币圈界报道：

Geo 创始人剖析生成式 AI 信息失真四大成因

Geo 创始人 Yaniv Tal 指出，当前生成式 AI 的回答偏差根植于互联网内容生态的结构性缺陷。其核心问题包括信息来源湮灭、权威性被均质化、观点冲突被隐匿，以及错误内容在模型间反复传播并持续放大。

原始信息在传播中失去可追溯性

当网页内容被多次抓取与重述后，原始出处往往无法复现。一条主张可能历经多个中间节点才进入训练数据集，导致模型仅能识别陈述本身，却无法回溯至真实源头，削弱了推理的可信基础。

不同证据等级被等同处理，损害判断力

研究论文、企业公告与匿名论坛发言在输入模型时呈现相同文本形式，使得模型难以区分其证据强度。这一现象导致高可信度材料与低可信度内容被赋予同等权重，影响最终输出的客观性。

竞争观点被压缩为单一结论，掩盖真实争议

语言模型常将对立立场整合为统一答复，使用户误以为存在共识。然而这种“合成答案”隐藏了专业领域内真实的学术分歧，误导使用者对复杂议题的理解。

合成内容循环训练引发系统性退化

由模型生成的内容再次作为训练素材，形成自我强化的闭环。错误信息得以持续存活甚至扩散，造成数据分布偏离原始人类创作内容。2024 年《自然》杂志研究证实，此过程可能导致“模型崩溃”，即系统逐渐丧失对真实世界分布的表征能力。

构建可见分歧的知识图谱以提升透明度

Geo 提出将主张、来源与支撑证据进行解耦管理。每个论点可标注其支持、反驳或回应关系，形成结构化知识网络。在此框架下，多元观点得以保留，同时依据评估强度排序，避免信息流被简化为无差别的评论堆叠。

基于链上治理的开放知识空间启动测试

Geo Genesis 项目于 2025 年初上线，依托 Aragon OSx 治理架构与 GRC-20 标准，实现知识条目的链上记录与可检索性。社区成员可贡献内容，经认证编辑则负责审核与关联，确保信息具有可追溯的历史记录。

身份验证机制应对去中心化系统的信任挑战

为防范 Sybil 攻击，Geo 强调贡献者需建立可验证的声誉体系。系统不接受匿名材料与具公开历史者的主张等同对待。未来将探索生物识别、社交信任链及零知识证明等技术，在隐私保护与抗攻击性之间寻求平衡。

链上交易与人类解释需明确区隔

在加密货币领域，区块链仅能确认交易发生与否，无法解释行为动机或资金用途。因此，项目声明、市场预测与代币变动分析必须独立标注，由具名作者背书，并允许后续修正或撤回，防止虚假宣传混淆事实。

官方指南呼应溯源与人工干预必要性

美国国家标准与技术研究院（NIST）在 2024 年发布的生成式 AI 指南中，建议组织追踪训练数据来源，建立内容溯源机制，并引入专家人工反馈。内容来源与真实性联盟（C2PA）亦推出加密签名凭证，用于验证资产变更历史，但不保证主张的真实性。