2026年10月9日，一场与伊朗（Iran）相关的行动使用ChatGPT（ChatGPT）生成虚假文章，并将这些内容植入美国真实出版的新闻媒体。操作人员借助人工智能撰写稿件，使伪造内容以正规报道的形式出现在多家美国出版物上，持续投放此类由模型生成的假新闻。

OpenAI 表示，约有 100 篇由 AI 生成的文章发表在至少 20 家新闻媒体上。

“这场战争的代价将伴随美国人，超出战斗本身，” 佛罗里达州小型周报《Port St. Joe Star》上月在一篇观点文章中就伊朗战争警告说。

这篇文章以 Ervin Hoskins 的署名发表。同一个署名也出现在 Daily Kos 和 Middle East Monitor 等较大媒体上发表的批评战争的文章中，这两家媒体在 Facebook 上的关注者合计超过 300 万。

多数人认为借助人工智能生成虚假文章并不新鲜，争论焦点在于该把责任归给人类运营者、中心化平台的监控上报机制，还是整个媒体与验证体系的失灵；也有少数人提醒不要借机把所有批评美国政策的声音都污名化为外国宣传，甚至有人反直觉地认为这类文章有助于理解对手论点。

认为用人工智能做宣传并不新鲜，宣传和假新闻长期存在

• 不少人指出，敌对国家、游说团体、政客和诈骗者利用媒体、社交网络放大不可靠内容已有几十年，官方层面的媒体操纵也早已有之；人工智能只是降低了生产成本，并不构成全新现象。还有人补充美国政府同样做过类似操作，因此单独把伊朗当新闻显得双重标准。（认可度：较多人） > 官方层面的媒体操纵早从几十年前就开始了，现在掺进人工智能才成了新闻？（@tastyfreeze）

认为真正短板是社会缺乏来源验证和声誉追踪，而非人工智能生成内容

• 多人认为，社交网络长期把非权威来源当作权威来传播，而各类势力只要操纵排名或付费推广就能扩散内容；难点在于域名、作者和内容的声誉难以追踪，数字签名等成熟技术几十年来一直没被真正落实。（认可度：较多人） > 我们早就有给邮件、文档、照片和文章做数字签名的技术，但人们懒得用，检查签名的工具也几乎不存在。（@jillesvangurp）

对整个新闻生产链条和媒体可信度普遍不信任

• 不少人对新闻如何被生产、分发和付费墙化感到犬儒：有人提醒网上大多数内容本质是在推销，有人困惑一篇观点稿为何能通过冷门站点进入主流报纸，也有人嘲讽付费墙和媒体党派倾向，认为整个新闻生态都难以信任。（认可度：较多人） > 记住你在网上看到或听到的绝大多数内容都是为了向你推销某种理念或产品，而且并不诚实。（@gustavus）

警惕中心化人工智能平台既代笔又记录、评判并主动上报

• 有评论指出，真正新颖且危险的并不是又出现假文章，而是 ChatGPT 这类超级中心化工具在替用户写作的同时记录一切、自行判断内容性质，并酌情向当局和新闻媒体报告；这种集创作与监控、举报于一身的基础设施更值得担心。身处德黑兰的用户还担心自己会因这类地缘政治审查失去对 ChatGPT 的访问。（认可度：少数人） > 新东西是一个超级集中的“工具”，它除了代笔，还记录一切、做出判断，并自行决定向权威和媒体报告。（@chvid）

认为报道应聚焦人类运营者，而不是把 ChatGPT 拟人化

• 有人肯定这次报道终于没有把锅甩给“ChatGPT 做了什么”，而是指出背后是伊朗的操作者；并呼吁其他新闻也保持这种措辞，别再把工具说成行为主体。（认可度：少数人） > 终于有文章没说“ChatGPT 做了什么”，而是把焦点放在操作者身上。（@thih9）

警惕把批评美国政策的声音一律打成外国宣传

• 有人认为最近出现了一种方便的模式：凡是对美国政府的人工智能或伊朗政策提出批评的意见，都被直接称作中国或伊朗宣传；还有人指出，被点名的文章其实只是说“伊朗战争对美国人不好”，本身并不算宣传。这会进一步把政策批评者污名化为叛徒，压缩个人与表达空间。（认可度：少数人） > 最近凡是对美国政府人工智能或伊朗政策持批评立场的意见，都被直接扣上中国或伊朗宣传的帽子。（@mmooss）

认为植入的文章反而有助于理解对立论点并与之辩论

• 少数人提出反直觉看法：能替任何论点做最强表述的大语言模型其实有价值，与其无视敌对宣传，不如与之互动；从这个角度说，被植入的文章反而是一种功能而非纯粹的缺陷。（认可度：少数人） > 我更希望大语言模型能把任何论点都做最强表述；整体上，与恶互动比无视更有效，所以这些被植入的文章是一种功能。（@delichon）

有价值的补充

• ChatGPT 可能生成看似真实却根本不存在的网页与库存信息：有用户描述用 ChatGPT 查本地苗圃，得到带图片、描述和“库存 6 棵”的树苗页面，链接在电脑端能打开，但苗圃官网和电话都确认根本没有这棵树，说明模型不仅能写文章，还能构造逼真的假页面。（@tyjen）
• 篡改训练数据注入偏见是大语言模型被忽视的巨大攻击面：有评论认为当前大语言模型的安全性类似 1993 年的互联网，通过投毒训练数据来注入偏见是庞大却被人忽略的攻击面，只因修复它会拖慢加速主义者追逐利益的步伐。（@uraniborg）
• 各国政府都能开展这类影响行动：鉴于自托管模型的选项很多，有评论认为没理由相信不是每个国家都在某种程度上这么做，真正的问题是社会对粗糙验证的过度接受。（@OgsyedIE）