑桥的科学家们决定亲自动手，戳破这个气球。
他们使用了Meta开源的语言模型OPT-125m，做了一个极其严格的跨世代递归训练实验：
- 第0代模型
：吃纯粹的人类真实文本（维基百科级别的数据），表现优异。 - 第1代模型
：不再看人类写的字，只吃第0代AI生成的文本进行训练。 - 第2代模型
：只吃第1代AI生成的文本…… - 以此类推，一代代“近亲繁殖”下去。
▲ 论文 Example 1 记录的变异过程：从第0代严谨讨论中世纪教堂，到第9代彻底沦陷为不同颜色“长耳大野兔”的机械复读
退化发生的速度快得惊人：
到第1代时，模型还能维持基本逻辑，但词汇已经开始贫乏； 到第5代时，关于教堂的描述突然夹杂了大量莫名其妙的语言名称罗列； 到第9代时，整个模型彻底陷入疯癫，不管你问它什么，它都在疯狂输出各种颜色的长耳野兔（Jackrabbits）。
科学家给这种现象起了一个形象的比喻：“把一张照片复印、再复印、再复印10次。”
每一次复印，都会丢失一点细节，增加一点噪点。到了第9次，原本清晰的人物肖像，最后只剩下一块漆黑混沌的墨斑。
02致命的“尾部消失”：AI为什么会把世界越学越窄？
要理解AI为什么会发疯，我们需要懂得大语言模型最底层的一个秘密：统计分布的“尾部”（Tails）。
大模型本质上是一个超级“概率预测机”。当它学习海量人类文本时，它学到的是一个复杂的概率分布：
- 头部数据
：高频词、常见套话、标准的语法、大众共识（比如“太阳从东方升起”）。 - 尾部数据
：小语种表达、冷门的历史冷知识、奇特的修辞、复杂的边缘医学病例、人类独特的哲思与怪癖。
人类文明的所有创造力与多样性，恰恰藏在这些低概率的“尾部”里。
▲ Scale AI 创始人 Alexandr Wang 发文警告：纯合成数据缺乏信息增益，必须依赖真实世界的人类种子
当AI生成文本时，由于采样机制，它会本能地、略微倾向于选择那些概率最高、最安全、最平均的词汇。
于是一场悲剧发生了：
- 第1代AI
把人类语言中最生动的“尾巴”切掉了一小截； - 第2代AI
把上一代切剩下的平庸内容当成全部世界，又切掉了一截； 几代之后，分布的尾部彻底蒸发（Tail Collapse）。模型能理解的世界急剧缩小为一个方差极小的点。
用牛津团队的话说：“模型误认了现实”
它不再知道世界上除了常见事物之外还有什么，在试图填补认知空白时，数学误差开始疯狂指数级放大，最终演变成彻底的胡言乱语。
研究团队还发现，即便在算法中强行加入“重复惩罚”，也无法阻止崩溃，甚至反而让语言体系坍塌得更快。
0310%的人类底线：只要一点点真实，世界就不会沉沦
在这篇令人窒息的论文中，科学家们其实埋下了一个极其关键的生机之光，一组消融对照实验。
研究人员测试了一个关键变量：如果每一代AI在训练时，固定保留10%的原始人类真实数据，会发生什么？
奇迹出现了：
仅仅保留10%的人类真实语料，模型的性能退化就被奇迹般地遏制住了，几乎没有发生灾难性的崩溃！
这10%的真实人类文字，就像是深海潜航员身上系着的那根细细的安全脐带，又像是狂风暴雨中死死咬住海底岩石的锚。
它在模型即将滑向自我同质化深渊的关头，拉住了失控的预测：“真实人类世界远比既定模板广阔，充满了未知的奇妙、瑕疵与意外。”
然而，实验室里的10%容易保留，真实互联网上的这根“人类锚”，却正在被以不可思议的速度熔断。
04细思极恐的现实：整个互联网已被74%的“机器口水”淹没
牛津剑桥揭示的危机并未止步于实验室推演。
知名SEO与数据机构 Ahrefs 在2025年公布的一项全网大规模实测，直接把这一隐患拉到了现实面前，让整个硅谷倒吸了一口凉气。
▲ Ahrefs 分析90万个全新网页发现：高达71.7%的内容是人机混合生成，纯人类内容仅剩25.8%
Ahrefs 的爬虫随机抓取了全网90万个最新创建的独立网站页面，利用其内部检测算法进行了深度解剖：
- 纯AI生成的页面
：占 2.5% - 人机混合（AI辅助润色/撰写）的页面
：占 71.7% - 纯人类撰写的网页
：仅仅只剩 25.8%！
综合来看，全网超过 74.2% 的新内容，已经被AI深深污染。
全球各大AI巨头的网络爬虫，今天在开放互联网上抓取的每一勺水，都已不可避免地混入了高浓度的“数字微塑料”。
未来的 GPT-5、GPT-6、Claude-4，已经身处 Shumailov 论文所预言的“递归循环”之中。
正如一位推特科技博主一针见血的感叹：
“九代之后教堂变成了野兔，这是尾部塌缩的残酷演示。如果74%的新网页都已经含AI，那10%的人类数据底线就是我们唯一的锚。未经AI处理的纯人类写作，正在成为这个星球上最稀缺的硬通货。”
05时代的巨大反转：人类的“瑕疵”变成了天价黄金
认识到“模型崩溃”的恐怖后果之后，整个科技圈的底层商业逻辑正在发生一场惊天逆转。
在过去，科技大佬们认为人类写字太慢、太贵、语法不规范、充满偏见；而今天，没有被AI污染过的“原始人类语料库”，被标上了令人咂舌的天价。
▲ 媒体巨头新闻集团（News Corp）与 OpenAI 达成价值超过 2.5 亿美元的重磅内容授权协议
2024年年中，拥有《华尔街日报》、《纽约邮报》、《泰晤士报》的传媒帝国新闻集团（News Corp）与 OpenAI 达成了一项为期5年、总值超过2.5亿美元（约合人民币18亿元）的历史性协议。
OpenAI 愿意掏出几十亿真金白银，买的究竟是什么？
买的就是那些沉睡在报社档案库里、在2022年ChatGPT诞生之前由专业人类记者一个字一个字敲出来的，“前AI时代纯净语料”。
论文作者在《自然》期刊中提出了一个极具穿透力的商业概念：先发优势（First Mover Advantage）。
在2022年大模型爆发前就完成全网抓取并建立清洗语料库的公司，掌握了人类历史上绝版的资产。而后来者如果只去爬今天的互联网，他们得到的只会是一锅被模型自身反刍物反复煮烂的“机器烂肉粥”。
人类的错别字、情绪化的吐槽、逻辑不够严密但灵光一闪的随笔、方言里的奇妙俚语……
这些曾经被工程师嫌弃为“噪声”的人类特征，如今成了对抗模型痴呆的唯一抗毒血清。
06别让机器吃了你的灵魂
站在2020年代中叶的节点回望，我们正在经历一场人类认知史上前所未有的奇观：
一方面，海量平庸的自媒体、公关稿、水军评论正在用AI疯狂批量生产，把互联网变成一座巨大的信息垃圾填埋场；
另一方面，顶尖科学家与千亿美元市值的科技巨头，却在全世界疯狂掘地三尺，寻找哪怕一小撮由人类大脑神经元放电写就的、带有体温的文字。
如果下一次，你还在为自己写文章不够“像AI一样工整高效”而焦虑，请记住牛津和剑桥在《自然》上给全人类的这封启示录：
机械的平庸终将导致崩溃，唯有人类的混乱与真诚永垂不朽。
不要停止思考，不要停止笨拙地书写
因为你敲下的每一个带有你独特灵魂印记的汉字，都是在拯救这个正在被AI同质化吞噬的世界。