最近有一篇 Nature 子刊的研究把一个问题放到了台面上当8亿人都在用AI写作语言多样性正在快速消失。我第一次看到这个结论时第一反应不是“AI要完”而是“这和我观察到的现象完全对上了”。我平时写技术文章、改稿、帮团队做内容越来越能感受到一个趋势大量AI生成的文本正在把原本风格各异的写作拉向同一个平均值。这和模型好不好用没有直接关系和使用方式高度相关。如果你只把AI当“快枪手”让它从零开始替你写写出来的内容大概率是通顺的但也是没有性格的。这篇文章不打算替论文做综述而是想从实操角度把“语言多样性消失”这件事拆开看它到底是怎么发生的能不能量化日常写作里又该怎么应对。内容创作者、程序员、产品经理、老师、学生都适合读一读。尤其是那些每天都在用AI生成文字的人越早意识到这个问题越容易保住自己的语言风格。1. 先看懂一个反直觉结论AI越方便语言生态越脆弱1.1 为什么大量人集中使用AI写作会改变语言语言本身是一种统计现象。一个词被越多人使用它在语言系统里的位置就越稳固一个表达越来越少人用它就会慢慢变成生僻词、方言词甚至消失。过去语言变化很慢因为信息传播受地理、文化、出版渠道限制每个人的语言习惯都有机会被保留下来。AI写作改变的是“使用频率”。大模型在生成下一个词时会优先选择训练语料里出现频率高、语义安全的词。换句话说它天然偏向“最常见、最稳妥、最容易理解”的表达。当几亿用户都在用同一批模型起草内容时那些常见表达会被进一步强化而低频表达的使用机会越来越少。我自己的观察也比较典型。同一批AI模型生成的周报、简历、新闻稿、活动文案高频词高度重叠。“提升、优化、助力、场景、沉淀”这类抽象词十篇里面能出现八次。还有一些空泛的动词组合比如“赋能”“闭环”已经被用到失去语义。这不是用户不会写而是模型在默认设置下更愿意输出“平均表达”。中文里的成语、典故、方言、行业黑话、个人口头禅在大模型的训练语料里占比并不高。于是AI默认给出的书面语往往是“通用网络中文”而不是某个人的中文。如果你不干预它会把你所有的文本都往同一个方向拉流畅、正确、但毫无辨识度。当这种“通用表达”成为主流写作者的差异化空间就被压缩了。以前两个人写同一件事一个可能用“这个方案还有不少坑”另一个会写“该方案尚存在若干风险”。现在AI生成的结果大概率会同时选择第二种甚至把第一种也改成第二种。语言多样性就在这种“平均化”过程中悄悄流失。1.2 “AI文本再训练AI”会把问题放大这里要提一个“模型坍缩”现象。我没有看到原文是否用了这个名字但概念很清晰如果下一轮训练语料大量来自AI生成文本模型的输出会越来越偏离人类真实表达长尾表达会进一步消失。整个过程大致是这样AI生成大量文本进入社交平台、博客、新闻网站。平台内容被爬取或者被授权后成为新一轮训练语料。模型学到更多“AI文本规律”而不是人类真实表达规律。下一轮AI输出更加同质化缺少长尾词汇和创新句式。这个循环在真实世界里已经存在。很多网站为了快速出内容用AI批量生成文章搜索引擎再抓取这些文章算法判断后觉得“结构完整、关键词覆盖好”于是给出不错排名。更多创作者看到后开始模仿这种结构。最后搜索结果里大量文章的结构、连接词、句式几乎一样只有关键词不同。是不是所有AI都一定会导致这种结果不一定。关键是“有没有人刻意保留人类语料”。大模型厂商现在也在强调数据质量但实际语料池里AI生成内容的比例只会越来越高。对普通用户来说最直接的动作就是别让AI完全替代你写作。你写下的每一个有个人色彩的词、每一句不像“标准答案”的话都是给整个语料环境多留一种可能。这件事不需要等政策不需要等平台每个写作者都能参与。2. 我给AI写作做“语言体检”时盯住哪些指标2.1 词汇多样性高频词吞噬了低频词要量化“同质化”先看词汇。最常用的一个指标叫“类符形符比”英文是 TTR也就是“不同的词数量 / 总词数”。比如100个词里只有20个不同的词TTR就是0.2如果有50个不同的词TTR就是0.5。TTR越高词汇越丰富。不过TTR受文本长度影响很大。写100字的开头可能50个不同词写10000字的长文可能只有1500个不同词。所以不能只看绝对值要控制长度或者看同一批样本的相对变化。我常用的一个简单方法是看“高频前10词占比”。把文本切成词统计词频取出现次数最多的10个词计算它们的总次数占全文总词数的比例。如果一段500字文本里前10个高频词占了全部词数的30%以上我会警惕这是不是模板稿。但这个指标也不是万能的。技术类文章里“我们、模型、数据、结果、问题”这类词天然高频。口语文本里“我、你、就、是”也占很高比例。所以不要拿一个固定阈值去套所有内容更合理的方式是“对比”。拿你手写的原文和AI初稿比看高频词占比上升了多少。上升越多说明AI的“可预测性”越强你的个人表达被抹掉得越多。如果两份文本的TTR相差超过0.1值得停下来想想AI是不是把我的语言风格替换成了通用风格2.2 句式多样性相同节奏的“AI腔”词汇之外句子节奏更隐蔽也更难改。人类写作有呼吸感。有人爱写长句一口气铺到底有人爱短句一句一个信息点大多数人是长短交替。AI写作更倾向于把句子控制在相近长度大部分在20到35个字符之间读起来没有起伏。量化方式很简单统计每个句子的长度算出标准差。标准差越小说明句子长度越接近节奏越平。举一个我自己的对比。同一段产品介绍我自己写的时候是“这个工具能跑但别急着上生产。先拿小样本试。”这两句长度差异很大有语气有节奏。AI生成的版本通常是“这个工具可以正常运行但不建议立即部署到生产环境。建议先使用小规模样本进行验证。”两句几乎一样长。语法没错但少了人的判断和情绪。还可以看开头方式。AI初稿里“首先”“其次”“最后”“值得注意的是”“总的来说”出现频率很高。这些连接词本身没有问题但十段文本都用同一套辨识度就没了。更麻烦的是AI在改写时也会强化这种连接方式因为它觉得这样“逻辑清晰”。所以体检时我会看三样东西平均句长是多少句长标准差是多少最长的句子和最短的句子差多少倍。一般差2倍以上比较正常如果所有句子长度都挤在平均值附近那多半是AI或硬套模板写的。2.3 信息密度和表达冗余同质化还有一个表现用更多字说更少的事。AI为了把话说“完整”经常补充一些不需要解释的内容。比如“我们需要意识到这个问题的重要性”这句话信息量几乎是零。真正有信息量的写法是“这个问题会导致用户流失”或“这个参数会影响系统稳定性”。量化时可以做一个“删除测试”把句子里的修饰语、抽象名词、套话删掉看看原文信息还在不在。如果删完后完全不影响理解说明原来的句子就是冗余。也可以用相邻词组合重复率做参考也就是 bigram 重复率。把文本按词切出来看相邻两个词的组合里有多少组合反复出现。重复比例高的文本套路化明显。比如“我们可以”“我们需要”“总而言之”这类组合反复出现说明作者不是在具体表达而是在做连接词填充。这些指标里没有一个能直接告诉你“这段一定是AI写的”但它们能从不同方向告诉你这段文本有没有个人语言指纹。如果你发现自己的文本在词汇丰富度、句式变化、信息密度三个方向都在下滑那就要警惕了。3. 用一个小脚本量化文本同质化不算复杂但能救命3.1 样本准备同一主题多个来源在动手写脚本之前先准备样本。好的对比实验要控制变量。比如你想比较“AI写作是不是让一段文案变得更同质化”可以准备三组文本A组你手写的原文3到5段。B组同一个主题用AI生成的不同版本3到5段。C组你在AI初稿基础上修改后的版本3到5段。把这些样本放在同一个目录下每段一个txt文件。文件名规范一点比如human_1.txt、ai_1.txt、revised_1.txt。后面跑脚本方便。注意控制长度差异。一段300字和一段3000字放在一起比较TTR和句长标准差都会失真。尽量把每个样本切到相近长度比如每段500字左右。如果只是想快速看看拿两段文本对比也可以。但量太小看不出规律至少各来10段才有一定说服力。3.2 指标计算重复率、句子长度、高频词占比下面是一个用Python标准库写的小脚本。它不追求精细分词主要目的是把趋势量化出来方便你对比不同文本。import re from collections import Counter def text_stats(text): words re.findall(r[\w\u4e00-\u9fff], text.lower()) sentences [s for s in re.split(r[。!?;], text) if len(s.strip()) 0] total_words len(words) unique_words len(set(words)) type_token_ratio unique_words / total_words if total_words else 0 # 高频前10词占比 word_counter Counter(words) top10 sum(count for _, count in word_counter.most_common(10)) top_ratio top10 / total_words if total_words else 0 # 句长字符数 sent_lengths [len(s) for s in sentences] avg_len sum(sent_lengths) / len(sent_lengths) if sent_lengths else 0 variance sum((x - avg_len) ** 2 for x in sent_lengths) / len(sent_lengths) if sent_lengths else 0 std_len variance ** 0.5 # 相邻词组合重复率 bigrams list(zip(words, words[1:])) bg_counter Counter(bigrams) unique_bg len(bg_counter) repeated_bg sum(1 for v in bg_counter.values() if v 1) repeated_bg_ratio repeated_bg / unique_bg if unique_bg else 0 return { 总词数: total_words, 不同词数: unique_words, TTR: round(type_token_ratio, 4), Top10词占比: round(top_ratio, 4), 平均句长: round(avg_len, 2), 句长标准差: round(std_len, 2), 重复Bigram比例: round(repeated_bg_ratio, 4), } if __name__ __main__: sample 这个工具能跑但别急着上生产。先拿小样本试。 print(text_stats(sample))这段代码只用标准库不需要额外安装依赖。正则\w会匹配中英文和数字但中文分词比较粗可能把连续汉字当成一个词。所以它更适合观察相对变化而不是做严格的语言学研究。想更严谨一点可以用jieba分词。把示例改成words [w for w in jieba.lcut(text) if w.strip()]效果会好很多。但要注意提前安装依赖别在没装jieba的环境里直接跑。另一个常见问题是换行和标点。英文文本按空格分词中文一般按字或词脚本规则不同会带来偏差。所以脚本跑出来的数字别太当真它只能帮你发现“AI初稿和手写稿有明显差异”这个信号。3.3 如何解读结果拿到结果后不要只看单独一个文件。把几组样本的指标并排放看趋势。指标手写稿AI初稿修改稿TTR0.620.510.57Top10词占比0.240.330.28平均句长25.428.126.2句长标准差11.24.88.6重复Bigram比例0.080.170.11这张表里的数字是我随手编的示例不是某个文本的真实结果。但趋势可以参考AI初稿的TTR下降、Top10词占比上升、句长标准差变小、Bigram重复率上升。修改稿的各项指标通常会往回走一点。这说明什么说明“修改”不只是改内容还在改语言风格。你手动改过的文本即使不多也会让语言重新靠近你的习惯。如果几组样本的指标相差不大说明AI已经比较接近你的写作习惯或者你的提示词约束做得好。这不一定是坏事。关键是你有没有意识到自己正在做语言选择。还要提醒一句不要拿这个脚本去当“AI检测器”。它的能力边界是“文本多样性分析”不是“判断是否AI生成”。人类完全可能写出模板化文本AI也可能写出有个性的文本。真正有价值的用法是拿它做自我检查看看你的内容是不是越来越像“平均文本”。4. 日常写作中减少语言流失的几条可执行路径4.1 先写后改不让AI替你起草我最想分享的经验就是“先写后改”。如果你让AI从零开始写它输出的不是你想说的内容而是“大多数人想说的内容”。你可能会得到一篇通顺的文章但它缺少你的观点和语气。后面修改成本也不低因为你得把它的句子一个个拆开重新换回自己的表达。先写后改的意思是第一稿自己写哪怕只有几个要点、几句零散的话。然后再丢给AI让它帮你改错、扩写、换句式、查资料。这样AI是在你的语言框架里工作而不是反过来。具体操作先把核心观点写下来五分钟内完成不用管语法。把这段草稿给AI要求它保留你的语气只修正错别字和重复表达。如果AI输出变味了就撤回改提示词。这个流程看起来慢实际很快。因为草稿是你的AI不需要猜测你的意图它只做语言层面的整理。更关键的是你的语言指纹会保留下来。4.2 用提示词要多样性拒绝固定模板很多人把提示词当成万能钥匙复制一套模板到处用。这样做会带来一个问题你的文本风格也被模板固定了。同样是写一段产品说明你可以让AI换几种风格“用20个字以内的短句不要用抽象名词作主语。”“用口语化版本像同事在茶水间聊天一样。”“用正式书面语但不要出现‘首先、其次、最后’。”“模仿技术文档风格多给具体参数和边界条件。”我自己的做法是每次只改一个变量。先让AI写一个常规版本再让它压缩到一半再请它把每句话的开头换掉。通过多次小修改文本会更接近你的需求而不是“平均值”。这里要注意不是所有模型都会严格遵守风格要求。如果模型顽固地把“我们”放在每段开头你可以用否定句明确约束“避免句子以‘我们’开头。”如果还不行就手动改那几个位置。别和模型较劲改两处就够。提示词模板不是不能用但不能一直用同一套。每次生成之后都要做“去AI味”修订。这个过程本质上就是你在重新拿回语言主导权。4.3 保留非标准表达方言、俚语、专业隐喻语言多样性的一部分来自非标准表达。方言、俚语、行业黑话、个人玩笑在AI眼里都是“低概率词”很容易被替换成更通用的说法。比如程序员之间会说“这个需求有点废头发”AI大概率会改成“该需求实现难度较高”。意思差不多但情绪没了。再比如“别把鸡蛋放在一个篮子里”这种俗语AI会使用但更小众的俗语就不一定。我的建议是在提示词里主动告诉AI“保留原文的比喻和口语用法不要替换成标准书面语。”如果你发现AI已经改了就手动改回来。别让工具把你的记忆和语境抹平。如果你有长期写作习惯可以给自己建一个“个人语料库”。把自己写过的好句子、好比喻、独特表达存下来。每次写东西之前看一眼提醒自己“我的语言是什么样的”。这个办法比任何提示词模板都管用。教育场景也一样。如果学生直接让AI生成全文语言能力很难成长。更好的方式是学生先写AI给反馈反馈内容具体到“这一段逻辑不顺、这两个词太重、这句没有支撑”。这样既用到了AI又保留了学生的个人表达空间。5. 值得长期关注的三个方向标记、语料保护和写作伦理5.1 给AI文本做标记为什么重要我最近在处理文档时开始给自己的内容做标记。哪些段落是纯手写哪些段落经过AI扩写哪些是AI生成后修改过用元数据或文件命名区分。这样做有几个实际好处后续复盘时能看出AI到底帮我优化了什么还是只是改了语气。如果发现风格越来越像AI可以定位问题出在哪个环节。对语料生态也有价值。带有标记的文本未来被用作训练数据时至少能被筛选出来。标记不一定很复杂。我常用的是在文件头部加一行注释# source: human、# source: ai_draft、# source: ai_revised。如果是在博客后台可以把“是否使用AI辅助”写进文档属性。这不是要给自己贴标签而是给语言一个溯源机会。很多人觉得这样麻烦。但只要你开始写长期内容就会发现这个动作值得。因为三个月后回看时你会忘记当时哪些是AI写的哪些是你自己改的。有了标记复盘才有依据。5.2 数据来源和语料保护的长期挑战AI模型的训练需要语料。如果语料越来越多来自AI生成内容模型的表达会越来越窄。这个循环是当前内容生态面临的结构性问题。作为一个普通作者我能控制的范围很小但有几个选择可以做优先写真实经历和具体数据不给AI生成内容当“搬运工”。在公共平台发原创内容时保留自己的句式习惯让文本有明显的“人味”。如果知道某些平台会用AI批量生成内容减少对这类内容的转载和模仿。这些动作不会马上改变模型训练但会让你的内容成为“多样性”的一部分。也有人问能不能完全禁止AI使用人类文本我觉得短期不现实。语言本来就是在模仿中演进的关键是模仿的“样本池”里不能只有标准答案。数据来源的透明性、版权授权和创作者激励机制才是更值得探讨的方向。如果你是一个团队的内容负责人可以考虑在流程里加一条AI生成的内容不能直接发布必须经过真人改写并记录改写比例。这个规则比单纯限制使用AI更有效。5.3 写作伦理工具增强人还是替代人AI写作最大的风险不是让你写得更快而是让你慢慢不再知道自己想写什么。写作的本质是整理思想。你写出来的句子是你思考过程的产物。如果这个过程完全交给AI你只是在审核别人的输出而不是在表达自己。语言多样性消失只是这个问题的表面信号。我给自己定了几条原则AI可以改语法但不能替我做观点判断。重要内容至少手动改两轮确保每个判断都经得起“为什么这么说”。每周写一篇完全不用AI辅助的文字哪怕只是几百字的日记或工作记录。这样做不是为了反对AI而是为了保持一种“不依赖工具也能表达”的能力。工具再强也不能替你经历生活、理解问题、形成观点。语言一旦失去这些底层支撑剩下的就只是流畅的废话。所以回到那篇 Nature 子刊的研究8亿人用AI写作这件事真正值得担心的不是“AI会不会取代人类”而是当所有人都在用同一套语言模型时我们还能不能听到不一样的声音。语言多样性不只是文风问题它是人还在独立思考的证据。使用AI的时候多留一点自己的词多保留一些不标准但真实的表达。这样AI才只是工具而不是你思考的替代品。