動態焦點:網友問 NewBing 問題，結果它上了另一個 AI 的當。。。

前幾天，世超刷到一個帖子。

(相關資料圖)

有個網友問 New Bing ：象鼻山是否有纜車， New Bing 上網查了下后說有的，并給出纜車開放時間和價格。

最后還強調，坐纜車可以欣賞到象鼻山的全景，值得一試。

乍一看， New Bing 回答還可以吼，一些必要信息它都給了，甚至想給你種草。

但一番考證后，網友發現New bing 回答是錯的。

AI 回答錯這種事，大家早見怪不怪了，但這次不同的是：

New Bing 答錯的原因，在于它參考的信息源有問題——

信息源，居然也是個AI 。

根據 Newbing 下方提供的參考來源，「 象鼻山提供纜車 」信息來自于一個知乎賬號。

而這個賬號，正瘋狂生產大量的AI 內容。

為啥這么說呢。

5 月 25 日這天，從下午 1 點 05 開始， 20 分鐘內他回答了 5 個問題。

不僅回答速度快，他還涉獵賊廣。

上能給出泰國、日本旅游攻略，下還熟知寵物訓練，甚至了解果蛆生活習性，還知道留置看護筆試要考什么題。

字數大概都在 200 字左右，回答的角度也都挺全面。

說實話，這背后要是一個真人在操作，那世超就是來人間湊數的。。。

我把它的回答復制到百度和谷歌，也并未發現是搬運。

既然不是營銷號，那根據經驗，這種文案口吻只有 AI 能寫出來了。

目前知乎已經把百變人生禁言，并在它所有回答下方貼出「 疑似 AI 」的提示，也基本能坐實這就是一個背靠 AI 的賬號了。

所以整件事就是NewBing 被另一個AI 編造的答案給坑了。

你可以戲謔的說成：AI 吃到了同類拉出來的狗糧。

但要世超看，這種事，將來在AI 界內可能會被不斷發生。

講一個案例。

AI 行業有一種工作叫標注員，最簡單的一類就是給圖像打標簽，比如標記下圖片里的物體是汽車還是摩托車。

打過標簽的圖片，相當于有了參考答案，才可以拿去給AI 進行訓練，深度學習。

標注員的工作也能稍微復雜點，比如做摘要。

前段時間，瑞士洛桑聯邦理工學院有一群研究人員就請了 44 名外包員工，讓他們給 16 篇論文做摘要。

結果你猜咋地。

研究人員最后用技術手段識別出有 33% 到 46% 的摘要，是用大型語言模型生成的。

原來有一些外包員工偷懶，用 AI 幫他們生成摘要，然后用這批摘要用來訓練 AI 。

他們是懂偷懶的。

雖然整個事件是學者們做的一場實驗，但從本質上說，這不也是一起AI 吃到同行拉的狗糧的故事么？

我認為這可不是個好兆頭。

要知道大語言模型非常復雜，它需要的訓練數據極其龐大，也是關鍵所在。

不管是書籍還是網絡上發布的帖子，文章，這些由人類創造的作品，因為自然、干凈、質量高，對正在長身體的 AI 來說，就是一個營養拉滿的訓練語料庫，

前段時間為什么 reddit 要對 API 收費，就因為上面數以萬計的帖子，對 AI 公司來說就是一個極具有價值的人類寶庫，它不想被白嫖。

所以在未來一段時間，不僅網絡上AI 生成的內容會越來越多，而且，會有越多的內容創作者和平臺認識到數據的價值，開始對內容進行收費。

這就意味著，以后訓練AI 時，語料庫會不可避免來自于它們的前輩。

這個趨勢下，會發生啥呢？

世超在網上搜羅一圈，發現前段時間就有英國和加拿大學者研究了這個問題，并為此發布了一篇論文。

簡單概括就是，這種情況會導致AI 越學越退步，他們稱為 Model Collapse 「 模型崩潰 」，

一旦模型出現崩潰，它的瓦解速度會非常快， AI 會迅速忘了他們最開始學的大部分內容，錯誤也會越來越多。

說簡單點， AI 會開始記不住東西，并且瞎 tm 回答。

這就意味著AI 智商會迅速崩塌，一代更比一代蠢。好比一張圖片被人們轉來轉去，高清無碼總會成了爆漿表情包。

不過，比起AI 和人類未來，我更擔心人類自己。

因為「 AI 越練越蠢 」說法建立在「大部分 」訓練數據來源于前輩的情況，且忽略 AI 未來可能會具備「識別 AI 文本 」的能力。

而有個很殘酷的事實是，互聯網上 AI 生成的內容會越來越多，人類寶庫會被逐漸污染。

那有沒有一種可能，就像那些網絡流行語一樣， AI 作品、文案、圖片也會逐漸融入我們日常溝通方式，甚至讓我們無法離開。

長此以往，人類是否會被「 馴化 」。從說話習慣到思考方式，再到行為邏輯，會不會受到一定的影響。

我想，這可能要打一個問號了。