一、一个读者的下意识筛选
2026 年 6 月，Hacker News 上一篇不到 300 字的短文获得了 202 个点赞和 123 条讨论。作者 Lorenzo Gravina 描述了一种自己也说不清的感觉：买书时，会下意识地偏向 2022 年及以前出版的书。看到 2023 年之后的新书，尤其是来自陌生作者的作品，他会自动降权。
他承认这不完全理性——他本人每天都用 LLM 写代码，也知道这些工具能产出不错的成果。但当他翻开一本 2022 年之前的书时，他知道每一个字都是被手打进去的、被人检查过的、被编辑推敲过的、被校对者核验过的。这种”知道”本身，改变了他与文本之间的关系。
Gravina 准确说出了越来越多读者说不清的直觉：出版年份正在成为一种从未有过的新标签——「未被污染」取代了「经典」和「畅销」的位置。
二、一条看不见的日期线
为什么是 2022 年？
ChatGPT 于 2022 年 11 月 30 日上线。这是公众首次大规模接触生成式 AI 文本的时刻点。但 GPT-3 的训练数据截止于 2021 年 9 月，GPT-4 初始版本也是同样的截止期。这意味着 2022 年以前出版的大多数书籍，几乎不可能出现在这些模型的训练语料中——因为时间顺序使然，而非技术上有任何限制。
这个时间标记的本质是：在 ChatGPT 出现之前完成出版流程的文本，其生产过程还没有被”未来将被用作训练数据”这个预期所影响。
这不是什么高深的技术判断。任何了解 LLM 数据采集方式的从业者都能告诉你：Common Crawl 的巨量语料中包含网络文本、论坛帖子、代码仓库和新闻文章，但受版权保护的当代书籍——尤其是 2022 年前后刚出版的那些——在主流模型中出现的概率极低。OpenAI 固然与某些出版商签有数据授权协议，但协议覆盖的范围、时间和语种都与”全面吸收”相去甚远。
所以所谓”pre-2022”并不是一个精确的科学边界。它更像一个经验性的代理变量——通过出版年份来近似估计文本被 AI 语料库”入编”的概率。这个代理变量不完美，但它在实践中比任何 AI 检测工具都可靠。
三、低本底钢的隐喻
2025 年 6 月，前 Cloudflare 高管 John Graham-Cumming 上线了一个名为 lowbackgroundsteel.ai 的网站，专门编录 2022 年之前的、未经 AI 生成的文本、图像和视频资源。网站的名字直接借用了冷战时期的核物理术语。
1945 年人类首次核试验之后，大气中的放射性沉降物污染了全球所有新生产的钢铁。从事精密辐射探测的科学家发现，现代钢材的背景辐射太高，无法用于灵敏仪器。他们的解决方案是从二战前沉没的军舰残骸中打捞钢铁——这些钢材在核时代之前就已炼成，没有沾染人工放射性同位素。
Graham-Cumming 的类比精准得令人不安：ChatGPT 就像一次数字领域的核试验，从此之后产生的文本都可能带有”可探测的痕迹”。AI 生成的文字没有放射性，但读者再也无法确定面前这段文字背后有没有站着一个悄无声息的生成器。
lowbackgroundsteel.ai 收录的资源清单包括：2022 年 8 月的 Wikipedia 快照（ChatGPT 发布前三个月）、Project Gutenberg 的 7 万多本公版书籍、国会图书馆照片档案馆、以及 GitHub Arctic Code Vault 中冻结的开源代码。还有 wordfreq——一个已经停止更新的词频统计库，它的作者 Robyn Speer 在 2024 年 9 月写下了那句被反复引用的话：“现在的网络充满了由大语言模型生成的垃圾，无人所写，无所传达。“
四、wordfreq 的最后一个版本
wordfreq 的停更是一个被低估的信号。这个 Python 库追踪了 40 多种语言的词汇在互联网上的出现频率，被语言学家、NLP 研究者和产品团队广泛使用。它的数据来源包括维基百科、电影字幕、新闻语料和社交媒体——都是 AI 时代之前被认为相对”干净”的信源。
但到 2024 年，这些信源已经被 AI 生成文本全面渗透。社交媒体上的评论、新闻网站的评论区、甚至维基百科的条目——都有大量 AI 生成的成分。将这些数据纳入词频统计，会使结果失真：某个词的高出现率不再意味着人们在真实对话中使用它，而可能仅仅意味着 AI 倾向于在一些固定搭配中反复生成它。
Speer 的选择很干脆：不更新了。她保存了截至 2021 年的最后一版数据，将这个版本标记为一个历史快照——一张在 AI 污染之前的语言底片。
这个案例揭示了一个更深层的问题：以网络文本为样本的语言研究正在失去其方法论基础。 如果”训练数据”和”被研究对象”来自同一个被污染的池子，任何基于大规模语料的分析都无法规避自指循环。语言学家在 2025 年研究的”网络语言”，实际上已经在相当程度上反映的是 LLM 的语言偏好，而非人类的真实用语。
五、模型坍塌的实证
2024 年 7 月，《自然》杂志发表了一篇题为《AI models collapse when trained on recursively generated data》的论文（Shumailov et al., 2024）。研究团队发现，当生成式模型反复在其自身输出上训练时，只需五轮迭代就会出现”不可逆缺陷”——模型输出的多样性急剧下降，罕见词汇消失，生成内容趋于同质化。
这不是科幻。它是生成式 AI 生态系统的逻辑必然：网络上的 AI 文本越多，下一个模型在网络上抓取到的”干净”人类文本越少。如果模型的训练数据中包含大量前一代模型的输出，后一代模型的性能就会退化。这就是”模型坍塌”（model collapse）的基本机制。
后续研究（Gerstgrasser et al., 2024）表明，当合成数据与真实数据混合而非完全替代真实数据时，模型坍塌可以避免。但这需要精心的数据筛选——而筛选的前提是能够区分哪些文本是 AI 生成的，哪些不是。这正是 pre-2022 标签试图解决的问题。
学术界对这个问题的关注程度在迅速上升。2025 年已有多个研究组专门从事”训练数据起源追溯”——即判断一个语料库中的文本是否包含 AI 生成内容，以及多大比例。但所有这类方法都有一个共同的参照基准：确信为 AI 生成之前的、人类创作的数据集。
pre-2022 书籍，正是这类基准数据中最天然、最易获取、最自明的一类。
六、阅读体验的异化
回到 Gravina 的原始困惑。当他翻开一本 2023 年出版的书，潜意识里的疑虑并不源于书本身的质量，而是源于一种”不可知”——他不知道这本书的写作过程中 AI 参与了多少。
这种不确定性正在以不同的方式侵蚀读者的信任。HN 讨论中，用户 RomanPushkin 很坦白：他有一本 2022 年 5 月出版的 Ruby 入门书，刻意不更新它，因为”一旦你动了它，日期就会变成 2026，所有价值就消失了”。另一用户 AlexeyBrin 说，他在亚马逊看到一位作者一年出版了 10 本书，直接跳过——“生命太短，没时间读垃圾”。
这些反应粗糙但真实。出版数量、出版频率、作者背景、配图风格——读者正在发展出一套非正式的水印检测系统，用于判断一本书是否”像”人写的。这套系统准确率不高，但它反映了信任结构的漂移。
更值得关注的反向效应是：人类写作的固有特征——偶尔的笨拙、非常规的句法、非最优的用词——正在被 AI 检测器标记为”可疑”。 许多独立作者反映，他们的书稿被编辑工具和平台算法标记为”AI 生成内容”，仅仅因为写得不够流畅。人类写作的边界正在因为 AI 的存在而被动收窄。
七、这个时间标记的保质期
pre-2022 作为一个分类标签，有其内在的有效期。
第一批大规模 AI 训练数据中确实极少包含 2022 年以后的当代书籍，但这一事实正在变化。越来越多的出版社与 AI 公司签署了数据授权协议。即使没有正式授权，盗版书籍通过各种灰产渠道流入训练语料的情况也在增加。到 2026 年，2023-2024 年出版的书籍是否”干净”已经是一个需要逐案确认的问题。
可以粗略判断：2019 年之前出版的书，几乎 100% 不在任何主流 LLM 的训练语料中；2020-2021 年的书，概率很低；2022 年的书，视具体模型而定；2023 年之后的书，已经无法默认信任。
这意味着”pre-2022”是一个随时间漂移的边界。2027 年的读者可能会把标准放宽到 2023 年，或者收紧到 2021 年——取决于后续模型的训练数据截止期如何更新。但无论如何漂移，这个分类的存在本身就反映了信任结构的变化：读者不再默认新出版的书籍是”由人写的”，而是默认需要额外验证。
这种翻转是根本性的。印刷时代的基本契约是：一本书经过出版社的编辑、校对、审核流程，其内容质量由这个流程背书。AI 时代，这个契约的第一项——“作者是人”——已经无法默认成立。
八、两种不同的怀旧
值得区分”pre-2022”偏好和普通的怀旧情绪。怀旧倾向于美化过去的作品，认为”老书更好”；pre-2022 偏好关心的是这本书的生产过程是否排除了 AI，而非书本身的质量优劣。
这意味着同一本书，2021 年版和 2024 年修订版在 pre-2022 框架下享有截然不同的地位。修订版可能文字更精炼、数据更准确，但它失去了时间上的”原始性”。HN 讨论中有人提出”第二版标注 No AI 标识”的方案，这本质上是在寻找一个新的信任锚点。
如果现有的技术路线（水印、内容来源验证、出版区块链）无法大规模落地，那么出版年份可能就是最简单有效的替代方案。它不需要任何技术基础设施，不需要作者声明，不需要第三方验证——只需要印在版权页上的一个数字。
九、最后
回到文章开头那个困惑的读者。他并不认为 AI 生成的文字都是垃圾——他甚至每天都在使用这些工具。他也明白，一本 2023 年出版的书完全可能是人类独立完成的优秀作品。但他仍然下意识地倾向 2022 年之前的书。
人类读者和文本之间有一种隐性的、非理性的契约关系。当你知道一篇文章是在键盘上一个字母一个字母敲出来的、经过犹豫和修改、最后由一个署名者为其内容负责时，你读它的方式是不同的。你可能会更宽容它的语病，也可能更认真地对待它的论点。
AI 并没有取消这种契约——它只是让它变得不再自动生效。“作者是人”原本是一个不需要声明的默认值，现在变成了需要主动选择才能保留的选项。
pre-2022 书籍未必比后 AI 时代的文字更正确或更精彩。但它们是最后一批默认享有”人类作者”信任权的文本。这个时间标记之所以让这么多人产生共鸣，恰好因为它准确标记了一个问题的起点——而迄今为止，我们还没有找到超出出版年份之外的、更可靠的解决方案。