作者：梁智尧

　　不过三年时间，能写文章的人工智能就从新闻里的科技奇观，变成了很多人案头的常用工具。2022年底ChatGPT问世，短短两个月便汇聚上亿用户，其蔓延之速备受关注。此后，中外大语言模型接踵而至，迅速深度嵌入日常。牛津大学出版社2024年的调查显示，约3/4的受访研究者已在案头引入此类工具。著名学术出版机构施普林格·自然2025年的调查亦表明，从文献检索到论文起草，人工智能正不动声色地渗透到科研的各个环节。那些昔日全凭写作者独立操持的案头工序，如今已不乏大语言模型的悄然参与。

　　工具普及的速度远远快于行业共识与规范形成的速度。个体取舍某款工具往往只在须臾之间，而行业共同体如何审视它、以何种规约框定它，却有赖于更长时间的博弈。这类应用如今已趋近常态化，但对其展开的深层探讨才刚刚起步，认知和发展的落差也由此浮现。这件事带来的影响远不止于科研人员群体，所有以文字为业的人，写评论的、做研究的、搞创作的，迟早都要直面这个问题。在这样的节点谈论人工智能与写作，若只停留在工具好不好用、生成快不快的层面，远未触及问题的核心。更值得我们深入追问的是，它究竟改变了写作的哪些底层本质？又将写作者推到了怎样的全新位置上？

　　大语言模型为什么能写？又为什么会出错？

　　要看清人工智能所带来的改变，首先要弄明白大语言模型生成文字的底层逻辑，否则很容易用人类写作的旧经验去误判它。这类模型的技术细节固然复杂，但其运行原理并不神秘。它在海量人类语料中完成统计学习，掌握的是词与词、句与句之间的共现概率。真正生成内容时，它会顺着上文，一个词接一个词地推算出下一个出现概率最高的词。让它续写“洛阳白马寺创建于东汉永平”，后面大概率会接上“十一年”。答案是正确的，但支撑它的只是统计概率，谈不上逻辑推导。这几个字在训练语料中经常高频结伴出现，至于这段历史本身的来龙去脉，它并不真正理解。

　　模型输出中大量看似准确的内容，本质上只是聚合了人类语料的公共共识。对于共识越集中、史料越充分的话题，它回答得越稳妥。长城的修筑脉络、世界遗产制度的基本框架，这些属于通识范畴的内容，它能处理得准确无误。可是一旦进入资料稀少、问题冷僻，或者尚无定论的领域，它就容易失准。某座县级文保单位的始建年份、地方志里一处异文的释读，这类问题往往超出它的能力边界，但它依然会输出一段看似确凿的流畅文本。经过海量语料训练，大语言模型习得的是语言形式的规律，而非事实真伪的判定。形式可以脱离内容独立存在，因此它能生成看似确凿实则虚构的文字，学界将这种现象称为“幻觉”。

　　幻觉有多种表现。模型会编造不存在的论文与页码，会把年代、数据说得煞有介事。有时把真实的人名、地名张冠李戴，有时摆出严密论证的架势，前提与推论却根本站不住脚。幻觉是统计生成机制自带的原生风险，目前无法彻底根除。也正因此，但凡涉及具体史实、数据与文献出处的内容，人工核对就成了不可或缺的关键环节。

　　流畅不等于理解

　　把文字表达的顺畅错当成思考本身的透彻，是人工智能制造的一种假象。大语言模型生成的顺畅，本质上是运算速度的产物。效率关乎速度与数量，衡量的是单位时间的产出。深度关乎理解，衡量的是对材料、概念与问题的把握。二者本是两回事，可一旦落在纸面上，知识的沉淀与文字的堆砌就难分彼此。模型凭借高效率生成的通顺文字，便极易被误读为认知的提升。

　　思想往往是在落笔、删改、重写的反复中才逐渐成形的，鲜有人能先思透再动笔。贾岛在“推”“敲”二字间反复斟酌，掂量的不只是一个字的妥帖，更是整句诗的意境。推敲文字，从来都是思考的一部分。当模型省去了这份斟酌，也就一并省去了思想成形所必需的摩擦。如果把文章生成交给大语言模型，省去的不只是书写的劳作，更是思考的过程。

　　更深层的变化在于，“流畅”作为评价标准的权威已然动摇。过去，文字流畅往往意味着作者受过长期专业训练，能够把复杂的道理讲得深入浅出，流畅本身就是作者写作能力的标志。如今，流畅的文字可以被批量生产，它与写作能力之间的固有联系已然断裂。柏拉图在《斐德罗篇》里借苏格拉底之口表达过担忧。文字会让人获得智慧的表象，却未必能带来真正的智慧。两千多年前做出的判断，放在今天来看，依然别有深意。大语言模型最擅长制造的，恰恰是“理解”的外观。艾略特曾问，我们在信息中丢失的知识，去了哪里。今天或许还要再问一句，我们在流畅的文字里丢失的思考，又去了哪里。

　　还有一种影响直接作用于写作者自身，我将它称为“对齐效应”。大语言模型总会将使用者的想法向既有知识的平均水平方向拖拽靠拢。如果你的想法低于这条平均线，它能快速帮你补全，三言两语就能生成一篇结构完整、措辞规范的文字。可如果你的想法高于这条线、带着原创的锋芒，它的输出往往会磨平棱角，把观点拉回到最常见、最稳妥的表述里。模型最擅长复述的永远是语料中最成熟、最普遍的表达。韩愈在《答李翊书》中说“惟陈言之务去”，写作最难的功夫恰恰就是把那些早已用滥了的套话彻底剔除干净，可大语言模型输出得最自然、最稳定的内容偏偏就是这些陈词滥调。真正的创见往往以不合常规的面貌出现，也就最容易在对齐的过程中被当成噪声抹掉。作者如果习惯了让大语言模型代笔起稿，久而久之，笔下的锋芒会被一点点磨平，自己却很难察觉。

　　这种变化最终也会动摇我们评判写作的标准。经济学中有一条古德哈特定律，它的核心意思是，当一个衡量指标本身变成了目标，它就不再是一个好的衡量指标了。也就是说，但凡可以被低成本批量生产的事物，早晚都会失去筛选和甄别的价值。过去，我们常常通过文章篇幅长短、格式规整程度，来判断一个人的学术训练水平，通过行文的流畅、通顺程度，来推断一个人思考的深度。放到现在，这些标准都能被人工智能轻松实现，它们到底还算不算数，其实已经要打个大大的问号了。语言质量当然依然重要，只是它和思想质量之间，再也不能轻易画上等号。

　　它是工具，更是中介

　　海德格尔在《技术的追问》中提醒我们，技术从来不是中性的工具。他用“解蔽”定义技术的本质，即技术让世界以某种特定的方式向我们显现。这种显现既打开了视野，也划定了边界，也就是在帮我们看见的同时，也悄悄限定了我们看见的方式。这个洞见用在大语言模型身上，显得格外贴切。什么样的表达称得上规范？什么样的论证才算完整？这些标准早已经作为统计规律，内嵌在了大语言模型的训练语料当中。当我们打开对话框，看到它生成的那段“漂亮文字”时，我们眼中认定的“好”，其实早已是被既有语料塑造出来的标准。

　　技术哲学家唐·伊德曾提出过一个更为具体的论断，即任何技术在放大一部分能力的同时，必然会缩减另一部分。望远镜放大了远处的景物，却同时收窄了周边的视野。正如大语言模型放大了文字生成的速度，增强了重组材料的能力，却也缩减了推敲文字时的停顿、迟疑，磨去了概念成型时必经的思维碰撞。而恰恰是这些迟疑与碰撞，才构成了思考本身独有的质感。

　　更准确地说，大语言模型其实更像是一个中介者。社会学家拉图尔曾区分过两种传递信息的角色。一种是中间人，只负责原样传递内容，输入什么就输出什么，最终的输出结果完全可以由输入推导出来。另一种是中介者，会在信息传递过程中对内容进行转译、改写、增删，大语言模型显然属于后者。哪怕你反复叮嘱它只做润色、不要改动原有观点，再把润色前后的版本逐句比对，也常常会发现语气轻重变了，限定范围的松紧变了，连原本论点的重心也会产生偏移。

　　哲学家尼采在开始使用打字机后，曾说过一句意味深长的话。我们使用的书写工具，其实一直在潜移默化地参与塑造我们的思想。从传统毛笔到机械打字机，再到如今的大语言模型，工具对思想的介入程度一直在不断加深。马克思与黑格尔都认为，人需要通过劳动将自身外化为对象，再从这个对象中反观自身，才能认识自己。写作本就是这样一个外化与反观的过程。可当人工智能成为中介，它交还给写作者的，是一个被改写过的“自己”。你在文字里好像看见了自己，又好像不完全是自己。越来越多的人借助人工智能完成内容创作，可从中获得的成就感反倒越来越低，问题的根源大概就出在这里。或许这正是我们这个时代一种新的精神异化。

　　谁在写作？谁来负责？

　　人工智能第一次以实质性创作参与者的身份介入写作，但对应的责任却无法随之分担。一个句子，构思源于作者，措辞经大语言模型润色，最终定稿回归作者。一段综述，材料取自数据库，框架由模型搭建，最终判断落在作者身上。事后想逐句分清哪部分出自人类、哪部分出自模型，几乎不可能。写作的过程从未像今天这样深度交织。可文章一旦出了问题，不管是数据造假还是史实硬伤，学术共同体追责的对象，永远是署名的作者。撤稿、禁投这类惩戒，还有学术声誉层面的损失，最终都落不到人工智能头上，甚至从根本上来说就无从追究。

　　这种无法转嫁的责任倒逼我们重新审视作者的核心价值。写作原创性的重心也许正在发生迁移。福柯曾追问“作者是什么”，提出作者本质上是一种“功能”，旨在对文本进行分类、确权，并界定相应的法律与道德责任。巴特则指出，任何文本都是由无数文化引语交织而成的“编织物”，谈不上作者凭空的独创。今天的大语言模型便是这一论断的现实印证，它本身即是由海量既有文本织就的“引文之网”。这一现代文本理论也与中国传统经学范式遥相呼应。在中国古代，经注笺疏、述而不作曾被视为治学的正途之一，这说明写作往往是对既有思想资源的引申与重构，纯粹凭空的创造并不多见。文字层面的“独造”或许只是表象。作者真正的价值从来都落在思想的承载与责任上。也正因此，写作中真正有分量的原创性本就该从遣词造句的表层向思想内核的更深处迁移。问题能不能立住？材料够不够扎实？一段阐释能不能往深处推进？一个判断能不能经住反驳？这些藏在文字背后的硬功夫才是一篇文章的风骨。大语言模型越能把文字打磨得漂亮，这份风骨就越显得珍贵。

　　人工智能无法成为责任主体，也就不能被列为学术成果的作者。署名本身就意味着责任担保，而担保必须依托一个能够切实承担后果的主体才能成立。国际上的《自然》系列期刊、国内科技部发布的《负责任研究行为规范指引》，表述虽有不同，底层逻辑却高度一致。允许将人工智能作为辅助工具使用，禁止其顶替作者署名，使用了就要如实披露，最终责任始终由人承担。

　　把主动权握在自己手里

　　既然人要为最终结果负全责，那么对写作过程的掌控就显得尤为重要。结合近几年的使用体会，我有三点具体看法。

　　第一是材料先行，让大语言模型在给定材料的边界内工作。抑制幻觉最有效的办法就是不让它凭空生成内容。先把原始文献、法规文件或调研笔记交给它，要求它仅依据这些材料作答。材料的边界越清晰，它就越像一个可靠的助手。边界越模糊，它就越像一个自信的编造者。把“开放生成”换成“受限作答”，是最简单也最见效的一步。

　　第二是分工有界，指令要具体。可以放心交给模型的，大多是对已有材料的加工类工作。真正不能交出去的，是核心问题的提出、关键判断的下定以及成稿前的最终核验。指令越具体，输出就越可控。与其笼统地说“帮我润色”，不如明确要求它收紧句子、不动论点。对于核心论证段落，不妨反向使用工具，让它挑出论证最薄弱的地方。

　　第三是核验到底，投稿前逐条自查。所有引文、文献、数据、年代，都要回到原始出处一一核对。模型能帮我们找到线索，却替代不了人工核验这一步。署名就是担保，最终文本里的每一句话，都应当由作者本人负责。

　　人工智能给写作带来的最深层改变藏在文字表象之下。它真正改动的，是写作者在整个创作过程中的位置。生成初稿、优化结构，这些它已经做得相当好，但有些事，终究要由人来完成。模型能抛出无数问题，却替代不了那个真正源于写作者自身关切的发问；能拼合种种判断，却无法成为为判断负责的主体。至于署名背后那份沉甸甸的责任，更只能由人来承担。这些正是人工智能无法逾越的边界。

　　所以，人工智能不会取消写作，而是在重新划定人与机器的分工。追求流畅的部分，尽可以交给它；做出判断、担起责任的部分，必须留给自己。该交出去的交出去，该守住的守住，大概就是这个时代的写作者要修炼的新功夫。机器已经学会了写作，而人更需要想清楚的是，自己究竟为什么而写？写下的东西，又是不是“真”的？

　　（作者系中国文化遗产研究院副研究馆员）