AI Slop

Низкокачественный контент, созданный ИИ (AI slop), или просто slop — это массово производимый цифровой контент низкого качества, созданный с помощью генеративного ИИ без должного участия человека: статьи-пустышки, жутковатые изображения, ролики с закадровым голосом и стоковыми кадрами, а также песни машинного производства, публикуемые ради поискового трафика, вовлечённости или рекламной выручки. Merriam-Webster выбрал слово slop словом 2025 года, определив его как «цифровой контент низкого качества, обычно производимый в больших количествах с помощью искусственного интеллекта». В том же году это словосочетание выбрал и Macquarie Dictionary. Контент становится slop из-за способа и цели его создания — почти бесплатно и в огромных объёмах, — а не из-за какой-то одной ошибки.

Откуда взялся этот термин#

Изначально слово slop означало жидкую грязь, а позднее — пищевые отходы, которыми кормили свиней. В мае 2024 года программист Саймон Уиллисон предложил использовать слово slop для нежелательного контента, созданного ИИ, как слово spam стало обозначать нежелательную электронную почту. Он отметил, что онлайн-автор deepfates заметил, как это слово превращается в специальный термин. В том же году ленты Facebook заполнили сюрреалистические изображения, созданные с помощью генерации изображений по тексту, например «Иисус-креветка» — изображения Иисуса, объединённого с креветками, которые страницы публиковали ради вовлечённости. К 2025 году термин стал охватывать также созданные ИИ видео, музыку, книги и научные тексты.

Почему распространяется низкокачественный контент, созданный ИИ#

Slop — экономический продукт. Большая языковая модель (LLM) или генератор изображений на основе диффузионных моделей может создавать тысячи публикаций по цене одного материала, созданного человеком. При этом ленты, ранжируемые рекомендательной системой, и рекламные сети оплачивают внимание пользователей независимо от того, кто или что создало контент. Производителю достаточно, чтобы небольшая доля публикаций стала популярной:

Теперь такой контент встречается по всему интернету:

• Контент-фермы и поисковый спам: сайты массово создают страницы, написанные LLM, чтобы занимать высокие позиции по запросам. Правила Google по борьбе со спамом определяют злоупотребление массовым созданием контента как создание множества страниц, которые несут мало пользы пользователям, «независимо от способа их создания». Это определение направлено на объём и цель такого контента, а не на использованный инструмент.
• Стриминговые платформы: В сентябре 2025 года Spotify сообщил, что за предыдущие 12 месяцев удалил более 75 миллионов спамных треков, а YouTube в июле 2025 года переименовал правило монетизации «повторяющегося контента» в правило о «неаутентичном контенте», чтобы охватить массово произведённые видео.
• Научные публикации: Анализ почти 951 000 статей показал, что к февралю 2024 года до 17,5% аннотаций по информатике имели признаки правок с помощью LLM. Низкокачественные статьи с вымышленными ссылками увеличивают нагрузку на рецензирование.

ИИ-слоп и смежные термины#

• Галлюцинация: Ложное или неподтверждённое утверждение в выводе модели. Слоп описывает способ производства и использования контента, поэтому точная, но бесполезная статья всё равно остаётся слопом, а тщательно проверенная статья может содержать галлюцинацию.
• Дипфейки: Синтетические медиа, созданные так, чтобы реальный человек выглядел так, будто говорит или делает что-то. Слоп обычно стремится привлечь внимание, а не обмануть зрителей относительно конкретного человека или события.
• Коллапс моделей: Ухудшение моделей, которые многократно обучались на сгенерированном контенте. Слоп, собранный из интернета и попавший в обучающие данные, может запустить этот цикл, поэтому конвейеры очистки данных для датасетов интернет-масштаба удаляют почти идентичные образцы и отфильтровывают низкокачественные.
• Синтетические данные: Сгенерированные данные, которые намеренно создают, фильтруют и проверяют для обучения моделей; контролируемая альтернатива слопу.

Обнаружение и фильтрация ИИ-слопа#

Сигналы происхождения — самое надёжное свидетельство, если они доступны. Водяные знаки ИИ встраивают обнаруживаемый сигнал во время генерации, а Content Credentials (C2PA) добавляют подписанные метаданные о том, какой инструмент создал или отредактировал файл, чтобы платформы могли помечать контент, если его генератор поддерживает эту технологию. Ни то ни другое не помогает с выводами инструментов, которые не добавляют меток, а метаданные теряются при повторном кодировании файла или создании снимка экрана.

Классификаторы, которые оценивают контент постфактум, закрывают этот пробел с переменным успехом. Детекторы ИИ-текста показывают плохие результаты: OpenAI отозвала собственный классификатор текстов в июле 2023 года после того, как он верно пометил лишь 26% текстов, написанных ИИ. Изображения проверять проще, потому что генераторы оставляют статистические следы. Некоторые из них заметны людям — например, искажённые надписи или неправильно сформированные руки, — и помогают читателям определить, создано ли изображение ИИ; модели улавливают и менее заметные следы. Модель классификации Ultralytics YOLO26, обученная на размеченных реальных и сгенерированных изображениях, может отмечать вероятные изображения, созданные ИИ, для проверки человеком. Такие детекторы должны поспевать за новыми генераторами: классификатор, обученный на изображениях из одной GAN, обобщал результаты на другие генераторы на основе CNN, если при обучении использовались размытие и аугментация данных с JPEG; однако детекторы, обученные на GAN, не справлялись с изображениями из моделей латентной диффузии, а построение детектора на признаках CLIP повысило точность примерно на 26 процентных пунктов на неизвестных диффузионных и авторегрессионных генераторах.