大模型的价值取向从哪里来？通常的答案是预训练数据加对齐。这篇论文把镜头对准了一个更上游、也更少被讨论的环节：数据源本身可以被有意塑造，而塑造它的门槛低得惊人。它问的问题很具体——一小群志愿者，仅靠编辑维基百科，能不能改变 AI 系统讨论动物福利的方式？答案是能。 机制的关键在于维基百科在训练数据里的特殊地位。它几乎出现在每一个主流语言模型的训练集中，而且通常被赋予高于普通网络爬取文本的权重——因为它被视为相对可靠、结构化的高质量语料。这种'被优待'恰恰使它成为一个高杠杆的影响点：改动维基百科，等于在多个模型的训练信号里同时撬动了一个被加权放大的来源。 研究对象是 Pro-Animal Wikipedians（PAW），一个动物福利倡导者群体。他们的做法不是破坏或灌水，而是往相关词条里添加'有据可查'（sourced）的动物福利内容——表面上完全符合维基百科的编辑规范。论文的实证结果是：这些编辑可以测量地改变多个主流 LLM 在动物福利话题上的表达倾向。也就是说，一个组织化的小群体，通过完全合规的编辑行为，就在下游模型里留下了可观测的价值印记。 为什么这件事的含义远超动物福利：它揭示的是一条普适的影响通道。任何有组织、有耐心的群体，原则上都能用同样的方式，针对任何话题去塑造维基百科，进而影响一大批共享这个数据源的模型。这不是传统意义上的数据投毒（poisoning）——内容是有来源、合规的——但效果上同样是在向模型注入特定立场。 影响层面，对做数据治理和预训练的人，这指出了一个现实的供应链风险：你的高质量语料越集中、越被信任，它被定向影响的杠杆就越大。对做对齐和安全的人，这是一个新的、上游的影响面——下游再怎么对齐，也很难分辨某个倾向是'世界本来如此'还是'被人有意写进了维基百科'。 局限要诚实标注：论文聚焦动物福利单一话题，效应在其他更有争议、编辑战更激烈的话题上是否同样可控，以及效应的量级有多大、能持续多久，都需要看完整论文。它也不必然意味着恶意——同样的机制既可被用于善意倡导，也可被用于操纵。但它把一个重要事实摆上了台面：训练数据的上游并不是中立的自然存在，而是可以被低成本、有组织地塑造的。