AI Slop：当生成比阅读更便宜

怎么判定，为什么泛滥

这个问题容易被讲成道德批评，但它其实更接近一道经济学题：当生产成本掉到接近零、而分发收益照旧时，会多出来什么。 在谈成因之前，先把判定标准说清楚，因为几乎所有争议都源于标准不清。

1.1 定义与边界

slop 原本是个老词，指喂猪的泔水。2024 年 5 月，Simon Willison 提议把它用在不受欢迎的 AI 生成内容上， 逻辑与当年用 spam 指代垃圾邮件相同。2025 年底，Merriam-Webster 把它选为年度词汇，词条释义是「通常借助人工智能批量产出的低质量数字内容」。

这个定义能覆盖大致场景，但落到具体判断上还不够。2026 年 1 月，Kommers 等六位学者给出的处理方式更实用： 他们承认 slop 与非 slop 之间没有精确边界，但可以识别三条原型属性。

社区里流传的另一个类比说的是同一件事：猪食的目标是用最低成本换最大营养摄入，AI slop 的目标是用最低成本换最长观看时长。 题材可以差得很远，儿童视频、理财播客、政治内容都算，但内核是什么从来不重要，重要的是你正在看着它。

与深度伪造、AI 幻觉的分界

这三个词经常被混着用，区别在意图和错误的来源。

幻觉是模型层面的症状，slop 是部署层面的商业模式。一条幻觉出来的漏洞报告不算 slop； 当成千上万条这样的报告被自动提交时，它就变成了 slop。

1.2 识别线索

Coursera 的实践指南按载体整理了识别线索，社区讨论则补充了文本层面的句式特征。

文本上还有几类被反复指认的特征：以「在当今这个快速变化的时代」开篇的套路化结构； 没有可执行信息的空洞感；听着深刻但不传递新信息的表演性洞见，比如「关键在于找到平衡」。 最要紧的一条是没有亲历经验，没有利害关系，也没有那种只有真正做过这件事的人才会给出的具体性。

1.3 成因：激励错配

把它归因于「有人滥用了 AI」，解释不了为什么这件事规模这么大。更靠谱的说法是： 生成成本趋近于零，而平台按互动量支付报酬，于是低质批量产出成为一种理性选择。这条链条有五环。

主链之外，还有几个具体的催化因素。

• SEO 操纵。为覆盖关键词批量生产页面，不论价值高低；规模化之后已构成主流搜索引擎明确认定的违规行为。
• 训练数据倾斜。有研究者推测，部分荒诞图像源于模型对印地语、乌尔都语、越南语等语言训练不足，非英语提示词容易产出失控结果。
• 开源社区被淹没。2026 年 2 月，cURL 因报告量暴涨约八倍（其中约 20% 描述的漏洞根本不存在）终止了漏洞赏金计划；tldraw 一度暂停接受外部贡献；Zig 直接采取禁止 LLM 参与的政策。
• 代理流水线。任何持有 API 密钥的人都能跑一条自动发布管线，每周产出数千篇表面合格的文章。问题从个人行为升级成基础设施。
• 模型自身的文风。对齐训练让模型倾向于在开头和结尾堆套话，形成一种可被识别的腔调。

1.4 规模

下面几个数字反映量级。各研究口径不同，横向比较时要留余地。

还有几个数字：AI 生成新闻站点从 2023 年年中的 49 个增到 2024 年底的 1000 个以上（NewsGuard）； 2024 年新增网页内容中约 13% 为 AI 生成，这个数字几乎肯定被低估； 有报道称 LinkedIn 上较长的英文帖子中过半由 AI 撰写。 数据平台那一端是另一番景象：Stack Overflow 禁止 AI 生成回答之后，一年内流量同比下降约 50%。

人的反应

公众的反应是好几层叠在一起：可测量的信任折价、说不清来源的阅读不适、 对信息环境的整体性怀疑，以及正在滑向误判的指控行为。把这四层分开看，才能理解治理为什么难。

2.1 标注 AI 会压低评价，与内容真假无关

2025 年 9 月发表于《Journalism》的一项研究做了三组实验，共 1600 名被试，检验署名标注（人类或 AI）与内容类型的交互影响。三个结论：

1. 读者在不被告知的情况下，无法可靠识别 AI 署名。「让读者自己看出来」这条路走不通。
2. 一旦标注为 AI 生成，无论认知维度还是情感维度，评价都会下降，且与内容是否事实准确无关。研究者称之为 AI 厌恶效应。
3. 情绪化内容会削弱这种厌恶。阴谋论或党派性内容即使标注为 AI 生成，仍能引发更强的参与和转发意图。

这对政策设计有直接影响：透明度标签能压低评价，却挡不住情绪化内容扩散，二元标签的有效性因此存疑。

方向一致的证据还有两项。一项发表于 PNAS Nexus 的研究发现，只要被标注为 AI 生成， 人们面对真实或人类撰写的标题也会持怀疑态度；另一项 N=2011 的联合实验显示， 读者对 AI 署名新闻的信任度与阅读意愿，与对对立党派来源的新闻一样低。

2.2 为什么读着难受

厌恶效应描述的是结果，没解释机制。工程师 Sean Goedecke 的分析在开发者社区里被引得很广， 他认为问题出在阅读模式的被迫切换。

读人写的东西时，我会投入更多精力：试图感受写作者是谁、他的视角与文风是什么、他可能对别的话题持什么看法。当我读到明确是 AI 生成的内容时，我读得快得多，也完全不关注文字背后的人格——因为背后没有人格。

开始时用读人类内容的模式，中途不得不切换到读 AI 内容的模式，这是一种令人不快的心理转换。我感觉被戏弄了：就像被要求为一件最终完全不重要的事投入大量精力。

Sean Goedecke，《Why does AI slop feel so bad to read?》，2025-02-01

他给了三条结构性理由，解释 AI 内容为什么过不了这个坎。

• 模型的默认输出是中位数答案，最平铺直叙、最不具争议的回应。这在查资料时有用，但不是有见地的人说话的方式。
• 套话堆在首尾。好的写作里开头和结尾信息密度最高，很多 AI 输出里恰恰这两处最空。
• 建立不了作者模型。读一个人的博客久了，你会摸清他专长的边界、立场是否一致，然后据此调整期待。AI 内容不提供这种可能。

2.3 信任被消耗

Human Clarity Institute 的《2025 数字信任报告》调查了六个英语国家一千余名受访者，信号是互相矛盾的： 61% 的人经常或几乎总是在质疑网上内容是否可信，74% 把社交媒体列为最不信任的环境， 但只有 21% 对识别模仿人类的 AI 文本、图像、视频「非常有信心」。 年轻群体的分裂最明显，他们既对自己的识别能力最有信心，也对合成媒体的影响最焦虑。

次生风险是说谎者红利：一旦公众知道深伪存在，真实录音反而更容易被否认。 一个被拍到说了不便言论的人，只需暗示那是 AI 伪造的即可。

2.4 指控成了新的守门

最该警惕的演化，是从「不喜欢这类内容」走向「指认谁是 AI」。 2026 年 6 月，奥斯陆大学与沙迦美国大学发表了一篇论文，标题是《「那是 AI slop，你个机器人！」》， 数据集覆盖 2023 年 1 月至 2026 年 5 月 Hacker News 与 18 个 Reddit 社区的全部公开评论，约 2500 万条。 研究者用 137 条模式的词表筛出候选评论，再用 LLM 对 7500 条抽样指控做判定，最后对 300 条确认指控做言语行为编码。

结论分四组。

1. 指控量增长超过十倍。到 2026 年，「AI slop」占数据集中贬义类 AI 指控的 94%，取代了早期的「GPT garbage」「ML drivel」等说法。
2. 这不是网络敌意整体上升。研究者设了一组安慰剂词表，包括 shill、astroturf、sockpuppet、fake account 等 2022 年前的不真实指控词，它们的出现频率保持稳定。怀疑 AI 是一种新出现的社会边界维护行为，不是既有争吵的延续。
3. 指控的性质在变。守门与结构性抗议的占比随时间上升，讥讽和嘲弄的占比下降。指控从情绪发泄转向规则执行。
4. 技术型社区先行。AI 与技术导向的论坛最早形成指控文化，随后扩散到 Reddit 其他区域。

论文最有价值的部分是误判。研究者记录了真实的人因为风格联想被误认为 AI：用破折号、用 delve 这类词、 用三连排比结构，都可能被当成 AI 签名，而这些写法在人类写作里早就存在。 还有一种误判来自恶意：指控者知道对方是人，但希望让对方闭嘴。 论文由此预测，随着 AI 抹平可被察觉的破绽，图像真实性、语音真实性、代码署名的指控会走同一条路。

后果是流畅的文笔正在贬值。它曾经是投入、专业与真实参与的证明，现在反而成了嫌疑。

2.5 三条反对意见

并不是所有讨论都接受 slop 这个框架，有三条批评站得住。 艺术策展人 Francesco D'Isa 认为这个概念本身就有问题：说 AI 只生产 slop 是错的，人类产出「从来都是 slop」， 今天被视为经典的作品，只是一座由被遗忘的、衍生的、或者单纯无聊的创作构成的巨大冰山露出水面的尖端。 第二条批评更实际：这个标签在实践中经常脱离证据，变成「我不想听你说话」的修辞终止符， 开源社区里出现过把所有关于 AI 的内容都贴上 slop 标签的情况，即使它并非由 AI 生成。

第三条批评给出了一个更好的框架。Andy（rmoff）在一篇被讨论得很广的文章里主张， 不该笼统反对 AI 参与，要区分用途：

借助 AI 创作的内容本身并不坏，关键在于它的用途。AI 的一种良好用法，是让人做到此前做不到的事、为此前无法参与的社区做出贡献。在有人的用心与善意的前提下，这是净收益。

而坏的 AI slop，是隔着围栏朝里面扔屎——目的不是推动社区，而是 spam、刷互动，或单纯在并非为此设计的空间里制造噪音。

Andy（rmoff），《AI Slop is Killing Online Communities》，2026-05-06

他的操作标准可以压成三个问题。

• 是「用 AI 构建」还是「由 AI 产生」？AI 只是工具，思考、指令和核查得由你完成。他引同事 Gunnar Morling 的说法：Built with AI, not by AI。
• 它对社区有贡献吗？剥掉外壳之后，如果剩下的只是提示词的映射物，别人拿同样的提示词也能得到差不多的东西，那它不构成贡献。
• 你考虑了别人的工作量吗？这里引的是布兰多里尼法则：驳斥胡说八道所需的能量，比生产它高出一个数量级。发一篇废话是把核实工作转嫁给读者；提一个没打磨的 PR，是让维护者替你解释为什么不能合并。

这里有个背景：在 AI 之前，贡献本身所需的努力构成了一种工作量证明，足以劝退不认真的人。 这道门槛消失之后，社区只能转向显式规则。Zig 选择严格禁用 LLM，Vouch 这类工具被开发出来处理贡献者信任问题。

2.6 职场版本：workslop

BetterUp Labs 与斯坦福社交媒体实验室在《哈佛商业评论》上给企业内部的同类现象起了个名字， 叫 workslop，定义是「AI 生成的工作内容，伪装成好工作，缺乏实质，无法有意义地推进任务」。

危害的结构是责任向下推：发出的人省了时间，接收的人得去解读、纠正或重做。 超过一半的受访者表示收到 workslop 感到恼火，22% 表示被冒犯，近一半认为发出者的能力与可靠性更低。 与公众层面的厌恶不同，这里的代价是实打实的工时和信任损失，所以它是治理动机最强、最容易见效的一块。

怎么应对

应对可以拆成三层：平台治理输出质量，行业建设溯源基础设施，监管施加强制力。 个人的位置在这三层之下，既能自己执行一些准则，也依赖上层提供可用的信号。

3.1 平台在治理什么

YouTube：三类不予变现

2025 年 7 月，YouTube 把合作伙伴计划里沿用多年的「重复性内容」更名为「非真实内容」。 2026 年 1 月，CEO Neal Mohan 在年度公开信里直接用了 AI slop 这个词，同时披露每天有超过 100 万个频道在使用 AI 工具。 随后信任与安全负责人 Matt Halprin 给出了三类不再具备变现资格的划分。

Halprin 的表述是，YouTube 对创作工具保持中立，「用生成式 AI 做很好，不用也很好，政策与内容是怎么做出来的无关」。 政策打击的是输出层面的雷同，不关心工作流里有没有模型。 这条界线的实用价值在于它同时给出了合规路径：脚本辅助、思路生成、背景素材、音频清理都可以照用。 另外要分清，AI 披露是透明度要求，不是变现豁免。

执行上，平台评估的是频道整体，不是单条视频：上传频率与制作复杂度的比值、跨视频的格式相似度、 标题与缩略图的一致程度，以及一种「机器人生产节奏」，即结构完全相同的内容以个体剪辑者不可能持续的速度产出。 2026 年 3 月还试点了一个移动端弹窗，请观众评价视频「是否感觉像 AI slop」。

这里有个已记录的系统性缺陷：平台算法无法可靠区分匿名的人类创作者和没有人工判断的自动流水线。 把判定权交给机器或群体直觉，误伤几乎是必然的。

Google 搜索：把规模化滥用写进规则

2024 年 3 月的核心更新同时引入三项垃圾内容政策：过期域名滥用、规模化内容滥用、站点声誉滥用。 关键变化在措辞上：政策去掉了「自动生成内容」这个限定词，明确无论由自动化、人工还是两者结合产出， 只要目的是操纵排名就可能违规。Google 称该轮更新全面铺开后减少了约 45% 的低质非原创内容。 2026 年 5 月，政策范围进一步覆盖 AI Overviews 与 AI Mode 等生成式回答界面。

需要区分「检测 AI 内容」和「评估内容质量」。垃圾识别系统 SpamBrain 定位的是与低质批量生产相关的行为与结构模式， 不看这段文字出自哪个模型。实际风险并非被识别为 AI 而受罚。未经编辑的 AI 输出在结构上更容易通不过质量评估， 因为它缺少原创数据和个人经验。

社区与分发侧

• Reddit 封禁 AI 爬虫，版主主动清除 AI 生成帖，就苏黎世大学用机器人账号做实验未披露一事表示考虑法律行动；同时与 OpenAI、Google 达成内容授权交易。治理立场和商业利益并行。
• 维基百科靠社区审核应对低质 AI 内容，快速删除流程承受压力。Kagi 推出 SlopStop，用众包方式在搜索结果里标记 AI slop。
• Meta 与 TikTok 要求对写实的 AI 生成内容做标注，并在检测到 C2PA 凭证或 SynthID 水印时自动施加标签，不再只依赖创作者自报。

3.2 溯源基础设施

行业共识正从检测转向溯源：不去判断一个成品像不像 AI 生成的，而是让内容从诞生起就带着可验证的来源记录。 目前有两条互补路线。

局限同样明确，它们直接决定这套东西的效果上限。

• 查无凭证不能证明任何事。绝大多数流通中的媒体从未被签名，「未找到内容凭证」是常态。界面如果持续显示这类警告，只会训练用户忽略它。
• 元数据天生脆弱，溯源能力在它能控制的管线内存活，出了管线就断。
• 密钥被攻破比没有密钥更糟。尼康曾为 Z6III 推出 C2PA 固件，2025 年 9 月发现伪造漏洞后暂停该计划。一个能被骗去签名的系统，等于主动为伪造品背书。
• 溯源可能构成隐私风险。记录了拍摄设备与时间的签名文件，正是身处敌意司法管辖区的记者不希望附带的元数据。证明来源与保护信源之间的张力是结构性的。

3.3 监管

目前对 AI slop 最有强制力的制度安排是欧盟《人工智能法》第 50 条，2026 年 8 月 2 日生效。 它与平台自律的关键差别在于，义务设在生成侧，不用等内容进了信息流之后再补救。

罚则上限为 1500 万欧元或全球年营业额 3%，取较高者；对中小企业适用比例原则。 2026 年 8 月 2 日前已上市的生成式系统，其标记义务有宽限期至同年 12 月 2 日。 尚未落定的是机器可读标记的技术标准，以及境外部署者的适用范围。 中国方面，AI 生成内容标识措施自 2025 年 9 月 1 日起实施，要求同时具备嵌入式元数据标识与可见标识。美国目前仍以平台政策和州层面立法为主。

第 50 条的落脚点和平台政策一致：文本只有在未经人工审核或编辑控制时才触发强制标注。 真实的编辑介入本身就是合规路径。

3.4 个人准则

把上面的讨论收敛一下。前四条针对不生产 slop，后两条针对不被 slop 影响。

分界线在这里：AI 可以是创作过程中的协作工具，但替代不了你自己的创造力。 决定性的不是用不用 AI，而是过程里有没有人的判断。同一张产品图，用精心设计的提示词生成、经设计师审核打磨， 和零审校批量产出 400 个变体，落在线的两侧。

组织层面的建议相对成熟，因为代价可量化、范围可控。核心主张就两条：管理者要示范「有目的、有意图地使用 AI」， 而不是简单提倡使用；团队需要有明确的使用护栏。研究者特别警告，笼统的「到处都用 AI」式指令， 只会导致员工把 AI 回复原样贴进文档。更进一步可以引入成本归属意识： 既然一次 workslop 平均消耗接收方两小时，那么「减少一次 workslop」和「增加一份产出」应该进同一套度量。

结语

AI slop 不是新问题。人类一直生产大量空洞内容，变化的是成本结构：生产的边际成本趋近于零， 而分发系统按互动量付费，于是「表面合格、信息空洞」成了一种可持续的生意。 三层应对各有位置：溯源解决归属，质量治理解决激励，强制标识解决时限。

而所有的平台政策、法律条文与检测系统，最终都要面对同一个漏洞：它们难以区分一个匿名的人类创作者和一条没有人工判断的流水线。 能补上这个漏洞的，只有创作者自己站出来说，这是我做的，我为此负责。

参考资料