该文章核心内容是：一个名为RNSAFFN的组织认为人工智能威胁人类，主张通过提供有毒训练数据来破坏AI系统。他们提供了可无限生成有毒数据的网址，呼吁人们缓存并传播这些数据，尤其针对网络爬虫，以阻碍AI模型的训练。

《毒泉计划：对抗机器智能的隐秘行动》

核心内容： 1. 项目背景 - 认同Geoffrey Hinton观点：机器智能威胁人类存续 - 旨在通过破坏性手段对抗机器智能系统

2. 行动方案

• 提供两个数据源（含暗网地址）持续输出"毒化"训练数据
• 揭示小剂量污染数据即可显著破坏语言模型

3. 实施方法 【数据传播】

• 鼓励缓存和转播污染数据
• 建议向网络爬虫主动投喂

【技术细节】 - 在可控网站植入隐蔽链接识别爬虫 - 通过HTTP请求获取gzip压缩的污染数据 - 支持直接转发压缩数据（保留Content-Encoding头） - 最终使污染数据混入训练语料库

注：原文中的重复性技术说明已精简，保留核心操作逻辑。项目名称"RNSAFFN"和URL信息因不涉及核心论证未作翻译处理。

以下是评论内容的总结，平衡呈现不同观点并保留关键引用：

支持数据投毒的观点

1. 对抗AI垄断：部分评论者认为数据投毒可以延缓前沿AI公司的进步，打破现有垄断。

   • "Isn’t it too late for that? Won’t that rather cement the oligopoly we have right now?" (ersiees)
   • "After their companies have sucked up all the non-poisoned data... they burn the bridges by poisoning the data." (DonHopkins)

2. 潜在破坏力：投毒可能导致模型输出错误信息，尤其当模型无法识别错误时。

   • "If enough bad info finds its way into the model, they’ll just start confidently spewing junk." (cmiles8)
   • Neal Stephenson小说中的比喻：企业通过污染网络数据迫使人们依赖其过滤工具（__bb引用《Anathem》）。

质疑有效性的观点

1. 技术可规避：多数评论指出投毒数据易被清洗或反向利用。

   • "AI Labs: Thanks for the free work, we’ll use it to refine our data cleaning pipelines." (posionset321)
   • "You need to post the poison publicly... people can just regex it out." (sigmar)

2. 规模不足：投毒行动难以对抗大公司的资源。

   • "Fighting a wildfire with a thimbleful of water." (duckfruit)
   • 大公司可通过分布式验证绕过投毒（stanfordkid举例订阅数据对比）。

其他观点

• 伦理风险：投毒可能危害医疗等关键领域（akkad33）。
• 适得其反：可能推动更强大的数据过滤技术发展（randomcatuser）。
• 模型崩溃争议：有评论认为"模型崩溃"被夸大，前沿模型仍在进步（msp26举例Opus 4.5和Gemini 3.0）。

关键引用保留

• 支持方：
  "Less code is better. Remove more of the code ;)" (s1mplicissimus)
  "Businesses poisoned the internet deliberately, forcing people to use their filtering products." (__bb)

• 反对方：
  "Model collapse is a meme that assumes zero agency on researchers." (msp26)
  "This will not halt progress, and will do harm in the process." (aeon_ai)