如果未来AI读取的越来越多是AI生成的内容，会发生什么？
一个AI生成一篇文章。
这篇文章被搜索引擎收录。
另一个AI搜索到它，把它总结成一个答案。
这个答案又被人发布到网上。
第三个AI继续读取、改写、重新组织。
几年以后，我们再问同一个问题。
AI看到的可能已经不再主要是最初的一手资料，而是大量经过AI总结、压缩、改写过的二手、三手甚至更多层的内容。
文字还在增加。
答案还在生成。
信息看起来甚至越来越丰富。
但一个更值得警惕的问题是：
知识本身是不是正在越来越像？
如果新的现实数据、新的实验、新的经验、新的反例进入得不够快，而AI不断在已有知识内部重新组合，那么整个知识系统可能出现一种很特殊的现象：
AI知识的近亲繁殖。
这里的“近亲繁殖”只是一个比喻。
它描述的不是AI真的拥有生物学意义上的遗传系统，而是一种知识生态现象：
知识不断从相似来源中复制、重组和再生产，导致来源多样性下降、观点逐渐趋同，并可能让已有错误被反复强化。
AI的问题可能不是越来越不知道。
而是：
越来越只知道彼此已经知道的东西。
Question：AI生成越多，知识真的越多吗？
AI时代最容易产生的一个错觉是：
内容数量增长，就意味着知识增长。
每天有更多文章。
更多答案。
更多总结。
更多视频。
更多解释。
看起来知识系统正在爆炸式增长。
但如果这些内容大部分都来自同一批公开资料，只是不断重新组织，情况就完全不同。
假设现实世界最初只有十份真正的一手资料。
随后AI根据它们生成一千篇文章。
下一轮AI又读取这一千篇文章，生成一万篇。
从页面数量看：
10 → 1,000 → 10,000
知识似乎增加了一千倍。
但底层真正独立的信息源可能仍然只有：
10个。
甚至更少。
因为在不断总结和改写的过程中，一些细节已经消失。
于是我们必须区分：
内容数量。
来源数量。
独立信息数量。
认知增量。
AI最容易增加第一项。
但第一项增长，并不能证明后三项同步增长。
Mechanism：知识可能形成一个封闭循环
传统知识传播大致是：
现实 → 人类观察 → 记录 → 出版/网站 → 其他人学习
虽然其中也存在大量二手传播，但现实世界不断向系统注入新信息。
AI加入以后，链条开始变长：
现实 → 原始资料 → AI总结 → AI文章 → AI搜索 → AI回答 → 再发布 → 再被AI读取
问题就在于：
AI输出开始重新成为AI输入。
这本身并不一定有害。
人类知识同样建立在大量引用、总结和再解释之上。
真正危险的是，当循环内部的信息生产速度远远超过外部现实输入速度时，系统会逐渐出现结构变化。
可以把它理解为两个速度：
外部新认知输入速度
和
内部已有知识重组速度
AI会把第二个速度提高几个数量级。
但第一种速度并不会因此同步增加。
一个新的科学实验仍然需要真实实验。
一家公司真正失败一次仍然需要时间。
一个创作者观察账号一年仍然需要一年。
一组新的用户行为仍然必须真实发生。
于是可能出现：
知识重组速度远远超过知识生成速度。
大量内容因此开始在同一个认知池里高速循环。
Mechanism：每一次总结都会丢失一些东西
信息在传播过程中并不是无损的。
一篇原始研究可能包含：
研究方法。
样本范围。
统计限制。
异常数据。
作者保留意见。
失败实验。
适用条件。
但当它第一次被总结时，可能只剩：
研究发现A会导致B。
第二次再总结：
A有助于B。
第三次变成：
研究证明A可以提升B。
最初复杂、带有边界的研究结论，经过几轮信息压缩以后，逐渐变成了一个确定的公共常识。
这类问题在人类传播中一直存在。
AI的特殊之处在于：
压缩和复制的速度突然变得极高。
一篇原始材料可以迅速生成数千个衍生版本。
而衍生版本的数量很快超过原始资料。
结果就是：
搜索一个问题时，真正的一手资料可能只有三篇。
但根据这三篇资料生成的二手文章有三千篇。
从数量上看，二手内容已经形成压倒性优势。
如果后续系统又把“出现频率”误认为“共识强度”，问题就可能进一步扩大。
Mechanism：错误也会在循环中获得“多数支持”
假设一份早期资料中存在一个错误。
最开始只有一个来源写错。
AI读取后生成十篇内容。
十篇内容又被更多系统引用。
几年以后搜索这个问题，可能出现几百个页面都在重复同一个答案。
这时候，一个非常危险的认知错觉出现：
很多地方都这么说，应该是真的。
但这些内容实际上并不是几百个独立来源。
它们可能拥有同一个祖先。
也就是说：
引用数量增加了，证据数量却没有增加。
这和知识近亲繁殖最相似的地方就在这里。
表面看，有大量独立个体。
实际上，它们拥有高度相似的“知识基因”。
一个错误因此可能获得一种虚假的社会证明。
不是因为它被更多独立研究验证。
而是因为它被更多次复制。
Mechanism：主流知识会越来越主流
AI还有一个天然倾向：
优先学习和调用那些公开、丰富、重复出现的信息。
这会带来一个知识生态问题。
主流观点原本拥有更多文章。
拥有更多引用。
拥有更好的搜索排名。
拥有更多公开数据。
AI又更容易读到它们。
然后继续生成更多相似内容。
于是形成正反馈：
主流观点 → 更多资料 → 更容易被AI读取 → 更多AI生成 → 更高可见度 → 继续成为主流
与此同时，一些非常重要的东西可能逐渐处于劣势：
小众经验。
地方性知识。
失败案例。
反例。
尚未被系统记录的实践经验。
不擅长公开表达的人掌握的一手知识。
没有SEO优化的高价值资料。
这些信息不是没有价值。
它们只是：
数量少。
而在一个依赖大规模语料的知识系统里，数量本身可能影响可见度。
这会让知识系统越来越趋向“平均答案”。
Evidence：为什么AI内容经常给人一种越来越像的感觉？
今天已经很容易观察到一个现象：
围绕同一个热门话题搜索大量文章，经常会看到非常相似的结构。
定义。
背景。
优势。
挑战。
未来趋势。
最后提出几点建议。
换一个网站，标题不同。
再换一个作者，措辞不同。
但底层内容几乎没有变化。
这当然不能全部归因于AI。
传统SEO内容早就存在这种现象。
但AI显著降低了复制这种结构的成本。
过去一个行业可能有一百篇相似文章。
以后可以有一百万篇。
于是：
同质化从写作问题逐渐变成知识生态问题。
真正值得警惕的并不是句式相似。
而是：
这些文章是否真的拥有独立来源？
如果把所有相似表达一路追溯，它们最终是不是都指向同样几份资料？
如果是，那么我们看到的“信息丰富”，可能只是：
表达丰富。
而不是知识丰富。
Evidence：来源正在被层层隐藏
AI时代还有一个非常现实的问题：
出处越来越难追。
人读到一篇文章。
把其中一个判断交给AI。
AI重新表达。
然后发布。
另一个人再读取这个新版本。
继续改写。
经过几轮以后，最初的来源可能完全消失。
最终网上留下一个“大家都这么认为”的结论。
但没人知道：
谁最早提出？
基于什么证据？
当时有什么边界？
后来有没有被修正？
这与我们之前讨论的“AI内容折价”其实存在同一个基础问题：
生成变容易以后，来源变得更加重要。
因为如果不能追溯来源，我们就无法判断：
这是十个独立判断。
还是一个判断复制了十次。
Mechanism：知识多样性也可能下降
“近亲繁殖”这个比喻真正值得保留的地方，不只是错误复制。
还有：
多样性损失。
一个健康的知识系统不应该只有正确答案。
它还需要：
相互竞争的解释。
少数派观点。
反例。
未解决问题。
不同文化环境中的经验。
不同产业里的实践。
失败路线。
暂时无法解释的异常。
这些东西共同构成知识系统的多样性。
但AI在追求“给出一个有用答案”时，很容易把复杂分歧压缩成一个主流结论。
例如原本有五种解释。
AI为了提高回答效率，可能总结为：
通常认为主要原因是A。
这对用户很方便。
但如果这种压缩不断重复：
五种解释可能慢慢只剩一种。
于是我们获得了更清楚的答案。
却可能失去了知识生态本身的复杂度。
Mechanism：搜索、推荐和AI可能形成共同的收敛系统
问题还不仅存在于生成模型。
整个互联网的信息基础设施都存在“收敛”倾向。
搜索引擎偏好已经获得权威和链接的内容。
推荐系统偏好已经获得反馈的内容。
用户更愿意点击已经被大量认可的观点。
AI又更容易读取高可见度信息。
几者叠加以后：
高可见度 → 更多点击 → 更多引用 → 更多AI生成 → 更高可见度
这形成一个非常强的正反馈系统。
它能够提高信息获取效率。
但同样可能降低：
认知多样性。
从系统角度看，这甚至有点像所有人不断购买同一种资产。
短期看，共识越来越强。
但一旦底层判断错了，整个系统可能同时犯错。
Evidence：真正的新认知通常来自“系统外”
回看真正改变认知的东西，会发现它们通常不是从已有文章继续总结出来的。
而是来自：
新的实验。
新的数据。
新的技术。
新的商业失败。
新的用户行为。
真实世界中的异常。
一个过去没有人观察过的群体。
一个新的历史事件。
也就是说：
认知真正发生跃迁的地方，往往在知识系统和现实世界的边界。
这和上一篇《AI时代，认知增量从哪里来？》实际上构成非常直接的关系。
认知增量需要：
现实 → 新信号 → 知识系统
而知识近亲繁殖发生在：
知识系统 → AI → 知识系统 → AI → 知识系统
一个不断向外开放。
一个不断在内部循环。
两者的差别，本质上就是：
有没有持续引入外来信息。
Mechanism：第一手信息会成为知识系统的“外来基因”
如果把“近亲繁殖”这个比喻继续下去，那么解决办法也很清楚：
知识系统需要持续引入：
外来基因。
对应到知识生产，就是：
第一手数据。
真实实验。
实地观察。
用户访谈。
失败记录。
小样本异常。
新事件。
边缘经验。
新的问题定义。
不同学科的方法。
这些东西共同提供AI无法仅靠内部重组得到的新变量。
所以AI时代，一个内容体系最重要的资产可能不只是：
有多少文章。
而是：
有多少独立的现实输入源。
一个每天写十篇AI文章的网站，未必比一个每个月进行一次真实实验的人拥有更多认知资产。
前者在高速繁殖文字。
后者在向系统注入新的基因。
Boundary：AI并不一定导致知识退化
这里必须明确边界。
“AI知识的近亲繁殖”并不是说：
AI使用AI生成内容以后，知识一定越来越差。
这个判断过度简单。
AI同样能够帮助扩大知识多样性。
例如：
主动寻找反例。
搜索不同语言资料。
发现冷门论文。
比较不同理论。
进行跨学科连接。
生成竞争性假设。
甚至帮助人主动摆脱信息茧房。
所以决定结果的并不是：
有没有AI参与。
而是：
系统是否持续引入独立信息源。
如果AI不断读取：
新的研究。
新的现实数据。
不同文化的资料。
不同领域的知识。
大量第一手信息。
那么它完全可能提高知识系统的多样性。
真正危险的是：
封闭循环。
Boundary：人类知识本来也一直存在“近亲繁殖”
这个问题也不是AI独有。
学术界会形成引用圈。
媒体会互相转载。
行业报告会相互引用。
SEO网站会复制竞争对手。
社交媒体会制造观点回音室。
人类知识传播本来就存在：
趋同。
权威效应。
二手资料覆盖一手资料。
错误重复。
AI只是让这些现象第一次拥有：
机器级的生产速度和规模。
所以“AI知识近亲繁殖”真正值得研究的不是AI发明了什么新问题。
而是：
AI把一个旧问题放大到什么程度以后，会产生新的系统性后果？
Boundary：不是所有重复都没有价值
同样，知识重复本身也不等于垃圾。
一个复杂概念被不同人重新解释，可以降低理解门槛。
翻译可以让知识进入新的语言环境。
总结可以节省时间。
教学内容本来就需要大量重复。
所以不能简单把：
重复 = 无价值
真正的问题是：
重复是否开始冒充独立证据。
以及：
重复是否挤压了新的信息来源。
如果一百篇文章都在解释同一篇论文，这可能很有价值。
但如果后来所有人都忘记了那篇论文，只剩下一百篇互相引用的解释文章，就出现了问题。
Conclusion：AI时代，知识系统最需要的是“外部新血”
AI不会让知识停止增长。
相反，它可能成为历史上最强大的知识整理、连接和推演工具。
但正因为它的内部生成能力如此强，另一个问题才更加重要：
外部新信息能不能跟得上？
如果跟不上，知识系统就可能出现一种奇怪状态：
内容越来越多。
表达越来越丰富。
答案越来越完整。
但真正独立的信息源越来越少。
主流观点越来越集中。
错误被多次复制以后看起来越来越可信。
边缘经验逐渐消失。
知识系统开始不断引用自己。
这就是所谓：
AI知识的近亲繁殖。
它真正提醒我们的，不是停止使用AI。
而是重新认识知识生产最重要的基础设施：
独立来源。
未来高价值知识系统必须持续拥有：
现实数据。
第一手经验。
真实实验。
异常。
反例。
不同文化和不同学科的信息。
以及那些尚未被主流系统充分吸收的边缘信号。
AI可以帮助这些知识高速传播和组合。
但不能让系统忘记：
所有真正的新知识，最终都必须有某种东西从知识系统之外进入。
如果没有新的现实输入，AI再强大的生成能力，最终也可能只是让已有知识不断自我复制。
所以AI时代最大的知识风险，可能并不是机器什么都不知道。
而是：
机器越来越只知道彼此已经知道的东西。