我找到了AI写作问题的根源（附解法）
“执行成本发生了塌方”“两段曲线的叠加”“五栏口径表”“先蹲两周做侦察”“活下来的继续加码，死掉的当场埋掉”“项目常死于第二层与第三层的接缝处”
大家大概能猜到这些句子的意思。也都知道这些句子哪来的。
没错，就是AI生成的文字，也就是大家口中的AI味。AI他需要先猜“塌方”“侦察”“活下来”和“死掉”在这篇文章里分别指什么，再去理解作者原本要说的事。
凡是需要读者先理解作者创造的说法，再理解事实本身的表达，都应该删除。
删掉这些说法，不会损失信息。原句只是给普通的事实换了一个名字。名字删掉以后，字段含义和实际流程没有对上。这些内容不需要读者再翻译一次。
Reflecting 进入中文以后
另一类 AI 味来自英文句法。
英文分析写作里常见这样的句子：
Multiple companies expanded their deployment teams, reflecting the need for further data and process integration.
直接写成中文，很容易变成：
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。
英文里的 reflecting 是现在分词，用来补充作者对前一句事实的解释。中文逗号后省略主语时，读者通常会沿用前面的主语。按照这个句子的结构，后半句接近“多家公司反映出……”。
AI想用“多家公司增加交付人员”这一现象做主语。把 reflecting 换成“反映出”，没有重新组织中文句子，主语已经错位了。
补上“这一现象”，语法会完整一点：
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。
不过啊，语法完整了，证据还没有补上。
企业增加交付人员可能有很多原因。客户数量增加，项目进入交付期，预算增加，售前和交付职责调整，都可能带来同一个结果。原材料如果只提供了“增加交付人员”这一项事实，就不能直接选中“企业仍需处理数据和流程问题”作为原因。
“反映出”把作者的解释接在事实后面，读起来像前面的事实已经证明了后面的判断。
我把这种问题叫作“英译式话语连接造成的语义关系错配”。
英文句子用分词补充解释，中文句子用逗号和连接词连接。主语、证据和判断层级没有重新安排。逗号和连接词把两句话接在了一起，但是关系还是没有写清楚。
事实、解释和结论混在了一起
“多家公司增加交付人员”是可以观察的事实。
“增加人员是因为模型进入企业后还要处理数据和流程”是对原因的解释。
“交付岗位需要与销售岗位分开”又是从前两项内容继续推出的结论。
一项事实，一种解释，一个结论，被“反映出”压在一句话里。读者看到的是一条顺畅的句子，看不到作者省略了哪一步。
“体现出”“表明了”“揭示了”“说明了”“这意味着”“由此可见”也会遇到同一个问题。后文如果只是另一个事实，连接词可以直接删除。原始材料没有建立因果或相关关系时，解释也要一起删掉。
两项事实并列出现，可以分成两句：
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。
原材料确认了原因，可以直接写“原因是”。两件事只是在同一时期出现，就写“与……同时出现”。材料只能支持一种可能，就写“可能与……有关”。
关系写得具体以后，作者承担了什么判断，原材料支持到哪里，读者都能看见。
英文表达习惯为什么会进入中文
部分主流模型公开的训练材料仍以英文为主。模型也会接触非英文材料，但各种语言在训练材料中的数量和作用并不相同。
Meta 公布的 Llama 3 资料里，非英文预训练材料占比超过 5%，覆盖 30 多种语言。这说明模型并非只接触英文，同时也能看到，英文材料仍然占据主要位置。Meta 当时还明确提到，这些语言的表现预计不会与英文完全一样。
预训练还只是一部分。模型后面还会经过指令调优，学习怎样回答问题、怎样组织分析，以及怎样把一个判断接到前面的事实上。研究人员只用英文进行指令调优时，这些能力也可以迁移到其他语言。知识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观察到了从英文到中文的负迁移。英文翻译成中文的机器文本中，连接词的使用和原生中文也存在差异。有些机器文本会使用更多的转折和因果连接，让文章读起来比原材料更像一篇已经完成的分析。
这就是 reflecting 这类结构需要注意的背景。英文分析写作可以用分词在句子后面补一层解释。模型写成中文时，可能换成“反映出”“表明了”或“这意味着”。词已经换成中文，句子的组织方式还留在英文里。
这些研究提供的是背景，不能证明每一个“反映出”都来自英文训练。判断一个句子有没有问题，仍然要看它的主语是什么，后面写的是事实还是解释，以及原材料有没有建立这层关系。
和 AI 协作写文章，可以怎么做
很多人会让 AI “去掉 AI 味”。这个要求太宽了。模型可能删掉一批常见词，再换上另一批词。句子与原材料之间的关系没有变，读者要做的理解工作也没有减少。
生成之前，可以先让 AI 把原材料分成三类：已经确认的事实，可以由事实支持的解释，以及材料没有回答的问题。分类以后，人可以先看到，模型后面哪些话可以直接写，哪些话必须标明是判断。
初稿完成后，先不要只找 AI 常用词。先找需要读者多理解一层的说法。“执行成本发生了塌方”说的就是成本大幅下降，“先蹲两周做侦察”说的就是先进行两周现场调查。自造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。可以把连接词暂时删掉，分别读前后两句话。前面是否是一项可以确认的事实？后面是另一项事实，还是对原因的解释？原材料是否真的支持这层解释？
这一步也可以交给 AI 先做。但不要只让它“润色”或“改得更像人写的”。让它把原句、问题和建议表达并排写出来。这样人可以看到 AI 删了什么，也可以核对它是否又补了一层新的判断。
可以直接使用下面这几行提示词：
这几行提示词是把 AI 在原材料之外加上的说法和关系列出来。人决定哪些判断有证据，哪些只是句子看起来完整。和 AI 协作写作，人还是要对文章中的判断负责。
我是Roland，在澳大利亚从事医学与经济学研究的PhD，我的开源科研Skill：rw-research-skill，致力于在AI应用领域不断挖掘更多可能性！