LLM 语气

原文 ↗ Hacker News 讨论 ↗

LLM 生成的散文正越来越容易被识别为一种平淡、过度填充的“AI 语气”，许多读者觉得它令人疲惫、信息贫乏，而且即便说不清原因，也能隐约感觉不对。评论者担心，随着越来越多写作被委托给模型——尤其是面向公众的内容——人类风格、原创性，甚至写作本身带来的认知收益都会被侵蚀；他们把这类内容比作超加工食品和餐馆里的“Sysco 糊糊”。有人认为 AI 在翻译、官僚文书、编码，或为语言能力较弱的人起草文本方面确有合理用途，但主张如果我们还希望写作值得一读，那么面向个人交流和需要深度思考的工作就应牢牢保持由人类完成。

对“LLM 语气”的感知

  • 许多人觉得 LLM 生成的散文陈词滥调、臃肿、信息密度低，而且读起来莫名令人疲惫。
  • 读者形容那是一种“直觉上的不对劲”或恐怖谷：句子语法上没问题，但和人类思维或对话期待并不“契合”。
  • 常见抱怨包括：通用的节奏、重复的结构、过度解释、假装有力的构造（“不是 X，而是 Y”）、句子长度的段落，以及把浅薄内容拉长成长篇文章。
  • 有些人担心自己在无意识地模仿 LLM 风格写作。

LLM 写作什么时候可以接受（或不可以）

  • 被广泛认为适合用于：官僚式报告、TPS 风格文档、表格、设计文档、法律/科学套话，以及翻译——这些场景里语气并不重要，而“受众”往往是一个流程。
  • 许多人认为，把 LLM 用于个人随笔、博客文章、小说，或由人类“我”在说话的邮件，尤其是不披露时，是不尊重的。
  • 有人提出一种强规范：私人使用或草稿阶段可以，若用于发布或把作品呈现为完全出自自己之手，就有问题。

食物类比与努力的伦理

  • 反复出现的类比是：家常菜 vs 冷冻电视餐 / Sysco 糊糊。
  • LLM 文本被比作在晚宴或餐馆里端上 3 美元的微波卷饼却不说明。
  • 提出的原则是：不应要求读者为阅读投入比作者写作更多的努力。

思考、学习与委托

  • 许多人把写作等同于思考，并担心把散文外包就等于把思考和理解也外包出去。
  • 有人担心过度依赖 LLM 会侵蚀在评审、代码讨论和技术工作中的纪律、推理深度与相互理解。
  • 也有人反驳说这只是工具：如果你愿意，依然可以进行深度思考；真正的问题在于用户意图和工作语境。

对互联网内容的影响

  • 普遍情绪是网络正在被“AI 垃圾内容”淹没：SEO 垃圾、AI 写的博客、产品页面、支持回答，甚至技术支持邮件。
  • 这促使人们转向更老的来源、评论区或 2023 年之前的内容，也让真正的人类写作更难找到。
  • 有些人认为这只是早先由 SEO 驱动的 enshittification 的延伸，如今被大大加速了。

代码 vs 散文

  • 许多人接受 LLM 生成的代码，却不接受其生成的散文。
  • 原因是：代码可以客观测试；而散文依赖语气、细腻性和真实视角。
  • 不过，也有人警告，在编码中过度使用 LLM 会损害抽象、命名和可维护性——也就是代码的交流层面。

检测、风格与研究

  • 人们报告说既有明确的“特征”，也有一种更弥散的错误感。
  • 有一项被引用的研究声称，LLM 更多使用无生命主语、更罕见的 n-gram、更长的依赖关系，以及为信息密度而非人类交流优化的结构。
  • 还有人指出，基础模型本身没那么像垃圾内容，而指令微调和 RL 层（往往由 LLM 裁判引导）可能才是施加统一化“聊天机器人”语气的原因。

规范与建议做法

  • 可以把 LLM 用作批评者、事实核查器、翻译者和头脑风暴伙伴，但如果语气重要，最终散文最好自己写。
  • 如果确实发布了 LLM 辅助文本，许多人主张明确标注，和/或分享底层要点，而不是膨胀成长篇大论。
  • 有些人会刻意保留错别字和个人化怪癖作为真实性信号，并呼吁工具只做批评而不要建议替换措辞，以避免“感染”写作语气。