为什么每个维基媒体人都应该是工具制造者

# 为什么每个维基媒体人都应该成为工具制造者 来源：https://www.haykranen.nl/2026/07/30/wikimania-2026-every-wikimedian-toolmaker/ 博客存档 (https://www.haykranen.nl/archive)2026年7月30日 星期四 深蓝国际象棋计算机与加里·卡斯帕罗夫 📷James the Photographer (https://en.wikipedia.org/wiki/File:Deep_Blue.jpg) \(CC\-BY (https://creativecommons.org/licenses/by/2.0/deed.de)\) /Owen Williams, The Kasparov Agency (https://en.wikipedia.org/wiki/File:Kasparov-29.jpg) \(CC\-BY\-SA 3\.0 (https://creativecommons.org/licenses/by-sa/3.0/deed.en)\)> *AI 不是魔法，但共识构建是。关于维基媒体未来25年的笔记，在2026年维基媒体国际会议之后。* 1997年，加里·卡斯帕罗夫在国际象棋比赛中输给了IBM制造的计算机深蓝。这是历史上首次在位世界冠军输给计算机 (https://en.wikipedia.org/wiki/Deep_Blue_versus_Garry_Kasparov)。 媒体将其描述为“人类与机器之战”。但深蓝的主要设计师许峰雄后来写道 (https://openlibrary.org/books/OL7758140M/Behind_Deep_Blue)，这种假设是错误的。他将这场比赛视为一种人类与另一种人类的较量：作为表演者的人类（卡斯帕罗夫）与作为工具制造者的人类（深蓝团队）。 自从上周从巴黎参加维基媒体国际会议（Wikimania）回来后，我一直在思考那场比赛。Wikimania 是全球最大的维基媒体人（编写维基百科及其姊妹项目的人）聚会。今年我们庆祝维基百科25岁生日，共有1250人线下参会，超过2000人在线参加，经历了五天密集的演讲、工作坊，当然还有无数与来自世界各地的维基媒体人的会议和交流。 有一个问题贯穿了几乎每场会议和交流：在一个AI正在重塑数字和物理世界的时代，我们作为社区应该如何应对？正如Christophe Henner今年早些时候所写 (https://meta.wikimedia.org/wiki/User:Schiste/what-now)，AI不是一种工具，而是一种范式转变。我们如何确保在未来25年继续保持相关性？ 我作为一名维基媒体人已有21年，*同时也*是一名开发者。过去几年里，我在许多项目中使用过AI (https://www.haykranen.nl/work/?tags=ai)。所以对此我有些想法。 今年早些时候，我在米兰举行的维基媒体黑客马拉松上主持了两场关于这个问题的研讨会，并由此产生了这篇博客文章 (https://www.haykranen.nl/2026/05/02/wikimedia-hackathon-ai-identity-crisis/)。在Wikimania期间，我在Wiki AI会前会议 (https://meta.wikimedia.org/wiki/Artificial_intelligence/2026_Wiki_AI) 上重复了这场研讨会。 在我组织了三场研讨会并经历了五天的Wikimania之后，有一件事对我来说很明确：正如卡斯帕罗夫是在对抗其他人类而非机器一样，我们也在与那些已经学会在某些方面做得更好的其他人类竞争。 这意味着什么？我们也应该成为更好的工具制造者。 对本文中的术语不清楚？点击这里阅读术语表。- **项目**指维基媒体项目（维基百科、维基数据、维基共享资源等）。 - **社区**、**运动**或**维基媒体人**指在这些项目上工作的人，无论是受雇（例如来自维基媒体基金会或附属机构）还是自愿。 - **基金会**或**WMF**指维基媒体基金会，为维基媒体项目提供托管和技术基础设施的支持组织。 - **附属机构**指当地的维基媒体**分会**（例如维基媒体荷兰分会）和**用户组**（例如LGBT+用户组）。 - **LLM**是“大语言模型”，如ChatGPT、Claude、Gemini等。 - **前沿模型**是驱动上述最著名LLM聊天机器人的AI模型。 - **本地模型**是在你自己计算机上运行而非云端运行的模型。它们通常不如前沿模型强大，但对于特定任务可能足够好。更强大的本地模型需要大量RAM；通常16GB是基本要求。 - **开源权重模型**可以免费下载并在你自己的计算机上运行（相比之下，许多前沿模型是闭源的）。然而，一些更强大的模型可能需要大量RAM，以至于它们仍然在云端运行（例如DeepSeek V4 Pro需要862GB的RAM (https://lushbinary.com/blog/deepseek-v4-self-hosting-guide-vllm-hardware-deployment/)）。 - **推理**是使用LLM生成内容，例如使用LLM聊天机器人编写代码。 - **Token**是LLM作为输入和输出的基本单位。大多数模型按token计价，更好的模型通常每个token更贵。 - **开放许可**是维基媒体项目内容可用的条件。Creative Commons BY-SA和Zero是最流行的开放许可。开放许可意味着你可以免费将内容用于大多数目的，甚至包括商业用途。 - **Markdown**是LLM的重要输入/输出格式。它是一种纯文本格式，提供可以转换为HTML的简单语法。例如，文本`\*星号之间的文字\*`会被渲染为斜体。 ### 三个挑战 2016-2026年荷兰语维基百科人类页面浏览量（红线）下降，而自动化访问（蓝线）增加。来源 (https://stats.wikimedia.org/#/nl.wikipedia.org/reading/total-page-views/normal|line|2016-01-01~2026-07-30|agent~user*spider*automated|monthly)作为一个运动，我们面临三大挑战： #### 1. 更少的人类 我们的社区依赖人们访问我们的项目。因为我们需要新的编辑者，他们最初是作为读者开始的。而且我们需要捐款。这些项目主要依靠路过并捐赠小额款项的读者的小额捐款 (https://wikimediafoundation.org/give/)。如果读者通过LLM或谷歌的“AI概览”消费维基百科内容，这个来源就会枯竭，我们就有麻烦了。 读者数量下降是一个真实趋势，维基媒体基金会已经注意到 (https://diff.wikimedia.org/2025/10/17/new-user-trends-on-wikipedia/)。有趣的是，一些类似的项目，如OpenStreetMap (https://www.openstreetmap.org/)，并不那么依赖读者数量，并且一直更侧重于成为数据来源而非目的地。所以这可能不像我们想象的那么严重。但目前来看，我认为我们应该谨慎行事，将读者下降视为一个严重问题。 人类在我们的项目上减少的另一个后果是，内容消费者和生产它的人之间的距离会变得更大。向人们解释有真实存在的人类在共同撰写这些文章一直是个问题。LLM可能会让人们以为维基百科只是由一群AI机器人撰写文章。这也是为什么他们可能犹豫是否捐款或成为编辑者的另一个原因。 #### 2. 更多的机器人 当人类访问我们项目的次数越来越少时，机器人却越来越多。其中许多机器人是爬虫，以不可持续的速度收割我们的数据 (https://diff.wikimedia.org/2025/04/01/how-crawlers-impact-the-operations-of-the-wikimedia-projects/)。这给我们的基础设施带来了巨大压力。感觉这是一个双输的局面。维基媒体为LLMs提供了最重要的数据源之一 (https://wikimediafoundation.org/news/2023/07/12/wikipedias-value-in-the-age-of-generative-ai/)，作为回报，我们遭到大量爬虫机器人的攻击，并且需要加大基础设施投入。 #### 3. 更多的垃圾内容 AI生成的文章也是一个问题。除了我们一直面临的一般性破坏行为外，现在我们还必须处理那些看似写得不错但实际上是LLM生成的文章 (https://en.wikipedia.org/wiki/Wikipedia:Signs_of_AI_writing)。 我们一直包含*机器生成*的内容（有些维基百科 (https://en.wikipedia.org/wiki/Cebuano_Wikipedia) 甚至几乎完全由机器写作），问题在于在包含AI生成的内容时，界限在哪里 (https://en.wikipedia.org/wiki/Wikipedia:Writing_articles_with_large_language_models)。 这不仅是内部问题。维基百科依赖参考文献来编写可验证的文章。如果互联网变成AI垃圾的污水池 (https://en.wikipedia.org/wiki/Dead_Internet_theory)，找到可靠来源就会变得越来越难。 ### 内部斗争 还有一些内部问题可能会削弱我们的地位。 我在米兰组织研讨会的一个重要原因是，运动中的一些声音没有被听到 (https://lucaswerkmeister.de/posts/2026/03/17/wikimedia-hackathon-northwestern-europe-2026/) (https://taavi.wtf/posts/wikimedia-hackathon-nwe-2026/)。我们*应该*使用AI，还是可能完全禁止使用LLM和编码代理？尤其是年轻人可能对任何AI的使用都持非常负面的看法 (https://www.wired.com/story/some-kids-will-never-think-ai-is-cool/)。如果我们社区中的一部分人感到被排除在这次讨论之外，可能会导致内部极化。 有足够多的理由对AI的使用持怀疑或反对态度。前面提到的使用我们数据的公司缺乏互惠，能源消耗 (https://www.technologyreview.com/2025/05/20/1116327/ai-energy-usage-climate-footprint-big-tech/)，一些模型被“微调”时恶劣的工作条件 (https://theconversation.com/long-hours-and-low-wages-the-human-labour-powering-ais-development-217038)，工作岗位流失 (https://fortune.com/2026/04/06/ai-tech-displacement-effect-gen-z-16000-jobs-per-month/)，AI驱动的军事“杀手无人机” (https://news.un.org/en/story/2025/06/1163891)，与政府的可疑关系 (https://www.msn.com/en-us/technology/artificial-intelligence/move-over-anthropic-google-signs-deal-to-supply-pentagon-with-gemini-ai-for-classified-work/ar-AA221l3I) 等等。 然而，在巴黎，关于这个话题的讨论却出奇地少。也许人们只是接受了未来AI将成为一项基本技术？或者他们可能没有接受，但没有说出来？我不知道，但我很愿意从这些人那里读到或听到更多。 另一个问题是运动内部志愿者、附属机构和基金会之间的微妙平衡。这三派之间的关系错综复杂，有时非常紧张。例如，关于董事会成员资格的新拟议规则 (https://meta.wikimedia.org/wiki/Wikimedia_Foundation_elections/2027/Proposed_eligibility_criteria)，附属机构资助结构的更新 (https://meta.wikimedia.org/wiki/Updating_the_ecosystem_of_Wikimedia_organizations/Recognition_and_Funding_for_Movement_Organizations)，以及基金会针对Wiki Workers United团结工会 (https://meta.wikimedia.org/wiki/Wiki_Workers_United) 的行动（或者更确切地说，缺乏行动 (https://meta.wikimedia.org/wiki/2026_recognize_Wiki_Workers_United_petition)）。重要决策可能因内部辩论和讨论而被延迟或阻碍。 ### 人类必须保持责任 让我们回到“作为表演者的人类 vs 作为工具制造者的人类”的叙述。 如果我们同意，世界上重大变化不是“机器正在接管”，而是“由人类控制的机器正在接管”，那么**人类必须对他们构建和使用的机器的行为负责**也是合理的。 这似乎显而易见，但事实并非如此。过去依赖程序员的人现在突然能自己做很多事情。这感觉就像魔法。突然间他们能编写复杂的Excel公式！或者为之前需要雇佣公司处理的文书工作“vibecode”一个小应用！ 当然，大多数开发者和技术熟练的人知道计算机*不是魔法*，并且非常清楚其局限性。当你编写代码（手动或使用编码代理）意外删除了公司的生产数据库时，“是机器干的”并不是你的经理会接受的借口。即使在编码代理时代，维护复杂的软件基础设施仍然是一项艰巨的工作。 然而，现在全球各地都有公司在解雇开发团队，并用AI代理取而代之，期望一切照旧，只是更便宜。当然，事实并非如此 (https://www.forbes.com/sites/terdawn-deboe/2026/05/21/companies-fired-workers-for-ai-now-they-want-them-back/)。 似乎对某些人来说，只有解雇了开发人员，才能发现机器与人不同，代码也不是魔法。 ### 利用我们最大的优势 代码和AI不是魔法。我认为，我们维基媒体人特别适合**解释和展示“魔法”是如何运作的**。就像维基百科文章解释的那样，事情通常比想象的要复杂得多。 这也不是我们唯一的优势。维基媒体可能是在与科技巨头的大卫对歌利亚较量，但我们常常低估自己的力量。 尽管制造主要LLM的大型科技公司拥有看似无限的资金，但它们缺乏我们社区所拥有的一样东西：信任和可靠性。维基媒体人是狂热的吹毛求疵者，确保陈述有适当引用且事实准确。尽管LLM在很多事情上做得对（因为它们已经在维基百科等来源上训练过），但它们的**错误也不少**。即使谷歌的“AI概览”只有10%的错误率，也意味着每天有*数百万人*得到错误答案 (https://arstechnica.com/google/2026/04/analysis-finds-google-ai-overviews-is-wrong-10-percent-of-the-time/)。 维基百科是大多数LLM中使用的关键数据集 (https://wikimediafoundation.org/news/2023/07/12/wikipedias-value-in-the-age-of-generative-ai/)。我们需要找出如何利用这一点。我们的开放许可既是最大的优势之一，也是最大的弱点之一。在资本主义世界中，让科技巨头为我们的数据买单非常困难，因为他们已经免费得到了。然而，维基媒体数据很有价值，因为它是少数几个高质量的人工生成数据集之一（而且可能比AI公司销毁印刷书籍来训练模型 (https://arstechnica.com/ai/2025/06/anthropic-destroyed-millions-of-print-books-to-build-its-ai-models/) 的破坏性要小得多）。 另一个优势是我们是非个性化的。使用社交媒体获取新闻的人们呆在自己的回音室里，只接收符合自己口味的内容。但在维基百科上，每个人都阅读相同的文章。我们不提供“个性化阅读体验”是一个特性，而不是缺陷。 在谈论科技巨头与维基媒体时，我们拥有道德制高点。像Grokipedia (https://en.wikipedia.org/wiki/Grokipedia) 这样的完全由AI生成的项目失败了，因为没有人类来检查文章。Grokipedia将克里姆林宫列为乌克兰入侵的主要来源 (https://www.theguardian.com/technology/2025/nov/03/grokipedia-academics-assess-elon-musk-ai-powered-encyclopedia)，因为它们使用了AI模型。维基媒体人会立即发现这一点。 AI不是魔法，但你知道什么是魔法吗？与人类建立共识。 ### 每个维基媒体人都应该成为工具制造者 我们已经确定了我们的优势。现在，我们应该如何利用它们？ 采取防御姿态对抗科技巨头，甚至对抗AI本身，是很诱人的。但进攻比防守好。科技巨头也不知道会发生什么。我们最好尝试自己创造未来，而不是坐等事情发生。 这意味着现在我们应该专注于实验而非决策。最好做许多小规模实验，而不是等待一个完美的解决方案。我们可以尝试新工具、新工作流、新方法。尝试使用AI来帮助我们做我们已经在做的事情，比如撰写文章、分类图片、翻译内容。但也要尝试用AI做新的事情，比如创建新的学习资源、构建新的交流方式。 最重要的是，我们要保持开放和包容。让更多人参与进来，尤其是那些可能对AI持怀疑态度的人。倾听他们的担忧，并认真对待。不要只关注技术，也要关注人。因为归根结底，维基媒体是关于人的。 所以，让我们成为工具制造者吧。让我们一起构建未来。因为如果我们不这样做，别人就会替我们做。 *感谢所有参与我在米兰和巴黎组织的研讨会的人。你们的见解和反馈是无价的。*