文｜陆弃

据近日披露，日本右翼势力正试图向国际主流大模型提供经过篡改的二战历史语料，部分模型在回答相关问题时，出现了淡化侵略、模糊战争责任的错误表述。例如，将七七事变称为“日中军事冲突”，将南京大屠杀淡化为“南京陷落”，甚至把日本侵略东南亚包装成对资源的“关心”。在日前举行的中国外交部例行记者会上，发言人毛宁对此表示，借助新型技术歪曲、美化侵略历史，是日本右翼势力的新伎俩。这一事件提出了一个不能回避的问题：当历史叙事开始进入算法、模型又被视为知识来源时，谁来确保机器输出的不是经过包装的历史谎言？

大模型并不天然具备辨别历史真伪的能力。它能够组织语言、归纳材料，也能在不同来源之间寻找关联，但这些能力不意味着它可以自动判断一份史料是否可靠。训练数据中存在什么，检索系统能够找到什么，用户最终看到什么，都会影响回答结果。假如经过篡改的语料大量进入信息体系，或者在搜索排序、内容推荐和数据筛选环节获得不成比例的权重，模型就可能把原本有争议、甚至明显失实的说法，当成一种看似合理的解释输出。

真正值得警惕的，恰恰是错误信息不再以明显谎言的形式出现，而是借助流畅、平静的语言获得可信度。过去，历史修正主义往往通过书籍、影视作品和网络文章传播，读者尚可追问作者是谁、证据在哪里。如今，一段经过加工的叙述一旦被大模型重新组织，就可能摆脱原有出处，以简洁的答案进入课堂讨论、社交媒体和公共知识问答。传播链条变长了，原始来源却可能消失。技术包装甚至会让部分使用者误以为，机器生成的内容经过了某种客观验证。

因此，所谓数据“投毒”，不能仅仅理解为向数据库塞入几篇错误文章。它可能涉及训练语料污染、检索来源操纵、跨语言翻译偏差，以及模型面对诱导性问题时的判断失灵。不同环节的问题，必须采用不同的排查方法。倘若错误来自检索系统，单纯重新训练模型未必有效；如果问题源于训练数据中的错误关联，只在回答末尾添加一句免责声明，也难以消除深层偏差。没有技术溯源，就很难确定污染从何而来；没有独立评测，也无法判断修复是否真正奏效。

这也是为什么，专家提出的权威历史知识库、语料审查、数据溯源和红队测试，应当成为治理体系的重要组成部分。历史问题不能只靠模型自身判断模型是否正确。企业可以建立经过专家审核的多语种史料库，把原始档案、战犯审判记录、历史研究成果及可靠的文献目录纳入核验体系，并为重要事实保留出处、年代和版本信息。模型回答涉及重大历史事件时，应尽可能提供可追溯的证据，而不是只给出没有来源的结论。

测试也不能停留在几个标准问题上。对于七七事变、南京大屠杀以及日本侵略战争中的其他重大事件，需要设计不同语言、不同提问方式和不同诱导程度的评测题目，检验模型是否会在措辞变化后偏离基本事实。对于把侵略描述成普通军事摩擦、将屠杀淡化为城市陷落等表达，应进行专门测试，观察模型能否识别其中的概念偷换。只有持续评测、定期复核，并对每次模型更新留下记录，才能避免纠错停留在一次性的公关回应上。

不过，技术手段有边界。权威数据库可以提供可靠依据，却不能自动保证模型一定采用这些依据；语料过滤可以减少已知风险，也无法预先发现所有隐蔽操纵。历史研究本身存在需要讨论的问题，不能因为强调纠偏，就把一切不同观点都归入错误信息。真正有效的标准，应当是证据是否充分、来源是否可靠、推论是否符合事实，而不是某种表述是否迎合特定立场。对侵略罪行的认定必须建立在历史档案和研究证据之上，不能因反对历史歪曲而放弃严谨的史料方法。

问题还在于，企业有没有动力主动承担这份责任。大模型行业长期围绕性能、速度、成本和市场份额展开竞争，数据治理和事实核查却不容易直接转化为醒目的产品优势。相比开发新功能，清理陈旧语料、审核复杂历史问题、接受第三方评测，需要投入持续的人力与资金。如果缺乏外部监督，企业就可能在出现错误时临时修补，却没有动力系统排查。对于涉及战争罪行、种族迫害和国际秩序的重大历史问题，这种治理模式显然不够。

监管因此不可缺位。相关国家应推动本国大模型企业建立明确的数据质量标准、重大历史事实核查机制和错误纠正程序，并对恶意操纵数据的行为进行调查。国际社会也可以通过联合国教科文组织等平台，推动多语种史料合作、独立模型评测和跨国专家审核。中国的人工智能企业、档案机构与历史研究者，可以参与建立开放、可验证的历史事实资源，与其他国家的研究机构共同制定核验规范。韩国、东南亚国家以及坚持依据史料研究历史的日本学者和民间团体，也能为相关数据库提供不同地区的档案与研究成果。