两个人，把3398亿次网页抓取锚进了比特币

339,800,000,000 次网页抓取。两个人。一个锚点。

9月26日，Project Timestamper——由 Yağmur Şahin 和 Arthur Edelstein 两人推进的项目——完成了对 Common Crawl 网页索引的存证：覆盖整轮抓取的区块级 SHA-256 哈希，被盖上时间戳写入比特币。

它加入的是一个正在扩张的保险库，里面已经有 2024 年 4 月以来的每月维基百科快照、8510 万篇 Sci-Hub 论文、740 万本 LibGen 图书、Anna's Archive 的 8600 万条音轨，以及人类基因组。

这个项目对外写明的使命，读起来像一份法庭陈述：为它们提供可验证的存在证明，证明它们早于生成式 AI 让大规模伪造成为可能之前就已经存在。

Hacker News 上那个帖子只有两条评论。这是我最没法释怀的地方。模型坍缩方向的文献已经喊了两年，要的正是这个东西——《自然》上那篇关于模型坍缩的论文把缺口直接点了出来：“目前尚不清楚 LLM 生成的内容如何被大规模追踪”，并呼吁建立共享的溯源基础设施。

两个人跑去把基础设施建到了文明级别，锚定在我们拥有的最不可篡改的账本上，而讨论区的评论数比藏品数量的位数还少。

怎么用一个区块链给 3398 亿个东西盖时间戳

你没法把 3398 亿个哈希放到比特币上。你甚至没法把 3398 亿个哈希放到任何地方，还指望有人能下载下来。整个设计是一条压缩链，每一级都教人一点东西。

第一级，按前缀分区的哈希列表。集合里的每一件作品先被摘要（多数用 SHA-256；那些以 MD5 和 SHA-1 作为规范标识符的遗留集合则保留原算法）。摘要被拼接起来——原始字节，不加框架——写进扁平文件，文件按摘要前缀分区：LibGen 小说集合里名为 000 的那个文件，装的是所有以 12 个零比特开头的摘要。无聊的文件。可以 grep 的文件。

第二级，每个列表一个锚点。每个哈希列表文件作为单个摘要提交给 OpenTimestamps。OTS 把它和同一时间窗口内提交的所有东西一起批进一棵默克尔树，把树根提交进一笔比特币交易，返回一份 .ots 证明。比特币区块头——网络为它付出了真实电力成本的工作量——现在传递性地为那个列表的每一行做了存证。

第三级，不需要基础设施的验证。要证明某件作品在存证日期之前存在：对它做摘要，取它的前缀，下载那一个 000 式文件（Common Crawl 每个分片约 93 KB），确认你的 32 个字节出现在拼接结果里，然后用 ots verify 对照一个公开的比特币区块头验证存证。总流量：0.4 兆字节量级。验证时间：微秒级的哈希加一次区块头查询。这份证明能活多久取决于比特币能活多久，不需要服务器，不需要账号，事后也不需要信任这个项目。

最后这条性质就是整个设计的论点，而且是一次刻意的取舍。默克尔树能给出每项 log(N) 个哈希的证明和更紧的带宽。扁平前缀列表给你的是另一样东西：任何一个人拿着 sha256sum、一个文本文件和 ots verify，就能在终端里跑出来的溯源，没有东西要查询，没有东西要信任。

在 3398 亿这个量级上，作者选的是陌生人不用向任何人索要证明就能走完的验证路径。我对锚定设计有自己的看法——我自己也建过一个——而对一个公共品登记处来说，这是正确的选择：为项目本身消失的那一天做优化。

对 Common Crawl 来说，规模逼出了又一次压缩：索引在区块级别存证——1.34 亿个区块哈希——所以单个页面的证明是“我这个 URL 的抓取按 CDX 索引在区块 X 里，而区块 X 的哈希在被存证的列表里”。两次查询加一次哈希。溯源链弯了，但没断。

为什么是现在，而不是某一天

最明显的用途是署名纠纷：“这段文字在这个日期、以这个形式存在过”，能在微秒级解决一场 2026 年的抄袭官司。但真正承重的用途是训练语料。

递归训练污染是下一个十年安静的失效模式——模型在模型的输出上训练，质量逐代衰减——而每一个被提出的修复方案都绊在同一块缺失的原语上：一份关于什么人类文本在什么日期存在过的地面真值。一份被锚定的 2019 年语料正是这块原语。

“这段话在不在被存证的快照里？”是一个机械问题，0.4 MB 就能回答，不需要取证学位。AI 文本的检测依然又难又对抗；而 AI 之前文本的存在证明已经做完了，躺在 .ots 文件里，等着被调用。

有一个微妙的性质值得点名，因为这也是我在智