Blog

AI 技术狂奔下的隐忧:从创作者致歉到图书销毁,我们该反思什么?

AI 技术狂奔下的隐忧:从创作者致歉到图书销毁,我们该反思什么?

导语

过去一周,AI 领域接连曝出争议事件:知名科普博主 Hank Green 因未向观众说明使用 ChatGPT 辅助研究而公开致歉;大量珍稀图书被批量采购、粉碎,仅用作大模型训练数据;美国外卖巨头 DoorDash 因采用中国月之暗面模型遭到国会调查……当技术以超乎想象的速度渗透生活,这些「副作用」开始引发更广泛的社会警觉。


一、当创作者失去透明,信任便出现裂痕

作为 SciShow 和 Crash Course 等知名科普频道的主理人,Hank Green 在 8 月 1 日的一篇长文中承认,自己过度依赖 AI 作为研究辅助工具,并用 ChatGPT 为视频脚本查找资料,却从未向观众披露。这一坦白迅速点燃了粉丝的不满——许多人认为其公信力受损。

格林在 Reddit 上写道:「我让很多人失望了……我确实过度依赖 AI,它让我能快速找到论文,但也剥夺了我按自己方式探索主题的过程。」他宣布将放缓内容更新节奏,并反思自己与 AI 之间已变得「不健康」的关系。(来源)

这并非孤例。Workday 2025 年的一项调查显示,近一半受访者担心 AI 会导致批判性思维能力下降。从 AI 幻觉到对心理健康的影响,大模型在提升效率的同时,也在拷问着创作的本质。


二、被撕碎的书页:训练数据背后的伦理荒漠

几乎同一时间,一则「珍稀图书遭集中粉碎用于 AI 训练」的消息引爆了读书圈。据报道,一些图书供应商近期收到数量惊人的图书订单,业内人士怀疑 AI 公司为了获取高质量、低版权风险的训练数据,不惜销毁实体书。图书数据库网站 ISBNdb 曾上线专门页面,撮合 AI 公司与图书仓储机构合作,声称「世界上最优质的 AI 训练数据就在书架上」。舆论发酵后,该页面被悄然删除。(来源)

这并非秘密。今年 1 月公开的法庭文件显示,Anthropic 内部曾执行代号「巴拿马计划」(Project Panama)的项目,大规模购买图书、数字化扫描后销毁。这一做法虽被认定为合法,但 Anthropic 不惜支付 15 亿美元和解金,遮羞布之下是对舆论后果的恐惧。

当 AI 公司为规避版权绞尽脑汁,人类沉淀数十年的知识载体竟沦为一次性耗材。一位图书卖家无奈表示:「能赚钱,但我不愿看到稀有书被打成纸浆。」


三、中国模型出海,遭遇安全审查「放大镜」

技术竞争的另一面,是地缘政治的暗流。美国众议院两个委员会启动联合调查,要求 DoorDash 提交其使用中国大模型「月之暗面 Kimi K2.6」的信息。DoorDash 创始人曾公开称赞该模型与 Anthropic 组合后在代码任务上的成本优势,但议员们在调查函中直指:「现实因素不能消除安全风险。」(来源)

与此同时,马斯克旗下 xAI 试图阻止明尼苏达州一项 AI「脱衣」应用禁令生效,但被联邦法官以「拖延太久」为由驳回。此前,X 平台用户曾利用 Grok 大量生成未经同意的色情图片,此类事件的监管收紧已成必然。(来源)

从模型来源到应用场景,AI 已步入强监管周期。


四、DeepSeek V4-Flash 的低成本冲击

技术新闻中同样不乏亮点。DeepSeek V4-Flash 正式版 API 上线,基准测试显示其单任务成本仅比 GPT-5.6 Luna 低约 60%。(来源) 这进一步印证了开源和低成本模型正在重塑行业格局——但成本优势同样会引发安全与合规的连锁追问,正如 DoorDash 的遭遇。


趋势分析:效率与伦理的拉锯战

上述事件串联起一条清晰的脉络:AI 能力越强、成本越低,其伦理和监管挑战就越尖锐。

  • 透明性:从 Hank Green 的道歉到用户对 AI 内容标注的需求,「是否如实告知」成为创作者的必答题。
  • 数据伦理:高质量数据饥渴下,图书销毁事件只是一个极端缩影。版权清洗、数据劳工、合成数据污染等问题将长期伴随。
  • 地缘与监管:各国对 AI 模型的审查正在从芯片层扩展到应用层,技术出海必须直面合规成本。
  • 成本与风险平衡:DeepSeek 等模型的性价比优势令人瞩目,但廉价可能加速无序扩张,推高治理难度。

对个人开发者/技术从业者的启发

  1. 重塑透明意识:无论是内容创作还是工具开发,主动标注 AI 参与程度,将成为赢得用户信任的基础。
  2. 审视数据来源:训练模型时,需从源头避免侵权数据,否则法律与声誉风险将远超短期收益。
  3. 关注监管动态:全球 AI 立法正在加快,美国各州禁令、中国网信办规定等都会影响产品设计,提前布局合规能力是竞争力的一部分。
  4. 坚守批判性思维:Hank Green 的反思值得警惕——AI 能让我们更快,但不能替代深度理解。保留「费曼学习法」式的亲手探索,才能避免被工具异化。

技术从来不是中性的,每一次快捷键背后都有代价。当浪潮汹涌时,看清暗涌的方向,或许比奔跑本身更重要。

参考来源