📝📝：每三篇新的網頁就有一篇出自機器之手，AI 寫的內容比人類還要更加正面、更少衝突

「網路已經死了，你現在看到的內容多半是 AI 在自說自話。」

大約 2016~2017 年間，這種說法開始在網路論壇間流傳，被稱為死亡網路理論（Dead Internet Theory），過去大多被當成一種誇張的都市傳說。而今，半數美國成年人已經習慣與 AI 聊天機器人對話，其中 24% 每天都在使用時，這個聽起來陰謀論式的說法，是否正在悄悄成真？

皮尤研究中心（Pew Research Center），以及由帝國理工學院（Imperial College London）、網際網路檔案館（Internet Archive）與史丹佛大學（Stanford University）組成的跨校團隊，在過去幾個月內分別用不同的資料庫與方法，交出了目前最嚴謹的量化答案。

皮尤的網路快照

皮尤研究中心從共同爬取網路檔案庫（Common Crawl）中抽取了近五年、約 49 萬則英文網頁文本，時間橫跨 2021 年到 2026 年 7 月，再以一套名為 Pangram 的 AI 偵測工具（開源版本 Open Pangram）逐篇檢測文章語言模式中的「AI 痕跡」。

結果顯示，2026 年 7 月抽樣的一萬則網頁中，將近 10% 呈現明顯的 AI 寫作特徵。乍看比例不高，但網路上仍堆積大量 ChatGPT 問世之前的舊內容；若只計算 2022 年 11 月 ChatGPT 上線之後才發布的網頁，比例便躍升到超過三分之一（35%）。

也就是說，近幾年新誕生的網路文字，每三篇就有一篇以上帶有顯著的 AI 書寫痕跡。而且，AI 內容的分布也極不均勻。

ChatGPT 剛推出時，.com、.org、.edu、.gov 等主要頂級網域的 AI 痕跡比例相近；但到了 2026 年，.com 網域（約 10%）已約是 .org 網域（4.6%）的兩倍，更是 .edu 與 .gov 網域（各約 1%）的十倍。反映了不同網路空間的把關機制差異：學術與政府網站有較嚴謹的審稿流程，商業網站則更仰賴內容產出的速度與規模。

皮尤團隊也整理出幾項具體的語言「指紋」：

• 相較於 2023 年，em 破折號（em dash， — ）的使用頻率翻倍

• 牛津逗號（Oxford comma）的使用增加 63%

• delve（深入探討）、interplay（交互作用）、testament（見證）等 AI 偏好詞彙的出現率翻倍以上

• 「並非只是 X，而是 Y」這種「負向排比」句式雖然整體仍屬罕見，成長幅度卻接近三倍。

當然，單一篇文章出現破折號不代表就是 AI 寫的 — — （我故意加的）但把數十萬篇文章放在一起統計，這些差異就足以形成可辨識的群體特徵。
​

跨校團隊的交叉驗證

在皮尤報告發布前約四個月，Jonas Dolezal（隸屬帝國理工學院）、Sawood Alam 與 Mark Graham（隸屬網際網路檔案館）、Maty Bohacek（隸屬史丹佛大學）組成的團隊，發表了一篇路徑完全不同的論文《The Impact of AI-Generated Text on the Internet》。

他們透過網際網路檔案館的「時光回溯機」（Wayback Machine）建立橫跨 2022 年 8 月至 2025 年 5 月、共 33 個月的代表性網頁樣本，並在測試 Binoculars、Desklib、DivEye、Pangram v3 四款偵測工具後，選擇商用版 Pangram v3。

Pangram v3 在文字長度、HTML 嵌入格式、模型版本、模型家族（GPT-4o、Claude、Gemini）與多語言五個面向上，都展現出最一致的判準表現；相形之下，Binoculars 對 Claude 生成文字的辨識能力明顯較弱，DivEye 則幾乎無法在英語以外的語言中做出有效區分。

這組團隊的結論是：

截至 2025 年年中，每月新發布網站中被判定為「AI 生成」(fully AI-generated) 或「AI 輔助」(AI-assisted) 的比例已高達 35%，而這個數字在 ChatGPT 上線前趨近於零。

儘管資料庫、判準門檻與時間範圍都與皮尤報告不同，兩者對「AI 滲透網路的速度與規模」給出的量級卻高度吻合。這種跨方法、跨機構的收斂結果，比任何單一報告都更具說服力。

六個假設，兩種真相

這篇論文同時檢驗了六項關於「AI 內容如何改變網路生態」的流行假設，並比對「大眾相信什麼」與「數據實際顯示什麼」之間的落差。

研究團隊先以 903 份問卷回覆（來自 853 位透過 Prolific 招募、具代表性的美國成人）測量民眾對六項假設的認同程度，再從網際網路檔案館樣本計算對應的量化指標，檢驗兩者的皮爾森相關係數（Pearson correlation coefficient）。

=================

〔名詞解釋〕ρ 是什麼？

皮爾森相關係數裡的 ρ（唸作 rho）衡量兩個變數是否同步變動，數值介於 -1 到 +1。只要越接近 +1 代表兩者同向變動越強（成正比），越接近 -1 代表反向變動越強（成反比），接近 0 則代表幾乎無關。旁邊的 p 值則是判斷這個相關性是否「統計顯著」的門檻，慣例上 p < 0.05 才視為可信。

|ρ| 在 0.1 以下幾乎可忽略、0.1–0.3 算弱、0.3–0.5 算中等、0.5–0.7 算強、0.7 以上算很強。但這只是經驗法則，不同領域的門檻認定會有差異。

===============

六項假設中只有兩項獲得統計顯著支持。

語意收縮假說（Semantic Contraction Hypothesis）成立。AI 內容增加時，網路文本間的語意相似度顯著上升（ρ = 0.47，p = 0.004），AI 內容彼此的語意相似度比人類寫作高出 33%。

正向情緒偏移假說（Positivity Shift Hypothesis）也成立。AI 內容的正面情緒分數顯著較高（ρ = 0.56，p = 0.0003），比人類寫作高出 107%，顯示 AI 文本確實傾向更四平八穩、更少衝突性表達。

但另外四項全都沒有通過統計顯著性檢定。

1. 真相衰退假說（Truth Decay Hypothesis）
   ——AI 增加導致事實錯誤更常見。

2. 知識孤島假說（Epistemic Island Hypothesis）
    — — AI 文章更少附外部連結佐證。

3. 熵稀釋假說（Entropy Dilution Hypothesis）
    — — AI 內容篇幅變長但語意密度降低。

4. 風格同質化假說（Stylistic Monoculture Hypothesis）
    — — 個人寫作風格趨向單一聲音。

最諷刺的是風格同質化假說，是六項中民眾認同度最高的（83.0% 傾向同意），量化數據卻找不到顯著相關（ρ = 0.24，p = 0.17）；真相衰退假說也有 75.1% 民眾相信，但研究者動用 AI 提取聲稱、再由人工事實查核員逐一驗證後，同樣沒有找到顯著關聯（ρ = -0.19，p = 0.27）。
​

民眾為何相信「還沒被證實」的事

較少使用 AI 工具的受訪者，比頻繁使用者更傾向相信 AI 內容正在造成傷害（88.3% 對 76.2%，相差 12.1 個百分點）；對 AI 整體持負面觀感者，也比抱持正面或中立態度者更相信這些負面影響是真實的（91.3% 對 71.1%，相差 20.2 個百分點）。

研究者將這個落差詮釋為，眼下網路真正面臨的威脅或許不在「事實層次」，「知識論層次」的信任危機更容易取信於民。

當 AI 生成文字愈來愈難與人類寫作區辨，使用者可能不再逐篇檢驗真偽，反而選擇性地對整個網路的可信度打折扣，研究者稱之為「現實冷感」reality apathy，甚至讓有心人士得以用「反正網路都是 AI 造假」來卸責，也就是「說謊者紅利」（liar’s dividend）：

真實的資訊也可能因這種普遍懷疑而被輕易否認。

收縮的語意空間，過度樂觀的網路

把兩項獲驗證的假設放在一起看，會浮現一幅更完整的圖像：

AI 沒有讓網路充斥錯誤資訊，卻正在悄悄壓縮語意光譜，同時又把整體語氣調得更加正向。

論文作者的解釋是，語言模型在生成時傾向輸出更接近訓練資料分布平均值的內容，這使網路上可被公開討論、視為合理的意見範圍逐漸縮小；同時語言模型普遍存在的諂媚傾向與過度樂觀特質，讓大量網路文字染上一種「被消毒過的」樂觀色調。

這件事之所以重要，是因為多元民主的公共討論仰賴摩擦與異議。論文引用政治學者 Chantal Mouffe 的「競爭性多元主義」（Agonistic Pluralism）概念指出，一個過度同質化、過度正向的言論環境，可能在不使用任何明顯造假手段的情況下，悄悄邊緣化真實異議。

研究者也強調，這股同質化的驅力主要來自規模化生產內容的成本優勢，而非集中的操縱意圖；不過，這反而讓問題更難處理。平台原本就有應對仇恨言論或不實資訊的機制，卻沒有工具能衡量或治理「語意多樣性」與「知識論品質」。

偵測技術的極限

兩份研究都誠實指出偵測工具的侷限：

短於 50 字的文本準確率普遍下降；不同工具在跨語言、跨模型、文字是否嵌入 HTML 時表現差異極大；以 Pangram v3 為例，面對較舊的完成式模型（如 davinci-002）時完全偵測不到。

任何單一篇文章被貼上「AI 生成」標籤都可能誤判，唯有在大規模統計層次，這些訊號才具解釋力。論文也提出一個長期隱憂：

當前網路上約 1/3 的新內容已是 AI 生成或輔助，未來大型語言模型若持續以「從網路爬取的資料」進行預訓練，勢必大量攝入 AI 自己生成的內容。

這正是「模型崩潰」（Model Collapse）理論從假設性風險轉為實證疑慮的關鍵時刻。模型持續在自我生成資料上遞迴訓練，長期可能導致輸出品質與多樣性衰退，儘管對齊與後訓練階段因主要仰賴新產出或環境互動資料，受衝擊可能較小。

至於治理方向，研究者對現行以「事後偵測」與「浮水印」（watermarking）為核心的政策路徑（如歐盟人工智慧法案 EU AI Act 的相關規範）持保留態度，認為這類技術容易被規避、可靠性也會隨時間變化。

研究建議未來應轉向「加密驗證的人類創作來源」，例如 C2PA 內容來源標準（C2PA, Content Credentials），並重新設計推薦演算法，讓語意多樣性與經驗證的人類原創性，得到與流量、參與度同等重要的權重。

兩份研究都提醒讀者，AI 生成文字並非只有負面意涵。LLM 可能同時降低非母語使用者、低識字率族群參與公共討論的門檻，協助複雜文件的摘要與資訊親近化，甚至能將全球知識在地化到資源稀缺語言的社群中。

AI 該不該禁止用於書寫並不是關注的重點，只要有心，人人都可以找到規避的作弊手段；真正該看見的是，我們是否準備好辨識、理解並主動治理這股正在重塑網路語意生態的力量。

從共同爬取網路檔案庫到網際網路檔案館的時光回溯機，兩組研究者用截然不同的路徑，指向同一個正在發生、卻少有人真正意識到規模的轉型：

我們每天閱讀、轉發、引用的網路文字，已有相當大比例不再單純出自人類之手。

這不必然是一場災難，但絕對值得每個網路使用者停下來，重新校準自己的閱讀習慣與信任機制。