AI 生成的文字为何总像机器写的？（附修改办法）
"执行成本出现了断崖式下滑" "两条曲线相互叠加" "五栏对照表格" "先用两周时间摸底" "存活的项目追加投入，失败的项目直接砍掉" "项目常常在第二层与第三层的衔接处出问题"
读者大致能猜出这些表达想要传达的意思。也清楚这些话是从哪里来的。
没错，就是 AI 输出的文字，也是大家所说的机器味。AI 得先弄明白"下滑""摸底""存活"和"失败"在文中具体指什么，再去把握作者真正想表达的内容。
凡是要求读者先理解作者自创的概念，再去认识事实本身的写法，都应当删除。
去掉这些概念，不会丢失信息。原句只是给常规事实换了个称呼。称呼去掉以后，字段含义和实际流程还是对不上。这些内容不需要读者再解读一遍。
另一类机器味源于英文的句子结构。
英文分析性写作中经常出现这样的句子：
Multiple companies expanded their deployment teams, reflecting the need for further data and process integration.
直译为中文，往往会变成：
多家公司增加交付人员，反映出企业仍需处理数据和流程问题。
英文里 reflecting 是现在分词，用来对前一句事实进行补充说明。中文逗号后面省略主语时，读者通常默认沿用前文的主语。按这个句子的结构，后半句近似于"多家公司反映出……"。
AI 打算用"多家公司增加交付人员"这一现象充当主语。把 reflecting 替换成"反映出"，却没有重新调整中文句式，主语已经对不上了。
补上"这一现象"之后，语法会顺畅一些：
多家公司增加交付人员，这一现象反映出企业仍需处理数据和流程问题。
不过，语法虽然完整了，证据却还没跟上。
企业增加交付人员可能有多种原因。客户数量上升，项目进入交付阶段，预算上调，售前与交付职责重新划分，都可能引发同样的结果。原始素材如果只提供了"增加交付人员"这一项事实，就不能直接认定"企业仍需处理数据和流程问题"是背后的原因。
"反映出"把作者的解读接在事实后面，读起来像是前面的事实已经支撑了后面的判断。
我把这类问题称作"英文句式直译造成的逻辑关系错位"。
英文句子用分词补充说明，中文句子用逗号和连接词衔接。主语、证据与判断的层级没有重新调整。逗号和连接词把两句话拼到了一起，但关系并没有交代清楚。
"多家公司增加交付人员"是一项可以观察到的事实。
"增加人员是因为模型进入企业后还要处理数据和流程"是对原因的解读。
"交付岗位需要与销售岗位分开"又是从前两项内容进一步推导出的结论。
一项事实、一种解读、一个结论，被"反映出"压缩在同一句话里。读者看到的是一条通顺的句子，却看不到作者跳过了哪一步。
"体现出""表明了""揭示了""说明了""这意味着""由此可见"也会碰到同样的问题。后文如果只是另一项事实，连接词可以直接拿掉。原始素材没有建立因果或相关关系时，解读也要一并删除。
两项事实并列出现，可以拆成两句：
多家公司增加了交付人员。企业引入模型后，还需要处理数据和流程问题。
原始素材确认了原因，可以直接写"原因是"。两件事只是在同一时段发生，就写"与……同时出现"。素材只能支持一种可能性，就写"可能与……有关"。
关系交代清楚以后，作者做了哪些判断，原始素材支撑到什么程度，读者都能看清楚。
目前部分主流模型公开的训练素材仍以英文为主。模型虽然也会接触非英文材料，但不同语言在训练数据中的数量和权重并不均衡。
Meta 公布的 Llama 3 资料显示，非英文预训练材料占比超过 5%，覆盖 30 多种语言。这表明模型并非只接触英文，但同时也能看到，英文材料依然占据主导地位。Meta 当时还特别指出，这些语言的表现预计不会与英文完全一致。
预训练只是一部分。模型后续还要经过指令微调，学习如何回答问题、如何组织分析，以及如何把一个判断衔接到前面的事实上。研究人员只用英文进行指令微调时，这些能力也可以迁移到其他语言。知识储备和句子的组织方式都可能随之迁移。
英中双语模型的对比研究也发现了从英文到中文的负向迁移。英文翻译成中文的机器文本中，连接词的使用和原生中文存在区别。有些机器文本会使用更多的转折和因果连接，让文章读起来比原始素材更像一篇已经成型的分析。
这就是 reflecting 这类结构需要留意的背景。英文分析写作可以用分词在句子后面补一层说明。模型写成中文时，可能替换为"反映出""表明了"或"这意味着"。词语虽然换成了中文，句子的组织方式还停留在英文层面。
这些研究提供的是背景，不能证明每一个"反映出"都源自英文训练。判断一个句子有没有问题，仍然要看它的主语是什么，后面给出的是事实还是解读，以及原始素材有没有建立这层关系。
不少人会让 AI"去掉机器味"。这个指令太模糊了。模型可能删掉一批高频词，再换上另一批词。句子与原始素材之间的关系没有变，读者要做的理解工作也没有减少。
开始生成之前，可以先让 AI 把原始素材分成三类：已经核实的事实，可以由事实支撑的解读，以及素材没有回答的问题。分类完成之后，人可以先确认，模型后续哪些话可以直接写，哪些话必须标明属于判断。
初稿写完后，先别急着找 AI 高频词。先找那些需要读者多理解一层的表达。"执行成本出现了断崖式下滑"说的就是成本大幅下降，"先用两周时间摸底"说的就是先开展两周现场调查。自创说法没有增加信息时，直接写事实。
然后再看"反映出""体现出""表明了""这意味着"等连接词。可以把连接词暂时删掉，分别朗读前后两句话。前面是否是一项可以确认的事实？后面是另一项事实，还是对原因的解读？原始素材是否真的支撑这层解读？
这一步也可以交给 AI 先处理。但不要只让它"润色"或"改得更像人写的"。让它把原句、问题和建议表达并列写出来。这样人可以看到 AI 删了什么，也可以核对它是否又加了一层新的判断。
可以直接使用下面这几行提示词：
这几行提示词的作用是把 AI 在原始素材之外添加的说法和关系梳理出来。人来决定哪些判断有证据，哪些只是句子看起来完整。和 AI 一起协作写作，人仍然要对文中的判断负责。