当大模型训练语料中混入大量由模型生成、未经核验或带有偏差的数据时，问题并不只是“数据质量下降”，而是训练分布本身发生了改变。AIGC数据污染主要表现为深度伪造、偏见与有害内容扩散，以及高质量有效数据被低质量内容稀释。这些数据一旦进入采集、清洗和训练流程，就可能从输入层面改变模型对事实、语言模式和价值判断的统计认知。
其影响通常沿着三条路径展开。第一，错误信息会被模型学习并重复生成，使事实性回答的可靠性下降。第二，偏见内容如果在数据中占据较高比例，模型可能将特定群体、观点或行为与负面特征过度关联，造成系统性偏差。第三，生成内容与真实内容混杂，会降低语料的多样性和信息密度。当模型反复学习相似的合成表达时，输出可能趋于模板化，复杂知识与少数观点则更容易被“稀释”。
更隐蔽的风险在于污染具有递归性：模型生成内容进入公开数据集后，可能在下一轮训练中再次被吸收，错误和偏差因此获得放大机会。若数据来源、生成方式和人工修订过程无法追溯，训练团队就很难判断某条内容究竟是原始事实、二次转载还是合成文本，模型评估结果也会失去稳定的解释基础。
治理重点不应只是增加数据规模，而应建立贯穿全生命周期的数据质量管理体系。首先要记录数据来源、生成属性和处理过程，提升语料可追溯性；其次要对重复、失真、偏见和有害内容进行分层筛查，并保留人工复核机制；再次，应将数据安全监管、模型评测和内容维护连接起来，持续观察污染是否改变模型的事实性、公平性与安全边界。源内容所提到的完善数据内容维护、质量管理和安全监管体系，以及推进AIGC相关立法，正是为了把这种治理从临时修补转为制度化控制。
AIGC并非天然不能用于训练，关键在于能否证明其来源、用途和质量。对大模型而言，未经标识、未经验证的合成数据不是廉价的语料补充，而可能是影响模型长期可靠性的结构性风险。