三分之一的新网页疑似由 AI 参与撰写：互联网正在失去原件

Pew Research Center本周发布了一项基于Common Crawl网络档案的大规模分析。研究团队从2021年1月到2026年7月间的49次网页抓取中，各随机抽样1万个英文网页，合计约49万个页面，然后用一个名为Open Pangram的AI检测模型逐页扫描。

结论可以用两个数字概括。2026年7月的全量快照中，约10%的英文网页呈现出"显著的AI写作或深度编辑迹象"。如果只看ChatGPT发布(2022年11月30日)之后上线的网页，这个比例飙升到35%。

35%这个数字不是说三分之一的互联网由AI写成，因为互联网上沉淀着大量2022年之前的存量页面，但它指向一个清晰的方向：新增内容里，AI参与正在从例外变成常态。

哪些角落AI含量最高？

分布并不均匀。

.com域名下，约十分之一的页面在2026年的样本中呈现AI写作特征，这个比例是.org域名(4.6%)的两倍多，是.edu和.gov域名(均约1%)的十倍，商业互联网吸收AI的速度远快于学术和政府机构。

Pew的研究还拆解了AI写作的"语言指纹"。

和2023年相比，2026年的新网页中，em dash(破折号)的使用频率翻了一倍，Oxford comma(牛津逗号)增加了63%，AI模型偏爱的词汇(如delve、interplay、tapestry、pivotal)使用量翻了一倍以上，而"it's not just X， it's Y"这种否定并列句式的出现频率接近三倍，这些单独看都不构成定罪证据，但统计聚合后指向一个明确的信号：新网页的语言纹理正在趋向AI生成文本的特征分布。

更大的图景：读者是谁？

Pew的报告关注的是"谁在写"，但把它和另一组数据放在一起看，画面变得更完整。

2026年6月3日，Cloudflare CEO Matthew Prince在社交媒体上宣布了一个他自己也没料到会这么快到来的里程碑：AI机器人流量首次超过人类流量，占全球网页HTTP请求的57.4%。

他原本预计这个交叉点会在2027年底出现，实际提前了18个月。HUMAN Security的2026年报告给出了同一方向的数据：2025年全年，AI驱动的自动流量增速是人类流量增速的8倍，其中"代理型AI"(agentic AI，代替用户执行任务的AI)的流量同比增长了近8000%。

把这两件事拼起来：互联网内容的供给侧，三分之一的新增网页由AI参与撰写；需求侧，超过一半的"读者"是机器。一个本来为人类交流而建造的基础设施，正在加速变成机器写给机器看的信息管道。

自我污染循环

这不只是一个关于"内容质量下降"的故事，它触及AI行业自身的地基问题。

2024年，Nature发表了一篇来自牛津和剑桥研究团队的论文，证明AI模型在递归训练(用AI生成的数据训练下一代AI)中会出现"模型坍缩"(model collapse)：输出逐渐偏离真实世界的数据分布，丢失分布尾部的稀有模式，经过数代迭代后生成越来越同质化甚至无意义的内容。Epoch AI的研究者预测，适合训练AI的高质量人类原创文本可能在2026到2032年之间耗尽。

循环已经可以描述了：AI模型读取人类互联网，批量生成新网页；新网页被搜索引擎收录，被Common Crawl之类的抓取工具归档；下一代AI模型继续用这些数据训练。每一轮循环，训练数据中"AI写AI"的浓度都在升高，而真正来自人类一手经验的信号在被稀释。

如果互联网的信噪比持续恶化，最先受到冲击的是依赖搜索流量的内容生产者。

搜索结果被同质化的AI改写内容填满，意味着读者越来越难区分"原件"和"复印件"。Google已经在用AI Overview取代部分搜索结果的点击链接，Pew今年7月的另一项研究发现，只有20%的用户认为AI搜索摘要"非常有用"，仅6%表示"非常信任"。

当AI生成的二手转述遍地都是，能提供以下内容的媒体将获得稀缺性溢价：到过现场的一手信息，独家获取的数据和文件，可以追溯到具体人类来源的观点和判断，以及读者愿意为之付费的编辑品味。

从另一个角度来看，衡量一家媒体竞争力的指标正在悄悄变化。

发稿数量已经不是壁垒，AI可以一天生成一千篇，真正的壁垒是“可证明的人类原创”：这篇稿子里的信息，是记者跑出来的还是模型编出来的？这个判断，是有行业经验的编辑做出的还是prompt拼接的？

在一个35%新网页都带有AI痕迹的互联网上，能够回答好上述问题，就是竞争优势。