AI新闻自己传播的时候，
谁在往里面掺水？

起点是一份第三方调研报告，提议用"真人短剧 vs AI短剧"的用词差异来预测大众说话风格的演变。这份报告很诚实地做了自我批判：短剧是高度程式化的"舞台口语"，观众看剧到内化台词这条因果链从没被验证过，而且题材、受众、制作流程三重因素混在一起，测出来的用词差根本说不清是不是AI污染。

报告自己给出了修正方向——换一个更干净的探针，直接追踪AI生成内容向人类语言扩散的路径。这份研究执行了这个建议，把探针换成了同一条新闻本身沿媒体传播链的扩散过程：AI实验室官方发布 → 专业科技媒体 → 中文AI垂类自媒体 → 社交/短视频平台，四层追踪同一个事件，从根本上消除了短剧探针的题材混淆问题。

Tier0是实验室官方发布（OpenAI/Anthropic/Google DeepMind的Blog，DeepSeek/阿里通义/智谱/腾讯的官方渠道）；Tier1是专业科技媒体（TechCrunch/The Verge/Ars Technica，或极客公园/财新/36氪）；Tier2是量子位一类的AI垂类自媒体；Tier3是抖音、小红书、微博、B站上的社交/短视频扩散，经TikHub API抓取。

四个研究问题：AI用词指纹密度是否随层级单调变化（RQ1）；下游文本相对上游是逐字引用还是独立改写，这个"复述距离"是否和AI味相关（RQ2）；具体数字（参数量、跑分、价格）沿链条是否退化（RQ3）；AI味/夸张度是否影响互动量、评论区是否出现"一眼AI"式反噬（RQ4）。

数据抓取有一条硬规矩：不用任何会先经过小模型摘要改写的抓取工具——包括WebFetch。因为测的就是LLM污染程度，用一个LLM工具去抓原始语料，等于在测量基线里先偷偷掺了一层未被记录的AI改写。所有网页正文改用原始HTTP请求+trafilatura抽取，遇到反爬机制（Cloudflare人机验证、36氪的拖拽拼图验证）一律不绕过，直接记为不可用数据源。

试点版覆盖12个事件（2025年11月-2026年8月，7英文+5中文）。扩展版新增17个事件，往两个方向拉：加入此前没覆盖的实验室（xAI Grok 4、Meta Llama 4、Mistral 3、Moonshot Kimi K2/K3、MiniMax M2、百度文心5.0、Amazon Nova 2、Perplexity Sonar API），以及拉长时间窗口到更早的同实验室事件（GPT-5/5.1、Claude Opus 4.5/Sonnet 4.5、Gemini 2.5 Pro、DeepSeek V3.2、Qwen3初代、GLM-4.6）。时间跨度从6-9个月拉到20个月。

层级	v1试点	v2扩展	说明
Tier0 官方博客	9篇	29篇	用真实浏览器会话找回全部OpenAI官方博客
Tier1 科技媒体	19篇	52篇
Tier2 垂类自媒体	15篇	36篇
Tier3 社交/短视频	210条	823条	每平台Top15，v1为Top5
种草笔记补充样本	100条	100条	未扩，见§05
合计	353篇/条	1,040篇/条	约22.8万词

加深Tier3采样深度（Top5→Top15）不增加API调用成本——TikHub单次搜索本身就返回15-20条原始结果，试点只用了前5条。真正花的是找回被拦截信源的功夫：用真实浏览器会话（复用已登录状态，不是headless伪装）重试此前被403的URL，OpenAI全部5篇官方博客、Meta AI Blog、Perplexity官网都正常渲染，没有出现任何人机验证挑战——说明当初的403只是针对默认请求头的简单UA拦截，不是需要"破解"的强反爬。但36氪的部分页面在真实浏览器下触发了明确的拖拽拼图验证，截图确认后，本研究选择不解，直接记为不可用数据源。

RQ1 · 指纹密度峰值在信源，方向成立，幅度下修方向成立

19个英文事件里，官方博客（Tier0）的AI用词指纹密度均值1.59/千词，专业媒体转述后（Tier1）降到0.94/千词，下降41%（Wilcoxon p=0.125，19个事件里方向高度一致，但仍未过0.05）。试点时n=4，看起来是暴跌73%，现在看那更像是小样本方差的夸张效应。

试点阶段基于7个事件，观测到"Tier2→Tier3复述距离越大、Tier3的AI指纹密度越低"的强负相关，据此推翻了原报告"自媒体是找LLM洗一遍稿"的猜测。把事件数扩到22个后，相关系数不仅衰减，方向还反转成弱正相关，且远未达显著。诚实的结论是：现有数据不支持复述距离和AI指纹密度之间存在任何稳定的线性关系，无论是原报告猜测的正相关，还是试点观测到的负相关。

RQ3 · 数字保真度沿链条走弱，但趋势比想象中弱

以Tier0公布的参数量、跑分、价格等"显著数字"为基准，下游各层保留比例的跨事件趋势检验：试点n=25观测，ρ=-0.27，p=0.19；扩展后n=77观测，ρ=-0.13，p=0.28——方向没变，但强度进一步减弱。一个站得住的定性模式是：技术参数越密集的信源（比如Qwen3.7那种25分钟、192个数字的长博客），下游保留率被稀释得越狠；而只公布几个关键数字的信源（比如DeepSeek-V3.2-Exp），保留率能到50%以上。

试点用210条数据算出p=0.009的显著正相关；扩到823条后掉到p=0.29。AI用词指纹密度与互动量始终无关（试点p=0.84，扩展p=0.34，两版一致），这个空结果反而是本研究里最稳健的发现之一——可以比较有信心地说，至少在这批语料里，"AI腔"不影响传播效果。

评论区"一眼AI"反噬：325条评论，真阳性0

把评论样本从11个视频220条扩到21个视频325条，扫描"一眼AI/AI写的/没人味"等词后出现4条疑似命中，逐条复核发现全部是"尴尬流汗"表情包触发了过宽的"尬"字匹配——没有一条评论真的在说这文案是AI写的。抽查实际评论发现，观众在"AI大模型新闻"类视频下讨论的是DeepSeek和OpenAI的价格战，压根不关心文案风格。这个反噬现象很可能是体裁特定的，不是大众对AI写作风格的普遍排斥。

额外采集了5个数码品类（手机/耳机/笔记本电脑/智能手表/相机测评种草，100条笔记）的小红书数据，和主实验Tier3中同平台的AI新闻类笔记做体裁对照，检验"污染程度更多是内容类型的属性，还是平台的属性"。

	v1试点	v2扩展
AI新闻类笔记样本量	n=58	n=309
AI指纹密度：种草 vs AI新闻笔记	p=0.28 不显著	p=0.013 显著
夸张词密度：种草 vs AI新闻笔记	—	p=0.056 边缘显著

人工交叉核验发现两类明显误判：DeepSeek官网的电报体changelog几乎没有修辞堆砌，人工判断高度人类原生，但技术性用词偶然命中词表，测得指纹密度反而是全样本第二高（假阳性）；Anthropic官方博客的通用商务文案感很明显，但用词不在60词词表内，测得指纹密度为0（假阴性）。这印证了中文自媒体"去AI味"军备竞赛会让纯关键词法系统性低估污染水平这一预判——纯关键词密度不能单独作为污染程度的结论性证据。

反噬关键词表也暴露了同样的精度问题：单字"尬"把"尴尬流汗""尬笑"这类无关表情包用语误判成了"AI味"指控。未来应改用更长的短语匹配或分类模型。

本研究是观测性设计，即便扩到29个事件仍远小于强因果推断所需的规模，所有结论应视为探索性发现。本次扩样最重要的方法论教训：多数统计检验的p值和相关系数在n<10时极不稳定，任何"惊喜的显著结果"都该被当成假设，直到在独立或更大样本上复现——包括这份报告自己v1版本里那两个后来被推翻的发现。