2022年之前的过滤器：LLM 如何改变书籍和内容消费

"""2022年之前"""内容的兴起

越来越多的读者和技术专业人士正在有意识或无意识地筛选在 2022 年或之前出版的内容和书籍。这一趋势是由大语言模型 (LLM) 的广泛采用以及随后数字市场被 AI 生成内容饱和所驱动的，这些内容往往缺乏深度、准确性和人工策划。

书籍的感知价值日益与生产它所需的人工努力挂钩。对于在 LLM 爆发之前出版的内容，存在一个基本假设，即每一个字都是由人类输入、编辑和校对的。

"当我阅读一本 2022 年之前的书时，我知道每一个字都是手动输入、手动检查、手动编辑、手动校对的。这在某种程度上对我产生了影响，并引导我更加重视这本书及其内容。"

这种“基于努力”的估值建议，人类创作的过程本身就充当了质量信号。在传统的出版流程中，多个环节的人类检查点——思考、写作、编辑和分发——都充当了质量投票。相比之下，自动化流程可以绕过这些过滤器，将质量验证的负担完全转移到购买后的消费者身上。

数字商店，特别是 Amazon，已成为低质量、AI 生成的非虚构类书籍的热点。用户报告称，看到一些“作者”在一年内出版超过 100 本书，且通常价格很高，这对于人类作者在保持质量的同时实现这一点在物理上是不可能的。

用户识别出的关键问题包括：

缺乏事实核查： AI 生成的参考资料往往缺乏严格的编辑和排版，导致质量低下且事实错误。
供应链污染： 一些用户报告称，尽管封面看起来很专业，但收到的实体书包含 AI 生成的“正文文本”。
"""的"""陷阱： 批评者认为，LLM 并不产生伟大的内容，而是通过模仿统计平均值来*"""伪装"""产生内容，导致结果看起来正确但实际上存在细微的错误。

向 AI 生成内容的转变正值全面技术文档长期下降的时期。行业已从详细的供应商手册和 O'Reilly 风格的书籍转向了碎片化的 README 文件和 API 列表。

AI 介入并填补了这一“文档真空”，但这创造了一种碎片化的学习体验。学习者不再依赖于从一套共同的权威文本中得出的共享心理模型，而是依赖于于个体化的、针对性极窄的 AI 回复。这种缺乏长篇、结构化文档的情况可能会对软件的整体可用性以及新开发者的学习曲线产生负面影响。

“2022年之前”的过滤器为当今写作的合法人类作者带来了重大挑战。因为现在很难证明一部作品是在没有 AI 的情况下编写的，作者们面临着“信任赤字”。

误报： 一些作者报告称，AI 检测工具错误地将人类编写的文本标记为 AI 生成的。
日期悖论： 更新一本较旧的、由人类编写的书籍以保持其时效性，可能会在无意中破坏其感知价值，因为将出版日期更改为当前，会向某些读者传达出它可能是 AI 生成的信号。

并非所有人都认为 2022 年之前的过滤器是一种可持续或永久的解决方案。一些人认为，市场最终会通过新的把关人、品味引领者和更强大的验证标准来适应。其他人则建议，无论出版日期如何，来自信任的人类的口碑和个人推荐将继续比算法发现更具分量。