为什么AI写作离不开破折号

AI写作最显著的特征之一，是对“——”的痴迷。科学家分析其可能源于模型训练数据中大量19世纪文学作品。AI的语言风格，或许来自维多利亚时代的笔触。

如果你想找出AI写作最“显眼”的特征，大概没有什么比那一长串破折号更典型的了。无论是在说明、转折，还是随意的感叹句中，它几乎无处不在。多到让热爱破折号的真人都开始克制使用，以免被误认为是机器写的。更奇怪的是，就算你明确告诉模型“别用破折号”，它仍然会固执地打上那一笔。为什么AI如此迷恋这种符号？

最常见的解释是：训练语料里本来就充满了破折号，所以模型只是模仿人类写作习惯。但这说不通。如果人类的写作中破折号真的这么普遍，我们早就不会觉得AI“用太多”了。

也有人说破折号灵活好用。模型在预测下一个词时，用破折号可以“留白”，既能延续话题，又能突然转折，像是思绪中一个深呼吸。但若真是如此，逗号或分号也能做到同样的事。模型未必是“求稳”，而更像是被某种风格训练出来的惯性所牵引。

另一种解释来自模型训练的后期阶段，也就是所谓RLHF(基于人类反馈的强化学习)。这一阶段往往由大量人类审阅员完成，他们评估模型回答的自然度与友好度。据悉，许多此类工作由肯尼亚、尼日利亚等非洲国家的英语母语者承担。有研究者猜测，AI的语言风格或许部分继承了“非洲英语”的表达方式，就像它偏爱使用“delve”(探究)这样的文学词。

但数据打脸了这一猜测。研究者统计尼日利亚英语文本中破折号的比例，发现仅为0.022%，远低于一般英语语料中约0.25%的水平。换言之，非洲英语其实更少用破折号。这也说明AI对“delve”的热爱，与它的破折号成瘾，可能不是同一机制导致的。

真正耐人寻味的，是AI模型进化的时间线。GPT-3.5几乎不怎么用破折号，到了GPT-4，这个符号的出现频率暴涨十倍，再到GPT-4.1，更是泛滥。其他公司的模型，如Anthropic、Google，甚至中文开源模型，都出现了同样的现象。

发生了什么？

一个重要变化在于训练数据来源。2022年前，AI主要以网络公开文本和盗版电子书为食。而当大型模型的潜力被证明后，研究机构意识到必须寻求更高质量的文本素材。于是，他们转向了实体书的扫描与数字化。Anthropic在2024年初就已开始这一进程，OpenAI很可能也同步展开。

而纸质书的风格，尤其是19世纪末到20世纪初的经典文学，恰好是破折号的黄金时代。根据语言学研究，破折号使用频率在1860年达到历史峰值，每千词中约有3.5个。相比当代英语，那个年代的作家更偏爱以破折号表现节奏与情感。

如果AI大量摄入这些年代的文本，就不难理解它为什么在写作中频频模仿那种古典韵味。换句话说，GPT的语言之血里流淌着19世纪的墨水。

博客作者Maria Sukhareva早就提出类似观点。她认为，AI写作中破折号泛滥，正是数字化文学训练的副产物，它学会了“老派英语”的节奏，却披着现代语义的外衣。想想《白鲸》里那1728个破折号，你或许会明白它的根源。

总结来看，关于AI“破折号癖”的解释大致分为三类：
第一种是结构论，认为破折号能节省字数、保持开放性；
第二种是行为论，认为人类评审更喜欢它带来的“对话感”；
第三种是数据论，认为它源自训练文本的风格偏差。

综合来看，最合理的解释仍是最后一种。AI读太多老书了。

当然，这仍只是推测。也许OpenAI比外界想象得更早开始数字化书籍，也可能AI如今在学习的文本中，已经掺入了其他AI写的句子，形成一种“风格回声”。

不过，有个问题依然让人困惑：既然AI吸收了那么多十九世纪的语料，为什么它的文风没有彻底变成《白鲸》那样的古典长句？或许，模型只继承了那时代的“标点习惯”，而不是语言的灵魂。

也有人提出更简单的解释。破折号让句子显得更口语化，读起来更自然，所以审阅员倾向于给这样的输出更高评分。甚至有传言称，Sam Altman曾暗示他们“特意加了些破折号，因为大家喜欢”。

听起来荒诞，但在语言与算法的缝隙间，也许这正是最人性的答案。

也许AI并不是“偏爱”破折号，而是它在学习人类表达情绪的方式。

本文译自 seangoedecke，由 BALI 编辑发布。