維基百科正在清理由 AI 生成或輔助撰寫、來源缺失且不符專案規範的條目。關鍵不在於機器能不能寫,而是誰有權決定哪些知識值得進入公共知識庫。
IEEE Spectrum 的報導標題為「Wikipedia's Cleanup of AI-Generated Content」。報導登上 Hacker News 首頁後,獲得 118 points 和 56 則留言。
這場討論很容易被簡化成「維基百科反 AI」。真正棘手的問題是:當一篇文章語法通順、格式完整,甚至列出看似可信的來源時,誰有權認定它已不適合留在百科全書中?
118 個赞背後的治理爭議
相關討論可見於 Hacker News 頁面。118 points 未必代表共識,但 56 則留言顯示,使用者願意討論公共知識庫的界線在哪裡。
爭議可分為三個層次。
第一層是內容品質。大量生成的條目可能含有事實錯誤、來源錯配或空泛措辭,但這些問題並非 AI 內容獨有。傳統垃圾內容也可能寫得漂亮,只是沒有實質價值。
第二層是貢獻過程。AI 輔助寫作與 AI 大量生成並非同一回事。編輯使用 LLM 整理資料、檢查結構,和投稿人一次產出上百篇未經查證的文章,不能混為一談。
第三層是權力分配。維基百科長期依靠志願者、編輯規則與版本歷史運作。AI 降低內容生產成本,卻不會自動釐清審核責任。產出一段文字不需要編輯資歷;為一項陳述負擔多年維護責任,通常需要。
因此,核心問題不是「機器能不能寫」,而是「機器生成的部分是否留下可供檢查、追責與修正的編輯痕跡」。
清理專案究竟處理哪些內容
IEEE Spectrum 介紹的 WikiProject AI Writing Cleanup,主要處理三類對象:
- 大量生成或大量發布的條目;
- 依賴 AI 輔助撰寫,但不符專案規範的內容;
- 缺少可靠來源,無法依維基百科規則查證的內容。
這裡容易出現一種誤解:專案並不是在定罪所有曾使用 AI 的文章。
維基百科在意的是條目是否達到收錄標準。假設某篇文章由編輯使用 LLM 查找資料、整理大綱,接著逐條核對引文,並依專案規範補充背景,那麼工具只是編輯流程的一部分。反過來說,即使文章沒有任何一個字直接交由模型生成,只要來源不存在、段落毫無意義,它仍然是問題內容。
這也意味著,「AI 味太重」「讀起來很奇怪」「不像專家寫的」,都不應成為清理依據。可執行的標準應落在貢獻紀錄、來源品質、原創研究、版權與利益衝突、條目歷史等可查核事項上。
偵測工具不是最終裁判
AI 文字偵測器經常被當作辨識工具,但誤報並不少見。
原因並不複雜。偵測器通常學習的是文字表面的統計特徵。模型換一種寫法,分數就可能改變。不同偵測服務、語言與模型版本,也可能得出不穩定的結論。正式寫作的非母語作者,同樣可能被誤判。
更麻煩的是,改寫以規避偵測幾乎不需要複雜技術。刪掉幾個固定用詞、調整句式或改變段落節奏,就可能讓偵測結果明顯波動。若將其視為證據,等於讓一個不透明機率分數決定公共條目是否刪除。
偵測結果最多適合用於分流,提醒編輯進一步檢查,不能取代人工判斷。
真正的查核程序更費工,也更可靠:
- 抽查關鍵陳述是否有可靠來源;
- 檢查引文是否確實支持相應敘述;
- 查看是否具備可辨識的原創研究;
- 比對條目歷史,判斷是否存在大量建立的模式;
- 由具備相應資歷的編輯承擔處理決定。
偵測器解決的是「哪些地方可能需要查看」;編輯制度解決的是「誰查過,以及根據什麼處理」。兩者的順序不能倒置。
維基百科真正稀缺的是編輯時間
LLM 能在幾分鐘內生成數千字,成本近乎零。維基百科真正稀缺的資源,卻是編輯時間。
一位編輯可能得開啟十多個來源,核對數字、日期、人物關係與引文脈絡;還要判斷兩份來源是否互相衝突,必要時發起討論、記錄刪除理由、追蹤後續版本,並回應申訴與新證據。
AI 可以協助整理這些工作,卻不能代替責任主體。它可以建議「刪除」,卻不能替志願專案承擔刪除後引發的公共爭議。它也能產生來源連結,但連結存在,不代表來源可靠,更不表示來源支持原文。
這正是 WikiProject AI Writing Cleanup 背後的資源限制。若平台一方面接受機器規模的內容供給,另一方面又沒有足夠編輯負責篩選,條目數量增加不會自動轉化為知識品質。最終留下的,可能是更多頁面、更長文字,以及更難驗證的引用網絡。
過去,平台常以「封鎖來源」處理廣告、垃圾內容與農場頁面。現在的問題更隱晦。
廣告即使偽裝成文章,仍可透過商業連結、大量投放與歷史模式辨識。AI 生成內容可能沒有惡意行銷,語法也充分完整,來源欄甚至看起來相當齊全。垃圾內容像堆在門口的一批貨;低成本生成內容則更像整批格式合格的檔案。
後者會稀釋人工貢獻。編輯的時間沒有增加,讀者看到的表面品質卻可能下降。
編輯觀察
這次清理的重要性,不在於維基百科是否「反 AI」,而在於公共知識平台開始面對一種更難治理的生產方式:內容生成成本遠低於查核成本。
我的判斷是,最終形成的清理標準,不會長期圍繞「是否使用 AI」,而會轉向兩個問題:內容是否可驗證,以及引入它是否真的改善條目。特別是後者。AI 若用於資料整理、格式檢查或語言修訂,可能節省編輯時間;大量製造缺乏原創研究支撐的條目,則只會擴大維護負債。
這也與過去封鎖廣告、垃圾內容不同。垃圾內容通常以導流為目的,低品質是明顯特徵;AI 內容可能完全服務於知識生產,卻缺乏可追責的人。維基百科過去已建立編輯資歷、討論機制與版本歷史等制度。這次要補上的,是這些制度如何涵蓋一種近乎零成本、規模化的寫作方式。
目前仍不確定的是,外部偵測工具能提供多大程度的協助。如果誤報與規避問題無法解決,偵測很可能只適合作為內部提示,而不宜成為刪除依據。最終需要投入多少編輯時間,現有專案也尚未提供可靠答案。