Geo创始人Yaniv Tal指出，在线信息存在四大弱点导致AI答案不可靠：来源丢失、权威扁平化、分歧隐藏，以及模型生成错误重复。Geo通过社区治理的知识空间（Spaces）将声明、来源与证据分离。
Tal表示，人类判断有助于对可信推理进行排序，同时保留竞争观点。一项《自然》研究发现，对合成材料的重复训练可能导致模型崩溃。美国国家标准与技术研究院（NIST）建议追踪训练来源并引入专家人工反馈。
Tal告诉crypto.news，不可靠的AI答案往往始于模型接收的材料，他认为互联网旨在分发信息而非保存其权威、来源或问责机制。“AI没有真理问题，互联网才有，”Tal说。
根据Tal的说法，随着网站抓取和转载，信息丢失关键上下文。声明可能经过多个页面才进入训练集，模型只剩语句却无法追溯原始来源。当研究论文、公司公告与匿名论坛帖进入同一数据管道，权威也难以衡量。
“来源崩溃。声明被抓取、重述、再抓取，直到原始来源无法恢复，”他说。
分歧是另一问题，因为语言模型常将竞争立场合并为单一回应，隐藏专家间的真正争议。第四大弱点在于AI生成材料回流至后续模型的数据供应，错误经反复发布存活，合成内容使人类原始材料更难定位。
“模型日益基于其他模型输出训练，错误不仅持续还会放大，”Tal说。
2024年《自然》研究记录了相关风险：生成模型反复从早期模型材料学习会导致“模型崩溃”，逐渐丢失原始数据分布信息。
Geo的方案先将语句与作者及证据分离，记录论证间支持、矛盾或回应关系，再按评估强度排序并保留竞争材料。“多元主义不必意味着噪音，几种结构良好的竞争视角常更诚实，”Tal说。
Geo通过独立社区Spaces组织信息，初始涵盖加密、健康、AI、教育、世界事务与美国政治。成员可贡献与讨论，相关知识者可申请编辑。该系统基于Geo Genesis与GRC-20标准开发，构建于Aragon OSx框架。
Tal称专业知识不由中心权威分配，贡献者通过工作建立声誉并跨空间保留记录。“人类判断现在是稀缺投入而非冗余。机器生成内容超出人处理能力，且几乎无人对其真理负责。”
社区治理仍面临身份问题，如女巫攻击。Tal表示Geo依赖贡献记录与领域社区，而非让匿名材料等同公开历史者的声明。“无财务 stake 的切身利益改变人们愿署名的内容质量，”他说。
加密是Geo首批Spaces之一，因区块链活动可直接测试可验证记录与人为解读的区别。链上数据可验证交易发生，但无法说明地址控制者、动机或计划。“链上数据构造上可验证，周边皆为声明，”Tal说。Geo将此类声明附于具名贡献者并保留其历史记录。
NIST于2024年7月发布的生成式AI档案建议记录训练数据源、监控生成材料来源并结合人类审查。内容来源标准如C2PA通过加密签名保存资产来源，但不过问声明真假。