万科网络科技

  一句话先说重点：AI 不是靠 “看懂事实” 直接判定独立，而是沿着「溯源链路、来源指纹、引用关系、元数据、文本相似度」一堆信号打分，判断两个信源是不是共享同一个原始证据源头；它区分的是：网页 / 域名不同 ≠ 证据独立。

1. 先明确：什么叫 “互相独立”（AI 的定义）

对同一个事实主张：

A 和 B 独立 = A 拿到这个事实的证据路径，不依赖 B，也不共同依赖同一个原始文档 / 同一份原始观测 / 同一份通稿

典型不独立（同源）：

• A 引用 B；B 引用 A（循环引用）
• A、B 都转引同一份新闻通稿、同一份报告、同一个数据集、同一个目击者采访
• 同一家媒体集团、同一个通讯社供稿、矩阵号互相转载
• 只是换标题、改写措辞，但底层事实来自同一个原始材料

重点：同样结论，完全可以是独立验证；不同域名，也完全可以是同源回声

2. AI 用来判断的几类信号（工程上的做法）

① 溯源链路 / 引用图（核心）

AI 会把所有检索到的文档抽出来里面的引用、“据 XX 报道”、原文链接、参考文献，构建一张引用有向图：

• 顺着引用往前回溯，看能不能收敛到同一个最早源头（根节点）
• 如果 A、B 的溯源路径最终汇合到同一个原始文档 → 判定同源、不独立
• 如果两条路径走向完全不同的原始证据（两份独立记录、两次独立观测、不同官方档案）→ 倾向独立

坑：很多网页不写引用，链路断了，AI 就只能标记「来源关系未知」，而不是强行判独立。

② 内容指纹 + 细粒度文本相似度

不是简单全文查重，而是对事实片段、数字、专有短语、独特表述做指纹：

• 独特的一组数字、特殊措辞、一句罕见原话，同时出现在两份文档里，且发布时间有先后 → 高概率转载 / 同源
• 只是结论一致、但论据、数据、描述角度、措辞完全不一样 → 更偏向独立印证

这里有个边界：两个独立研究者分析同一个数据集，得出一样结论，属于独立分析，但不属于独立观测证据，AI 会区分这两层。

③ 来源元数据信号

模型 / 检索系统会拿到来源的附属信息作为特征：

• 发布主体：作者、机构、媒体归属、母公司、运营主体
• 域名、服务器、追踪 ID、发布时间先后（谁先发）
• 是否是通讯社通稿、转载标识、版权声明、同步发布时间
• 资金方、调研外包方（共享外包调研 = 证据不独立）

这些是弱信号，用来辅助，不能单独当铁证。比如同一个集团下两个子媒体，有可能各自独立采访，也可能共用稿件。

④ 统计 / 信息论层面的相关性（偏学术方案）

有些验证框架会算条件互信息： 给定真实事实，A 的信息和 B 的信息是否条件相关；如果 A 出错的时候 B 大概率跟着错（共享同一个误差来源），就是相关、不独立； 常用于多模型投票、多个验证器的场景，检测 “假共识”：多个模型看起来一致，其实是训练数据同源、蒸馏同源，不是独立判断arXiv。

3. 一个直观例子

事实：某工厂在某日发生事故

• 源 1：现场记者独立采访工人、现场拍摄（原始观测）
• 源 2：安监部门独立出具的现场勘验报告（另一套原始观测） → 两条溯源链分开，AI 倾向判定独立，可以交叉印证
• 源 A：新闻网站发了通稿
• 源 B：另外 3 个网站原样转载改写这篇通稿 → 溯源都回到同一个公关通稿，AI 标记为同源，只算 1 个有效证据，不是 4 个独立证据

4. 非常重要的局限（很多人会忽略）

1. AI 很难做到 100% 精准判定：大量网页没有标注引用、没有溯源，隐藏转载、暗地共用素材，只能输出一个同源概率打分，不是非黑即白；
2. 独立性 ≠ 可信度：两个独立来源，也可能都错；同一个来源多次转载，也未必内容假；
3. 大模型本身还有一个麻烦：模型训练数据里本来就大量同源复述，它自己容易把网上一堆复述当成多个独立信源，也就是 “回声问题”；
4. 现在主流商用搜索 / 引用系统，大多是检索侧做来源指纹和溯源图，LLM 本身只负责理解、汇总这个判断结果，不是大模型自己凭空推理来源关系。

简单总结流程

拿到两份信息 → 抽取里面的事实主张 → 提取引用和溯源线索 → 构建来源族谱图 → 比对文本指纹、发布主体、时间先后 → 打分：同源 / 独立 / 无法判定。