AI 公司一边制造内容，一边避开 AI 内容：训练数据的悖论

AI 行业正面临一个明显的悖论：模型厂商一边大规模生成 AI 内容，一边在训练阶段竭力回避 AI 生成的数据。404 Media 近期报道指出，多家 AI 公司正在批量采购「前 AI 时代」的出版物，用于模型训练，以降低「模型崩溃」风险。

书籍数据：ISBNdb 成为关键来源

报道中提到的一个重要数据供应商是 ISBNdb。该公司最初面向图书馆与书商提供图书元数据，随后业务转向数字化书籍，向 AI 公司出售训练语料。ISBNdb 自称是全球最大的图书数据库，收录约 1.11 亿册图书。其核心卖点在于：2022 年之前出版的图书基本不含 AI 生成内容，因此被视为「干净」的训练数据。

Reddit 数据同样被看重

除书籍外，AI 公司对 Reddit 数据表现出浓厚兴趣。原因有三：内容主要由人类撰写；话题覆盖广泛且持续更新；投票机制附带人类对信息质量的判断。这些特征使 Reddit 成为训练 AI 的优质语料。

「模型崩溃」：被反复训练的内容会退化

「模型崩溃」指 AI 模型在多代 AI 生成内容上训练后，输出准确性与质量持续下降的过程。具体表现为：罕见或独特的观点逐渐消失，输出趋于平庸和平均化，幻觉被反复「确认为真」并在后续回答中被强化。

人类参与的循环同样会导致趋同

传统讨论聚焦于纯 AI 内容的自我循环，但原作者提出一个更深层的问题：当信息源本身已被 AI 污染，即使有人类参与训练数据生成，「模型崩溃」依然会发生。流程大致是：使用 AI 辅助的作者产出内容 → 被收入训练集 → 训练后的模型再输出给作者 → 作者据此写出更趋同的作品 → 再次进入训练循环。已有研究观察到：AI 生成的故事创意能提升单个写作者的创造力，却让不同写作者之间的想法彼此趋同，导致整体内容池的同质化。

小结

AI 公司对训练数据的焦虑，折射出整个内容生态面临的结构性问题：AI 生成的内容正在回流到它自己的训练管线中。即便有人类作为中介，多轮迭代之后，独特性与多样性仍会被逐步侵蚀。这不仅关乎模型质量，也关乎整个知识生态的长期健康。