Pew 研究：ChatGPT 发布后上线的新网页，超三分之一由 AI 撰写

前段时间网络基础设施巨头 Cloudflare 刚测出来，互联网上机器人的访问流量已经正式超过了人类。很多人当时还在笑称「死网理论」成真了，但大家还没反应过来的是：这些机器人在网上到底都在看些什么？

答案可能比想象的更荒诞，它们大概率在看别的机器人写出来的网页。

Pew Research（皮尤研究中心）发布了一项最新研究，他们从 Common Crawl 网页归档里拉取了过去五年左右的近 50 万个英文网页，时间跨度从 ChatGPT 在 2022 年 11 月发布前几年一直算到现在。研究团队通过 Open Pangram 的检测技术，筛查了这些内容里到底有多少是 AI 写的。

商业网站成了 AI 灌水重灾区

如果把时间线拉长，在 2026 年 7 月抓取的 10000 个随机网页大样本里，大概有 10% 的页面显示出显著的 AI 撰写痕迹。但这个数字其实被稀释了，因为里面混杂了大量 ChatGPT 诞生前就已经存在的古董网页。

当研究人员把这些老网页剔除、只看 ChatGPT 问世之后新建的页面时，真实比例立刻跳了出来：超过三分之一，也就是整整 35% 的新网页，都带有明显的 AI 撰写或被 AI 大幅修改过的特征。

更有意思的是域名背后的差异。商业性质最浓的 .com 网站，成了 AI 生成内容的最大温床。数据显示，.com 域名的 AI 撰写率几乎是 .edu（教育）和 .gov（政府）站点的 10 倍，后两者只有大约 1% 的页面能测出 AI 痕迹，而 .org 网站的比例也只有 4.6%。

除了检测算法给出的置信度，AI 写作特有的一些语言习惯在这几年也暴增。比如英文破折号、牛津逗号的高频出现，还有那些典型的 AI 句式，像「这不是 X，而是 Y」，在网络文章里随处可见。

当然，检测工具 Pangram 也存在误判的可能，但放在近 50 万网页的宏观尺度下，互联网内容生态的倾斜趋势已经完全藏不住了。

为什么重要

我们认为，这项数据最直接的警示，在于普通人获取可信信息的成本正在成倍增加。你在搜索引擎里点开一篇看似详尽的导购、教程或行业科普，很有可能只是某个站长用脚本批量跑出来的 SEO 垃圾，里面夹杂着看似工整却毫无实证的幻觉。

对创作者和开发者来说，这也是一个危险的分水岭。靠拼凑文字走量的低端内容生意已经彻底没有门槛了，但继续往公开网络倒垃圾，换来的只会是搜索算法更激进的清洗。真正值钱的，反而是那些带着第一视角实测、一手数据和鲜活人类经验的内容，门槛反而被变相拔高了。

更深层的影响还在于大模型自身的未来。大模型需要吃人类数据来训练，但现在新产生的公开数据里有三分之一本身就是 AI 吐出来的。当后来的模型不得不吃前任模型拉出来的残留物时，「模型自噬」和模型崩溃的风险就会越来越高。公开互联网作为优质训练集的作用正在肉眼可见地衰退，往后真正高质量的语料，大概率只能锁在付费墙和封闭社区里了。