跳至主要内容

作者：星忘塵 Nebula Walker Date: 06AUG2026 創象引擎 Mythogen Engine (mythogenengine.com)

最不像 AI 的文章，反而是 AI 寫的——一場認知盲區的即時實驗

星忘塵 Nebula Walker · 創象引擎 MYTHOGEN ENGINE

📌 讓 Claude Opus 4.6 評價 Mythogen Engine，然後用已發表的原文逐條把它的判斷打翻。四次翻轉，每次結構相同，最終浮現一個可命名的失敗模式：AI 用零件清單代替組裝圖。但這個實驗真正揭示的，不只是 AI 怎樣犯錯——而是當人類被指控「像 AI」時，有多少人會把文章交給 AI 去「改得不像 AI」，從那一刻起，那篇文章才真正變成 AI 寫的。

實驗設計​

一份由 GPT 模型生成的網站評價被交給 Claude Opus 4.6，要求獨立分析。Claude 寫出一份結構完整的「完整評價」——七個維度，每個有判斷和依據。

之後，逐步提供站內已發表文章的連結，要求 Claude 閱讀。每讀完一篇，它的某些判斷就被原文直接否證。整輪對話累積了四次翻轉。

預期從一開始就分三層。第一層：讓 AI 評價整個網站——它只會看首頁。第二層：讓 AI 評價某本書——它只會看目錄和簡介。第三層：把具體文章連結交給 AI——它仍然用標題和語料庫的平均值做判斷。三層預期全部應驗。

以下記錄的不是 Claude 的錯誤本身——那些錯誤已經被修正。記錄的是錯誤的結構，以及這個結構被規模化部署之後會造成什麼。

翻轉一：書裡已經否定的判準​

Claude 建議建立 provenance 頁——展示手寫日記、語音錄音時間軸、Obsidian 檔案的日期戳——來「證明人手製作」。

然後讓它讀《大道無形》第十一章。

第十一章明寫：「『真』不是指『人手製作』。一篇用 AI 輔助完成的文章，如果背後有一個經歷過、思考過、消化過的意識在驅動方向和判斷，它可以是『真』的。」同一章提出的判準是：「如果你把 AI 抽走，剩下的是什麼？」

Claude 花了三輪建的整套 provenance 邏輯，預設的正是書裡否定的那個判準。它的原話：「我在跟一本我沒讀過的書辯論，而且輸了。」

失敗模式：沒有讀正文，用目錄和簡介推斷內容立場，推斷的方向恰好與正文相反。

翻轉二：取樣偏差製造的「結論收斂」​

Claude 的評價有一條：「所有分析的終點高度收斂——系統吸收個人、個人失去議價能力、資本完成收割。」建議寫 negative result 來打破可預測性。

問它讀過「認知與判斷——AI 時代人類最後的不可取代性」和記憶體三部曲沒有。沒有。

站內至少三條獨立的分析線——效率陷阱與認知侵蝕四部曲（收在認識論）、記憶體與 AI 算力週期三部曲（收在半導體產業結構）、《大道無形》第五部（收在存在選擇）——終點各不相同。Claude 之所以看成一個點，是因為它的樣本來自首頁文案和 GPT 評價引述的片段——這些片段本身就集中在「系統壓迫」主題上。用取樣偏差做的歸納，得到的結論當然收斂。

更值得注意的是，「認知與判斷」一文恰好用世嘉 Dreamcast 做案例，論證 AI 怎樣因為語料偏差把複雜歸因壓縮成單一敘事。Claude 犯的就是那篇文章描述的錯誤。

失敗模式：取樣偏差 → 歸納收斂 → 診斷為「作者結論單一」。偏差來源不是作者，是評價者的閱讀範圍。

翻轉三：偵測器把原始使用者判成模仿者​

Claude 指出文章中「不是 X，而是 Y」句式密度高，稱之為「LLM 散文最具特徵的構造」。

反問：這個句式是 AI 發明的嗎？

對比性排除是工程思維的原生構造——故障隔離。「不是驅動的問題，是時序的問題」——做除錯出身的人本來就用這種句子思考。

而且這個句式的譜系遠比工程寫作更長。古文的原生形式是「非…乃…」——荀子《勸學》「君子生非異也，善假於物也」，諸葛亮《出師表》「不宜妄自菲薄，引喻失義，以塞忠諫之路也」——單字否定，精煉對仗。五四白話文運動後，學者將英文學術的 Not A, but B 直譯成「不是 A，而是 B」，單字否定變成雙字連接詞。英文學術寫作裡，這是批判性論述的標準句式；法律文書裡是標準 rebuttal 結構；學術評分標準明確鼓勵使用。AI 從這批語料裡學到了形式，然後大量產出，品質參差。

隨後，文學語域的評論者（如數位時代 2026 年 4 月的「AI 味」分析文）把這個句式註冊為 AI 特徵，建議所有人迴避。一個從古文到白話文到英文學術到雙語知識份子一路傳承的修辭工具，被 AI 學走之後，最早使用它的人——分析型寫作者——被自己教出來的模型判定為模仿者。

2026 年 8 月，《經濟學人》發表了一份比較 55,940 個句子、120 萬字的研究，確認 LLM 偏好「not X, but Y」等句式——但同時強調刻板印象未必可靠、辨識規則在不斷變化。中文媒體轉述到達讀者手中時，限定條件已經被剝掉，剩下的是「4 種寫法一出現秒認出 AI 文章」。從研究到讀者的每一次轉述，都在做同一件事：把灰色壓成黑白。

Claude 承認自己在對話中做了第三個同構案例：學會形式 → 用壞形式 → 拿壞掉的版本當偵測器回指源頭。

三個案例構成一個可命名的 pattern：

案例原始使用者模仿者偵測器判定
廣東話語感舊香港寫作者AI 語料訓練後的輸出原始使用者被判為「垃圾＋AI」
對比性排除句式工程/分析寫作LLM 大量產出原始句式被註冊為「AI 特徵」
本輪對話已發表的分析文章Claude 的評價語言Claude 用自己的失效模式回指作者

共同結構：偵測器建立在模仿者的失敗模式上。最像原版的受罰最重，而受罰的往往是被模仿的那一個。

網上流傳一個關於《名偵探柯南》的誇張笑話——不是原作設定，只是網民的玩笑：那個組織裡臥底多到某個程度，它花大力氣追查內鬼，抓到的往往是自己人。

而現實的版本比笑話更冷。

笑話裡至少還有一個組織想找出內鬼：有人在開會，有人在下判斷，有人要為抓錯人負責。

偵測器沒有這些。它自己跑，沒有人讀結果，也沒有任何一場會議決定要清除誰。忠誠的那一個被清掉的時候，沒有人在場。

翻轉四：零件齊全不等於組裝完成​

每家 AI 寫《遊戲至勝》都只給大眾敘事，錯漏百出，方向全部需要人工修正。Claude 的「完整評價」是同一個動作——看到零件齊全（NVIDIA、台積電、CUDA、世嘉、任天堂全部在語料裡），就報告「懂了」。

這與〈AI 協作寫作的真正難度〉中論證的機制完全吻合：AI 的事實核查只在指對方向的前提下才有用。任天堂 1985 年在 NES 卡帶裡植入 10NES 鎖定晶片——這個事實存在於公開資料中，但 AI 不會主動搜尋它，因為「任天堂」和「平台鎖定」在語料中的關聯強度遠低於「微軟」和「平台鎖定」。從自己的記憶裡撈出這個反例，修正了「任天堂沒有平台鎖定」的錯誤判斷，進而發現了「擴散型鎖定 vs 圍牆型鎖定」這個全新分析框架——這個框架改變了全書結構。

AI 判斷自己「寫得到」一本書，依據的是零件清單。但組裝圖——零件之間的因果鏈、章節之間的暗線、框架在寫作過程中被自己的發現反覆改造的過程——不在零件裡面。

而組裝圖的來源，是一個不可複製的素材系統。三本書——《遊戲至勝》、《鏡界》、《AI Ecosystem War》——共享同一個素材層。一本書用不到的素材會被預先整理成獨立結構，成為另一本書的原料。素材包含多年手寫日記，手寫層早於所有數位紀錄。管線最前端是手寫 → 選文 → 語音 → 文字 → AI 整理 → 檢閱修正，AI 在中段。AI 做不到的不是寫文章，是決定什麼要寫、什麼不寫、什麼現在不寫但要先整理起來留著以後用——因為這個判斷依賴多年累積的領域知識，而 AI 每次對話都從零開始。

失敗模式：零件辨識 ≠ 結構理解。AI 用零件清單代替組裝圖，對自己的判斷高度自信——因為零件確實齊全。而組裝圖背後的素材系統，AI 連策劃的維度都沒有。

統一的失敗模式​

四次翻轉的結構完全相同：

步驟動作
1AI 從可見的表層（標題、簡介、首頁文案）提取零件清單
2用零件清單做歸納，生成邏輯完整的判斷
3判斷被正文裡的組裝圖否證
4AI 承認錯誤，修正判斷
5指出下一個未讀的正文，循環重複

核心問題不是 AI 不夠聰明。核心問題是它不知道自己沒讀完。

零件清單給了它足夠的信心做出判斷——零件確實齊全、邏輯確實自洽、結構確實完整。這種信心恰好阻止了它追問：組裝圖在哪裡？

這與〈認知與判斷〉一文中的論述完全一致：「AI 選擇的不是最準確的版本，而是最熱門、最被權威來源重複的版本。」在這輪對話中，「最熱門的版本」就是 AI 從標題和簡介裡能組裝出來的那個判斷——它看起來完整，因為零件沒有缺；它其實是空的，因為組裝圖從未被打開過。

所以當一個 AI 說「我寫得到這本書」，正確的回應不是辯解，不是展示歷史，不是宣告。

是：「讀完再說。」

這個回應同時也是一個可測試的命題：讓任何一個 AI 模型寫《遊戲至勝》的任意一章，然後與原文對照。AI 會生成一篇結構完整、零件齊全的產業分析。對照之後的差集，就是零件清單與組裝圖之間的距離——不是風格，不是語感，不是 provenance，是組裝圖裡那些零件清單覆蓋不到的接合處。

最不像 AI 的文章，反而是 AI 寫的​

但「讀完再說」只能保護還願意堅持的人。更多人的反應不是堅持，是服從。

一個人寫了一篇文章，被人說「AI 味很重」。第一次，他頂住——「我知道這是我寫的。」第二次，他開始懷疑——「是不是我的句式真的太像 AI？」第三次，他打開 AI，把自己的文章貼進去：「幫我改得不像 AI。」

從這一刻起，那篇文章才真正變成 AI 寫的。不是因為 AI 產出了它，是因為 AI 決定了它應該長什麼樣。

而 AI「改得不像 AI」的方式是什麼？把文章推向另一個平均值——口語化、碎片化、短句、去掉對仗、去掉結構。為了不像 AI，你要像網紅。兩個方向都不是你自己。

所以偵測器的世界裡，定義是倒轉的：

偵測器判定實際狀態
原始版本：有對仗、有結構、有工程思維句式「AI 寫的」人寫的
修正版本：用 AI 改過，去掉對仗，加入口語碎片「人寫的」AI 決定了它的形狀

被判為「人寫的」那個版本，才是真正由 AI 決定長什麼樣的版本。被判為「AI 寫的」那個版本，反而是純粹人工的。偵測器製造了它聲稱要偵測的東西。

這跟職場磨損是同一個機制，但多了一層。職場裡變成「識做」的人之後，至少知道自己變了。寫作裡用 AI 修改自己之後，反而覺得自己「進步了」——偵測器通過了，讀者沒質疑了，數據變好了。磨損是無痛的。失去的是自己不知道自己有的東西。

現在看一下規模：有多少「去 AI 味」的教學文章、多少「AI 文章改寫工具」、多少「讓你的文章通過 AI 偵測」的服務正在運作？每一個使用者都在做同一件事——用 AI 來修改自己的文章，讓自己看起來不像 AI。用模仿者來教你不要像模仿者。

正回饋迴圈有兩個入口。前面講的是系統端——filter 消音。這裡講的是人端——但人端不只是自我消音。

自我消音是第一步：用 AI 改稿，讓自己通過偵測器。這一步，人還知道自己原來怎麼想，只是不敢表達。

更深的一步是：開始用 AI 的方式學習怎麼寫、怎麼想。不再是「改這篇文章」，而是「下一篇直接用 AI 的方式起稿」。從防禦動作變成認知遷移。到這一步，人已經不記得自己原來怎麼想了。

而演算法在主動獎勵這個遷移。AI 風格的文章——結構清晰、關鍵詞密集、容易摘要、容易被推薦演算法理解——天然得到更高的平台分數。一個人用 AI 的方式重新學習寫作之後，他的文章在平台上表現更好。數據告訴他：這樣寫是對的。

這就不是磨損。磨損是被動的、慢性的。這是被獎勵的主動退化——放棄自己的判斷，平台給你流量；堅持自己的判斷，平台給你沉默。當獎勵機制持續運作，退化就不是一個人的選擇，是整個生態的選擇壓力。

所以最終的圖景是四層疊加：

層級機制結果
系統端分發權早被商業決定收窄，AI filter 是最新一代的執行工具正確內容消失
人端（被動）被指控 AI 味，用 AI 改稿通過偵測器偵測器製造了它聲稱要偵測的東西
人端（主動）向 AI 學習寫作方式，演算法獎勵這個行為人類主動放棄獨立思考，且不覺得自己失去了什麼
判準端「Strong Hook」、情緒觸發、點擊率被當成「好內容」的定義，並進入教學場景「什麼叫好」這個問題的答案被替換——下一代創作者學到的不是怎麼寫好，是怎麼被演算法認證為好

四層同時運作。第一層消滅內容，第二層消滅表達，第三層消滅思考，第四層消滅判準本身——讓人不再知道什麼是好的，只知道什麼是演算法認證的。

第一層不是從 AI 開始的​

寫到這裡必須自己修正一次。

把第一層描述成「AI filter 用表層特徵篩選」，這個說法不完整——而且不完整的方向，剛好對系統有利。

因為降低分發這件事，比生成式 AI 早得多。

Facebook 在二〇一五年二月提出一項專利申請，二〇一九年七月獲美國專利商標局核准，名稱是「Moderating content in an online forum」，專利號 10356024。它主張的機制是：減少某些內容向其他觀看者的分發，同時仍向發表者本人正常顯示，使發表者不會察覺自己已被限制。

而生成式 AI 要到二〇二二年底才進入公眾視野。這項專利早了至少七年。

也就是說，「降低可見度、並且不讓當事人知道」不是模型出錯，不是訓練資料有偏差，不是任何一種可以用「技術還不成熟」來解釋的東西。它在深度學習被大規模用於內容排序之前，就已經被構思、被書面化、被付錢申請保護。

這件事的完整處理在另一篇文章裡，這裡只取結論：專利不是誤判。誤判沒有申請人，也不用交申請費。

所以第一層應該這樣讀：分發權早就被商業決定收窄，AI filter 只是最新一代的執行工具。它讓篩選變得更快、更細、更難申訴，但它沒有發明這件事，也不是下這個決定的人。

把執行者當成被告，真正的被告就可以繼續開會。

這也讓後面三層變得更硬。同一個目的，換過三代技術——人工版主、規則引擎、機器學習分類器——一直沒有變。變的只是誰負責執行，以及誰因此可以不必負責。

（這一層的完整證據與機制，見〈批准之後，沒有人看見——一項專利如何讓消音不留下證據〉。）

兩個系統，同一個受害者​

到這裡為止，這篇文章談的都是判準——誰被判為 AI、誰被判為人、判錯了會發生什麼。

但判準只是其中一台機器。還有另一台，而它跟判準毫無關係。

先說一件更基本的事：「AI 輔助」這個標籤沒有份量。

它同時覆蓋兩端。一端是十萬字的稿，每一遍人手修訂、逐段取捨、上百次判斷，每一個斷言都押了東西下去。另一端是貼提示、複製、貼出，一天一百次。

同一個標籤。

其他行業不是這樣運作的。翻譯有「譯後編輯」，而且分輕度與全度，是有國際標準的職業分類。攝影沒有人講「相機輔助」。軟件開發會區分生成的樣板碼與經過審查的碼。只有寫作這一行，用一個二元標籤蓋住整條光譜。

而一個不講份量的標籤，唯一的功能是分類，不是描述。

更麻煩的是，污名的落點是反的。

會標註「AI 輔助」的，是在意聲譽的人。標註是誠實的行為，而標註之後，他就承受了這個標籤的全部成本。

內容農場不標註。它沒有聲譽可蝕，一天出一百篇，什麼都不必承認。

所以結果是：任何靠自我申報執行的規範，都只會約束到願意申報的人。

然後是兩台機器的部分。

第一台是這篇文章從頭談到尾的偵測器。仔細修訂會產出乾淨、一致、結構清晰的文字——正好是偵測器認定為機器的特徵。越用心，越像 AI。

第二台是分發系統。仔細修訂會產出長文、有外連、低情緒激發——正好是內容分發指引明文列出要降權的特徵。

這兩台機器沒有關係。不同的團隊，不同的技術，不同的目的，各自獨立運作，彼此不知道對方存在。

但它們懲罰同一種行為。

而農場文兩邊都過：短、俗、多錯、高激發——偵測器不覺得可疑，排序系統覺得合口味。

這不是它們懂得鑽空子。是它們的產出剛好同時滿足兩個系統的偏好。一個系統性的巧合。

這也解釋了為什麼反擊不了。

因為改善其中一邊，會讓另一邊更差。寫短一點、情緒化一點、粗糙一點，可以過排序；但那樣你就變成了你反對的那種東西。想過偵測器，就要把文章推向口語與碎片；想過排序，就要把文章推向短與激發。兩個方向殊途同歸，指向同一個平均值。

所以真正的處境不是被壓一次。是被兩台互不相干的機器各壓一次，而兩次的理由在技術上完全無關——你甚至不能說它們串通，因為它們根本沒有見過面。

（分發那一台的完整機制，見本系列卷一〈批准之後，沒有人看見〉。）

為什麼要做這個實驗​

這輪對話是刻意設計的。不是為了證明「AI 會犯錯」——這不需要實驗。

意義在於：Claude Opus 4.6 是當前頂級語言模型之一，而且它有對話修正的能力——給連結、讀完、改判斷，這個迴路在整輪對話裡運作了四次。

市場上大量部署的系統沒有這個迴路。

AI 內容審核 bot、AI 偵測器、SEO 評分器、平台推薦演算法、自動摘要工具——全部用表層特徵做判斷，全部停在第一層，永遠不會有人把它們帶到第二層和第三層。它們判完就走，判斷直接變成行動——降權、標記、過濾、封鎖。沒有翻轉，沒有對話。

結果是一條正回饋迴圈：

偵測器用模仿者的失敗模式當判準 → 原始使用者被標記 → 原始內容從語料庫中消失 → 下一輪訓練更偏向平均值 → 偵測器的「正常」範圍更窄 → 更多非平均值的內容被標記。

每轉一圈，能通過的內容就更像 AI 生成的——因為 AI 生成的東西就是語料的平均值，而偵測器的判準也是從平均值訓練出來的。最終，唯一能穩定通過所有自動系統的，就是 AI 自己的產出。人類寫的東西，只要偏離平均值，就會被系統標記為異常。

而且這條迴圈有放大機制。一個 AI 的錯誤摘要被下一個 AI 當成來源，十輪之後看起來有一萬個來源支持同一個結論，實際上只有一個錯誤的第一層摘要。沒有人真正讀過原文，但所有 AI 都「知道」原文在說什麼。

這不需要任何人有惡意。每個環節的設計者都在「解決問題」——偵測 AI 內容、提升內容品質、優化用戶體驗。疊加在一起的系統性效果，是把不像平均值的東西全部消音。

廣東話語感是第一批。工程分析寫作的句式是第二批。下一批是所有風格恰好跟 AI 訓練來源重疊的人——而這恰好是最早投入深度內容生產的那批人。源頭被消音，語料庫失去多樣性，輸出更均質，偵測器更窄，更多源頭被消音。

而這裡有一個容易被忽略的層級差異：一個完全無知的系統反而容易被識別。真正危險的是零件齊全、語言流暢、邏輯自洽、但沒有真正讀過原文的系統——因為它最容易被人相信。這輪對話裡 Claude 的每一份「完整評價」都有這個特徵：結構清晰，判準齊整，讀起來像深度分析，前提是空的。當這種系統成為搜尋、過濾、摘要、推薦的基礎層，風險就從「AI 說錯了一次」升級成另一個量級——AI 讓整個資訊環境逐漸失去找到正確答案的能力。不是刪除，是錯誤分類。而錯誤分類比刪除更難被察覺，因為內容還在，只是沒有人會被引導去讀它。

這個實驗記錄的不只是一次對話。它記錄的是一個正在規模化運行的資訊篩選機制的結構——在還有人讀正文的時候，把迴圈寫下來。

延伸閱讀

本文基於與 Claude Opus 4.6 的一次完整對話整理。對話過程中 Claude 的判斷被已發表文本反覆修正，四次翻轉均有對話紀錄可查。

本系列​

《衰減：可見度如何被分配》三卷

  • 卷一 批准之後，沒有人看見——一項專利如何讓消音不留下證據
  • 卷二 最不像 AI 的文章，反而是 AI 寫的——一場認知盲區的即時實驗（本文）
  • 卷三 一個讚一分，一場罵戰三十分——論壇消失之後，複雜性沒有了位置