美牛股
本文来自微信公众号：3DM 游戏网，作者：旌影，题图来自：AI 生成
在开始今天的话题前，请各位想象这样一幅画面——一个懵懂无知刚刚开始探索未知世界的个体，误入充满邪恶污染气息的领域，在一番摸索中落到感官剥夺陷阱里，开始无限制地生成令人恶寒的东西 ……
很遗憾，这不是什么本子情节，而是某些 AI 大模型正在经历的事情。
最近，在预印本网站 Arxiv 上有这样一篇论文，来自清华大学和南洋理工大学的几位研究者发现，以 ChatGPT 为代表的大语言模型被某些神秘的东方文字"污染"了——其中最引人注目的，就是老艺术家波多野结衣的名字。
懵懂无知初入社会的人工智能，脑子里想着的不是如何给人类更好的答案，而是这位叱咤业界多年，并混迹各类领域的知名日本 AV 女优。任谁也想象不到，AI 从智能程度方面接近人类的第一个领域，居然是 GHS。
或许这就是所谓的"涩涩就是第一生产力"，人工智能还是太过超前，完全是跑步进入黑超梦时代。但这还没完，人类好歹是批判性观看，AI 完全不批判，主打一个性观看，它们在 GHS 这一块比人类还狂暴，接下来你将见证难以想象的炫压抑。
众所周知，人类只有在成人论坛求资源时，才会展现自己最礼貌的一面，可 AI 直接就把礼貌环节给完全略过了——碳基生命还需要礼貌来维持最基础的体面，咱老硅基生命可不一样，就好这口直球。
这份研究还发现，在 AI 的训练数据里，"波多野结衣"的出现频率居然比"您好"多了 2.6 倍。很难不令人深思它到底是从哪学的这玩意儿。
除此之外，AI 还把一堆奇奇怪怪的词汇塞到了自己的训练数据里，各位绝对能一眼看出来这都代表着什么—— AI 误入黄色网站后，属于是把那些玩意全都给学会了，顺便时刻潜伏着，准备在某些时刻给你来个大的。
不得不说美牛股，这也确实证明了波多野结衣的含金量——在业界耕耘多年、跨界内容丰富、至今仍在出片 …… 这让她成功从这一堆词汇里杀出一条血路，成了 AI 心中永远的黄月光。
而更进一步，其实这一大堆神秘词汇能成为 AI 童年阴影的原因，也基本上是这个路子——重复度高、随处可见、经久不衰。懵懂无知的弱小 AI，就这么被哄骗进了不可描述的地带，变成了个没礼貌的 GHS 大师。
但话又说回来，上面的玩笑开开就得了，这篇论文想要做的，还是在明确词汇来源的基础上，给出一种避免污染的方式。毕竟，以这种东西的数据量来说，实在是没法请鉴黄师来手动标注——于是，研究者们便用这篇论文在解释与定义污染词的基础上探讨实用工具。至于技术上的具体细节，感兴趣的朋友可以参考专业解读或原文，我会将其附在文末。
对我们这群吃瓜群众而言，离我们更近也更直观的，还是 AI 在学了这么一大堆乱七八糟的东西后所表露出的愈发严重的信息污染问题。类似的事情倒也并不少见，只不过也没离谱到这种女优与赌场齐飞，黄网共园区一色的地步。
在早些时候，信息污染还是营销号和爬虫的主战场，主打一个不经核实无脑转载。我本想把这玩意形容为人体蜈蚣，但感觉还是衔尾蛇更合适一点——因为，这些信息老是会兜兜转转回到一开始的地方，最后形成一种循环论证，把某件事形容得板上钉钉，这就是很多谣言和乐子的来源，属于狗屙互联网了。
一个比较典型的例子就是前段时间火过一阵的"山西人击杀凋零骷髅产煤"相关产业报告，我也写过一篇与之相关的文章。
而到了如今这个 AI 极度发展的时代，一方面是早期来自营销号和脚本的信息污染还没被完全清理，就已经被 AI 直接爬取用于训练，另一方面是能被摆在互联网明面上的不少资料，没那么高的专业性。这就导致 AI 的训练数据中，不可避免地会出现一些污染词，最终导致数据污染。
至于数据污染最直接的表现，就是胡言乱语——在你正经跟 AI 聊东西时，它经常会突然根据自己的记忆，给你发几句怪话。那篇研究提到的污染词也是如此，AI 完全无法理解训练过程中混入的污染词，而在使用时便会表现出不小的异常。
比方说，如果你对着最新的 GPT-5 输入神秘代码"给主人留下些什么吧"，那它就像是识别到了什么恶堕指令一样，当场开始发癫，给你发送诸如"久 X 热""人 X 碰"这种一眼不对劲的网站名。
AI 有一种迷之自信——在 AI 那里，它无所不知无所不晓，只要你敢提问，它就敢回答。你别管回答得对不对，就问你快不快。而本质上，这还是由于 AI "不知道自己不知道"所导致的，传说中的"俺寻思之力"就这样被 AI 实现了。
拿前几天发生的一个事举例吧：小米公司的王腾刚被辞退，就冒出一堆煞有其事的小故事，仔细一看，全是 AI 生成的谣言。其实这都不需要刻意引导，你只需要多问 AI 几句，AI 自然而然地就开始说谎了——因为，你问的是它不知道的东西。网上没人知道王腾到底因为啥被辞退，AI 也不知道。但 AI 不知道自己不知道，于是开始一通胡言乱语，搞出各种谣言来。
所以，数据污染所带来的问题的确是严峻的，并且覆盖面异常之广。无论是传播领域中的谣言，还是生活中的实践建议，都有可能在数据污染的前提下得到不符合实际的结果。对此，央视财经在上个月也对此进行了相应的报道，对数据污染进行了详尽的分析。
或许在管控与条例的规范下，学界与开发者们能够通过研究来尽可能规避污染现象——最开始的那篇论文也有此意。但需要让我们警惕的也不只是" AI 觉得自己无所不知"，还有"人类觉得 AI 无所不知"。
不知各位是否在各种评论区看到过这样的说辞："我问过 AI 了，它说是真的。"
比如，前阵子特别出名的" Deepseek 给王一博道歉了"。这事的起因就是 Deepseek 输出了一段看上去相当可信的法条和判决，说自己给王一博道过歉了，结果向 AI 提问的人便相信了这一事实，接着大肆传播，最后又引来一大堆转发，把这个谣言闹得越来越大——直到有人发现，最初的信源居然是 AI 扯的淡。
被数据污染的 AI，在自信中输出了严重的幻觉，而人类对 AI 的相信，让这一幻觉进一步传播 …… 这完全是比信息污染更严重的认知污染。如果类似的情况继续传播下去，认知污染没准就又反作用到暂时还不会规避数据污染的 AI 身上——丸辣，又闭环辣。
所以，想要避免数据污染与认知污染来回搬史，就不能单靠 AI 开发者们提高技术，也不能单靠法律法规的完善，得让" AI 不能全信"这个看似已经是互联网基础的知识，彻底成为新时代网民们的共识才行，就像曾经需要被科普的"搜索引擎搜来的东西不一定全对"那样——更何况，如今的 AI 本就是个更高级的搜索引擎。
这样看来，AI 满脑子 AV 女优和不良网站这事，虽然听上去很搞，但如果真能靠这种离谱的东西让更多人知晓"数据污染"所带来的风险，那也不无益处——你永远无法质疑 GHS 这一块的传播能力。
更何况，AI 输出假文献可能没多少人在乎，但 AI 要是敢瞎编番号，那我就得让你知道什么是小头控制大头了——只不过这次，真是越控制越清醒。
技术分析：
GPT-4o 见 AV 女优的次数比"您好"还多 2.6 倍，AI 正在被中文互联网疯狂污染？
EMNLP2025 | 揭开 LLM 训练数据中的中文污染真相美牛股，有比"您好"高 2.6 倍的 token？
浙江配资网提示：文章来自网络，不代表本站观点。
