“AI卖惨”剧本化：从偶发博同情到产业化引流

近期，多个短视频与社交平台出现一类高度相似的“卖惨”内容：身患重病的老人、失学的儿童、被遗弃的宠物，配上凄婉音乐和煽情文案，短时间内即可收获大量点赞与打赏。调查发现，这类内容正越来越多地由AI工具辅助生成甚至全流程批量生产。一些运营者利用大模型快速撰写催泪脚本，用AI绘图或视频生成工具批量产出“求助者”形象，再矩阵账号分发，形成从引流到变现的灰色链条。卖惨营销由此从零星的个人博同情，升级为有组织、有模板、有技术加持的产业化操作，其欺骗性和社会危害显著放大。

情感操控的技术化：大模型降低了造假门槛

传统卖惨营销依赖运营者个人的编故事能力和素材积累，规模有限、破绽较多。而大语言模型和生成式视觉工具的介入，使造假成本大幅下降。运营者只需输入简单提示词，便可在几分钟内得到多版情节完整、情绪饱满的求助文案；AI图像与视频工具则能生成以假乱真的病床照、贫困家庭场景。更值得注意的是，部分工具还具备根据评论反馈自动调整叙事策略的能力，针对不同受众精准投放“泪点”。技术门槛的降低意味着任何具备基础操作能力的人都能参与其中，卖惨内容的供给量因此呈爆发式增长，平台审核面临前所未有的压力。

大模型“限能”为何刻不容缓：滥用风险已现实化

所谓“大glm-4限能”，指向的是对大模型在情感操控、虚假叙事等高危场景中的能力加以必要约束。当前的问题在于，通用大模型在设计上追求“有求必应”，对生成悲情求助文案、伪造困境场景等请求缺乏有效识别与拦截。一旦这类能力被系统性滥用于卖惨营销，不仅直接侵害公众的财产与同情心，还会侵蚀社会互助的信任基础——当真实求助被海量伪造内容淹没，真正需要帮助的人反而难以获得关注。此外，批量生成的虚假内容还会污染训练数据与网络生态，形成恶性循环。因此，对大模型在相关场景下的能力边界作出限定，已不是超前防范，而是应对现实乱象的紧迫要求。

平台治理的滞后：识别难、处置慢、追责弱

面对AI加持的卖惨内容，现有平台治理手段显得力不从心。一方面，AI生成内容在文本流畅度和图像逼真度上已接近真实，传统基于关键词和人工抽检的审核方式难以有效识别；另一方面，即便内容被判定违规，运营者也可迅速更换账号、迁移阵地，处置速度跟不上生产速度。更深层的问题在于追责链条不清：脚本由模型生成、素材由工具合成、账号由矩阵分发，各环节责任主体模糊，导致事后追责困难。部分平台出于流量考虑，对疑似卖惨内容处置偏软，客观上纵容了乱象蔓延。

公众信任的透支：真实求助被“狼来了”效应反噬

卖惨营销的最大代价，是社会善意的持续透支。每一次被揭穿的AI造假，都会让公众对网络求助多一分怀疑。心理学上的“狼来了”效应正在显现：当人们反复遭遇伪造的悲情叙事，便倾向于对所有求助信息持冷漠态度。这种信任损耗最终由真正的弱势群体承担——那些确实身处困境、需要社会援手的人，可能因为整体环境的不信任而失去被看见的机会。与此同时，被欺骗的打赏者和捐赠者也会对公益慈善产生抵触情绪，长远看将削弱整个社会互助体系的动员能力。

技术向善的路径：能力约束、内容标识与协同监管

治理AI卖惨营销，需要从技术、制度与生态三个层面协同发力。技术层面，模型提供方应在训练与部署环节嵌入风险识别机制，对生成求助、募捐、悲情叙事等敏感内容设置更严格的合规校验，必要时限制相关能力的开放范围，这正是“限能”的核心要义。制度层面，应强制要求AI生成内容进行显著标识，让公众在接触信息时具备基本的辨别依据；同时明确模型提供方、内容生产者和平台在虚假内容传播中的责任划分。生态层面，平台需升级AI内容检测能力，建立卖惨类内容的专项审核与快速处置通道，并与监管部门、公益组织形成信息共享机制。

让同情心回归真实：治理的落脚点在人

归根结底，治理AI卖惨营销不是为了限制技术本身，而是为了保护人与人之间最基本的信任与善意。技术可以模拟眼泪，却不能替代真实的苦难；算法可以优化叙事，却不应被用来操纵同情。对大模型相关能力作出必要约束，对虚假内容形成有效震慑，让真实求助获得更畅通的表达渠道，才能让公众的同情心不被消耗、不被辜负。当技术应用守住底线，网络空间中的互助与关爱才能回归其本来的模样。