公司报告教会了聊天机器人这种文风
ChatGPT现在用破折号的频率已经比人类还低了。《经济学人》对比120万词后总结出AI文本的四大特征，并梳理了这种文风的源头。
AI与科技ChatGPT现在用破折号的频率已经比人类还低了
如今只要出现一个长破折号，就会引来“这肯定是AI写的”之类的评论。在英语圈被称为em dash的那个符号，不知不觉间已经被视作机器的指纹。然而，《经济学人》将人类撰写的文章与AI文章各取120万词进行对比统计后发现，如今ChatGPT使用破折号的频率其实已经低于人类作者了。这意味着，仅凭破折号来辨别AI文本的方法早已过时。
那么，如今辨别AI文本的真正线索究竟是什么？这种文风又是从何而来的？现在的AI文风，其实正源自人类写下的文字——尤其是像公司报告和学术论文那样，为了接受审阅而字斟句酌、注重格式的文字。
对比120万词发现的AI写作四大特征
先来看看实验设计。《经济学人》仅提供自身报道的摘要，让ChatGPT、Claude、Gemini和Grok这四个模型在不进行网络搜索的前提下，就同一主题重写报道。这样收集的人类文本与机器文本，比较规模达到了5万5940个句子、120万个单词。折算成单行本大约有15本书的体量。为了排除自身文风偏特殊所带来的偏差，他们还将《纽约时报》、《华盛顿邮报》、CNN在2018~2022年的报道均值，以及1950~2022年畅销小说的摘录设立为对照组，以此过滤干扰。
第一个发现是流行语的新老交替。曾经作为AI写作象征的“delve”（深入探究）和“tapestry”（纷繁画卷），在最新模型中已几乎绝迹。取而代之的是significant、increasingly、consequences等多音节词。这意味着，靠某几个特定词汇来揪出AI的手段，保质期只有区区几个月。
第二个发现则是破折号的反转。以最新更新为基准，比人类使用破折号更多的模型只有Claude一个。而ChatGPT在参与该研究的所有写作者中——甚至包括人类——用得最少。
那么在当下这个节点，AI的写作呈现出哪些特征呢？可以归纳为四点。
词汇沉重。 四个模型使用超过8个字母的长词频率都高于人类。诸如interdependence这样的罕见词，以及parameter或methodology等科学词汇也是如此。把动词转为名词的名词化1现象也十分显著。本可以说expand，偏要写成expansion。
标点符号减少。 逗号和分号用得比人类少，括号几乎不用。因为不引用专家观点，双引号也很罕见。
句子偏长且节奏单调。 最常被滥用的词是连词“and”。句长的波动幅度比人类写作更窄，极少有那种利落切断的长短句交替时刻。
依赖修辞公式。 “不是X而是Y”的句式在Claude中明显更多；而将三样事物并列说明的“三分法则”（rule of three），在ChatGPT中的使用率则显著高于人类。
这四大特征有一个共同点：直接引用与补充说明偏少。没有引用，自然没有引号；没有穿插的补充说明，自然没有括号；没有改变呼吸节奏的缘由，句子长度也就整齐划一。这可以说是独自陈述、不引述他人话语的文本所呈现出的统计学特征。
这里还有一张关键图表。如果把《经济学人》报道中典型AI语言的使用率基准设为1，2024年的ChatGPT曾达到6倍水平，而最新模型已降至2~3倍左右。这意味着随着每次迭代更新，它们都在向人类写作收敛。此刻列出的这份特征清单，过几个月可能就会过时。
侦测工具在追赶不断变化的文风时将人类文本误判为AI文本的问题，我们在上一期已经探讨过。这一次，我们来探究这种文风究竟从何而来。
与奥威尔在1946年总结的糟糕写作特征如出一辙
《经济学人》将这一词汇清单称为乔治·奥威尔所说的“虚夸辞藻（pretentious diction）”。
奥威尔在1946年的随笔《政治与英语》中解剖了当时的糟糕文字。他列举的病症如下：用复杂词汇和行话装点简单陈述的习惯；本可用一个动词搞定却硬要拉长成名词短语的毛病；披着科学客观外衣的词汇；以及迷信源自拉丁语或希腊语的词汇比本土撒克逊词汇更高级。
不妨将这份清单与前面总结的AI写作特征做个对比。冗长的拉丁系词汇对应奥威尔所说的“装点”，名词化对应他称之为“假肢”的名词短语习惯，科学词汇则对应“客观的外衣”，一一契合。事实上，在此次分析中，四个模型使用带拉丁系词缀的词汇频率也普遍高于人类。一份80年前总结出的糟糕写作特征清单，竟然与2026年AI文风的特征清单几乎完全重合。
奥威尔的诊断中，还有一处尤其值得玩味。他认为这种文风并不单纯是懒惰的产物。在必须表达难言之隐时，云山雾罩的词汇和被动语态便成了挡箭牌。名词化就是典型代表。把“我做出了这个决定”换成“该方案的推进已获决定”，句中的行动主体便瞬间消失了。公文体之所以在政府机关和企业中格外具有生命力，原因就在于此。这不仅是因为它看起来体面，更因为它在模糊责任方面极其管用。在机关与企业的公文中历久不衰的这种文风，如今被机器原原本场地继承了下来。
奥威尔不仅做出了诊断，还开出了药方。其六项原则中，仅挑出三条便足以说明问题：“能用短词就绝不用长词；凡是可以删掉的词，一定要删掉；能用主动语态就绝不用被动语态。”前面总结的AI写作四大特征，恰好就是将这三条原则全盘颠倒过来的模样。
奥威尔批判的对象并非机器，而是官僚、政客与学者的文字。这份特征清单在先，而依照这种套路写作的机器在80年后才登场。那么，机器究竟是向谁习得这种文风的呢？
原因在于正式书面语训练数据与人类反馈
候选原因有两个。
第一个是训练数据。模型赖以成长并阅读的文本，是互联网上积累的文字，而在其中占据很大比重的并非日常对话，而是经过编辑的正式书面语。诸如论文、报道、报告、百科全书等皆属此类。无论是破折号还是拉丁源词汇，许多被冠以“AI习惯”的特征，其实都是正式书面语的统计学惯性。
然而，仅凭训练数据并不能解释全部现象。佛罗里达州立大学的汤姆·尤泽克（Tom Juzek）和吉娜·沃德（Gina Ward）在科学论文摘要中筛选出了21个激增的词汇，例如delve、intricate、underscore等，并追查究竟为何偏偏是这些词被过度使用。他们在模型结构、算法以及训练数据中都未能找到明确的原因。因此，剩下的有力候选便是第二个：人类反馈。
在被称为RLHF2的这一过程中，人类评估员会比对模型给出的多个回答并挑出更佳的一方，模型随之学习这种偏好。问题在于，人类挑选的究竟是什么。在短短几秒内浮光掠影般的评估中胜出的文章，与其说是准确的文章，不如说是看起来显得高级的文章。《经济学人》引述的尤泽克的解释也指向同一方向：模型会拾起人们认为令人印象深刻的东西，并放下人们讨厌的东西。
破折号便是展现模型以何等速度抛弃人们反感表达的一个案例。当破折号沦为嘲讽AI的笑柄后，在接下来的更新中，ChatGPT的破折号用量骤降。《经济学人》记者观察到的一个场景十分有趣：旧模型在面对有关滥用破折号的提问时，还会夹杂着破折号油腔滑调地回应；而现在的模型则会矜持地回答称，这是应当节省使用的符号。文风正以数月为周期紧跟舆论而动。
这里需要澄清一个误解。更接近人类的文字，并不意味着就成了好文章。《经济学人》也附加了同样的附带说明：尽管数值层面的距离被拉近，但AI散文依然缺乏清晰与优雅，并且不断重复刻板的公式套路。因为词频或句长之类的统计数据捕捉到的只是文风习惯，而非文章质量。因此，随着借助这类统计数据越来越难以甄别，判断标准最终依然会回归到文章的完成度上。尤泽克研究团队指出的障碍也依然存在：由于模型的构建方式未对外公开，要彻底深挖此类因果关系的研究本身就极为困难。
梳理下来便是如此。人们将正式书面语作为训练数据输入，对看起来显得高级的回答给予奖励，并在下一次更新中抹除遭到嘲弄的表达。这三个阶段中，制定标准的无一例外都是人类。AI文风并非机器凭空捏造，而是从人类过往书写并通过审查的文字中提炼出的产物。看着每次更新都在显示AI文本正逐渐逼近人类文本的图表，侦测或许会变得愈发困难。相比之下，我更不由得思考起：我们早已习惯书写的文风，其实早已大量映射在了AI文本之中。
Oswarld视角
二十多年来，我一直在撰写、阅读和审批战略咨询文档。回想那个领域的通用语言，大体是这样的：不说“改动”，而说“制定改善方案”；不说“使用”，而说“提升利用度”。英语中由拉丁语系词汇承担的角色，在韩语公文中则由汉字词的名词化来扮演。撰写和审批公文的整个过程中，始终弥漫着一种认为简短的固有词动词显得不够格调的氛围。
而据我观察，AI写出的韩语也恰恰倒向了这个方向。“通过……”、“在……维度上”、“多样化的”、“总体而言”。人们所谓“翻译腔”的语调，相当一部分其实就是“报告体”。
我读到奥威尔的清单时之所以感到一震，正是因为这个原因。在解释AI文风之前，那份清单就已经一针见血地指出了我过去撰写的提案报告的特点。看似高深体面的文字更容易通过审批，这种惯例早就存在，AI只不过是对人类挑选出的这类文字进行了大规模学习而已。因此，我认为大可不必去搜寻所谓“去除AI味的方法”这类花招。奥威尔的原则并不是为了躲避检测而写，而是为了写出好文章的指引，而这正是当下所需要的：简短的词汇、鲜活的动词、能删则删。
结语
总结起来是这样的：
- 单凭一个破折号无法辨别 AI 文本。目前 AI 文本所呈现出的特征，是晦涩厚重的词汇、名词化、较少使用逗号·括号·引号的习惯，以及反复套用的修辞套路。
- 这些特征与奥威尔在 1946 年归纳的糟糕行文特征如出一辙。它并不是新出现的文体。
- 其根源在于占据较大比重的高规格书面语训练数据，以及对“看起来高大上”的文字予以奖励的人类反馈。
今天不妨尝试做一个小实验：在您目前正在撰写的文档中，把一个名词化表达改回动词。比如把“有必要确立改进方案”改成“我们将这样修改”。句子会变短，谁在做什么也会变得一目了然。
如果在您的公司里，有仅仅因为“显得高大上”就得以保留下来的独特表达，欢迎在评论区留言分享。案例攒够之后，下次我试着整理一份“韩语报告体词典”。
💬 那些能让审批顺利通关的独特表达，欢迎在评论区留言分享 📨 如果身边有正在写报告的同事，欢迎将这篇文章转发给他们
参考资料与延伸阅读
核心来源
- The Economist, “How to spot AI writing,” 2026. 链接 ··· 这是构成本期文章骨架的核心分析。直接阅读对比了 55,940 个句子的图表原文，各模型之间的差异会显得更加清晰直观。
- Tom S. Juzek and Zina B. Ward, “Why Does ChatGPT ‘Delve’ So Much? Exploring the Sources of Lexical Overrepresentation in Large Language Models,” Proceedings of COLING 2025, 2025. 链接 ··· 这项研究在架构、算法和数据中均未找到原因，最终将人类反馈锁定为最有力的候选诱因。实验设计部分堪称点睛之笔。
- George Orwell, “Politics and the English Language,” Horizon, 1946. 链接 ··· 包含那六项原则的原文。篇幅不长，建议直接阅读原文。
背景知识
- Tom S. Juzek et al., “Word Overuse and Alignment in Large Language Models,” arXiv:2508.01930, 2025. 链接 ··· 这是进一步确认人类反馈学习是词汇过度使用最有力诱因的后续研究。
推荐一同阅读的往期内容
- 《独立宣言》竟然是 AI 写的？ ··· 如果说今天讲的是选手（文风）的故事，那么往期聊的就是裁判（检测器）的故事。将两者结合阅读，能看清整个局面的全貌。
- 数学奥赛满分 AI，却没有任何监考官 ··· 这是围绕“如何验证 AI 的主张”这一同一问题的另一个延伸思考。
