夜雨聆风"当语言的衡量标准成为它的目标时，它就不再是好语言了。"——从"不是 X，而是 Y"说起
引言
你有没有注意到，大语言模型特别喜欢用一种句式：
"不是 X，而是 Y。"
这种修辞手法叫"否定平行结构"（negative parallelism）。它的作用是设置对比，用来重构假设特别好用："你以为是这样，但其实是这样。"
这个句式在社交媒体上到处都是，尤其是在 LinkedIn 上。以至于现在很多人开始反弹——如果你用破折号，你可能是机器人。如果你用 delve、quietly、genuinely 这些词，你可能是机器人。如果你列三个并列项，你可能是机器人。
最近大语言模型的过度使用让很多人宣布这是"糟糕的写作"。
但我没那么确定。
当肯尼迪说"不要问你的国家能为你做什么——问问你能为你的国家做什么"时，没有人说他是个懒惰的作家。否定平行结构是一种修辞手段，任何一种修辞手段，是懒惰还是精妙，取决于它里面装的是什么。
一、自动化语言生产
现在我们有了 AI 检测器——它们通过寻找这些语言模式来判断你的文章是不是 AI 写的。
你把自己的文章拿去跑 Grammarly，它会分析可能被 AI 检测器标记的词组模式，然后给你提供修改建议。结果是：
- a）Grammarly 获得了替你写作的权力
- b）你的文章失去了所有的节奏感和意图
作者实测：Grammarly 标记了 27 处他应该修改以避免被指控为机器的文本。
比如"automated language production"这个短语，被标记为"11 倍更可能是 AI"。Grammarly 建议改成"against mechanized language synthesis"。
"align with" 被标记为"43 倍更可能是 AI"。建议改成"corresponds"。
这些微小的建议叠加在一起，最终的结果看起来完全不像作者自己的选择。
人类的声音被一个试图听起来像人类的机器取代了。
更荒谬的是，作者花 20 美元给 Pangram——另一家 AI 检测公司——付费验证他最近提交的一篇学术期刊文章不是 AI 生成的。
他知道自己不是 AI 写的。他也知道 Pangram 会同意他不是 AI 写的。
他付钱不是为了知道自己是不是写了这篇文章——而是为了确保不会被冤枉。因为如果 Pangram 的 AI 系统判定他有罪，他的职业生涯就结束了。
这本质上就是敲诈。
更可怕的是整个逻辑闭环：
如果文章被标记了怎么办？Grammarly 会建议你重写。用一个机器来替你写作，以证明你没有用另一个机器来写作。
二、后训练：香肠是怎么做出来的
我们理解这些 AI 机器时的直觉是：检查训练数据。
但训练数据已经不再"只是互联网"了。互联网是生肉，但这根香肠经过了大量的预处理和后处理。
后训练（Post-training） 会针对模型被设计的目的进行优化。这包括：
- RLHF（基于人类反馈的强化学习）：让人类对回复排序，然后系统强调这类回复
- RLVR（基于验证奖励的强化学习）：也是作者认为"不是 X，而是 Y"如此频繁出现的原因
RLVR 的工作方式是这样的：
你训练一个模型，让它通过"写出推理过程"来解决数学问题。当模型得出正确答案时，它用来得出答案的语言就会在最终模型中被使用。
这（部分）就是业界所说的"推理"。
三、那只奇怪的狗
作者用一个生动的比喻来解释 RLVR：
你和一个朋友坐在一起，手机都没电了。朋友问：我们看到那只奇怪的狗是哪天？
你先说："是周四。"
朋友说："不对，不是周四，因为周四我出城了。"
你说："那应该是周三，因为周三是你们共同朋友的生日，你们都去了派对，去派对的路上看到了那只狗。"
朋友说："对，但周三是生日，派对是在周五。所以我们应该是在周五看到的狗。"
你们通过语言表达得出了答案。你们的直觉（"是周四"）就是模型最初会吐出的答案。
但你们没有停在那里。朋友反驳："不是 [周四]，而是 [周三]。"
更多的词，缩小了可能答案的范围，然后通过"不是 X 而是 Y"的推理过程，你们得出了正确的日期。
你们有真实的记忆和切身经历。语言是传达这些经历、解决分歧的载体。
而模型，只是用越来越长的语言片段，复制了你们刚才进行的推理模式。这些更长的语言运行在其中重演了推理过程，而不是通过简短的语言来推理。
四、我们为什么要推理
当你们讨论那只奇怪的狗时，问题的重点不是确定狗被遇到的日期。
重点是开启一段回忆。是为了重建记忆、沉浸在周围的语境中、通过共同经历加深朋友之间的联系。
但 LLM 对"推理"的定义假设：问问题的目的就是得到答案，答案可以被验证，立即得出结论也不会有问题。
这对写作有真实的影响。
问题的开放性、模糊性、不确定性——这些对人类思维方式来说，其实比任何即时答案都更重要。内心世界都是在外部思维的缝隙之间生长。
但如果我们因为文章看起来像机器写的就公开羞辱作者——因为它模仿了人类推理时使用的语言——人们就会停止用他们认为是"AI 写作"的方式写作，以避免被误判。
这传递了一个信号：你的推理语言必须被审查，否则你也会面临公开审视。
最终，人们会绕开模型从我们这里学到的结构——那些有效的论证工具。
在我们最需要批判性思维工具的时候，我们放弃了这个工具。
五、古德哈特定律
英国剑桥大学测试了一个基于 AI 的论文评估工具。
结果发现：这个系统奖励的写作结构看起来和 RLVR 推理非常相似——"根据文章长度、词汇范围和句子复杂度给出更高分，这些往往与学术标准无关。"
换句话说：LLM 用工程师评估 LLM 的标准来给人类打分。
经济学有一个古老的定律叫古德哈特定律（Goodhart's law）：
"任何被观察到的统计规律，一旦被用于控制目的，就会崩溃。"
或者更通俗的版本：当衡量标准成为目标时，它就不再是好的衡量标准了。
可以改写为适用于大语言模型的版本：
当语言的衡量标准成为它的目标时，它就不再是好语言了。
用语言模式而不是内容来评估是危险的——无论是生成还是检测，都在鼓励这种做法。
自动评分介于两者之间：奖励学生使用推理的形式而不是推理的行为，只会让这种行为越来越普遍。
但惩罚形式，就是在惩罚推理本身。
六、反对自动化思维
我不相信那句老话："如果你没做亏心事，就不怕鬼敲门。"
自 2018 年以来，自动监控系统的准确率一直为 99.8%。但正如 Arvind Narayanan 指出的，这是按篇论文计算的——每用一次就会累积。
所以高达 10% 的大学生可能被错误指控。
如果我们集体把每一段文字都放进 AI 模型去检查它是不是 AI 生成的，我们会产生更大规模的误判。
这些模型集中了真正的权威。当公司承诺它们会替我们推理。
当我们把每段两行话都通过 AI 解释器跑一遍，然后把结果发到网上说"看，他们是抄袭者"——我们在把一种危险的行为正常化。
我们创造了一种自我审查和 AI 检测器压迫下的重写文化，人们为了避免被冤枉而努力改写和转述。
这与保护人类表达恰恰相反。
我们应该抵制用机器判断的错误的方式，只有这样才能让语言正常化。
如果用 AI 写作最坏的情况下是"思想的工业化"，那么 AI 检测最坏的情况下就是"思想的监控系统"。
写在最后
这篇文章的核心论点，其实可以用一句话概括：
我们不应该因为 AI 学会了人类的推理方式，就禁止人类用那种方式写作。
当 Grammarly 建议你删掉"align with"换成"corresponds"，当 Pangram 需要你付 20 美元来证明你没有用 AI，当 AI 评分系统根据"像 AI 的结构"给人类论文打分——
我们不是在保护人类写作。
我们是在保护机器不会被发现，它学会了我们的写作方式。
而我们为此付出的代价，是让批判性思维本身成为一种需要被审查的行为。
这比 AI 本身更值得担心。
📌 原文来源：mail.cyberneticforests.com/its-not-just-data-its-post-training/
📌 原文作者：Cybernetic Forests Newsletter
