AI正在吃光互联网,但真正的问题不是流量

每个大模型出生前，都要先「吃」海量的数据。GPT-4吃了约2万亿tokens，Llama 3吃了15万亿tokens，谷歌的Gemini更是号称训练时用掉了超过10万亿tokens。

这些数据从哪来？从整个互联网来。书籍、论文、新闻、维基百科、网页、论坛、Reddit——只要是公开的、高质量的文本，都被AI当成「饲料」。

但问题是，互联网上的高质量数据，是有限的。

— AI与人类，正在争夺互联网上有限的真实数据

研究机构Epoch AI做过测算：全球高质量文本数据（书籍、论文、新闻、维基）总量大约5万亿tokens。按当前模型训练规模的增长速度，到2026-2027年，这些高质量数据就会被全部用尽。

就算把网络上那些低质量数据也算进去，总量大概300-500万亿tokens，但其中高质量部分占比不到5%。而用低质量数据训练模型，会导致模型能力下降——这就是数据「边际收益递减」。

AI这个「贪吃鬼」，正在把互联网的「营养」吃得见底。这不是科幻预言。高质量文本数据的枯竭拐点，就卡在2026-2027年——也就是现在、明年。

回到Cloudflare那个1000倍的数字。AI流量暴增，意味着什么？意味着网站被AI爬虫疯狂抓取，意味着带宽成本飙升，意味着大量内容被AI「白嫖」拿去训练。

于是我们看到一个诡异的局面：一边，是AI像饿狼一样扫荡互联网找数据；一边，是网站开始反制AI，屏蔽爬虫、加验证码、设访问门槛。

人类在跟AI抢互联网，互联网也在跟AI抢人类。但最讽刺的是：就算AI把互联网翻个底朝天，它能「吃」到的真实人类数据，也就那么多。

于是有人想出了一个「妙招」：干脆让AI自己生成数据，再拿这些数据去训练下一代AI。听起来完美解决了「食品供应」问题——想要多少生成多少，还能控制质量、避免隐私问题。

但这里藏着一个要命的坑：模型崩溃（Model Collapse）。

2024年《自然》杂志上的一篇论文做了实验：当模型在「自己生成的数据」上反复训练时，会逐渐丢失真实世界的分布，开始产生重复、事实错误、创造力持续下降。只用合成数据训练3代，模型准确率就下降超过50%。

混合使用（30%合成+70%真实）还能勉强维持，但纯合成数据训练，等于让AI「吃自己的剩饭」，越吃越没营养，越吃越退化。

这就是为什么连OpenAI、Anthropic这些巨头，嘴上说着合成数据，实际操作时还是死死搂着真实人类数据不放。

面对数据枯竭，行业分成了两派。

一派认为数据枯竭是伪命题。Meta的LeCun说，人类一辈子学到的东西其实很少，关键不是数据量，而是模型架构和自监督学习能力。AI不该靠「吃得多」，而该靠「会思考」。

另一派则看到了数据背后的价值重估。当高质量人类数据越来越稀缺，就越来越值钱。医疗数据、法律数据、创意写作——这些高价值领域的真实数据，价格会越来越高，甚至催生出专门的数据交易市场。中小公司可能越来越买不起好数据，只有巨头能玩得起。

你更信哪一派？

— 数据枯竭的十字路口，AI的下一站在哪

表面看，这是AI行业的技术难题，离普通人很远。但传导链其实很清晰：

AI吃光互联网的流量，只是表象。真正的问题，是AI在把自己最依赖的「粮食」——真实人类数据——吃光。

流量可以被算法放大，但真实的、高质量的人类认知，是有限的。

AI越是强大，真实的人类数据就越珍贵。这大概是AI时代，普通人手里为数不多、还在持续增值的资产。

＊ 本文不构成投资建议。市场有风险，决策需谨慎。＊

— END —