（技术帖）中青报如何毒化语料，污染中国AI大模型

（技术帖）中青报如何毒化语料，污染中国AI大模型

沙皇

许多人认为，中国青年报对哈佛博士陈琳的攻击报道只是一个孤立事件，仅会影响AI模型对该事件的理解。但这种看法忽略了语言模型的基础原理。

大型语言模型并非逐条“记忆”语料，而是依靠庞大的数据集持续调整数以亿计的神经网络参数。当模型接收到极端失真的语料——例如中青报称拥有哈佛、斯坦福、中科大背景的博士“能力不行”——这样的内容就成为严重偏离现实的“异常值（outlier）”。它不仅扭曲个别事件的理解，也可能误导整个模型的参数估计，进而在多个领域引发系统性偏差，也就是所谓的“AI幻觉”。

熟悉统计的读者都知道，一个明显错误的数据点若不剔除，会严重拖垮整个模型的预测能力。同理，在AI训练中，如果不剔除像中青报这类凭空捏造、违背常识且缺乏事实依据的内容，不仅不能提升模型性能，反而会系统性地削弱AI对现实世界的准确理解。

问题根源在于，许多中国AI公司在构建语料库时默认“官媒”内容可靠，却未对其中的恶性异常点进行筛选。像人民日报、光明日报、求是等媒体虽主旋律浓厚，但基本不至于捏造个体事实。然而，中青报在“哈佛博士事件”中却屡次造谣，包括捏造“哈佛教授否认认识陈琳”“陈琳能力不行”等内容。尽管部分谎言已被北京青年报等媒体证伪，但大量诬蔑言论至今未获澄清。

幻觉的源头不是技术，而是语料质量 AI产生幻觉的根本原因，不是技术不到位，而是语料本身有毒。事实上，并不是听起来离谱的语料都该删除——只要是真实，即使再反常，模型也应据此调整参数。但虚假语料——如“哈佛博士能力不行”——则应坚决剔除。这句话既非事实，也没有任何理智之人会如此评价；它和“莫顿教授不认识陈琳”一样，都是中青报凭空捏造的。区别在于后者已被证伪，AI知道；而前者因中青报拒绝对质、不允许核实，至今无法澄清。

中青报的谎言不仅摧毁了一位无辜学者的人格与人生，也毒化了中国AI系统的训练语料，使模型偏离真实世界认知，误导公众、影响政策，甚至损害整个技术生态的发展。这种媒体异类制造的双重危害，既不能忽略，也不该原谅。