【明報專訊】近日內地網上廣傳一篇名為〈中文互聯網正在加速崩塌〉的文章，文章作者指出搜尋引擎的搜尋結果數量大減。原來不止是中文互聯網，而是全世界網絡搜尋結果質素下降。2008年諾貝爾經濟學獎得主Paul Krugman上月在社交平台X評論Google和其他搜尋引擎退化，令他做研究蒐集資料更困難，更批評「人工智能比無用更差（AI is worse than useless）」。我們日常依賴作資料蒐集的搜尋引擎到底發生什麼事？搜尋結果變差與人工智能發展又有何關係？
搜尋「李嘉誠」
記者首先按〈中文互聯網正在加速崩塌〉作者的測試做法，使用個人電腦不限語言和時間搜索本港著名企業家「李嘉誠」，在0.23秒內獲得約405萬個搜尋結果，首3位分別是維基百科、百度百科和長江和記實業有限公司官網的介紹，再往下便是含有「李嘉誠」這關鍵詞的各樣內容，包括香港都會大學李嘉誠專業進修學院和佛教李嘉誠安老院等網站。
記者把搜索範圍縮窄到2000年至2022年間，在0.33秒內生出約248萬搜尋結果，數量減約半，今次搜尋結果首3位是李於1986年獲頒香港大學名譽法學博士學位的簡歷、長江和記實業有限公司官網簡介和李嘉誠基金會網頁。搜尋結果雖與鍵入內容相關，但日期欠準確，記者未點擊香港大學的網頁前，該詞條下的內容是「2020年10月7日—香港大學謹向李嘉誠先生頒授名譽法學博士學位……」，乍看之下會以為李嘉誠的法學博士學位在2020取得。若在搜索時間範圍內按年搜尋，2000年關於「李嘉誠」的搜索只有約229項結果，首位來自祥益地產網站一篇標題為〈李嘉誠，名副其實，香港就是李家的城。他是我們的上帝〉的文章；2001年則有362項搜尋結果，首位是香港都會大學中國人文學科基礎課程資訊。這似乎反映年份愈久遠，能找到貼合目標內容的資訊愈少。
記者以同樣方法在Microsoft Bing搜索「李嘉誠」，共得1230萬則搜尋結果，首3位是維基百科和百度百科對他的介紹，還有串流平台YouTube上標題寫有李嘉誠卻介紹「鐵板神算」董慕節的影片，再將搜索範圍縮窄到2000年至2022年間，搜尋結果首3位換成《香港01》和《今周刊》整理李嘉誠生平的文章。
技術沒問題 重點是營商手段
選委界立法會議員黃錦輝是香港中文大學工程學院副院長，專門研究人工智能，他於1998年與幾名學生和研究助理成立慧科訊業，推出中文報章資料庫WiseNews，方便記者不用到圖書館翻看膠片。WiseNews可以輸入關鍵詞搜索。隨時代更迭，搜尋引擎可找到各樣資訊包括新聞，對於搜尋引擎的搜尋質素變差，黃錦輝說：「這個問題是一個營商手段，數據庫本身那個技術沒問題，問題是你擺放什麼資訊上去（互聯網）。」他所說的營商手段是指「搜尋引擎最佳化」（Search Engine Optimization，SEO），他解釋SEO是將熱門關鍵詞加入發布內容，令搜尋引擎用戶更易尋找，「簡單的搜尋引擎是建基於關鍵詞，它出現的頻率決定它是否熱門內容，但關鍵詞出現的頻率這並不代表整篇文章內容的意思。」譬如說「Apple」一詞套用在美國語境，搜尋結果可以是出售科技產品的蘋果公司，也可以是一個農場。黃錦輝說一個詞可以生出多種歧義，又例如英文單詞「bank」既可解作銀行，亦可解作堤岸。
黃錦輝說他們用搜尋引擎做研究的其中兩個指標是準確度和覆蓋率，準確度即搜尋引擎演算法理解到用戶的查詢並分析到語義（semantic），覆蓋率則是搜尋引擎蒐集到多少有用信息。不過生成式人工智能生產的內容包含很多關鍵詞，卻未必符合用戶搜尋目的，甚至是垃圾內容，令搜尋結果質素下降。理論上，Google會一直監測搜尋引擎的表現，但AI生成的內容愈來愈多，伺服器要處理的數據增加，「這些信息愈多的時候，每天要做的分析量又加大了」，搜尋速度也會變慢，黃錦輝說其中一項解決方法是增加伺服器，或者買多幾塊邏輯晶片處理，這就好比一間圖書館，藏書太多要添置書櫃。
人工智能幻覺 出錯難發現
從事研究開發的Here.news首席架構設計師、哈佛大學伯克曼網際網路與社會研究中心研究員毛向輝（Isaac Mao）與黃錦輝均指出「人工智能幻覺」（AI hallucination，又稱人工幻覺）的現象，即大型語言模型（Large Language Model，LLM），如生成式AI聊天機器人或電腦視覺工具，虛構不存在或人類無法輕易察覺的錯誤資訊，生成廢話或完全不準確的輸出（output）。毛向輝直言人工智能幻覺的問題很麻煩，因為以前「所有人都十分相信搜尋引擎的搜尋結果」。毛以Google為例，Google約20年前使用「PageRank」（網頁排名）的演算法來為搜尋結果排名，主要以網頁之間的超連結數目和品質來分析網站的重要度，亦即網站被愈多其他高品質、權威性的網站所連結，其搜尋排名愈高，引致不少人利用此方式來「作弊」，使一些舊網頁的排名靠前，最終Google不再開放PageRank資料予公眾。
AI「作弊」勝過人類
但比起人類作弊，AI作弊的速度更快，更有效率，毛向輝留意到過去一年網絡的AI生成內容增近5倍，「淹沒網絡」，這增加Google為網站建立索引（index）的難度，即將網站收錄到搜尋引擎內，以及分辨人類和AI創作的內容愈來愈難。他續說，人工智能發展很快，它們不但可以生成文字內容，還可以生成圖像和錄音，「AI懂得如何將其生成內容最佳化，以在Google搜尋頁面有較高排名的顯示」。毛說當Google今年在美國開放AI搜尋功能「AI Overview」，其搜尋結果質素更糟糕。譬如他搜尋「什麼食物適合一個家庭在夏天吃」主題的關鍵詞，搜尋結果可能是一堆不相干的網站，他說這可能與AI訓練的數據出錯有關，但無疑是「double jeopardy（雙重危險）」，既誤導用戶，也減低搜尋引擎的可信度。毛笑稱Google本應是過濾AI生成錯誤內容的「警察」，現在卻成了其中一分子。記者就搜尋結果質素問題以電郵向Google查詢，截稿前未獲回覆。
中文互聯網質素下降尤嚴重
毛向輝認為搜尋結果質素下降的問題在中文互聯網世界更嚴重。他說英文互聯網世界有存檔（archive），可讓用戶翻閱和建立網頁存檔，減少高質網站內容的流失，例如美國的互聯網檔案館（Internet Archive）設有「Wayback machine」和「Archive-It」功能，Google則有Google Cache，以防一些網站突然無法使用，不過Google也有刪除cache（快取記憶體）的習慣。至於中文互聯網，毛則說內容創作者嘗試營銷，多於保持內容質素來確保內容有長期保存的價值，而且商家本身就會自我審查，例如百度會移除敏感或負面內容。要為網站資料存檔，顯然需要空間和網絡流量，便須投放更多資源。譬如上文提到的Wayback machine，毛向輝稱它每年約需4000萬美元來營運。但商業公司一般以利潤先行，會趨向保留吸引人眼球的內容，而非網站資料紀錄，毛向輝說現時的網站內容更聚焦具吸引力和「快餐」類型，甚少人會願意為網站歷史存檔而創建資料庫。
伺服器離線 避免AI取用內容
那麼生成式AI的發展，除了衍生無用資訊，還會導致什麼問題影響搜尋引擎的搜尋結果？《紐約時報》去年控告OpenAI與微軟（Microsoft）非法使用其報章來訓練和開發ChatGPT與Copilot（前稱Bing Chat），侵犯知識產權。毛向輝說AI取用其他網站資料來訓練固然沒得到當事人許可，但他認為這問題仍需斟酌，「AI的訓練有點像人類閱讀書本或資料後，自動衍生內容概要一樣。難以直接說AI是在違反法律」。另一方面，毛關注的是人類創作內容正在「萎縮（減少）」，假如人類不再自行創作，那麼AI也不能基於其創作來生成內容。
那麼人們會為了不讓AI「侵權」而刪除過往的創作內容和建立的網站嗎？黃錦輝直言這是其中一個可能，但用戶可將電腦伺服器切換成離線狀態，用私有雲（雲端主機），避免AI取用其數據。因應AI發展，知識產權署表示會檢視現行的《版權條例》，黃錦輝說未經擁有者同意，將其創作內容用作訓練AI是侵犯版權，而知識產權署正正要提醒市民使用AI時注意數據使用的合法性。至於AI生成內容是否原創內容，其內容擁有權誰屬，黃錦輝說現時普遍認為用家是AI生成內容的創作者，但這仍有待知識產權署定義。他又認為現時不少商業人士「美化（AI）這個還未算成熟的技術，這個科技推得過分熱，其實背後還有很多可以改良的地方」。
