当互联网开始由AI书写：2026企业级AI合成数据污染、递归自噬、幻影共识与来源断链治理实战
2026年9月，当AI生成内容从"辅助写作"全面迈入"生态主体"的信息环境——互联网新增内容中超过六成全流程由模型生成、企业内部知识库中近八成文档由AI起草或摘要、分析师报告的第一稿与最后一稿都出自同一个模型家族、客服工单的处理记录由AI撰写并由AI再次检索——一种比数据投毒更"自愿"、比模型退化更"渐进"、比信息茧房更"彻底"的系统性风险正在瓦解"语料是现实的记录"这一根本假设：AI的输出流回互联网，互联网流入下一轮训练与检索，下一轮的输出再次流回——循环闭合的那一刻，语料不再是现实的采样，而是模型对自己上一句话的转述。这就是递归自噬（recursive self-consumption）。2024年7月，Shumailov、Gal、Papernot等人在《Nature》发表的论文给出了它的学名：模型崩塌（model collapse）——在递归生成数据上训练的模型，其分布尾部最先消失、方差持续收缩、极端与罕见类别被逐代抹平，直到系统只剩下一条越来越窄的均值；而后续研究（Strong Model Collapse）证明了一个更残酷的版本：合成数据的占比不需要很高，只要它进入的是"替换"而非"累积"的语料制度，崩塌就会发生。早在2022年，Villalobos等人就预测公开人类语料将在2026年前后被耗尽——Stack Overflow、arXiv、PubMed的增长曲线全部指向同一个终点；2026年9月的今天，这个预测的前半句已经兑现，只是方式超出了所有人的预期：语料没有"耗尽"，它被淹没了——人类内容的绝对数量还在增长，而它在新增内容中的占比已经低到无法为下一代模型提供足够的分布尾部。
)
