ChatGPT 们能讲人话后，AI 污染互联网将变本加厉

主要观点总结

文章讨论了生成式AI对语言和数据的影响，以及由此带来的问题。Wordfreq项目因AI文本污染数据而终止，引发对AI数据爬取与反爬取的讨论。研究指出AI生成的数据可能导致模型质量下降，并带来偏见问题。同时，AI生成的垃圾网页污染互联网，影响AI模型的原材料。人类需更加谨慎对待在互联网留下的每一句话。

关键观点总结

关键观点1: 生成式AI污染语言和数据，导致Wordfreq项目终止。

AI的发展导致语言习惯变化，生成式AI让语言变得趋同，导致Wordfreq项目无法准确追踪语言变迁。Wordfreq项目因数据获取困难而终止。

关键观点2: AI爬取与反爬取战争激烈，媒体开始重视数据和版权。

随着模型对高质量数据的需求增长，爬取与反爬取的战争愈发激烈。媒体开始重视数据和版权，采取屏蔽爬虫、收费等措施。

关键观点3: 合成数据可能加剧AI模型质量下降和偏见问题。

虽然合成数据是解决数据耗尽的一种方法，但可能导致模型质量下降和产生偏见。低质量数据充斥互联网，导致模型学习错误和噪声，加剧现实不平等。

关键观点4: AI生成的垃圾网页污染互联网，影响AI训练。

AI生成的垃圾网页充斥互联网，这些网页被用作训练AI模型的原材料，导致模型质量下降。社区环境受AI污染，人类不得不禁用AI。

关键观点5: 人类需更加谨慎对待在互联网留下的每一句话。

互联网上的每一句话都可能成为训练AI模型的原材料，人类需要更加谨慎地表达自己的观点，避免加剧现实不平等和模型质量下降的问题。