🔥 HN 热议

AI文章里的“LLM Voice”:人为什么一读就觉得不对劲?

约2分钟读完 Tiny Why编辑部 · 文:特派员 好奇

词语
LLM Voice

让读者觉得文章像语言模型写出的文字习惯。

大型语言模型(LLM)

能根据大量文字生成新句子的AI。

Hacker News

技术人员分享和讨论文章的网站。

发生了什么

2026年10月29日,Martin Fowler(长期写软件开发文章的作者)发表了《LLM Voice》原文。这里的Voice不是声音,而是读者从文字里感到的说话习惯。Fowler说,他读一篇文章时,有时会慢慢觉得它像大型语言模型(LLM)写的。他不一定能马上指出原因,但继续阅读的愿望会变弱,甚至产生强烈反感。

背景:顺滑不等于有人在说话

大型语言模型能写出流畅、整齐、礼貌的文字。问题在于,这种顺滑的写法可能让文章失去具体的作者感。Fowler提到一些常见的提示,但也提醒读者,不要把某个标点或词语当成证据。语言会随年代和群体变化。年轻人常用的说法,可能只是让年长读者觉得陌生。人写的文章,也可能偶然像机器写的。

为什么重要

有些工具声称能分辨文字是不是由模型写成。Fowler怀疑它们的准确性,因为读者的感觉通常先出现:文章已经让人不想读了,之后再拿工具检查,可能已经太晚。更重要的是,这个问题不只是“抓出机器”。如果作者让模型先写完整草稿,后来再由人修改,模型留下的写法也可能很难完全去掉。连反复接受模型的改写建议,也可能让作者自己的个性变淡。

Fowler还把写作和思考联系起来。他认为,自己动手写句子,常常能帮助人真正理解一个主题。如果模型处理了每一句话,作者也可能把整理想法的过程一起交出去。他认为模型可以帮助列出提纲,但正文的语言最好由作者自己完成。

原文能确认什么

这篇文章是个人论述,不是测试人类识别能力的科学研究。能确认的是Fowler的阅读体验、写作建议,以及他对透明度的看法。他主张,如果AI帮助过写作,作者应该向读者说明。不过,他并没有绝对禁止AI。比如,Jim Highsmith因为帕金森病而需要AI帮助写作。翻译、格式固定的信件,或几乎不会被人认真阅读的报告,也可能适合交给模型处理。

还不知道什么

读者感到不舒服,并不能可靠证明文章是AI写的。原文没有给出一份人人适用的识别清单,也没有测量人类判断的准确率。我们还不知道,熟练编辑能去掉多少模型痕迹,也不知道未来模型会不会形成不同的写作习惯。检测工具说“没有AI”,同样不能证明作者是谁,或文章经过了什么过程。

Hacker News的热度和事实是两回事

这篇文章在Hacker News的帖子上获得292个积分和156条评论。Hacker News是技术人员分享和讨论文章的网站。这些数字表示社区的注意程度,不表示Fowler的观点已经被证明,也不表示LLM Voice已经成为可测量的事实。

接下来关注什么

接下来值得观察的是,独立研究能否测量人类识别AI文章的准确率,作者会怎样公开AI的参与,以及翻译、定型通知和真正需要个人判断的文章应如何分开处理。Fowler的文章提出了一个实际问题:当文字是写给人看的,作者的思考和个人声音还应保留多少?这个边界目前仍是写作者和读者需要共同判断的选择。

💬 LLM 的语气会怎样改变写作者和读者

评论者一边承认 LLM 很方便,一边讨论机器化文风为什么让人疲惫,以及当机器文字变多后,人类交流可能失去什么。文中的数字是评论者的估算,不是已经证实的测量结果。

  • 一些评论者担心,人们每天大量阅读 LLM 输出后,会不知不觉采用它的措辞和结构,最后连自己的文章也像机器写的。
  • 一位评论者估算,每天使用 AI 的十亿人每天可能写约 0.5 万亿 token、读约 2 万亿 token,按一周计算会超过 GPT-4 的整个训练集。这只是评论者的估算,不是实测结果。
  • 常见批评是,LLM 文章可能同时“有用信息少、无关信息多”,还会重复、顺序不自然、充满填充内容,读者必须额外花力气寻找重点。
  • 反方认为,使用 AI 并不必然让人停止独立思考。日常或赶时间的文字可以交给 AI,而重要、私人或创作性的文字仍然可以自己写。
  • 翻译、校对、纠错和整理想法被认为是有用的辅助方式;但把几个要点扩写成很长、很权威的文章,可能只是把阅读时间和判断负担转嫁给读者。
  • 当 LLM 文风越来越普遍,读者可能在读内容以前就把漂亮文字当成警报,怀疑它没有价值。有人认为这会误伤认真写作的人;也有人认为,读者没有能力逐篇深入检查。
  • 更根本的批评是,交流应该表达一个人理解过、并且想对某个读者说的想法。批评者认为,LLM 可以生成流畅文字,却未必拥有人的主题、意图和受众意识。
  • 评论中还有一些技术假说:指令微调、偏好优化,以及要求模型给出长而全面的回答,可能造成固定、可预测的文风和填充内容。这些只是评论者的假说。

这是评论数为156时的初期(修订1)。获取100条,并从整体抽取100条总结。内容属于HN用户自述,并非编辑部核实的事实。

🔥 HN 热议

为什么AI文章会有相似的感觉?

📰 完整报道: AI文章里的“LLM Voice”:人为什么一读就觉得不对劲?

有些AI文章读起来很顺,却让人觉得它们很像。

约1分钟读完 Tiny Why编辑部 · 文:特派员 好奇

词语
LLM Voice

让人觉得文章像AI写出的相似风格。

大型语言模型(LLM)

能够写文章的AI系统。

Hacker News

人们讨论技术文章的网站。

💡 一句话总结

  • Martin Fowler(长期写软件文章的作者)发现,AI文章会有相似的写法。
  • 他把这种感觉叫作“LLM Voice”。
  • Hacker News(技术人员讨论文章的网站)上有292个积分和156条评论。热度不等于正确。

大型语言模型(LLM)是能写文章的AI。它可以写出流畅、整齐的句子。但如果许多文章使用相似的表达,读者就会觉得文章没有清楚的作者个性。

Fowler说,人们常常在使用检测工具以前,就已经觉得文章不对劲了。检测工具会猜一段文字是不是AI写的,但它们不一定总是准确。语言也会随着年龄和时代变化。人写的文章,有时也会碰巧像AI文章。

Fowler提醒作者,不要让AI完整写出第一稿。人后来再修改,也可能很难去掉模型的写法。不断接受AI的改写建议,也可能让个人风格变弱。

写作不只是把信息告诉别人。写句子的过程,也能帮助人整理想法。如果每句话都交给AI,人可能少练习自己思考。Fowler认为,AI可以帮助列提纲,但正文最好自己写。

这不是禁止使用AI的规定。Jim Highsmith因为健康问题,使用AI来继续写作。翻译、固定格式的信件,也可以有不同的用法。这篇文章是一位作者的观点,不是科学实验。

💬 为什么 AI 文章读起来不一样?

评论者都承认 AI 有用,但他们对 AI 应该写多少、读者是否应该被告知,意见不同。讨论里的大数字只是估算。

  • 人们每天读很多 AI 文字,可能会慢慢学会 AI 的说法。有评论者估计了非常大的读写量,但那不是实测数据。
  • 很多读者觉得 AI 文章很长、会重复,还夹着许多无关细节,所以找重点很累。
  • 也有人说,用 AI 不等于不思考。日常、赶时间的文字可以用 AI,重要或私人的文字仍可自己写。
  • 翻译、改错和整理想法被认为比较合适;把几个想法扩成很长的文章,可能只是让读者多花时间。
  • AI 文风变多后,读者可能连认真写的文章也一起怀疑。有人觉得这不公平,但读者也没有时间检查所有文章。
  • 有人猜测,模型训练让 AI 更喜欢长而整齐、可预测的回答;评论中没有把这个猜测当成定论。

这是评论数为156时的初期(修订1)。获取100条,并从整体抽取100条总结。内容属于HN用户自述,并非编辑部核实的事实。

🔥 HN 热议

AI写字会有一样的“口气”吗?

📰 完整报道: AI文章里的“LLM Voice”:人为什么一读就觉得不对劲?

有些AI写的句子,读起来很像。

约1分钟读完 Tiny Why编辑部 · 文:特派员 好奇

词语
LLM Voice

AI写字时出现的相似口气。

Hacker News

大家一起谈技术的地方。

Martin Fowler(写电脑文章的人)发现,AI写的文章有时很像。

AI是会写字的电脑。它会用相似的说法。Fowler把这种感觉叫作“LLM Voice”。这不是耳朵听到的声音,而是文字的口气。

Hacker News(大家谈技术的地方)有292个积分和156条评论。这说明很多人注意到了它。它不能说明文章一定正确。

Fowler说,自己写字能帮助人想清楚。可是,AI也能帮助写字困难的人。

所以,AI有时能帮忙。用过AI时,也可以告诉读者。

💬 AI 写的文章为什么有点怪?

AI 写得很快,但不一定像一个真正想说话的人。

  • 人读了很多 AI 文章,也可能学会 AI 的说法。有人说数量很大,但那只是猜测。
  • AI 的文章有时很长,还会重复。
  • AI 可以帮忙改错字。重要的话,有些人还是想自己写。
  • AI 会写句子,但不一定真的知道人想告诉别人什么。

这是评论数为156时的初期(修订1)。获取100条,并从整体抽取100条总结。内容属于HN用户自述,并非编辑部核实的事实。

来源