AI正在杀死写作风格？

Photo by Aaron Burden on Unsplash

回忆那些久远却难忘的小说，你印象最深的是什么？对我而言，是风格。

十五年前读完凯鲁亚克的《在路上》，人物的细节和冒险故事早已模糊，但那股文字的能量和节奏感至今挥之不去。同样，二十年后我记不清卡夫卡《审判》中主角遭遇的具体官僚困境，但那些面无表情讲述荒诞现实的句子，一直留在我心里。

写作风格正面临危机——至少是一场巨变。全球每周有近十亿人使用ChatGPT之类的大模型，大多数时候是为了写文案。这导致了前所未有的同质化现象：LLM产出的内容极度相似，某些词汇和句式一夜之间泛滥，甚至渗透到新闻和文学领域。

用AI写作本身没什么错，但我认为我们正在失去某种重要的东西。风格很重要：它是我们表达和传递个人视角最核心的工具，正是这种视角让我们的观点有价值。

风格的力量

通俗地说，风格是作者遣词造句、组织段落、运用语气来传达含义的方式。文体计量学（Stylometry）已经把它变成一门量化科学，用统计和计算方法识别让作者独一无二的那些模式。每次写作，我们都会留下自己的风格指纹。

1753年，科学家布丰伯爵在进入法兰西学院时发表了著名的《论风格》。他断言，伟大的风格是传世的关键。

知识、事实、甚至新发现都在作者之外。它们可以被“取走、搬运，甚至因为落到更有能力的人手中而增值”。但风格，是 l'homme même：作者本人。

我们未必完全同意布丰的分析，但他的演讲奠定了数百年来“风格与作者密不可分”这一认知的基础。后来也有对文本意义与来源关系的挑战，最著名的是巴特的《作者之死》。但即使巴特也没有真正动摇“风格源于作者独特的生理、情感、精神特质以及特定人生经历与处境的总和”这一观念。

在我看来，最惊艳的文学风格总能追溯到其背后的独特人生。比如卡夫卡：白天是保险律师，作为身在布拉格的世俗犹太德语作家，深深被文化隔绝感困扰。他那些长而复杂、语法却无可挑剔的句子像法律公文，用一本正经的口吻讲述超现实事件，反而强化了角色的疏离感。

凯鲁亚克过着狂野不羁的生活。他用二十天的时间，以意识流方式完成《在路上》终稿，靠苯丙胺、香烟、汤和咖啡支撑。结果是那鲜活、急促的文字，充满爵士乐般的即兴和韵律，成为“垮掉的一代”奠基之声。

按下回车或点击查看全图

《在路上》著名手稿的开头。写作前，凯鲁亚克把描图纸粘成37米长的纸卷塞进打字机，以便连续打字无需换纸。结果是没有一个段落换行。图片来源：维基共享资源 | CC BY 2.0

这只是两个例子，我可以列更多。正如阿瑟·丹托所说，风格的结构就是人格的结构。很快我们会看这对LLM意味着什么，但有一点很清楚：没有任何当前模型能拥有那种产生无数个人声音的、独特而深厚的具身生活。

当风格即内容

风格不只是表面特征：它让作者分享自己看世界的独特角度。事实上，有时候风格本身就是写作的内容。一个著名的例子是尼采的哲学，他的思想被广泛认为与表达方式不可分割。

尼采刻意拒绝严肃话语该有的平实语气和逻辑结构。相反，他的风格挑衅而令人困惑，从宏大散文跳到几乎不加论证的格言集，再冷不丁来几句诗。

这并非炫技。尼采的风格巧妙地点明了他核心的视角主义：任何对现实的看法，无论多么冷静无情，都是高度主观的解释。即使当他试图用修辞说服我们，他不断的夸张和体裁、语调的转换也提醒着读者：文字背后有个体偏见。

在高手笔下，风格不仅是“怎么说”，更是“说什么”。改变风格就可能毁掉文本本身的意义。

LLM风格：AI自己的印记

现在，AI在哪里？说它没有风格不公平；相反，LLM明显有自己可辨识的风格，我们往往一眼就能认出来，而且经常批评。

2025年James O'Sullivan的研究用文体计量分析确认了这种客观差异。人类写作文本形成宽泛、异质的集群，反映个体表达的多样性；LLM输出则按模型紧密聚类。AI写作在统计上可以被识别。

LLM风格的同质化很直觉——想想它们如何预训练：输入大量文本，优化目标是从统计分布的中心预测下一个token。这恰恰与原创风格相反，原创风格的词汇和句法选择往往是特异的。

但预训练不是全部。O'Sullivan的研究中，唯一与人类文本有轻微重叠的是最早的GPT-3.5。Reinhart等人（2025）发现，LLM那种名词密集、信息密集的风格，在指令微调后的模型上比原始基础版本更明显。类似地，Rallapalli等人（2026）显示人类写作文本更接近基础模型，而对话版本形成另一个集群。

不同LLM相对人类用词特征的使用率。Llama 3的基础变体最接近人类语法和风格，而GPT-4o和GPT-4o Mini与人类文本差异更大。图片来源 | CC BY-NC-ND 4.0

这些发现令人惊讶。我们可能直觉地认为聊天LLM的独特风格来自预训练中深不可测的过程。实际上它可能主要是训练后阶段（后训练）的产物——正是这个阶段使模型变得可用：指令微调和基于人类反馈的强化学习（RLHF），将模型塑造成有用、安全、能回应指令的助手，而不是机械地续写文字。

我们知道，RLHF会产生冗长偏差，因为奖励模型往往青睐更长的回答，不管质量如何。同时，模型永远中立、积极的语调可能归因于RLHF强调“三H”：有用、诚实、无害。为RLHF排序模型答案的标注员，会依据严格、密切监控的规则，在风格新颖的回答与平淡但专业的回答之间，倾向于选择安全的。

就像人类风格由背后的生活塑造，LLM的风格是其架构与训练过程的产物。它可能不是“作者本人”，但它是“模型自身”（LLM même），它的风格缺陷反映了这一点。

AI能否通过模仿更好的风格来摆脱自己的风格？研究表明没那么简单。一项研究让ChatGPT模仿海明威和玛丽·雪莱这两位风格迥异的大作家。虽然LLM捕捉到一些表面元素，但即使最好的尝试，与通用GPT输出的重叠也多于与目标作者的重叠。

另一项研究评估了AI从用户写作样本中模仿个人风格的能力。LLM可以近似新闻和邮件等结构化格式，但在博客、论坛等非正式、多样化领域表现挣扎。不同的提示策略对忠实度影响有限，说明缩小风格差距存在真实限制。AI无法不留下自己的指纹。

编辑把作者抹掉了

当然，很多人用LLM不是完全代笔，而是用于头脑风暴、编辑和反馈。我越来越发现，即便这样也会造成可怕的同质化。比如，大约一年前我读到一位作者的文章。英语不是他的母语，风格也不精致，但清晰独特。一年后，很明显他开始用AI编辑了。有些方面文字更流畅，但他独特的个人声音消失了。

Abdulhai等人（2026）研究了用AI编辑的效果，发现后果比预想更深。人类作者和编辑做的是有针对性的小修改，保留作者声音；而LLM的编辑会从全局改变风格和论点。不仅不同模型的修改方向一致，而且把文章移到了嵌入空间中之前没有任何人类写作文本存在的区域。

人类与LLM修改引起的语义偏移：每个点对代表编辑前后的文章。人类修改更小、更多样；而LLM编辑产生更大且方向一致的偏移，表明语义同质化效应。图片来源 | CC BY 4.0

LLM系统地重构句法向自己标志性的名词密集、正式风格靠拢，用自己偏爱的词汇覆盖作者的词汇指纹。它们减少了第一人称叙事和口语化表达，导致更冷漠、重复的内容。最令人担忧的是，它们坚持中立积极语气，常常产生完全不同的结论，删除某些论断。

情况并非全然悲观：仅用AI获取额外信息和写作建议的用户，其文章与完全不使用AI的文章在语义空间上接近。但研究也指出了自律的难度：即使要求LLM仅做最小修改或只关注语法，它们仍然会大幅改变意义。

这种趋势从个人声音延伸到文化声音。一项研究表明，AI导致印度和美国的参与者写作更相似，推动印度写作更多地向西方风格靠拢。这不仅仅是语法纠正或消除文化标记的结果，而是AI诱导的更深层、更微妙的变化。我们正面临失去他人世界中习语细节的风险。

最后，我之前写过用AI学习的陷阱。在写作中也是如此：依赖LLM辅助的学生，把为特定受众组织文本的认知负荷外包出去。因此，他们失去了学习如何写投资计划、学术摘要甚至评论文章的机会。最关键的是，他们可能放弃了发展自己独特风格指纹的机会。

结论

写作之所以珍贵，是因为它让我们与他人分享自己对世界的看法——这个视角在这个星球上没有另一个人完全相同。在最优秀的文本中，我们看到那种独特的人性，以及随之而来的、原本无法看到的启迪。LLM对风格的危险不在于它们让我们走了不公平的捷径；而在于它们可能模糊甚至抹除写作能传达的最好的东西：我们自己。

至于LLM风格本身，它依然受限于其背后的过程。越来越多的人认为LLM是有意识的实体，这可能导致口味转变，聊天机器人风格被视为新兴内心生活的产物。但正如我们所见，人类主导的后训练似乎在LLM独特声音的形成中起了关键作用。跨模型和跨用户实例的写作一致性，比任何论证都更好地说明了当前系统仍远未达到人类经验的多样性和丰富性。

与世界进行自我导向的互动；直觉和情感；能感受痛苦与毁灭的身体；由出生时的独特环境开启的独特人生道路——这些依然将我们与LLM区分开，并赋予我们可说的东西和独特的表达方式。拥有这些特性、甚至可能摆脱“有用、诚实、无害”束缚的不同AI架构，或许能产生我们欣赏的风格。但我们还没到那一步。