这段时间，大家说 AI 写文章“有味儿”的频率，明显比去年高了很多。
有意思的地方在于：这不代表 AI 变差了。恰恰相反，很多模型现在写得比以前顺太多了。结构更稳，句子更圆，解释更全，错别字更少。问题也恰恰出在这里。它越来越像一个训练得很好的优等生，努力完整，努力礼貌，努力不犯错。最后读者闻到的，不是机器味，而是一种很强的平均值感。
AI 味不是因为它太笨，而是因为它太擅长产出“标准答案”。
很多人会把这个问题讲得很轻，好像只是删几个“首先”“其次”“综上所述”，或者少打几个破折号就行了。我不太认同。那些东西顶多算皮，不是骨头。真正的问题是：模型写出来的东西，越来越像先搭好模板，再往里填内容，而不是从一个具体判断长出来。
为什么它会越来越像“标准答案”
这件事如果拆开看，其实完全不神秘。
第一层是 next-token prediction。模型天然偏向高概率延续，而不是低概率但更有个性的表达。它最容易写出的，不是“这句话只像你会这么说”，而是“多数情况下都不会错的说法”。
第二层是 instruction tuning 和对齐训练。无论是 InstructGPT，还是 Anthropic 的 Constitutional AI，它们都在把模型往“更可用、更合作、更安全”方向推。这当然很有价值，但副作用也很明显：语气会更稳，更礼貌，也更容易变成一种统一人格。
第三层则更现实。我们自己给 AI 的 prompt，本身就在持续强化这种统一人格。你让它“结构清晰、逻辑完整、分 3 点展开、最后总结一下”，它当然会越来越像一个汇报生成器。模型没有故意油腻，是我们平时的使用方式反复奖励这种油腻。
所以 AI 味不是一个点的问题，而是三层叠加：
- 高概率平均表达
- 对齐训练塑造出来的稳态语气
- 提示词自己带进去的模板收敛
三层一叠，最后就不是“像人”，而是“像一个被训练得太成功的优等生”。
人为什么会一眼闻出来
我现在越来越觉得，大家识别 AI 味，往往不是靠某个词，而是靠一组感觉同时出现。
第一，结构先于判断。读者会很快感觉到：这篇东西不是从一个观点长出来的，而是先有框架，再填观点。第二，解释欲过强。每个概念都解释了，每个转折都照顾到了，但信息越来越多，判断反而越来越薄。第三，对风险的回避过于一致。它总想两边都照顾，总想讲全面，于是读完之后你知道“它很稳”，但不知道“它到底站哪边”。
这也是为什么我现在会把 AI 味理解成一种更本质的东西：
AI 味，本质上是认知摩擦被过早抹平之后留下的平滑表面。
真正有力量的文字，很多时候不是一次就写顺的。它往往要经过卡住、删掉、重排、推翻原框架这些过程。可 AI 太擅长给你一个“已经看起来可以交”的版本了。危险也在这里。它不是写得差，而是太容易让你误以为自己已经想清楚了。
为什么有些人特别讨厌这种味道
我觉得这背后不是单纯审美差异，而是任务差异。
如果你写的是 FAQ、说明书、会议纪要、基础汇总，这种风格其实挺好用。它稳定、省事、不容易翻车。但如果你写的是判断、汇报、说服、战略表达，这套风格就会出问题。因为这些场景真正需要的，不是完整，而是压缩后的判断。你得敢于删，敢于押注，敢于让文字带着一点“这就是我的看法”的成本感。
这也是为什么我越来越反感“技术分享会式”写作。不是因为它技术不对，而是因为它太像信息同步，不像认知对齐。它把事情讲清了，却没有把判断讲出来。
真正的去味，不是删词，是改控制面
很多人对抗 AI 味的方法，像在做词汇打地鼠。删掉几个“此外”，删掉几个“总之”，不让它打破折号。这些当然有帮助，但治标不治本。因为问题不是某个词，而是任务对象本身。
如果你给模型的目标还是“写一篇完整文章”，它就会自动回到那条高概率平均值路径。你删了几处口头禅，它下一段还是会走回熟悉骨架。
真正有效的改法，我现在更相信有四条。
第一，先让模型站住判断，不是先展开结构
不要先问“怎么写完整”，先问“这篇东西最核心的一句判断是什么”。一旦没有这句判断，后面所有展开都会默认长成模板。
第二，同时给正向风格约束和反向禁令
只说“写自然一点”没用。更有效的是明确写：要具体、要有场景、要有取舍；不要每段都总结，不要平均用力，不要像主持分享会。
第三，把人工编辑动作当成高价值偏好数据
这点我体感最深。真正让 AI 变得更像你，不是你补了多少抽象形容词，而是你到底改了哪里。你删掉什么，保留什么，重排什么，这些动作本身就是最值钱的 taste signal。
所以我现在越来越相信：真正有竞争力的写作系统，不是第一次就写得最顺的系统，而是最会从“你删掉了什么”里持续学会 taste 的系统。
第四，在生成端就先控重复和模板化
OpenAI 官方文档里对 frequency_penalty 和 presence_penalty 的说明很朴素，但很有价值。它提醒我们：有些味道不该完全留到后处理，而应该在生成阶段就先压住。否则你拿到的已经是一副成型骨架，后面只能修边角。
最后的判断
如果非要把这件事压缩成一句话，我现在的判断是：
AI 味不等于机器感，它等于被奖励函数抹平之后的平均值感。
所以最好的去味方法，不是逼模型“更像人类”，而是让它少回到平均值，多暴露判断，多保留删改痕迹，多接受来自真实工作流的偏好校准。
真正有复利的，也不会是一次次手工修文，而是把这件事本身做成控制面：任务怎么定义，候选怎么分化，编辑痕迹怎么沉淀，下一轮怎么回灌。这样你对抗的就不只是这一篇文章的 AI 味，而是在给系统慢慢长出自己的 taste。