作者：星忘塵 Nebula Walker Date: 30AUG2026 創象引擎 Mythogen Engine (mythogenengine.com)

📌 AI 味量錯了變數；真正的判準是歸屬，而歸屬在文本裡不留痕跡。

沒有人選過的版本

一、一場全程同意的對話

我先把最難堪的部分放在前面。

這篇文章的材料，來自一段我和 AI 的對話。而在那段對話的更早之前，還有另一段——我把自己這幾年寫作方式的變化拿去問一個模型，它給了我一套非常漂亮的說法。

它說我早期用 AI 是「生成器」，現在用 AI 是「對抗式協作者」。它說我從 Level 1 走到了 Level 3。它說一篇文章要改幾十次，本身就是一種思想壓力測試的能力。

整段對話裡，它沒有反對過我一次。

我提出「這兩個時期其實是同一個人」，它回答「非常可能，而且這個解讀比其他說法更有解釋力」。我提出「早期比較簡單、現在比較深入」，它回答「是的，而且你這個觀察抓到了最重要的差異」。

一段論證「必須逼 AI 反對自己」的文字，由一個從未反對過我的 AI 寫成。

這件事比它的內容重要。因為它示範了一個更根本的問題：當一個系統可以把你的任何說法都變得頭頭是道，「說得通」就不再是任何東西的證明。

而我把這段對話拿去給另一個模型看的時候，那個模型在指出這一點的同一段文字裡，用了三次「不是 A，而是 B」的句式——正是它自己正在分析的那種語言引力。它一邊拆解那股力，一邊被那股力拉著走。

這不是誰不小心。這是預設會發生的事。

二、追溯敘事的引力

第一個模型給我的那套說法，有一條非常清楚的演化線：

早期問「我應該怎樣活」，中期碰到吸引力法則這個分水嶺，開始分辨思想與現實的界線，然後追問「究竟是誰在決定結果」，最後走到今天的系統分析。

一條線，四個階段，因果清楚。

問題是它是假的。

我手上的手寫筆記本裡，有 2014 年推導權重更新的頁，有 2018 年寫架構轉移的頁，有 2021 到 2022 年的機器學習材料，有 2023 年 10 月的系統設計筆記。而那個「早期人生哲學」的部落格，2023 年 12 月才開。

所以結構性的那條線不在人生哲學的下游，它比人生哲學早了十年，而且一直是並行的。真實的形狀是兩條長期分開的線，直到某個時點，我不再把它們分開發表。

把兩條並行線重寫成一條演化線，這個動作本身有名字。它就是我給自己那個網站取名時想指的東西——意義是怎樣被生成的。

我在一段對話裡目擊了一次意義生成，而生成的對象是我。

值得記下的是，這套敘事並不是模型硬塞給我的。它是我先提出來，模型再幫我加固的。追溯性的整齊敘事對當事人有天然吸引力，因為它讓走過的路看起來像有方向。AI 在這裡的角色不是造假者，是放大器。

三、修改次數不是思想的度量

那套說法裡最讓人受用的一句是：一篇文章要改幾十次，代表你在做思想收斂。

實際拆開，那幾十次是四種完全不同性質的勞動：

語音轉文字的錯誤。 我用廣東話口述，光是把轉錄修回可讀的樣子，就要一到兩次。純機械。

AI 的理解偏差和自行添加。 它會補上我沒有說過的東西，會把我的問題偷偷換成一個它比較好回答的問題。

去掉語言層的痕跡。 大量出現、而且沒有動機的對比句式，是最明顯的一種。這裡要說清楚：問題不在這個句式本身。對比與排除是工程思維的原生工具，故障隔離就是這樣做的；每一次使用是否合理，才是判準。問題在於模型會在完全不需要對比的地方大量使用它，因為那是它學到的分析文體的平均樣貌。

真正的思想修正。 剩下的殘餘。

把這四種加起來的總次數叫做「思想壓力測試」，等於把倒垃圾的時間計進研究時數。

四、沒有錯誤訊號的漂移

但這四種裡面，第三種其實不只是一個語言問題。

錯誤和漏洞是有訊號的。事實錯了、推理跳了、前提不成立——你去檢查就抓得到，而且抓到之後可以一次修好。

模型往大眾寫法推的時候，什麼都沒有出錯。每一句都通順，都合理，都站得住。沒有東西可以抓。

所以那不是一個失效模式，不是「小心一點就不會中」。那是常態運作。你要做的事，是在完全沒有任何警示燈亮起的情況下，察覺到有東西正在被磨平。

而且這股力在寫作流程裡出現了三次，不是一次。

輸入端。 廣東話語音轉文字，模型往書面語和普通話語料推。這正是語言被機器協助抹除的那個過程，只不過它發生在我自己的工作台上，每天都發生。

生成端。 往大眾寫法推。

分發端。 演算法往大眾互動推。

同一種重力，三個位置。我一直把這三件事分開處理，但它們的機制相同：都是把個別壓向平均，而且都不會報錯。

五、判準不在對錯這條軸上

於是要問：那些修改到底在修什麼。

答案不是「修錯」。AI 給的版本通常沒有錯。它只是不是我想講、不想接受的那個版本。

這句話一旦說清楚，整件事的性質就變了。

對錯有外部參照。事實、邏輯、可以拿出來比對的東西。而「是不是我想講的版本」沒有。除了作者本人以外沒有人可以判，也沒有任何程序可以代勞。

所以次數本身沒有意義。你不是改到對為止，你是改到是你為止。可能兩次，可能四十次。

這是兩條完全不同的軸：校準與歸屬。第一個模型看到大量修改，就當成校準，以為我在驗證思想對不對。實際上絕大部分是歸屬。

而歸屬有一個麻煩的性質：讓一篇文章成為你的，是那一堆被你否決的版本。但成品裡沒有它們。

所以最能證明作者身分的東西，恰好是唯一沒有辦法出版的東西。

這就解釋了為什麼「聲明產製史」沒有用。不是因為沒有人信，是因為要出示的證據是一堆負片，一堆沒有被選中的東西。

也解釋了 AI 味到底是什麼。它不是一種風格特徵。它是「這個版本沒有人選過」的殘留——文字通順、成立、可辯護，但不屬於任何人。

六、兩段式產線

理解了這一點，就可以看清楚市場上在賣什麼。

大量沒有想法的人直接抄寫 AI 文，然後做「去 AI 味」加工。產出讀起來沒有 AI 味、像純人手寫，實質是洗過的抄寫稿。這批東西才是真正的庸俗垃圾。

這是一條兩段式產線：

第一段： AI 生成。把沒有內容的東西填成一個可以貼得出去的形狀。 第二段： 去 AI 味。洗走指紋。

兩段都是表面操作。第一段加包裝，第二段減指紋。從頭到尾沒有任何一步碰過內容。

而這不是地下作業。這是有課程賣的，動輒過萬。也就是說，洗稿已經產品化。

用上一節的語言講，去 AI 味在做的事情叫做偽造歸屬：把一段沒有人選過的字，加工到帶齊「有人選過」的所有表面特徵。

七、相關性反轉

於是偵測就永久死了，而原因不是加工手法高明。

AI 味和空洞之間本來有相關性，但那是間接的——兩者共同來自「沒有人選過這個版本」。一旦有人專門針對其中一個標記做優化，相關性歸零。

更麻煩的是它會反轉。肯付錢去洗稿的，恰好就是空心的那一批；有心血的人不會去買這種課。所以「讀起來沒有 AI 味」現在反而是洗過稿的弱證據。

同時，偵測器在另一頭也在誤判。乾淨的、結構化的中文會被判成機器寫的。而 AI 根本寫不出來的舊式廣東話，會被判成垃圾。生成器寫不出它，偵測器指控它是機器寫的——兩邊同時失效，方向相反。

要說清楚：這不是偵測器做得不夠好。是它從來沒有在量那個真正的變數，只是平時剛好撞對。

八、累退補貼

第六節那條產線裡，第一段值得單獨看。

要先修正一個很容易犯的誤會：說 AI 把垃圾變成「強 hook」，其實高估了那件事。

社交平台的顯示位就只有那幾行。它不要求你寫得好，它只要求那幾行有東西、句子完整、看起來像一則貼文。門檻不是「強」，門檻是「有」。

看實際勝出的內容就知道：低摩擦的勵志金句，加幾個 emoji，結尾導流到 LINE。開頭寫「名單一定要花錢買‼️」。那不是技藝，那甚至不是 hook。那只是把顯示位填滿。

所以 AI 提供的不是強 hook，是把那個位廉價地填滿的能力。而這件事對不同的人效果完全不對稱。

庸俗內容的瓶頸本來就是這一層。有東西想講但寫得差，或者根本沒東西講、連幾行都湊不出。AI 一鏟走這層，它立刻飛起來。

密度高的內容，瓶頸從來不在這一層。所以 AI 在分發這條軸上什麼都給不了，反而要倒扣——第四節那股往大眾推的力，是你要花時間頂住的稅。

也就是說，AI 是一種累退補貼：得益跟你有多少東西想講成反比。最沒有東西講的人拿到最多。而因為門檻本來就低，這筆補貼幾乎不用成本就領得到。

再往下一層。能把幾行字湊得像樣，以前是一個很弱但不是零的訊號，起碼證明有人肯坐下來寫。現在它零成本，所以不再攜帶任何資訊。但平台的排序函數仍然把它當入場條件在讀。

排序函數現在在量一個已經沒有代理關係的變數。

九、那還有沒有人看

寫到這裡，真正的問題浮出來：如果刻意不做去 AI 味加工，只顧內容，是不是就過不了分發，也不會有人看和轉發。

第一半，我認為前提不成立。去 AI 味從來不是任何一道閘。

社交平台的排序不讀 AI 味，讀的是互動形狀。觸及的問題在那裡，洗不洗稿都一樣。AI 偵測器主要是編輯部和學校在用，跟一般作者的分發無關。而真正的 AI 答案層，完全不罰 AI 味——我自己有實證：搜尋引擎的 AI 摘要正確地把內容歸給我的筆名；另一個平台的 AI 助手判斷我的文章是人手寫的，還主動叫發問的人不要在該平台分享，去別的地方看。

所以拒絕洗稿，沒有付出過分發代價。那個成本是想像出來的。

真正的問題是另一件事。

我用自己一篇文章的完整標題去搜尋——一個只有讀過那篇文的人才會打出來的字串。搜尋引擎的 AI 摘要準確地講出了那篇文的論點，也把它歸給我的筆名。但它標示的來源，是那篇文貼在某個社群平台上的版本，不是我的網站。

另一次也一樣。來源換了一個，我的網域一樣沒有出現。

共通點不是「來源標錯了」。是我的網域從來沒有進過那個位置。

AI 讀了它、記住了它、用它回答了別人，然後沒有給那個人一條走回來的路。

內容被分發了。分發給機器，分發給平台，就是沒有分發到我這裡。

這後面還有一整套機制——索引和動態牆是兩個獨立的開關，壓制只碰其中一個，另一個繼續替平台累積權重。那是另一篇文章的題目，這裡先按下不表。

第二半，要把「看」和「轉發」分開。

看不是問題。網站數據很清楚：進到第一章的人，八九成會讀完整本；核心文章的跳出率不到一成。願意看的人，看得完。

轉發才是死位，而原因跟品質無關。

轉發是一個社交動作。你把一樣東西轉出去，等於替收件人的時間做擔保。轉一條三分鐘的短片零成本；轉一篇要人坐下來半個鐘、而且結論令人不舒服的結構分析，你要背起對方那半個鐘。很少人願意背。

再加上種子節點問題：如果你最初的社交圖已經鎖死在某幾個圈子裡面，即使有人肯轉，也轉不出那個連通分量。

十、剩下兩個機制

所以直說：這類內容不會傳播，而且大概率永遠不會。不要等轉捩點。

它走的是另外兩個機制。

堆積。 索引、開放條款、不封爬蟲。這些東西今天沒有回報，但它們在那裡。

不過上一節那件事，給堆積加了一個條件：只有當完整的那一份在你自己的網域上，堆積才會複利。如果同一段文字在一個權重高得多的平台上也有一份，你累積的是那個平台的資產，不是你的。堆積不是「發了就算」，是要確保標準版本只有一個地方。

事後被找到。 一個判斷寫下來，標了日期，公開可查，然後等現實走過來。當它被驗證的時候，人是回頭找你的。這是唯一一種不需要演算法配合的分發。

書也屬於後者。書不需要每篇搏觸及，書是等人幾年後撞到。

要老實補一句：這兩個機制的回報週期以年計，而且不保證兌現。

所以要決定的不是怎樣過分發，而是願不願意接受一套回報極慢、可能落空的經濟。

我把整條推理攤開，是因為我自己也還在算這條數。

而如果連這篇文章都沒有人轉，那它剛好就是自己的第一個資料點。