下午三点，同事把一段稿子贴进协作文档，说这是生成式人工智能几分钟写出来的。我读了两遍，语句通顺，段落齐整，几乎挑不出错。问题恰恰在这里——挑不出错，也挑不出东西。
这不是贬低。它确实能把一个模糊想法铺成八百字，把散乱的会议记录整理成条理清楚的说明。速度是真的，可用也是真的，只是这种可用有特定的形状。
它擅长的，是把已知摊平
从机制上说，这类模型做的是根据上文预测下一个词，训练数据的分布决定了它偏爱常见表达。于是它写出的东西往往落在“大多数情况下说得通”的中间地带：措辞稳妥，逻辑顺滑，很少冒犯谁，也很少让人停下来。
把它当成一个从不疲倦的实习生，挺合适。它能替你完成检索、归纳、改写和铺陈，能给出十个版本的标题让你划掉九个。但它不会在深夜给你打电话说“这个方向我觉得不对”。
顺滑下面那层空
读那些稿子时，最常有的感觉是：句子在往前走，意思却在原地。多读几段会发现，写的人其实没有立场，只是把几个安全的判断并排放着，用“值得注意的是”“从某种意义上说”缝起来。这种文本放进演示文稿里看不出问题，落到具体场景就会露怯——它不知道这句话说出去之后，谁会因此改变做法。
还有一个更实际的麻烦：它会把不确定的东西说得一样笃定。语调全程平稳，读者很难分辨哪句背后有依据，哪句只是语言上的合理延伸。判断这份笃定站不站得住，只能由人来。
签字的那一下
所以编辑的活儿变了，但没有变少。以前一半时间花在“写出来”，现在更多花在“认不认”。这个词准不准，这个因果是不是被顺手拼上的，这段话发出去会不会被误读——这些决定没法外包给生成式人工智能，因为它不承担后果。
我的做法很笨：让机器先铺草稿，然后逐段问自己，如果这段删掉，读者会少知道什么。如果答案是“什么也不少”，那就删。这个过程很慢，慢到有时候不如自己重写。
但它也逼人想清楚一件事：写字的门槛从来不在敲键盘那一步。工具越顺手，越容易让人忘记自己在写什么、写给谁、写完要负责什么。稿子发出去之后，署名还是人的。