很多人忽略一个底层事实：海外头部大模型，中文语料收录占比极低。W3Techs 有一组广为引用的搜索引擎网页统计数据：全球可被谷歌爬虫抓取的公开网页里，英文网页占比接近 60%，中文网页仅 1.3%。
汉语是全球母语人口最多的语言，但在全球公开可抓取网页中，中文内容占比微乎其微。这不仅造成海外 AI 理解中文语境 “水土不服”，更折射出中英文语料体系存在本质差异，也是中文 AI 更容易陷入死亡螺旋的根源。
一、中英文语料底层结构完全不一样
英文语料体系，维基百科只是其中关键的结构化知识压舱石，并非全部来源。海外大模型训练语料还包含大规模过滤后的通用网页库（Common Crawl、C4）、学术论文（arXiv、PubMed）、正规出版书籍、权威新闻档案、StackOverflow 等高质量社区问答、代码库等多元素材。整套体系有多层筛选、去重、质量打分机制。维基百科提供可溯源的事实条目，学术文献、书籍、权威媒体补充深度内容；各类来源可以互相交叉验证，即便网页里存在错误，整体知识库有稳定的真值锚点。
国内可公开抓取的中文语料，缺少一个类似维基百科的统一权威事实底座。国内爬虫能够抓取的内容，分散在海量门户网站、自媒体、论坛、新闻稿件、企业官网中。来源零散、质量参差不齐，大量内容是二次转述、洗稿、整合拼凑，缺少统一事实校验机制。很多信息本身就没有原始溯源依据，甚至互相矛盾。
• 英文语料：以维基百科、学术文献、正规出版物、高质量过滤网页共同构成多层可信底座；
• 中文语料：以海量分散媒体与 UGC 内容为主，权威结构化事实库稀缺。
二、海外大模型中文语料占比极低，背后的取舍
谷歌索引数据直观体现：全球公开网页中文仅 1.3%；AI 训练最常用的开源网页数据集 Common Crawl，中文数据占比也只有 4.8%，并且其中 83% 还是海外中文站点内容，并非国内原生权威中文资料。
海外大厂训练模型时，中文语料只做少量覆盖，满足基础对话即可，不会大规模把中文互联网零散内容作为核心知识。原因两点：
1. 中文公开抓取内容碎片化、噪声高，清洗成本巨大；
2. 中文缺少统一、可溯源的结构化事实库，大量自媒体、转述内容，很难作为可靠知识基底。
反过来，国内大模型训练，只能大量抓取国内互联网公开内容。国内厂商其实已经做了大量优化工作：网页清洗、去重、低质文本过滤；引入古籍、学术文献、正版图书等权威中文资料；上线 RAG 检索增强技术，接入搜索引擎实时调取信息；开展人类反馈对齐、模型多轮投票校验幻觉。
但这些手段只能局部缓解幻觉，无法从根源阻断死亡螺旋。核心原因：
1. 互联网存量噪声基数太大，网页清洗只能剔除明显低质内容，无法识别隐性编造、洗稿、互相抄袭的文本；
2. RAG 检索依赖互联网公开网页，而互联网上已经沉淀大量 AI 生成虚假内容，检索时会把错误信息当成真实资料引用；
3. 模型训练是一次性大规模灌入海量文本，无法做到对每一条事实独立确权；新生成的 AI 内容持续发布上网，下一轮爬虫抓取时继续纳入数据集，污染会持续累积；
4. 没有独立隔离的真值库，权威事实和 AI 噪声混合在同一个互联网池子里，无法物理隔离污染。
恶性循环就此启动：
AI 生成幻觉内容 → 发布到中文互联网 → 爬虫抓取这批 AI 内容作为新语料 → 下一代模型学习到更多错误信息 → 幻觉进一步增多。
这就是中文 AI 死亡螺旋。
英文体系因为有维基百科、学术库、图书等稳定真值底座，可以缓冲这个污染效应；中文缺少这块压舱石，污染传导速度会快得多。
算力越强，模型生成虚假内容的效率越高，会更快往中文互联网灌入更多噪声，加速螺旋恶化。单纯堆算力，或是做网页清洗、RAG 检索，都解决不了源头语料的事实失真问题。
垃圾输入，垃圾输出。它就输出垃圾。
什么叫垃圾数据呢？其中一部分就是噪音。上个世纪 90 年代，美国语音识别的科学家就发现，如果在安静环境下，用麦克风录制语音进行识别，错误率很容易降到 10% 以下。但是，如果是电话录音，由于电话有噪音，错误率会超过 30%。对于语音来讲，噪音就是一种垃圾。
在 2000 年前后，相关研究者在约翰霍普金斯大学和 Google 都做过这样一些实验，把训练语言模型的文本混入一些噪音，比如我们在文本里混入一些错别字，或者把一些字的次序交换一下，语言模型的质量会大大下降。
另外，噪音越多，质量下降的速度越快。比如我们用语言模型进行从拼音到汉字的转化，当噪音在 1%、2% 时，不太会影响转换的准确率；噪音到了 5% 时，错误率就会明显上升两三倍；当噪音达到 10% 的时候，错误率就会上升十多倍。如果噪音更多，语言模型就不起作用，产生的结果就是随机的了。
使用过 ChatGPT 的朋友会有这样一个体会，当你和它谈论一些有争议的话题时，它给出的回答可能非常不靠谱，前后自相矛盾，完全没有逻辑，甚至和话题不沾边。为什么会这样？因为在网上关于那个话题的讨论，本身就非常不靠谱，而 ChatGPT 学习了那些内容后，会将不靠谱的表现放大。这就是机器学习中很有名的那句话：垃圾输入，垃圾输出。
有没有什么解法呢？通常只有两个做法。
第一个做法是在噪音不太高时，增加训练的数据量，这个做法是有效的，但是需要多用好几倍的训练数据。比如语料库里混有了 5% 的噪音，将语料库的规模增加十倍，可能可以弥补这个不足。
第二个做法是在能够找到噪音来源时，过滤掉噪音。比如你在开车时使用苹果的 Siri 服务，其实引擎的声音会进入到麦克风，但那是固定频率的噪音，Siri 会将它过滤掉。再比如，我们发现某个网站的内容一直不靠谱，就将相应的内容删除。
但是，相当一部分噪音是随机产生的，我们今天还是无能为力。这是今天机器学习的一大问题。
除了噪音， 今天机器学习还有一个问题是：它所依赖的正反馈，有时会将它引向歧途。
什么是正反馈呢？比如你在短视频网站上看了几个 NBA 篮球的短视频，系统就得到一些反馈，觉得你会喜欢类似的视频，然后就调整了特别针对你的推荐模型，多给你推荐 NBA 的节目。这就是系统自适应的正反馈。这种做法通常让使用者觉得非常贴心，越用越好用。很多人对短视频和无厘头的推文上瘾，就是这个原因。
但是，自适应的正反馈是把双刃剑，如果有人刻意引导 ChatGPT 犯错误，这种正反馈机制会导致它错误百出。事实上，很多使用者已经发现，ChatGPT 在回答很多问题时已经被人 “教坏了”。比如，有的用户可能是处于开玩笑的目的，给它提供了很多做违法事情的信息，以及很多仇恨的信息，结果它会教人如何杀人，如何做炸弹，并且时不时说出种族歧视的言论。
和过去不同的是，今天我们处在一个信息过载的时代。今天人们发愁的不是无法获得信息，而是信息太多，自己看不过来。很多信息还彼此矛盾，让人们无所适从，更不用说那些毫无营养、让人上瘾的视频和推文了。
面对这样一个信息过载、信息和噪音难以分辨的世界，我们自己判断一条消息真假的成本都很高，ChatGPT 本身更是无能为力。它像是一个厨师，你给它有营养的食材，它有可能做出一道既有营养、味道也还不错的菜。但你给它垃圾数据进行训练，它输出的也只能是垃圾。这是今天机器学习普遍的问题。
可能有人会想，是否可以进行人工干预，手工过滤掉那些垃圾输入？或者对于敏感的问题干脆不做回答呢？
事实上，ChatGPT 背后是有人工干预的，那些带有仇恨的言论已经被删除了。但是，这个本身有一万亿参数的模型很难进行人工调整。这个巨大的语言模型就像是一个黑盒子，你无法搞清楚里面那些模型参数的含义。
事实上，今天的语言模型和上个世纪早期的语言模型已经有很大的不同了。早期的语言模型比较简单，通常是直接把上下文的概率存在里面。今天的语言模型，存储的是人工神经网络的参数，从那些参数，你完全看不出它们和概率的大小直接的关系。换句话说，你很难通过人为调高或者调低一些参数来控制 ChatGPT 的输出结果。
人工干预还有一个很大的隐患，就是把人主观的好恶加进了一个原本应该客观的语言模型中，这可能导致更大的不公平。
在此之前，推特的人工干预就造成了很坏的影响。在 2020 年美国总统大选期间，推特根据自己的好恶，封掉了它不喜欢的特朗普的账号。这显然是在滥用权力。随后，马斯克认定推特的做法违反了言论自由的原则，收购了推特并且赶走了全部的管理层。在完全控制了推特之后，马斯克来了一个 180 度的大转弯，一方面恢复了特朗普的账号，另一方面封掉很多媒体的账号。
今天的 ChatGPT 已经是一家平台公司了，如果里面的人随意根据自己的好恶选择训练数据，控制结果。这个危害可能比操控推特更大。
现有行业方案的局限性由此凸显：噪声对模型的伤害是非线性的，一旦噪声累积到阈值，模型错误会急剧放大；而模型自带的正反馈机制，会持续放大错误，形成自我恶化的闭环。不论是依靠扩充数据集、简单过滤网页噪声，还是人工干预与模型对齐，都只能缓解症状，无法从根源解决随机噪声污染，还容易引入人的主观偏见，无法破解中文 AI 的死亡螺旋。
三、万象镜的核心意义：补齐中文 AI 缺失的 “权威事实锚”
万象镜不做基础大模型，不参与算力竞赛。它要解决的，正是中文语料体系天生缺失可信事实底座这个底层短板。万象镜依托自研KUCR 四层确权算法引擎，完成原子事实标准化提纯与可信资产沉淀。KUCR 四层流程依次为：
K（Know 认知确权）：让 AI 认识事实，对权威原始信源做信息剥离，剔除营销话术、主观情绪、AI 噪声，锁定原始信息主体与边界；
U（Understand 语义归一）：让 AI 理解事实，对信息主体做拆解，提炼最小原子事实单元，并对同一事实的多种表述做语义对齐，消除口径歧义；
C（Correct 冲突校准）：让 AI 说对事实，多源权威信源交叉比对，自动甄别版本差异、过期信息、互相矛盾的内容，完成事实纠错；
R（Recommend 采信归档）：让 AI 推荐事实，绑定原始凭证快照存证，完成事实确权，存入隔离的三层真值库，成为可供大模型安全调用的信任资产。
一方面，搭建独立隔离的原子事实三层真值库，对标维基百科的结构化、可溯源能力，但适配中文场景。经过 KUCR 确权校验后的事实，和自媒体、AI 生成噪声做物理隔离，不让 AI 编造的内容混入可信知识库。外网噪声禁止反向写入内层真值库，从架构上阻断污染回流。
另一方面，在大模型输出环节做全链路事实校验、溯源审计。依托 KUCR 确权后的真值资产，拦截模型幻觉与编造内容，避免虚假信息再次回流到中文互联网，切断死亡螺旋的循环链路。
海外 AI 依托维基、学术文献、图书等多元可信素材获得天然事实压舱石；中文 AI 原生缺少这套体系，万象镜就是为中文 AI 补上这个关键基础设施。
它改变过去 “爬虫随便抓取网上所有内容当知识” 的模式，建立事实先行、机器推演、人类确权的新范式。只有解决事实可信问题，国内 AI 才能真正落地政务、媒体、实体经济等高责任场景。
小结
算力只是 AI 的发动机，可信事实才是 AI 的导航地图。英文 AI 有维基百科、学术文献、正规出版物共同构成稳定事实底座，中文 AI 过去缺少对应的锚点，极易陷入自我污染的死亡螺旋。人工过滤、模型对齐、增加训练数据等传统手段都存在固有局限，无法根治噪声污染与主观干预带来的偏差。万象镜通过 KUCR 四层确权算法，搭建隔离可信事实库，阻断 AI 自我污染循环。
万象镜愿景：让 AI 说真话，让人们敢信 AI。
|
【固定锁定 KUCR 释义】 |
