10亿Token，100篇论文，10+开源项目，我尝试搞清楚，什么他妈的叫他妈的人味

一、引言：从《联邦党人文集》到我们的问题

1787 至 1788 年间，亚历山大·汉密尔顿、詹姆斯·麦迪逊和约翰·杰伊以笔名“Publius”发表了 85 篇论文，力促纽约州批准新宪法。

这是《联邦党人文集》。

其中 12 篇的作者身份一直存有争议，汉密尔顿和麦迪逊都声称自己写了它们。

1964 年，哈佛统计学家 Frederick Mosteller 和 David Wallace 用一种前所未有的方法解决了这个谜题。

他们没有分析论文的观点、论据或修辞，因为这些太容易受主题影响。

他们盯上了 30 个看似无足轻重的功能词：upon、by、to、whilst、enough……这些词与写作内容无关，使用频率却因人而异、跨主题稳定，且作者自己几乎意识不到自己在用它们。

通过贝叶斯推断，Mosteller 和 Wallace 将 12 篇争议论文全部判给了麦迪逊，其中证据最弱的第 55 篇在主分析中仍然显示数百比一的优势比（Mosteller & Wallace, 1964）。

这项工作奠定了一个关键洞察：你写了什么不重要，你怎么使用虚词才重要。

功能词之所以能当指纹，恰恰因为它们是无意识的、话题中立的、难以伪造的。

你可以刻意换一个比喻，但你很难刻意、稳定地改变自己使用“的”“了”“而”的相对频率。

六十年后，同一把尺子量向了一个截然不同的问题。

1950 年，图灵问：机器能不能像人？

2023 年起，问题彻底翻转了：我们不再试图让机器像人，而是拼命想证明一段文字不是机器写的。

当 GPTZero 上线后的第一个学期，美国数十所大学的教务部门就把它接入了作业提交系统；

腾讯朱雀宣称可识别十余种主流大模型生成的文本（其检测算法未公开）；

中国知网的 AIGC 检测模块已在数百所高校部署（周濛，2024）。

检测产业的逻辑清晰而诱人：

如果 AI 写作有统计可辨的痕迹，那就量化这些痕迹、设个阈值、超过就标红。

但“统计可辨的痕迹”到底是什么？

追问这个问题，你会发现 AI 检测器测的那些东西，如困惑度、句长方差、功能词频率、词汇多样性，并非 2023 年的新发明。

从困惑度到功能词分布，从句长方差到 surprisal 曲线，检测器在用六十年前发明的尺子量一个六十年前发现的维度：

语言使用中，你偏离群体均值的模式。

三个互不引用的传统——民间去 AI 味工具、商业检测器、学术文体计量——在过去两年里独立走向了同一组参数。

这个收敛本身就是最重要的发现：AI 味不是玄学，它有精确的信息论对应物。

但收敛的另一面是一个深刻的悖论。

当一个测量制度化为目标，当检测分数决定论文能否通过、作文能否及格，它就不再是好测量了。

经济学家查尔斯·古德哈特在 1975 年为这个规律命了名（Goodhart, 1984）。

本文试图论证：人味可以诊断，却无法优化。

任何试图把“像人”当作优化目标的系统，终点都是古德哈特崩塌：

检测器以维护人味之名，系统性地消灭人味的来源。

以下六节，我们将依次拆解检测器的五组信号、回溯文体计量的六十年回声、区分“减法”与“加法”两条去 AI 味的路线、提出一个跨四层的“结构化离群”统一框架，直面检测器正在反噬人类写作的证据，最终回到那个翻转后的图灵问题：人味可以测量吗？

二、检测器的五个旋钮

想象一个调音台。AI 写作检测器不管品牌、不论中英，本质上都在监听同一批信号，只是每家调音台上旋钮的名字不一样。拆开来看，所有信号可以归为五组。

2.1 旋钮一：困惑度——下一个词有多好猜

困惑度（perplexity）是信息论的基础概念：给定前文，模型对下一个词的预测越准确，困惑度越低。

大语言模型天生倾向于挑选概率最高的词，这是其训练目标的直接后果。

所以 AI 文本在参考语言模型面前呈现出低困惑度，

而人类写作充满了模型“猜不到”的选择：一个意外的比喻、一个领域黑话、一个私人的具体细节。

GPTZero 用一个微调过的 GPT-2 模型计算每句话的困惑度，然后汇总全文。

GLTR（Gehrmann et al., 2019）更直观：它把每个词在模型预测分布中的排名用颜色标出：绿色是 top-10 高概率词，红色是模型根本猜不到的词。AI 文本几乎一片绿黄，人类文本频繁闪红。

2.2 旋钮二：突发性——节奏有多平

如果说困惑度是信号的“平均水平”，突发性（burstiness）就是它的“波动幅度”。

GPTZero 的定义是逐句困惑度的标准差（社区里常简化为“句长标准差”，但那只是一个粗略近似）。

人类写作的突发性天然较高：

你会在平铺直叙的段落里突然插入一句炸裂的判断，在技术论述中穿插一个私人经历，在长句之后跟一个斩钉截铁的短句。

这种节奏起伏对应着 surprisal 曲线上的尖峰与低谷。

AI 文本则倾向于处处均匀，每句话都维持差不多的信息密度，像一台恒温恒湿的空调。

DetectGPT（Mitchell et al., 2023）走了另一条路：

它不直接看困惑度数值，而是看概率曲率：对文本做微小扰动后，AI 文本的对数概率会明显下跌（因为它本来就在局部最优点），人类文本则波动不大。这印证了同一个特征：AI 总是停在概率曲面的最高点，一扰动就下坡。

2.3 旋钮三：词汇分布——用词有多单调

大语言模型在一次输出中倾向于反复使用同一批词汇。

这体现在两个层面：词汇多样性（TTR）偏低，以及功能词的使用模式。

那些与内容无关的虚词，如“的”“了”“然而”“此外”，呈现出高度同质化的分布。

Kobak 等人（2025）的 Science Advances 论文提供了一个生动的例子：他们分析了 PubMed 上 1510 万篇生物医学摘要，发现“delves”这个词在 2024 年的使用频率飙升了 28 倍。这不是因为“delves”是个坏词，而是因为它恰好是大模型训练分布的众数——AI 输出的“均值味”的标本。

2.4 旋钮四：结构模板——框架有多程式化

“首先……其次……最后……综上所述”——这种总分总的论述结构、过渡词密度过高的行文方式、段落之间过于“逻辑严密”的连接，都是 AI 文本的结构指纹。

中国知网的 AIGC 检测系统据报道已将“综上所述”“值得注意的是”等过渡短语的密度纳入检测维度。

这些短语本身没有错，但 AI 堆砌它们的频率远超人类。

人类写作允许逻辑的留白、容忍节奏的断裂、偶尔跑题再回收。

2.5 旋钮五：模型指纹——像不像某个模型的口癖

每个模型家族都有自己的“口癖”，如特定的词序组合、偏好的句法结构，形成一种可辨识的统计指纹。McGovern 等人（2025）证实，仅凭 n-gram 和词性特征上的简单分类器就能有效区分不同 LLM 的输出。EQ-Bench 创意写作排行榜的 Slop Score 将这种口癖量化为一份 1648 条目的词表，涵盖 tapestry、vibrant、ethereal 等 AI 高频词乃至 AI 偏爱的幻想人名。

人类写作的命中率约 6.90 次/千词，多数模型在 10 到 40 次之间（Paech, 2024）。

朱雀等商业检测系统宣称可覆盖十余种主流大模型，但其具体算法从未在同行评审论文中公开。

Kirchenbauer 等人（2023）的水印方案走了另一条路：在生成时主动植入统计信号（绿/红名单机制），使得模型输出在不影响可读性的前提下，携带可检测的隐形标记。

五个旋钮的共同指向

把五组信号并排看，一个统一的画面浮现出来：

所有检测器，测的都是同一件事：待检文本与训练分布均值之间的距离。

困惑度低 = 选词太接近均值；

突发性低 = 节奏太接近均值；

词汇单调 = 用词分布太接近均值；

结构模板化 = 篇章组织太接近均值；模型指纹重合 = 整体模式太接近均值。

换一种说法：AI 味就是均值味。

这个洞察将贯穿全文：它既是检测器的工作原理，也是检测器的根本局限，更是我们理解“人味”的关键入口。

三、六十年回声：从 Delta 到 GPT

第一节讲述了 Mosteller 和 Wallace 如何用 30 个虚词判定了《联邦党人文集》的作者。

但他们的方法依赖贝叶斯推断，需要预设少数几个候选者。面对海量文本、未知作者的情况呢？

3.1 Burrows Delta：把指纹变成距离

2002 年，John Burrows 把 Mosteller-Wallace 的思路发展成了一个优雅的通用算法。

Delta 的计算分四步：取全语料最高频的若干词（Burrows 原文用前 150 个，绝大多数是功能词）；对每个词，在整个语料上算出均值和标准差；把目标文本中该词的频率转化为 z 分数（标准化后的偏离值）；最后算目标文本与候选作者之间所有词的 z 分数之差的绝对值的平均，这个平均距离就是 Delta（Burrows, 2002）。

用词模式越接近，越可能是同一个作者。

本质上，Delta 度量的是：你在高频词这张多维地图上，站在哪个位置？

每个人都有自己的位置，自己的 z 向量。AI 也有。

3.2 回声：检测器在重新发明文体计量

现在，把 Burrows Delta 和 GPTZero 的工作原理放在一起看：

一个用功能词的 z 分数距离度量“这是不是你写的”，另一个用逐句 surprisal 的标准差度量“这是不是 AI 写的”。

不同的名词，同一根轴：偏离群体均值的程度。

2025 年的实证验证了这个类比不只是修辞。

Zhu 和 Lei（2025）在 Digital Scholarship in the Humanities 上发表的研究表明，Burrows Delta 在仅有 100 到 550 个词的短文本上，就能以超过 80% 的准确率区分人类与 AI 写作。

O‘Sullivan（2025）在 Nature Portfolio 旗下的期刊上报告了更尖锐的发现：用 Delta 做聚类分析时，多个 LLM 的输出聚成紧密的簇，而人类文本则分散得多。每个人有自己的位置，但所有 AI 都挤在一起。

这意味着什么？

AI 润色最大的伤害，不是给你的文章加了几个破折号或删了几个“此外”。

它是把你在功能词地图上的独特位置，悄悄推向了模型的中心。

研究证据支持这个判断的方向，但也校正了它的强度：

Sourati 等人（2024）的 Secret Keepers 研究用 GPT-3.5、Llama 2 和 Gemini 改写人类文本后，测量了改写前后从语言模式预测作者个人特征（性别、年龄、政治倾向等六项）的能力变化：所有六项都下降了，但多数残余指纹仍在随机水平之上。

AI 改写并非均匀地抹掉你的特征，而是用模型自己的分布覆盖你的分布，编辑强度越大，你的风格就越接近模型的中心。

所以“去 AI 味”的正确框架，不是“擦掉 AI 痕迹”，而是“别让 AI 覆盖掉你自己的分布”。

四、减法与加法：去 AI 味的两条路

打开任何一个“去 AI 味”工具，无论是中文的降 AI 率插件还是英文的 humanizer 服务，你会发现它们做的几乎都是同一件事：

删。

删掉破折号、删掉“此外”“然而”、删掉总分总结构、拉高句长方差。这是“减法”路线。

先把身份说清楚：这些工具不是检测器，是优化器。区别不在测什么，在测量结果交给谁。

检测器把“像不像 AI”的判定交给第三方作裁决；优化器把同一类测量接进自己的改写循环，改到过线为止。

它们并非不做测量：humanizer 和 stop-slop 给自己装了 50 分制的门槛，总分不到 35 就整篇重写；

有的带命中即不通过的机器检查器；ai-flavor-remover 干脆把外部检测器的分数当成效指标。

优化器等于一台私有检测器焊上一个改写循环，这正是古德哈特机器的最小实现。

而第七章要造的诊断器走第三条路：测量结果只交还作者本人，不设及格线。

4.1 减法：一条走到尽头的路

减法的逻辑简单直接：检测器标记什么为 AI 特征，就反向操作消除它。

砍连接词密度、打散模板结构、替换高频 AI 词汇、刻意制造句长变化——这些操作确实能降低检测分数。

但减法有三个致命问题。

第一，它已经饱和了。 全世界所有的去 AI 味 skill 和工具，几乎都在做减法的排列组合。可客观计数的减法参数，如破折号数、否定排比、AI 词表命中率、结构信号密度，总共不超过二十个。这是一片极度拥挤的红海。

第二，它终将过期。

Krishna 等人（2023）证明，仅仅用一个 110 亿参数的改写模型做一遍释义，就能让 DetectGPT 的检测率从 70.3% 暴跌到 4.6%。

Sadasivan 等人（2025）的不可能性定理从理论上封死了这条路的天花板：最优检测器的 AUROC 受限于人机分布之间的总变差距离，当 AI 输出越来越接近人类分布，检测必然趋近抛硬币。

2025 年的对抗性释义研究进一步显示，检测器引导的通用改写方案平均降低检测率约 88%，对 Fast-DetectGPT 的降幅更达到 99%（Cheng et al., 2025）。

但检测方也在追，检索防御、强化学习对抗都在路上，所以减法注定是一场永不停歇的军备竞赛。

第三，也是最深层的问题：减法的终点不是“文章变好”，而是“检测器失效”。 把检测分从 70% 压到 17% 之后呢？文章有没有变得更值得读？没有任何指标回答这个问题。减法只能让你的文字不像 AI，不能让它更像你。

4.2 加法：几乎没人走的路

与减法的拥挤形成鲜明对比的是加法的空旷。

加法问的不是“怎么删掉 AI 痕迹”，而是“什么让文字更好、更像一个具体的人写的”。

这个问题的答案，其实在语言学里有成熟的学术对应，只是去 AI 味生态几乎没人接入。

具体度。 心理语言学早已为“词有多具体”建好了量尺。

Brysbaert 等人（2014）在 Behavior Research Methods 上发表了约四万个英文词条的具体度评分（1–5 分制），中文方面则有 Xu 和 Li（2020）的 MELD-SCH 数据库（9877 个双字词）。

AI 文本的一个跨研究一致的特征是：名词化更多，比如英文里从 operate 变成 operation，把具体的动作转化为抽象的概念，在语义上系统性地远离具体端。具体的数字、真实的地名、精确的细节，这些是 AI 最不擅长生造的东西，因为它们本质上是低概率的语义锚点。

判断浓度。 Hyland（2005）的元话语框架把作者的立场拆解为四类标记：

模糊限制语、增强语、态度标记和自我提及。Martin 和 White（2005）的评价理论进一步细分为三个子系统：态度（涵盖情感、判断、鉴赏）、介入（独白与多声的区分）、级差（强度与聚焦的调节）。

这些框架给了“判断浓度”可操作的标注维度，不是简单的“有没有观点”，而是可以数的：每百字有多少个增强语、多少个态度标记、单声断言与多声让步的比例是多少。

但这里有一个微妙的张力：同一个“也许”，作为 AI 的填充词是需要删的噪音，作为作者对不确定性的诚实承诺则是判断的一部分。

区分二者不能靠词表，必须靠语境，这正是“判断浓度需要独立判官而非自动计数”的硬道理。

在场感。 在场感是四个加法参数中“最测不出”的一个。

有一个诱人的捷径：数第一人称代词的频率。

但 Jakesch 等人（2023）在 PNAS 上发表的实验彻底堵死了这条路。

他们发现，人类误以为“有‘我’、提家人、讲个人经历”就是人写的标志，据此判断的准确率降到了接近随机的 50%–52%，因为这些特征 AI 同样能轻松生造。

真正的在场感不是“有没有用第一人称”，而是不可替换性：把作者换成任何人，这句话还成立吗？

“我昨天在杭州被这个 bug 坑了三小时”里的地点、时间和代价把它锚定到了一个具体的人；

广告

“我认为这很重要”换谁都成立，是假在场。

在场感的本质是具体度的一个私人化子集——不可替换性来自只有你会知道、会这么说的具体锚点。

4.3 不对称性

加法和减法之间存在一个关键的不对称性：加法对检测器天然免疫。

检测器能测困惑度、能数连接词、能比对 n-gram 指纹，但它测不出一个判断是不是不可外包的、一个细节是不是私人的、一段论述有没有承诺。

加法参数不是统计模式，是语义行为——它们在检测器的五旋钮调音台上根本没有对应的推杆。

这意味着：减法的每一招都有保质期（检测方会追上来），但加法本质上不参加这场猫鼠游戏。

你不需要骗过任何检测器，你只需要写得具体、写出判断、留下只有你才能留下的锚点。

五、统一理论：四层离群与信息节奏

到目前为止，我们沿着两条线索行走。一条是检测器和文体计量的历史线，它告诉我们 AI 味的本质是“太接近均值”；另一条是减法与加法的实践线，它告诉我们去 AI 味有两种截然不同的策略。现在该把这两条线索拧成一根绳了。

5.1 信息节奏：比句长方差更根本的人味

第二节提到，人类写作的突发性高于 AI。但“方差大就是人味”这个直觉太粗了，刻意乱写也能拉高方差。信息论给出了更精确的图景。

2007 年，Levy 和 Jaeger 在 NIPS 会议上提出了均匀信息密度假说（UID）：在容量受限的通信信道上，说话人倾向于让单位时间的信息传输率保持稳定，信息密度高的地方放慢（加冗余），低的地方加速（压缩），使 surprisal 趋于均匀（Levy & Jaeger, 2007）。Jaeger（2010）用英语补语从句中“that”的省略规律为 UID 提供了经典证据。

这个假说一度简化成了一个整洁的叙事：人 = 宏观均匀 + 局部尖峰，AI = 处处均匀。

但 2024–2025 年的新研究推翻了这个简化。

Tsipidi 等人（2024）在 EMNLP 上提出了结构化语境假说：说话人不是简单地追求均匀，而是按其在层级化语篇结构中的位置来调制信息率。surprisal 的波动不是噪声，是有意为之，为了维持兴趣、遵循写作惯例、构建论证。他们 2025 年发表于 ACL 主会的后续工作走得更远，发现信息轮廓存在周期性的谐波结构，就像音乐有和弦进行一样，好的写作在信息密度上也有内在的节奏模式（Tsipidi et al., 2025）。

Gwak 等人（2026）从另一个角度提供了佐证：在大模型推理链中，成功的推理路径呈现出“局部高均匀、全局低均匀“的特征：局部足够平滑以保持连贯，全局足够起伏以体现思维的转折与推进。全局过度均匀的推理链往往冗长、重复、最终答错。

这些发现有一个直接的工程后果：“方差越大越好”是错的。

真正的人味节奏不是简单的“忽高忽低”，而是在正确的位置高、正确的位置低——按语篇结构调制的有意识起伏。

2026 年发表于 TMLR 的 DivEye 检测器（Basani & Chen, 2026）直接利用了这个洞察：它不看困惑度的均值，而是看 surprisal 序列的多样性特征（高阶统计量），发现人类文本的 surprisal 分布尾部更重、离散度更高。

这等于从检测端实证确认了：人味的信息论本体不是“高方差”，而是“结构化的多样性”。

5.2 四层离群模型

有了信息节奏这个最底层的理论支撑，我们可以把前面所有的线索收拢成一个统一的框架。

分别从虚词、信息论、语义和社会四个学科出发的研究，独立地走向了同一个结论：

人味是偏离群体均值的结构化能力。

以下四层框架是本文基于上述收敛提出的综合模型，而非既有的学科共识。它的价值在于把分散的实证线索串联成一根可追溯的逻辑链。四个学科测的是同一根轴在四个层级的投影：

• 虚词层（身份）： Burrows Delta 字面上就在计算每个功能词偏离语料中心多远。你的 z 向量是你在功能词地图上的位置——独一无二、跨主题稳定、难以伪造。AI 润色把你推向模型的中心，就是把你的身份信号抹向均值。
• 信息层（节奏）： surprisal 序列的形态——局部平滑、全局起伏、按语篇结构调制的谐波节奏。GPTZero 的 burstiness 量的就是这一层。AI 文本处处可预测、全局过均匀，缺少信息密度的有意起伏。
• 语义层（内容）： 具体度、判断浓度、在场感，都是低概率的语义锚点。一个精确的数字、一个不可外包的判断、一段只有你才说得出的经历，在语料空间中都是离群点。AI 的默认行为是输出最大似然的、中性的、可替换的表述——语义层的均值。
• 社会层（生态）： 两个方向正在同时挤压前三层的离群：AI 词汇渗入人类文本，构成同质化推力；人为过检测而删词，构成自我审查拉力。检测器认可的“人味模板”正在成为这场挤压的终点。

这不是四个话题，是同一个量在四个层级的投影。四把不同学科的尺子，量的是同一根轴。

5.3 认识论陷阱：检测侧 ≠ 生产侧

在这个框架里，必须设一道防火墙。

检测器用来抓 AI 的特征，不能直接反过来当“写得像人”的目标。

这个区分贯穿了前面的每一层：

在虚词层，“能不能区分人 vs AI”（检测侧问题）和“你的指纹还在不在”（生产侧问题）是两回事；

在信息层，burstiness 是检测侧统计量，UID 是生产侧假说；

在语义层，“有没有用第一人称”是 Jakesch 已证伪的检测启发式，“不可替换性”才是生产侧的真正标准。

忽略这道防火墙，会导致一种普遍的错误：把检测器的相关物（破折号少、句长方差高、第一人称多）当作人味的生产配方来优化。

这不仅无效，因为它们只是粗糙的代理，而且有害，因为一旦成为目标，就立即掉入下一节要讨论的古德哈特陷阱。

六、反噬：当检测器定义人味

“任何被用于控制目的的统计规律性，一旦承受压力就会趋于崩塌。”——查尔斯·古德哈特，1975（Goodhart, 1984）

6.1 误判：检测器测的不是人味，是语言复杂度

Liang 等人（2023）把 91 篇托福作文送入 7 个主流检测器，平均 61.3% 判定为 AI 生成，至少触发一个检测器的比例高达 97.8%。

对照实验更说明问题：用“提升词汇丰富度”的提示改写后，假阳性率从 61.3% 骤降到 11.6%；反过来简化母语学生的用词，误判率显著上升。

检测器判的不是“人 vs 机器”，而是“语言复杂度高 vs 低”。

用词简单、句式规整的人类写作，在检测器眼里与 AI 输出无异。

同样的机制波及自闭症和 ADHD 群体：其结构化、重复用词的写作特征恰恰命中检测器的判据。

James Zou 教授的结论直截了当：“应当极其谨慎、甚至尽量避免使用这些检测器。”

6.2 同质化：每个人都更有创意，但所有人都更相似

Doshi 和 Hauser（2024）在 Science Advances 上报告了一个悖论：AI 辅助的写作者，其作品获评更有创意，但作品之间的相似度也显著提高。每个人觉得自己写得更好，汇总起来，创意版图在收窄。Moon 等人（2024）量化了这个差距：人类文书对集体语义多样性的贡献是 GPT-4 文书的 2 到 8 倍。

渗透的速度超出预期。Kobak 等人（2025）在 PubMed 1510 万篇摘要中检测到至少 13.5% 经过 LLM 处理；后续研究（Holzwarth et al., 2026）扩展到全文，发现到 2025 年底约 89% 显示 LLM 词汇痕迹。中文文学创作（Ma et al., 2026）和辩论领域也出现了同样的趋势：人类辩手的论点有 65.3% 是独特的，LLM 辩手仅 3.4%（Kim et al., 2026）。观点的坍缩比词汇的同质化更深层。

机制并不复杂：与模型共写，模型贡献的文本本身更少样，把每个人都拉向同一个中心（Padmakumar & He, 2024）。

连写作质量的评估也未能幸免：EQ-Bench 创意写作排行榜始终使用 Claude 担任裁判，Anthropic 模型在前 15 名中占 6 席，基准维护者承认“我们没有控制裁判可能偏好自己输出的问题”（Paech, 2024）。

6.3 制度后果：检测器从工具变成了规范

范德堡大学 2023 年停用了 Turnitin AI 检测器（Vanderbilt University, 2023）。理由是一道简单的算术：Turnitin 声称假阳性率低于 1%（Chechitelli, 2023），但全年 75,000 篇论文中 1% 就意味着约 750 篇错误标记。多所美国大学随后跟进。

继续使用检测器的院校中，学生们开始主动“写差”以躲避标记：简化词汇、删掉有力的段落、故意加入错别字。英国一项调查显示，75% 的学生担心检测器将自己误判为抄袭（Studiosity/YouGov, 2026）。

这种自我审查往往产出更弱的文章，而质量忽高忽低反而更容易触发检测器。

6.4 古德哈特崩塌

把前三节叠在一起看：检测器测的是统计代理量，代理量与语言复杂度混淆，制度化的检测分数成了事实上的写作规范。人们不再问“这样写好不好”，而问“这样写过不过”。

检测器以维护人味之名，系统性地消灭人味的来源。

这不是检测器的特例。回看第五节的四层模型，每一层都独立地撞到了同一堵墙：

• surprisal 曲线只能当诊断，一旦当优化目标就死于 Sadasivan 的不可能性定理：终点是检测器失效，不是文章变好。
• 功能词指纹只能当门禁，一旦强迫模型匹配某组 z 分数，“保护”就退化成另一种参数游戏。
• 具体度分只能当诊断信号，一旦当放行凭证就激励堆砌细节：形式上的具体但内容上空洞。

Sourati 等人（2026）的“放大悖论”从理论上封住了最后一个出口：个体层面的能力放大在群体层面导致多样性坍缩。人味可以诊断，却无法优化。

两股力量正在同时挤压人类写作：

AI 词汇渗入把写作拉向训练分布的均值，检测器驱动的自我审查把写作惩罚回均值。

两个方向都在消灭方差，而方差正是人味的本体。

当一个不完美的测量获得了惩罚权力，它就不可避免地成为规范本身。

6.5 一次预注册实验：洗掉的人味救不回来

以上还都是推论，我们用一次预注册实验做了检验：

选 8 篇确定出自人类之手的中文文本，让大模型统一执行一次最常见的操作，“润色得更通顺、更专业”，制造损伤；

再让 7 个开源去 AI 味工具（ai-flavor-remover、De-AI-Prompt-Enhancer、humanizer、Humanizer-zh、rn-renhua、shuorenhua、stop-slop）和我们自己写的诊断工具 92-humanizer 分别修复，以原作者为真值逐项对比。

92-humanizer 的修复方式与七家优化器不同：它不自动改写，只向一个手握原稿的模拟作者提问，把答回的真锚点织回损伤稿。

假设、指标、排除规则在开跑前全部写死存档；三篇百科和费率类文本因为模型靠通用知识就能重建内容，预筛阶段剔除（实验协议与全部原始产物随本文仓库公开）。

损伤先给了一个下马威：

第一，同一条润色指令，对百科和医学文本只挪动了十几个功能词的频率，对口语声口最浓的三篇，漂移平均高出近八成。越有人味的文本，润色的杀伤越大。

第二个发现：润色总共抹掉了 11 个具体锚点：年龄、数字、口语细节。八个工具里，救回率最高的只有 1/11，包括我们自己那个专门为“要回真锚点”设计的工具。

它守住了不生造的底线，却没有问出正确的问题。洗掉的人味，没有任何工具找得回来。

七、结论：镜子，不是靶子

如果人味可以诊断却无法优化，那么工具应该长什么样？

答案藏在诊断与优化的区别里。

诊断工具告诉你“这里塌了”：你的功能词分布在这次润色中漂移了多少、你的 surprisal 曲线在哪几段过于平坦、你的具体度在哪些段落掉到了抽象均值、你的判断在哪里外包给了中性表述。它照镜子，不设靶子。它呈现剖面，不输出分数。

这张剖面不是一个数字，而是一个跨四层的图谱：

• 虚词层： 对原稿和润色稿分别算 Burrows Delta，列出漂移最大的功能词，回答“这次润色覆盖了我多少身份”。零机器学习，可解释，今天就能做。
• 信息层： 用一个固定的开源语言模型算逐字 surprisal，画出曲线，标红过平段落，回答“哪里节奏塌了”。不报单一方差（旧叙事已不成立），而是分别报全局起伏度和局部平滑度。
• 语义层： 具体度可以纯机器计算（接中文 concreteness 常模查表），判断浓度和在场感需要独立判官。
• 红线： 整张剖面只呈现给作者做诊断，绝不接自动改写去优化任何一层，否则工具本身就变成了新的同质化引擎。

这最后一条红线是最重要的设计原则。在第六节论证的古德哈特崩塌面前，它是唯一的防线。

一旦把诊断结果接入“自动修复”流水线，自动提高具体度、自动注入信息尖峰、自动模仿用户的功能词分布，工具就从镜子变成了靶子，从照亮变成了规训，从帮你认识自己变成了帮你变成另一个别人。

同一套机械，测量结果只交还作者就是镜子，接回改写循环就是第八个优化器，中间只隔着这条红线。

红线之外还有一条服务边界。想要凭空造出人味的需求真实存在：编一段亲历、造一个数字、加一点“生活气息”，市面上服务这种需求的工具从来不缺。

但诊断工具不该做这门生意。把编造的细节冒充作者的亲历，不是帮作者找回自己，而是替作者向读者撒谎。

一面诚实的镜子，可以照出你缺什么，不能替你长出你没有的东西。

回到那个翻转后的图灵问题。

图灵问的是：机器能不能像人？

我们这一代面对的问题是：人的写作还像不像人？

答案取决于我们把“人味”当成什么：一个可以量化、优化、达标的指标，还是一面只能照、不能射的镜子。

减法擦掉均值味，加法加回你自己。

而“你自己”的定义，就是你在这四层上偏离均值的那部分：你下意识的虚词分布、你不自觉的信息节奏、你落在低概率处的具体锚点与不可外包的判断。

这些东西看得见，却瞄不准。

人味可以测量吗？可以。但测量的结果只能是一面镜子，永远不该成为一个靶子。

写作方法声明

本文由作者李韭二与 Claude（Anthropic 的大语言模型）协作完成。

文责由李韭二承担。

分工如下：研究检索、评测代码与执行、数据统计由 AI 承担；

选题、结构、观点、边界与每一处最终取舍由作者决定；

初稿与修订在人机之间往复多轮。

我们不掩饰这一点，理由就写在第六章里：

该反对的从来不是使用 AI，而是用工具伪装人味、把编造的细节冒充亲历。

所以本文接受了自己主张的检验：发布前，配套工具 92-humanizer 的独立判官（与写作过程隔离的另一个模型实例）对全文做了诊断，给出六条标注与一份提问清单，诊断报告与全部实验产物一起随本文仓库公开。

哪些标注要改、哪些保留原文，由作者逐条决定，工具无权代劳。

这段声明本身，就是“镜子，不是靶子”的用法示范。

参考文献

Basani, A. R., & Chen, P.-Y. (2026). Diversity boosts AI-generated text detection. Transactions on Machine Learning Research. https://arxiv.org/abs/2509.18880

Brysbaert, M., Warriner, A. B., & Kuperman, V. (2014). Concreteness ratings for 40 thousand generally known English word lemmas. Behavior Research Methods, 46(3), 904–911. https://doi.org/10.3758/s13428-013-0403-5

Burrows, J. (2002). “Delta”: A measure of stylistic difference and a guide to likely authorship. Literary and Linguistic Computing, 17(3), 267–287. https://doi.org/10.1093/llc/17.3.267

Chechitelli, A. (2023, June 1). AI writing detection update from Turnitin's Chief Product Officer. Turnitin Blog. https://www.turnitin.com/blog/ai-writing-detection-update-from-turnitins-chief-product-officer

Cheng, Y., Sadasivan, V. S., Saberi, M., Saha, S., & Feizi, S. (2025). Adversarial paraphrasing: A universal attack for humanizing AI-generated text. arXiv preprint, arXiv:2506.07001. https://arxiv.org/abs/2506.07001

Doshi, A. R., & Hauser, O. P. (2024). Generative AI enhances individual creativity but reduces the collective diversity of novel content. Science Advances, 10(28), eadn5290. https://doi.org/10.1126/sciadv.adn5290

Goodhart, C. A. E. (1984). Problems of monetary management: The UK experience. In A. S. Courakis (Ed.), Monetary theory and practice: The UK experience (pp. 91–121). Macmillan. (Original work presented 1975)

Gehrmann, S., Strobelt, H., & Rush, A. M. (2019). GLTR: Statistical detection and visualization of generated text. In Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics: System Demonstrations (pp. 111–116). https://doi.org/10.18653/v1/P19-3019

Gwak, M., Son, G., & Kim, J. (2026). Revisiting the uniform information density hypothesis in LLM reasoning. In Findings of the Association for Computational Linguistics: ACL 2026. https://arxiv.org/abs/2510.06953

Holzwarth, L., González-Márquez, R., & Kobak, D. (2026). Most biomedical publications show signs of LLM-assisted writing. arXiv preprint, arXiv:2608.10715. https://arxiv.org/abs/2608.10715

Hyland, K. (2005). Stance and engagement: A model of interaction in academic discourse. Discourse Studies, 7(2), 173–192. https://doi.org/10.1177/1461445605050365

Jaeger, T. F. (2010). Redundancy and reduction: Speakers manage syntactic information density. Cognitive Psychology, 61(1), 23–62. https://doi.org/10.1016/j.cogpsych.2010.02.002

Jakesch, M., Hancock, J. T., & Naaman, M. (2023). Human heuristics for AI-generated language are flawed. Proceedings of the National Academy of Sciences, 120(11), e2208839120. https://doi.org/10.1073/pnas.2208839120

Kim, Y., Chang, Y., Pham, C. M., & Iyyer, M. (2026). Argument collapse: LLMs flatten long-form public debate. arXiv preprint, arXiv:2606.01736. https://arxiv.org/abs/2606.01736

Kirchenbauer, J., Geiping, J., Wen, Y., Katz, J., Miers, I., & Goldstein, T. (2023). A watermark for large language models. In Proceedings of the 40th International Conference on Machine Learning (Vol. 202, pp. 17061–17084). PMLR.

Kobak, D., González-Márquez, R., Horvát, E.-Á., & Lause, J. (2025). Delving into LLM-assisted writing in biomedical publications through excess vocabulary. Science Advances, 11(27), eadt3813. https://doi.org/10.1126/sciadv.adt3813

Krishna, K., Song, Y., Karpinska, M., Wieting, J., & Iyyer, M. (2023). Paraphrasing evades detectors of AI-generated text, but retrieval is an effective defense. In Advances in Neural Information Processing Systems 36.

Levy, R., & Jaeger, T. F. (2007). Speakers optimize information density through syntactic reduction. In Advances in Neural Information Processing Systems (Vol. 19, pp. 849–856). MIT Press.

Liang, W., Yuksekgonul, M., Mao, Y., Wu, E., & Zou, J. (2023). GPT detectors are biased against non-native English writers. Patterns, 4(7), 100779. https://doi.org/10.1016/j.patter.2023.100779

Ma, Y., Shi, K., He, H., Zhang, Z., Lei, Z., Qiu, Z., Hu, R., & Liu, J. (2026). Creative convergence or imitation? Genre-specific homogeneity in LLM-generated Chinese literature. arXiv preprint, arXiv:2603.14430. https://arxiv.org/abs/2603.14430

Martin, J. R., & White, P. R. R. (2005). The language of evaluation: Appraisal in English. Palgrave Macmillan. https://doi.org/10.1057/9780230511910

McGovern, H., Stureborg, R., Suhara, Y., & Alikaniotis, D. (2025). Your large language models are leaving fingerprints. In Proceedings of the 1st Workshop on GenAI Content Detection (GenAIDetect) (pp. 85–95). Association for Computational Linguistics. https://aclanthology.org/2025.genaidetect-1.6/

Mitchell, E., Lee, Y., Khazatsky, A., Manning, C. D., & Finn, C. (2023). DetectGPT: Zero-shot machine-generated text detection using probability curvature. In Proceedings of the 40th International Conference on Machine Learning (Vol. 202, pp. 24950–24962). PMLR.

Moon, K., Green, A., & Kushlev, K. (2024). Homogenizing effect of large language models on creative diversity: An empirical comparison of human and ChatGPT writing. Computers in Human Behavior: Artificial Humans.

Mosteller, F., & Wallace, D. L. (1964). Inference and disputed authorship: The Federalist. Addison–Wesley.

O'Sullivan, J. (2025). Stylometric comparisons of human versus AI-generated creative writing. Humanities and Social Sciences Communications, 12, 1708.

Paech, S. (2024). EQ-Bench creative writing leaderboard. https://eqbench.com/creative_writing.html

Padmakumar, V., & He, H. (2024). Does writing with language models reduce content diversity? In Proceedings of the 12th International Conference on Learning Representations (ICLR).

Sadasivan, V. S., Kumar, A., Balasubramanian, S., Wang, W., & Feizi, S. (2025). Can AI-generated text be reliably detected? Stress testing AI text detectors under various attacks. Transactions on Machine Learning Research. https://arxiv.org/abs/2303.11156

Sourati, Z., Ozcan, M., McDaniel, C., Ziabari, A., Wen, N., Tak, A., Morstatter, F., & Dehghani, M. (2024). Secret keepers: The impact of LLMs on linguistic markers of personal traits. arXiv preprint, arXiv:2404.00267

Sourati, Z., Ziabari, A. S., & Dehghani, M. (2026). The homogenizing effect of large language models on human expression and thought. Trends in Cognitive Sciences. https://arxiv.org/abs/2508.01491

Studiosity/YouGov. (2026, February 23). [YouGov survey of 2,373 UK university students on AI use, commissioned by Studiosity]. Times Higher Education. https://www.timeshighereducation.com/news/fear-being-flagged-ai-detectors-drives-stress-among-students

Tsipidi, E., Nowak, F., Cotterell, R., Wilcox, E., Giulianelli, M., & Warstadt, A. (2024). Surprise! Uniform information density isn't the whole story: Predicting surprisal contours in long-form discourse. In Proceedings of the 2024 Conference on Empirical Methods in Natural Language Processing (pp. 18820–18836). https://doi.org/10.18653/v1/2024.emnlp-main.1047

Tsipidi, E., Kiegeland, S., Nowak, F., Xu, T., Wilcox, E., Warstadt, A., Cotterell, R., & Giulianelli, M. (2025). The harmonic structure of information contours. In Proceedings of the 63rd Annual Meeting of the Association for Computational Linguistics. https://aclanthology.org/2025.acl-long.1527/

Vanderbilt University. (2023, August 16). Guidance on AI detection and why we're disabling Turnitin's AI detector. Vanderbilt Brightspace. https://www.vanderbilt.edu/brightspace/2023/08/16/guidance-on-ai-detection-and-why-were-disabling-turnitins-ai-detector/

Xu, X., & Li, J. (2020). Concreteness/abstractness ratings for two-character Chinese words. PLOS ONE, 15(6), e0232133. https://doi.org/10.1371/journal.pone.0232133

Zhu, H., & Lei, L. (2025). Detecting authorship between generative AI models and humans: A Burrows's Delta approach. Digital Scholarship in the Humanities, 40(3), 1064–1075.

周濛。（2024）。AIGC 论文检测系统的技术缺陷与学术期刊因应。《出版与印刷》，（4），20–30。https://doi.org/10.19619/j.issn.1007-1938.2024.00.027