那段读起来很顺的文字
前阵子帮朋友看一份产品说明,通篇没有错别字,句子长短错落,标点也用得规矩。读到第三段,我却停住了——它说了很多,但没有一句能落到具体的东西上。问朋友,他说是AI写的,自己改了两遍。改的是事实,没改语气。
这就是AI内容创作常见的样子:语法正确,节奏舒适,逻辑看似完整,可你很难从中挑出一个具体的判断。它不是写错了,而是没写。
顺滑是怎么来的
语言模型的工作方式决定了它倾向于选择常见的搭配、稳妥的表达。给它一个题目,它会沿着语料里反复出现的那条路走。这条路确实通顺,也确实平庸。人在写作时会冒险,会用一个不太常见但更贴切的词,会故意留一个短句让节奏顿一下。这些选择带着写作者的偏好和犹豫。模型不太犹豫,它算概率。
于是AI内容创作产出的大量文字,呈现出相似的质感:安全、匀称、缺少毛边。毛边不是缺点。一篇稿子里那些略显笨拙的句子,往往正是作者想清楚了才写下来的地方。
比错别字更难查的东西
校对错别字有明确标准,查事实也有依据。麻烦的是那些介于两者之间的东西——一个概括得过头的小标题,一句听起来合理却缺少来源的因果,一段把两件事并置、却暗示了并不存在的关联的表述。这些地方没有硬伤,却会影响读者的理解。
我见过不少编辑把时间花在改错字上,因为那看得见。但面对机器生成的文本,真正需要盯住的是判断:这个结论有没有支撑,这个类比是否成立,这段文字存在的理由是什么。这些问题,工具替不了人。
写的人变成了什么
一个直接的变化是,写初稿的门槛低了,审初稿的门槛高了。以前编辑的活儿更多是修补,现在偏向筛选和追问。你要问这段文字为什么在这里,要问它有没有把读者带到某个具体的地方。答不上来的,删掉。
这不是坏事,只是位置变了。人的工作从“把字写出来”挪到了“决定哪些字值得留下”。后者更难,也更需要对这个领域有真实的了解。
它能用在哪,用不了在哪
有些场景适合AI内容创作:格式固定的信息整理、把长文压缩成摘要、给同一份材料换几种说法。这类任务目标明确,判断标准清楚,人审一遍就能兜住。
不太适合的是需要立场和经验的写作。比如解释一个技术选择背后的取舍,比如评价一件事做得对不对,比如在一堆看似都成立的方案里指出哪个更值得试。这些内容的价值不在通顺,而在判断,而判断来自具体的人待过具体的现场。
我不太赞成把AI内容创作说成“取代”或“辅助”这种二选一的说法。它更像一个从不疲倦但从不负责的合写者。你可以让它铺路,但路通向哪里,得你自己定。
回到开头那份产品说明。后来朋友重写了一版,多了几句具体的话,也多了几个不那么顺的句子。读起来反而可信。