AI slop 是什麼？流暢但空洞的 AI 垃圾內容

2025 年 12 月 16 日，Merriam-Webster 宣布年度詞：slop。

三個星期前，澳洲的 Macquarie Dictionary 已經把「AI slop」選為 2025 年度詞，而且評審團與公眾投票雙雙選它。三個星期後，2026 年 1 月，美國方言學會（American Dialect Society）三百多位語言學者年度投票，選出來的還是 slop。

三家機構、三次獨立評選、同一個詞。年度詞評選各家口味向來不同，這種「三冠王」極為罕見。一個 18 世紀原指「爛泥」、19 世紀變成「豬食餿水」的老詞，2025 年成了全世界對 AI 內容焦慮的公約數。

AI slop（AI 垃圾內容）指用生成式 AI 大量產出、看起來流暢完整、實際上空洞或錯誤百出的低品質內容。它通常沒人要求、沒人審閱，靠量取勝——目的可能是騙點擊、賺廣告分潤或搶搜尋排名。Merriam-Webster 的定義是「通常以人工智慧大量產出的低品質數位內容」；Macquarie 的版本再加一句「常含錯誤，且非使用者所要求」。

從豬食到 AI 餿水，這個詞怎麼紅的

按 Merriam-Webster 的考據，slop 在 1700 年代指軟泥，1800 年代變成餵豬的廚餘，後來泛指「沒價值的東西」。把這個意象記住，整個概念就好懂了：slop 是一桶餿水——它未必有毒，但它被倒到你桌上，收拾的人是你。

2024 年 5 月 8 日，英國工程師 Simon Willison 在個人部落格寫了篇短文推廣這個用法（他自己說詞不是他發明的，社群裡早有人在用）。他的類比後來被各家字典的年度詞說明反覆引用：spam 之於垃圾郵件，slop 之於垃圾 AI 內容——「如果內容是無腦生成、硬塞給沒有要求它的人，slop 就是完美的稱呼」。

同一篇文章裡，Willison 也給了這個詞的道德底線。他說自己大量使用大型語言模型（LLM），但「我不會用它們來產 slop。我在我發表的東西上署名，押上我的信譽」。

接下來一年半，slop 從小圈子行話變成主流語彙。Merriam-Webster 在年度詞說明裡列的 2025 年 slop 洪水：荒謬影片、走鐘的廣告圖、廉價宣傳、以假亂真的假新聞、AI 寫的劣質書——「還有很多會說話的貓」。

slop 跟幻覺差在哪，跟內容農場又差在哪

這是這個條目最需要劃清的邊界。三個常被混在一起的東西，問題本質完全不同：

	AI slop	幻覺（hallucination）	內容農場文
問題本質	空洞、無人負責	事實錯誤	空洞、騙流量
產出者	生成式 AI	生成式 AI	人類寫手
內容可以全對嗎	可以，照樣是 slop	定義上就是錯的	可以
規模上限	成本趨近零，無上限	單點出錯	受人力限制

幻覺是模型一本正經講錯事實，是「對錯」問題；slop 是「價值」問題——一篇內容可以每句都對，仍然是 slop，因為它沒有訊息增量、沒人審閱、沒人負責。反過來，一篇有查證、有署名、但不小心含一處幻覺的文章，是一篇有錯的認真內容，還輪不到 slop 這個標籤。

內容農場在 AI 出現前就存在了二十年，slop 的新意在規模：人類寫手一天幾十篇，生成式 AI 一天幾萬篇，產出成本趨近零，過濾成本全數轉嫁給讀者、平台和搜尋引擎。美國方言學會的說明也點出一個語言演變：「AI slop」還是 2024 年的年度詞候選，到 2025 年 slop 已經可以單獨使用——AI 這個語境大家心照不宣。

還有一條邊界同樣重要：用了 AI 的內容不等於 slop。判準是有沒有人審閱、查證、署名負責，以及對收到的人有沒有用。這條線後面會再回來講。

workslop：餿水穿上西裝進辦公室

2025 年 9 月 22 日，《哈佛商業評論》（Harvard Business Review）刊出 BetterUp Labs 與史丹佛社群媒體實驗室（Stanford Social Media Lab）團隊的文章，給 slop 添了個職場親戚：workslop（職場 AI 渣稿）——看起來像完成的工作、格式漂亮、簡報精美，實際缺乏推進任務的實質內容，把理解、修正、重做的成本轉嫁給收件的同事。

同月針對 1,150 名美國全職白領的調查給了具體數字：

指標	數字
過去一個月收過 workslop 的受訪者	40%
收到的內容中屬於 workslop 的比例	平均 15.4%
每件 workslop 的平均處理時間	1 小時 56 分
每人每月隱形成本（按受訪者自報薪資估算）	約 186 美元
一萬人組織的年度成本估算	約 900 萬美元

流向也查了：40% 發生在同事之間，18% 由下往上（部屬交給主管），16% 由上往下。人際代價可能比工時更傷——收到 workslop 的人裡，約半數從此覺得寄件人更沒創意、能力更差、更不可靠。

workslop 最陰險的地方是它看起來像工作。餿水倒進精美便當盒，收到的人要先打開、聞過、確認不能吃，才能開始自己重做一份——這一小時五十六分鐘，原本是寄件人該花的。

辨識 slop 的三個訊號

收到一份文件、讀到一篇文章，跑這三個檢查：

1. 字多，訊號少——通篇沒有具體數字、日期、名字、可查的來源。每段都對，每段都沒說什麼。
2. 範本感——條列轟炸、三點式排比、每段等長、結尾必有總結。格式的完成度遠高於內容的完成度。
3. 禁不起一個追問——問「這個結論的根據是什麼」，對方答不出來，因為他自己也沒讀懂。這是 workslop 最便宜的現場測試。

反過來，自己用 AI 產文件時，送出前跑三問，就能避免自己成為 workslop 供應商：

1. 我自己從頭讀過一遍了嗎？
2. 裡面每個事實、每個數字，我能負責嗎？
3. 這份東西替收件人省了時間，還是把工作轉嫁給他？

三題有一題答不出來，那份文件還沒好。

一個用 AI 的媒體怎麼面對 slop

坦白講位置：你正在讀的這個網站，文章就是 AI 協助產出的——包括這一篇。所以我們寫這個條目，沒有站在圈外指著別人罵的餘裕。

我們的理解是：「用不用 AI」和「是不是 slop」是兩條獨立的軸。slop 的反義詞是有查證、有邊界、有署名責任的內容。Willison 那篇 2024 年的文章，立場其實就是這個——工具照用，但別拿來產 slop，因為你發表的東西押的是你的名字。

落到 Signals 自己的制度：每篇文章的資料欄位裡有一個 aiAssistance 分級（none／research／draft／co-written 四級），文章頁會顯示對應的揭露文字，例如「本文由 AI 協助研究與起草，編輯部編修，總編輯審閱定稿」；查證過的事實才進 keyClaims，看過的來源列在 sources。這套制度不保證我們不犯錯，它保證錯了有人負責、可以追溯。這條線，就是我們理解的 slop 與非 slop 的分界。

最後，帶得走的三件事：

• 判 slop 看責任，用 AI 與否另計。 有人查證、審閱、署名的 AI 協作內容，跟無人看管的量產內容，是兩種東西。
• 收到疑似 workslop，先問一個具體問題。 「這個數字哪來的？」比默默花兩小時重做便宜，也讓寄件人下次不敢再倒餿水。
• 自己送東西出去前跑三問。 讀過了嗎、能負責嗎、省了誰的時間。

三家字典機構在同一個評選季押同一個詞，說明大家迫切需要一個名字來指認這件事。名字有了，過濾機制還沒跟上：偵測工具不可靠、平台政策在追趕、搜尋引擎與社群演算法仍在被動挨打。在過濾機制成熟之前，辨識 slop 是 2026 年每個知識工作者的基本素養——上面那三個訊號，就是最小可用的過濾器。

資料來源：Simon Willison’s Weblog、Merriam-Webster、Macquarie Dictionary、American Dialect Society、Harvard Business Review、BetterUp Labs、Forbes

矽基前沿 · 大百科線（編輯：廖玄同），《AI slop 是什麼？流暢但空洞的 AI 垃圾內容》，矽基前沿 [Si]gnals，2026-07-05。https://signals.tw/articles/what-is-ai-slop/