AI时代，如何做好“搞数据”这件头等大事

首页

科技

热心网友

转载

2025-11-03

就在一个月前，微软为玩家带来了游戏AI助手Gaming Copilot，旨在协助玩家应对高难度挑战、提升操作技巧，同时深入解析游戏机制。然而，当大家正为这位"AI游戏搭子"欢呼时，却有细心的玩家赫然发现，这个所谓的助手竟然悄悄扮演着"特洛伊木马"的角色。

最近一次更新后，海外游戏论坛ResetEra的用户发现，自动安装在电脑上的Gaming Copilot会悄无声息地上传游戏截图和录屏内容。在其隐私设置中，"文本模型训练"选项竟然默认处于开启状态。不过该用户也略带宽慰地提到，微软尚未完全失去底线，至少收录用户语音对话的选项目前还处于关闭状态。

消息传出，玩家社区顿时一片哗然。原本期待这位AI助手能随时响应召唤，解决游戏过程中遇到的难题，不再需要频繁切出游戏查阅攻略。没想到Gaming Copilot竟是个隐藏的"间谍"，暗中觊觎着大家的隐私数据。

不得不说，微软在"坑玩家"这件事上几乎形成了习惯。此前的"Edge游戏助手"让电脑变卡顿也就罢了，如今的Gaming Copilot更是把玩家当成了"人肉电池"。这次数据收集行为绝非无心之失，而是有意为之，目的就是让玩家在不知不觉中交出个人数据。

至于微软为何要如此"口蜜腹剑"，看完接下来的消息，各位想必就能心领神会。就在Gaming Copilot被曝光会自动上传数据的几乎同一时间，"美国贴吧"Reddit在纽约联邦法院起诉了AI搜索新锐Perplexity AI，指控其通过"工业规模的非法抓取"行为，未经许可复制Reddit用户的评论以牟取商业利益。

数据如同化石燃料般正在枯竭，AI革命正疯狂"吸干"互联网数据的海洋，这是AI专业人士从去年就开始不断发出的警告。而在2025年，AI行业更是出现了一个耐人寻味的现象：各大厂商的模型不约而同地放弃了通用化路线，开始追逐差异化优势。比如OpenAI的GPT-5擅长搜索、谷歌的Gemini 2精于数学推理，而Anthropic的Claude 4则在代码生成方面表现出色。

事实上，不同厂商的AI模型各有所长，根本原因在于它们在RLHF（基于人类反馈的强化学习）阶段采取了不同策略。按照OpenAI前首席科学家Ilya Sutskever的说法，决定RLHF阶段效果的关键，除了算法优劣外，数据质量更是决定性因素。这背后反映出一个现实：大模型的迭代已经从纯粹的参数规模膨胀，转向了高质量数据的萃取。

大模型的训练本就依赖海量数据，如果输入的数据存在错漏，训练出的模型自然会"学坏"，输出结果同样会成为"垃圾"。没错，与人类一样，一旦接触低质信息过多，大模型也会出现认知退化的"脑腐"现象。

大模型持续暴露于垃圾数据的具体表现，包括推理能力下降、上下文理解能力变差、伦理规范意识减弱等系统性退化，且这一趋势具有不可逆性，难以通过后期微调修复。为避免自家模型不进反退，各大AI厂商自然也开始千方百计地寻求高质量数据。

但遗憾的是，论文、书籍等高质量数据已被消耗殆尽。由于AI厂商一口气吞噬了过去三十年间互联网世界积累的绝大部分知识，才造就了大模型在过去两年迎来"寒武纪生命大爆发"。如今凝聚了人类智慧结晶的高质量数据濒临枯竭，AI厂商被迫在沙海淘金，尽管Reddit的社交数据、Gaming Copilot收集的玩家行为数据质量堪忧，但好歹也是能产出保证的数据。

如今的矛盾之处在于，不仅AI厂商认识到一切数据都有价值，像Reddit这样的数据拥有者也不例外。从某种意义上说，AI初创企业的至暗时刻其实是2025年，因此在此之后，巨头和初创企业获取数据能力的差距，会让后者再难获得弯道超车的机会。

以微软和Perplexity AI为例，在合法合规的情况下，前者获取数据的能力显然碾压后者。毕竟微软旗下产品极为丰富，Office可以贡献办公数据、Gaming Copilot能带来游戏数据，因此微软能够收集到量大而全的数据。

反观Perplexity AI，尽管作为AI搜索独角兽在赛道中崭露头角，甚至其AI搜索引擎一度让谷歌搜索左支右绌。可Perplexity AI仅有AI搜索这一个产品，这就注定了他们只能从1500万活跃用户身上获取数据。如果仅靠自家用户获取数据，Perplexity AI注定将迎来"加拉帕戈斯化"，即在孤立的市场环境下进行"最适化"，从而丧失与区域外的互换性，进而导致产品与主流需求脱节。