活人感，AI 你学不会

2024 年，《Science Advances》发表了一项关于 AI 和创意写作的实验。

研究者请 293 名参与者写短篇故事，再让 600 名评估者打分。有些人独立创作，有些人可以参考 GPT-4 提供的故事创意。

得到 AI 帮助以后，参与者的故事平均得分更高。

评估者觉得它们更新颖，写得更好，也更有趣。原本创造力评分较低的人，进步尤其明显。

但 AI 辅助组的故事彼此更相似了。

这项实验只写英文八句话短篇， AI 提供的也是创意，没有代写全文，它无法代表所有 AI 写作。

可它让我想起一个反复遇到的问题： AI 很快就能交出结构完整的文章，开头、案例和结论都有，道理也大多通顺。

读完以后，我常有一种很具体的不满意的感觉。

大体是：这内容很不错，但就是不像我。

这种不像，未必带着明显的机器腔，有时句子已经很自然，我过去常用的表达也放进去了，可感觉文章里仍然找不到一个具体的人。

我们常把这种问题统称为 AI 味。

于是删连接词，调整长短句，把旧文章交给模型，整理风格提示词，甚至把整套写作习惯封装成 Skill。

这些方法有用，它们确实能让文章更自然，也更接近某个人过去的文风。

不过，这些方法解决的是话怎么说的层面问题。

但是， AI 能学习一个人的语言痕迹，却不会自动带来那个人形成判断时经历过的事，也不会转移他面对的处境和责任。

我们交出了语言样本和写作规则，以为作者也一并被搬了过去。

一、 AI 复制的，只是皮囊

“去 AI 味”越来越成为一个真实的刚性的需求。

AI 初稿经常太正式，喜欢把话说满，同一种句式也会反复出现。

我以前修改 AI 稿件，会把“这个非常好”换成“这个很 OK”“这个可以的”或者“这个可以了”。几个词一换，读起来立刻自然很多。

假如一个人过去写过的文章够多， AI 还能识别更多规律：他通常怎样开头，句子有多长，常用哪些词，转折和例子怎么安排，这些都能从文本中找到痕迹与规律。

提示词和 Skill 可以把观察到的规律写成稳定规则。

文章结构和语言节奏可以预先规定，禁用词与检查步骤也可以重复执行。

个人创作者少做许多重复劳动，团队协作也容易一些。

为了更加具体地描述，我们可以把“像一个人”，分成三个层面。

第一是语言自然度，也就是句子顺不顺，有没有套话。

第二是风格相似度，也就是文章是否接近某个人过去的词汇和节奏。

第三是作者性，这个层面关心的是这个选题为何出现，文章最后指向了哪一个答案。

这三个层面会互相影响，但前两个层面的优秀，并不能保证第三个层面成立：句子自然，仍可能缺少真实经历；文风接近我，文中的判断却可能不是作者本人的选择。

反过来，真人逐字写下的内容一样可能空洞，亲手写作从来不会自动保证正确。

2025 年，马里兰大学和 Google DeepMind 做了一个实验：让机器判断一篇文章是 AI 写的还是人写的。

但这个判断不看用词，不看句长，不看任何我们平时去 AI 味会改的东西。

它只看故事本身——人物主不主动，冲突怎么升级，有没有支线……

光靠这 304 项叙事特征，十篇文章里机器能猜对九篇——哪篇是 AI 写的，哪篇是人写的。

也就是说， AI 和人写的东西，差距根本不在遣词造句。

研究者又追加了一步：拿 AI 写的文章做一轮标准的去 AI 味——删陈词滥调，删冗余解释，删华丽废话。

改完再测，机器还是猜得差不多准。

我们花那么大劲删的那些东西，几乎没影响结果。

艺术史上有一个更极端的例子。

1937 年，一幅名为《以马忤斯的晚餐》的画作出现。

鉴赏界将它认作维米尔的作品，博伊曼斯博物馆随后购入。八年后，荷兰画家韩·范·米格伦承认画出它的人是自己。

范·米格伦没有照着一幅现成的维米尔逐笔复制。

他研究维米尔作品中已经显露的构图、色彩和人物，再重新组合，画出一幅此前从未存在的“维米尔”。

它符合人们对一幅未知作品的期待，专家也因此看走了眼。

模仿可以包含研究和创造，也可能达到足以说服专家的程度。

AI 写作同样能从大量样本中找出稳定特征，再生成一篇“这个人可能写过”的新文章。

作品的风格特征与作者的亲身经历，是可以分开的。

技术还会继续进步，凡是已经稳定留在文字里的规律，都可能被观察和学习。

单靠“AI 模仿得还不像”来维护人的位置，这个说法经不起时间。

范·米格伦的画再像维米尔，也没有因此获得维米尔生活过的年代。

写作同样如此：语言特征可以复制，形成那些判断的现实关系仍属于原来的作者。

Skill 能更好地处理语言和风格，也能用提问辅助人梳理判断。

它是一套操作规则，装不进一个人的生活。

二、作者，是反复修改的链条

我现在用一条链条来理解写作。

它由经历、意义、判断、选择和责任组成。

开头是经历。

一个人亲自做过什么，在什么事上吃过亏，眼下又受什么限制，这些会成为写作的材料。

AI 可以整理材料，没发生过的事却不能写成作者亲历。

举我自己的例子。

我老婆之前搞了个用 AI 给人做 PPT 的项目，她谈单，交付落到我头上。

一句话丢给 AI：“帮我做份 PPT，你自己想办法。”豆包、 Kimi，唰一下就出来了。

不是不能用，但只能自己用，客户不会买单。

客户要的是 90 分， AI 一键生成的大概 40 分。

第一份 PPT，我折腾了两天，来回调了 100 多轮。

问题出在哪？

不在 AI，在我。

标准没搞清楚， AI 再强，也是在错误的路上狂奔。

客户要求每页右上角固定放 logo。

AI 绘图前两张还行，第三四张开始变形，怎么调提示词都没用。

最后不调了，让 AI 留 15% 空白， logo 用程序贴上去，百分百精准。

标题也一样， AI 总把字“画”歪，干脆先生成无字底图，再用程序叠字。

第三份一天，第四份半天。

这套东西，没有一条是靠“更好的提示词”拿到的。

全是失败换来的。

而它们现在就躺在我的语料里——下次 AI 写 PPT 相关的内容，这些细节能直接填进去，因为它编不出“留 15% 空白用程序贴 logo”这种话。

经历本身也不可靠。

人的记忆会出错，个人体验会带来偏见。

所以写作还需要作者解释那段经历，对今天的自己意味着什么——这就是链条上的“意义”。

同一次失败，有人归因于努力不够，有人则回头审视：是不是自己当初的问题就问错了。

解释逐渐稳定，判断才会形成。

判断这一步，说个反面的例子。

前阵子团队开会，我提了个要求：都不要做 Skill 了，全部退回去写 SOP。

导火索是一个主管。

她让 AI 生成流程，跑不通就让 AI 自己调。

我打开那个 skill 一看，它的调法是在末尾加一段“我不应该这么写，我应该那么写”。

错误的部分不删，结构也不理，光在后面打补丁。

调了西边，东边就错；调了东边，西边又回来。

那一刻我意识到：我自己都还没搞清楚这件事该怎么做，凭什么觉得 AI 能搞清楚？

自动化的关键词是“已经验证过”。自己还在摸索，封装出来的就是个盲盒。

有了判断，接下来要做选择。

每篇文章都可以有多种角度，作者要决定写给谁，也要决定采用哪项证据。

漂亮却不可靠的案例只能放弃。

证据不够，文章就要缩小承诺。

读者看不见这些被舍弃的内容，但是它们依然参与了文章的形成。

最后是责任。

模型能帮忙检索和表达，发布者仍要面对错误带来的后果。

三、我和 AI 的写作流程

这篇文章采用了我正在验证的内容创作流程。

这套方法不复杂，不过是把真人写作的方法流程化了，而核心，有三个节点始终留给作者本人。

第一，材料整理和划分。

我的旧文章、复盘、记录放在一边，外部的观点和研究放在另一边，别人的人生不能变成我的经历。

第二，写什么、给谁看。

AI 会一次给我好几个角度，但选哪个、写给谁、解决什么问题，由我定。

这一步就像北极星，如果没有的话， AI 会把自己知道的所有正确观点都写进来——比如你想写“AI 时代，买 Mac 还是 Windows 电脑”，它可能会写一段“苹果 AI 大模型发展史”，莫名其妙。

第三，哪些证据要写入到文章。

大纲先定好每段的材料和来源， AI 只负责组织语言。

到了初稿写作这一步，活儿反而最简单，因为关键位置已经填好了。

标题、开头这些，初稿之后再单独打磨。

遗憾的是，这套流程无法做到“一个 skill 写出爆款文章”、“使用这个工作流批量进行公众号写作”。

四、缺失的决定

AI 可以参与每个环节。

它能追问经历并整理记录，帮人从零散材料中寻找可能的解释。

形成观点时，它可以提供候选答案，也可以模拟反方，帮忙检查论证有没有跳步。

文章进入写作以后，比较结构、核查来源和调整表达都适合交给它。

Skill 也有清楚的价值。

复杂规则保存下来，重复工作会稳定许多。运营多个账号或需要团队协作时，这种稳定很重要。

但有意思的是，当大家都同时要求“更口语”“少总结”“增加反常识开头”“像朋友聊天”，去除旧 AI 味的规则用得太多，新的 AI 味又出现了。

Graphite 对 5.54 万篇英文文章的最新抽样研究估计， 2026 年第一季度， AI 生成文章和人类写作文章几乎各占一半；另一项研究则发现， Google 搜索结果中的相关文章只有 14% 被判为 AI 生成。当所有人都能批量做出 60 分， 60 分就不再是及格线了。

五、文章确实更好了，不好吗

假如 AI 已经把文章写得更好，读者也喜欢，作者还要费力保留自己的决定吗？

有些文章，作者确实可以退场。

使用说明、格式转换、标准问答——读者要的是准确、清楚的答案，谁写的根本不重要。

来源可靠、要求明确的时候， AI 写得比人更好，这就是进步。

但另一类文章不行。

品牌观点、经营复盘、个人故事，读者看它们是冲着“这是谁的经验、证据靠不靠谱、我能不能照做”来的。

这些文章对读者有承诺：案例是不是真的，研究有没有被夸大，经验能不能套用到别人身上。

人也会记错、也会偷懒，那为什么偏要人来确认？

因为 AI 只负责给候选，决定用不用、错了谁负责改的，始终是人。

所以，用“人工写了多少字”来评判人机合作的文章不合理，作者投入多少也不该被当价值证明。

句子可以让 AI 来写，只要核心问题和最后答案由人确认、证据取舍有明确来路，它依然有作者；反过来，一个人逐字写完，却没核验事实、没作出真实选择，作者性同样很弱。

打字权可以交给 AI，决定权依然要留在人手里。

范·米格伦的画再像维米尔，也没有因此获得维米尔生活过的年代。

写作同样如此。

能证明你是谁的，从来不只是你过去写下的那些话。

过去的文章能告诉 AI 我以前怎么说，眼下的经历与解释，才会决定我今天说什么。