AI公司狂囤真人數據：75%網頁已變"合成垃圾"

一個數據點正在硅谷流傳：75%的網頁內容已被AI生成。Scale AI CEO Alexandr Wang 在最新訪談中拋出這個數字時，整個行業的焦慮被徹底點燃——當機器開始用機器產出的內容訓練自己，這套循環還能轉多久？

數據饑荒：真人內容正在變成戰略物資

Scale AI 的核心業務是為AI公司提供訓練數據。Wang 描述了一個微妙的轉折點：2023年前，企業客戶問的是"能不能搞到更多數據"；現在問的是"能不能搞到更多真人數據"。兩個字的差異，折射出整個行業的信任危機。

這種轉變有跡可循。Google 的搜索查詢、reCAPTCHA 的點擊驗證、DoorDash 的配送路線反饋——這些曾被視作副產品的人類行為痕跡，如今被重新定價。Niantic 更典型：《寶可夢Go》玩家隨手拍的街景照片，成了其AI子公司 Niantic Spatial 的地理空間數據庫核心資產。

Wang 的觀察很直接：「企業意識到，合成數據（synthetic data）在特定場景有用，但無法替代人類在真實環境中的決策痕跡。」他的客戶名單包括 OpenAI、Meta 和一眾自動駕駛公司，這些買家正在用真金白銀投票。

合成數據的悖論：越用越像，越像越錯

AI 公司并非沒有嘗試過"自我喂養"。用模型A的輸出訓練模型B，再用模型B的輸出訓練模型C——這套邏輯在數學上成立，在實踐中卻陷入退化循環。

研究人員給這種現象起了個名字：模型崩潰（model collapse）。就像復印機復印復印件，每一代都會丟失一些細節，最終變成無法辨認的噪點。2023年《自然》子刊的一項研究顯示，經過多代合成數據訓練后，模型對 minority groups 的表征會出現系統性扭曲——不是偏見放大，而是事實層面的扭曲。

Wang 對此的比喻更尖銳：「讓AI只學AI寫的東西，相當于讓一個人只和鏡子里的自己對話。」他的公司因此押注"人類在環"（human-in-the-loop）模式，用真人標注員介入關鍵決策節點，打斷純合成的死亡螺旋。

數據市場的分層：誰在賣，誰在買

真人數據的獲取渠道正在分化成三個層級。

第一層是科技巨頭的"內部油田"。Google 擁有搜索和 YouTube 的獨家開采權；Meta 坐擁數十億用戶的社交圖譜；亞馬遜的物流網絡實時生成物理世界的交互數據。這些公司很少外售核心資產，但會用數據合作換取模型訓練算力。

第二層是專業數據供應商。Scale AI 屬于這一層，雇傭全球約50萬標注員處理圖像、文本和語音。類似玩家還有 Appen、Telus International，它們的商業模式很像石油精煉廠——從各種渠道采購"原油"，加工成AI公司需要的標注數據集。

第三層最隱蔽：普通用戶的無意識貢獻。點擊"我不是機器人"時勾選的圖片、語音助手的誤喚醒錄音、甚至智能馬桶的健康數據——這些碎片被聚合、脫敏、再出售。Wang 透露，某些醫療AI公司的訓練數據中，超過30%來自可穿戴設備的"被動采集"。

定價權的轉移：從算力到數據

2022年的AI敘事是"算力即權力"，英偉達的GPU決定一切。Wang 認為這個框架正在過時：「前沿模型的差距不在芯片，在數據質量。」他的客戶中，有些公司用同樣的算力預算訓練，效果差異可達40%——差距完全來自訓練數據的清洗標準和人類反饋的介入深度。

這種變化正在重塑投資邏輯。紅杉資本2024年的AI報告中，"數據護城河"首次與"模型架構"并列評估維度。更激進的信號來自 OpenAI：2023年底與 Axel Springer 簽訂的內容授權協議，本質是用現金換取高質量人類文本的獨家開采權。

但數據交易的市場化也帶來新問題。Reddit 2024年修改API條款，對第三方數據抓取收費，直接導致多個學術研究項目中斷。當人類內容變成可囤積的商品，公共知識庫的開放性正在收縮。

75%之后的懸念

Wang 沒有解釋"75%網頁為AI生成"的具體測算方法，但這個數字本身已經成為行業隱喻。它暗示的不僅是內容質量的稀釋，更是一種結構性焦慮：當合成數據占比越過某個閾值，整個互聯網的"信噪比"可能發生不可逆的惡化。

一些公司正在嘗試技術解決方案。C2PA 內容溯源標準試圖給數字內容貼上"出生證明"，追蹤其創作鏈條；Kaggle 等平臺的真人競賽數據被重新評估價值；甚至有初創公司專門提供"前2023年互聯網"的歸檔數據，作為"純凈訓練集"出售。

Wang 的立場很明確：合成數據不會消失，但必須與人類數據混合使用，比例和介入方式取決于具體場景。他的公司正在測試一種"動態配比"系統，根據模型在特定任務上的表現，實時調整合成與真人數據的比例。

采訪結束前，記者問了最后一個問題：如果五年后真人數據真的耗盡，Scale AI 的業務怎么辦？Wang 停頓了兩秒：「那我們可能需要重新定義'人類'——不是生物學意義上的，而是指那些能做出不可預測選擇的智能體。」

這個回答沒有出現在新聞稿里，但被在場的人記了下來。