为什么 AI 仍然无法像你一样写作

尽管 AI 模型在物理、生物、化学等领域展现出博士级别的知识，Anthropic 甚至声称其 Opus 4.5 模型"基本解决了编程问题"，但 AI 写作仍然容易被识别出来。

典型 AI 写作特征：

• "It's not an idea. It's a breakthrough."（套路化表达）
• "Delve"（过度使用的词汇）
• 三项列表且不使用"and"

1. 潜意识决策定义写作风格

风格计量学（Stylometry）的历史

• 19世纪：风格计量学家讨论莎士比亚是否真的写了那些戏剧
• 1960年代：仅凭"upon"这个词的使用，分离出汉密尔顿在《联邦党人文集》中的贡献
• 2020年代：LLM 引入了研究风格的新方法

Cornell 大学研究：功能性特征最具识别性

研究方法： 系统性地操纵文本片段，每次移除一个属性（如专有名词或大写），测量对 LLM 作者归属准确性的影响。

关键发现：

• 移除停用词（stop words）会导致模型更频繁地错误归属作者
• 停用词：常见的功能性词汇，如冠词（"a"、"the"）或代词（"I"、"she"）
• 这些词通常在文本分析中被过滤掉，因为它们不传达太多意义

核心洞察：

停用词和词序是写作风格最独特的标记

这些纯功能性的写作方面主要反映潜意识决策。当我们写作时，我们专注于选择有意义的词，潜意识倾向于填充其余部分。但潜意识对句子的贡献方式是独特的。

2. 大多数人的写作极不一致

Bucknell 大学研究：风格模仿的保真度

研究问题："LLM 能多好地模仿人类写作风格？"

关键发现：

• 仅几个写作样本就能将风格保真度提高约 23 倍
• 少量示例就能产生很大效果

困惑度（Perplexity）分数揭示人机差异

概念解释：

• 困惑度分数衡量语言变异性
• 词汇选择和句子结构的多样性和不可预测性越高，困惑度越高

研究发现：

平均而言，人类写作的变异性是机器的两倍

• 人类写作更加不一致和不可预测
• 这种不一致性恰恰是人类写作的特征

3. 写作风格随时间剧烈变化

LLM 的时间漂移问题

LLM 的本质： LLM 只是一串数字。与 ChatGPT 或 Claude 交互时，你在"对话"的是一组静态数字文件——人类语言的时间点快照。

语言演化速度： 由于社交媒体和超连接性，我们的词汇演化速度比以往任何时候都快。

如果训练在我们开始说"skibidi"之前就结束了，模型有什么用？

Virginia Tech 研究：量化时间漂移

研究发现：

• GPT-2 和 GPT-3 的说话方式在发布一年后落后一般词汇约 15%
• 两年后落后约 28%

LLM 反过来改变语言

讽刺现象： LLM 本身正在改变语言，包括学术研究。

ChatGPT 发布后的论文包含显著更多的"AI 腔"：

• "underscore"（强调）
• "highlight"（突出）
• "showcase"（展示）

"Delve"是最大的罪魁祸首：在 2022 年至 2024 年间，论文中的使用量飙升了 2000% 以上

4. 关键外部研究

Cornell 大学研究

链接：https://arxiv.org/pdf/2502.03647 核心发现：停用词和功能性特征是识别作者的最可靠指标

Bucknell 大学研究

链接：https://arxiv.org/pdf/2509.24930 核心发现：人类写作的变异性是机器的两倍

Ted Chiang 的经典比喻

链接：https://www.newyorker.com/tech/annals-of-technology/chatgpt-is-a-blurry-jpeg-of-the-web 核心观点："ChatGPT 是网络的模糊 JPEG"——一个近似人类洞察但永远无法准确命中的工具

立即可应用的方法

1. 利用停用词和功能词识别 AI 生成内容

具体步骤：

1. 分析停用词模式：检查文章、代词、连词的使用模式
2. 检查困惑度：使用 NLP 工具计算文本的困惑度分数
3. 识别 AI 腔标志词："delve"、"underscore"、"highlight"、三项列表且不使用"and"

2. 构建个人写作风格档案

具体步骤：

1. 收集写作样本：从博客、通讯、社交媒体收集历史写作
2. 提取关键标识符：识别常用的停用词模式、典型短语
3. 创建风格指南：文档化写作特征
4. 应用到 AI 工具：使用 Spiral 等工具导入风格

3. 设计风格保真度测试流程

具体步骤：

1. 建立基准：选择 5-10 篇亲自写的文章
2. 生成 AI 草稿：使用 AI 工具生成相同主题的草稿
3. 对比分析：比较停用词模式、困惑度差异
4. 迭代改进：根据差异调整风格指南

4. 应对 LLM 时间漂移的策略

具体步骤：

1. 定期更新风格样本：每季度添加新的写作样本
2. 关注语言演化：跟踪新词汇和表达
3. 使用最新模型：优先选择训练截止日期较近的模型
4. 人工审核和调整：AI 生成内容后必须人工审核

启发性创意

Idea 1：潜意识写作特征是最难模仿的

核心洞察：

• 我们写作时专注于有意义的词汇选择
• 潜意识填充停用词、冠词、代词
• 这些"无意识"的选择恰恰最能体现个人风格
• AI 很难模仿这种潜意识的独特性

Idea 2：人类写作的"不一致性"是特征而非缺陷

核心洞察：

人类写作的变异性是机器的两倍

• 我们在不同时间、不同情境下写作风格会变化
• 这种"不一致"恰恰是人性的体现
• AI 的一致性反而暴露了其机器本质

哲学思考： 完美的一致性是机器的特征，不完美的变异性是人类的特征。在 AI 时代，"不完美"成为价值。

Idea 3：LLM 正在创造新的"AI 方言"

核心洞察：

• "Delve"在学术论文中的使用量 2 年内增长 2000%
• LLM 不仅被语言训练，也在训练语言
• 正在形成一种新的"AI 方言"

Idea 4：写作风格的时间漂移需要持续校准

核心洞察：

• LLM 在发布一年后落后词汇 15%，两年后 28%
• 语言演化速度比以往更快
• 静态的风格模型会迅速过时
• 需要动态的、持续更新的风格系统

关键数据

总结

这篇文章深入探讨了 AI 写作的本质局限：

1. 潜意识决策是风格的核心：停用词和功能词的使用模式最能体现个人风格
2. 人类的不一致性是特征：变异性是人性的体现，而非缺陷
3. 语言在快速演化：LLM 面临时间漂移问题，同时也在创造新的"AI 方言"
4. 风格模仿需要持续更新：静态模型会迅速过时

最重要的启示：

• AI 写作工具的未来在于更好地理解和模仿人类的潜意识写作习惯
• 但完全消除人机差距可能永远不可能
• 关键是找到人机协作的最佳平衡点

行动建议：

1. 建立个人写作风格档案，包括停用词模式
2. 定期更新风格样本以反映演化
3. 开发风格保真度测试流程
4. 关注"AI 方言"的渗透，保持写作的人性化

Sources

• every-the-science-of-why-ai-still-cant-write-like-you
• https://every.to/p/the-science-of-why-ai-still-can-t-write-like-you
• https://arxiv.org/pdf/2502.03647 (Cornell 研究)
• https://arxiv.org/pdf/2509.24930 (Bucknell 研究)