关于 AI 写作的 13 条信念
编者按：在我们的 How We Write Now（Write Now）系列里，各位写作者为 AI 划下的界线差别很大。有些人只用它做研究和编辑，却不让它写哪怕一个句子。Mike Taylor 却会。他几乎所有发表的东西都用模型起草。他的检验标准是：假如有读者上门来跟你争论，你能否为自己提出的那些观点辩护。
Mike 分享了他背后的 13 条信念。他放进提示词里的自有材料，比他要求模型写出的内容还多。社媒帖子他完全自己写。其中一些做法与该系列多数写作者的方式相悖——这正是它值得一读的原因。——Kate Lee
我刚与出版商 O'Reilly 完成了我的第二本书，他们不允许用 AI 写作，而这是我最后一件愿意手写的事。用传统方式写作，就像手头明明有文字处理软件、却偏要用打字机，而且产出并不比我用 AI 写出来的更好。
我从 2020 年 GPT-3 发布起就开始实验 AI 写作，当时 Copy.ai 正给所有没能进 Y Combinator 的人发免费账号。2023 年 GPT-4 问世时，我摸索出一套写作流程，它通过了图灵测试：朋友和同事分辨不出那不是我写的——这件事足够令人沮丧，以至于我一度停了笔。
如今我写得比以往任何时候都多，因为我逐渐形成了一系列关于 AI 写作的信念，它们把我从"这是垃圾"，带到"嗯，还行"，再到现在的"这样更好"。如果你过去试过 AI 写作，却因为觉得不道德而放弃，我希望这篇文章能让你重新考虑。
提示词应当比产出更大。 放进提示词里的自有信息，要比你要求模型写出的内容更多。一份带有你自己原始材料的详细提示词，会让 AI 更少有机会塞进那些你无力辩护的观点。你投入的内容与产出的内容之间的比例，就是所谓的蒸馏比。
写训练数据里没有的东西。 如果 ChatGPT 本就能写出来，那就别费劲了——别人直接去问 ChatGPT 就行。语言模型生成文本，靠的是预测下一个 token，从既有写作的模式中推演；没有第一手材料，它们只是在重新混编已经被说过的话。去写没人做过的实验、只有你有过的经历，或者当常见建议都不管用时你自己解决掉的问题。
发帖是为了吸引与你想法一致的人。 你确实可以让 AI 写出没人察觉到是 AI 写的帖子，但当有人跑来找你讨论你"写过"的东西、而你却不认得那些观点时，你就无法展开这篇帖子本意要开启的那场对话。如果观点不是你自己的，发表就没有意义。
信念决定难度。 你亲身经历过、真心相信的观点，往往会一口气倾泻而出。而当你对观点没那么有把握，或者你是在写给那些其看法对你很重要的人看时，你就会回到"essay"（随笔/文章）一词的原义——去尝试、去检验——于是纠结、反复修改，有时甚至把一篇稿子搁置好几个月。你想跟一个想法较劲得足够久，直到它真正成立，既不过早推出，也不彻底放弃。
好文字让人感到冒险。 人们想读的，是你会私下告诉朋友、却犹豫要不要公开发表的东西。你越接近把它公开说出来，就越觉得暴露——而文章也就越好。
保留一切。 让每一步都非破坏性，这样你总能回溯。保留历史版本，能让删掉来之不易的内容时少些惊慌，也更容易"杀掉你的心头好"。用 Google Docs 记录修改历史，用标签页保存原始材料和草稿——模型的和你自己的都要留。
数字和图片很重要。 一个令人难忘的统计数据能改变人的想法，一张好图能让你的观点变得具体。用视觉元素来打破密集的文字。有时这意味着专门去做一个实验，只为它能变成一张出色的图表。
挣扎与成功并不相关。 一篇帖子可能获得另一篇四倍甚至十倍的关注，而那篇未必是你最用力的那篇。多发表；别把挣扎误当成质量。
社媒帖子自己写。 推文和 Slack 消息是长文想法的起点。如果好文字让你觉得分享给那些看法对你重要的人是有风险的，那这种风险你应该亲自去感受。
好想法胜过好文字。 绝大多数好想法，是发生在并非写作者的人身上的；除非此人碰巧有传记作者，否则这些想法就此流失。Elon Musk 的自传，读起来会比 Walter Isaacson 写的 Elon Musk 传记更差。AI 让非写作者也有机会把想法表达出来。对我而言，它还把一天的写作缩短成两小时，从而留下更多时间去寻找下一个想法。
写那些让人眼前一亮的题材。 我写不好自己不在乎的题目，但只有我有兴趣还不够。当别人出乎意料地比我以为的更感兴趣时——某个话题不断被提起、成为一场会议的高光、或打动了一个我没想到会在意的人——我就知道这东西有戏。我已经给过某个人的建议，就是很好的起点：我知道它至少帮到过一个人。
去过有意思的生活。 把自己放进会不断发生有趣事情的情境里。如果原材料足够好，你不需要是出色的写作者，人们也会在意。
模型终于够好了。 GPT-4 写出的草稿，我会选它，而不是一个普通人类写作者的草稿。用上 Fable 和 Astra 之后，产出已经值得发表。AI 写作眼下在网上招致很多憎恨，但它已经扎根。很快，它将比大多数人类写作更可取。
Mike Taylor 是 Every 的评估（evals）负责人。想读更多类似文章，请订阅 Every，并在 X 上关注 @every、在 LinkedIn 上关注我们。
核心启示：Mike Taylor 主张 AI 写作的价值不取决于工具能否骗过图灵测试，而取决于写作者是否把足够的自有材料、第一手经历和真实信念注入其中——AI 只是把一天的写作压缩成两小时，真正不可替代的，仍是那些只属于你、训练数据里没有的想法。
《关于 AI 写作的 13 条信念》的发芽报告
原文：13 Beliefs About AI Writing ｜作者：Mike Taylor（Every 的 evals 负责人）｜2026-09-16
材料核心
Mike Taylor 用 13 条信念解释自己为什么从"AI 写作是垃圾"一路改判到"AI 写作更好"：关键不在模型多强，而在于写作者必须往提示词里投入比要求输出更多的一手材料（蒸馏比），并且把风险、亲身经历与判断留在只有自己能写的地方——社交帖自己写、写训练数据里没有的东西、写让人眼睛发亮的东西。
发芽 01：蒸馏比——写作是一场信息熵交易
种子
材料里最反直觉的一条是"提示词应该比输出更长"。人们习惯把 AI 当自动售货机：投一句需求，掉出一篇文章。Mike 反过来要求"进料大于出货"。这条规则如果不放进信息论的框架里看，只是个人习惯；放进去看，它是 13 条信念共同的地基。
故事
香农（Claude Shannon）在 1948 年定义信息量时用的正是"意外程度"：一句话越可预测，它携带的信息越少。"今天下雨"在雨季是零信息。而语言模型恰恰是"预测下一个 token"的机器——它能顺畅写出的句子，按定义就是语料里出现频率最高的那条路径。Mike 的"写 ChatGPT 能写的东西没有意义"，因此不是道德姿态，而是一次保真度要求。
Ted Chiang 在 2023 年《纽约客》那篇《ChatGPT 是网络的模糊 JPEG》里把机制说透了：LLM 是一种有损压缩，它抹掉的正是语料中的独特细节。你往提示词里注入的一手材料越多，模型可用来"脑补"的空间就越小——蒸馏比就是这个保真度的调节旋钮。
再往上一层，Shumailov 等人在 2024 年《自然》上发表的"模型崩溃"（model collapse）研究给出了这条规则的生态学版本：当模型反复在自己生成的数据上训练，输出多样性会一代代塌陷，最终退化成几乎没有信息的分布。于是"如果 ChatGPT 能写，就别写"不只保护你个人的可信度，它同时是在维护公共语料的信息熵——每一次有人往网上写下一段不可被预测的一手材料，都是在给下一次训练补上一个非模糊的像素。
Aha 瞬间
"蒸馏比不是提示词技巧，而是一份熵预算：模型负责重组已知，你负责提供意外。你投入的意外越少，输出就越接近一份网络平均值的复印件。"
发芽 02：风险是唯一无法外包的信号
种子
材料里有两组看似冲突的规则：一边是"好的写作让人感觉有风险""社交帖自己写"，另一边是"好想法胜过好文笔"、AI 能让不擅写作的人把想法说出去。如果 AI 能替你说得更好，为什么有些话必须你亲口说？答案藏在"帖子存在的意义是吸引认同你想法的人"这一条里——信号的价值不在于文本质量，而在于它背后的成本。
故事
生物学家 Amotz Zahavi 在 1975 年提出"累赘原则"（handicap principle）：只有代价高昂且无法伪造的特征才是可信信号。孔雀的尾巴是负担，正因为是负担，它才证明了持有者的健康。廉价信号一旦可以量产，就立刻归零——如果谁都能长出那条尾巴，尾巴就不再说明任何事。
Mike 的"社交帖自己写"正是这条原理的写作版本。一条 AI 生成的推文，即便字面质量更高，它的成本是零，因此它无法证明任何东西：不能证明你相信这句话，也不能证明你承担了被人反驳的风险。于是当有人来找你讨论时，你会"认不出自己写过的想法"——材料里说得很刻薄也很准确：这场对话根本无法发生，而帖子本来就是为了开启这场对话。
这也让"越接近公开说出、越是好文章"变得可以解释。essay 一词源自法语的 essayer，"去尝试"，蒙田 1580 年的《随笔集》用的就是这个意思，而 Mike 说"要和想法搏斗到它成立为止"——搏斗留下的痕迹不是文采，是你为了说出这句话而放弃掉的那些更安全的说法。
Aha 瞬间
"AI 移除了写作的成本，而成本恰恰是写作发出信号的方式。它可以替你写得更好，却无法替你显得真诚——真诚本身就是一种无法伪造的累赘。"
发芽 03：努力不产生质量——写作的概率结构与摄影术的历史回声
种子
"数字与图片能改变人的想法"和"挣扎与成功不相关"是一对：一篇稿子可能拿到另一篇四倍到十倍的关注，而且不总是你最费力的那篇。把这两条放在一起，材料其实在说：写作是一个高方差系统，用"我花了多少力气"去预测"它能走多远"，是系统性错误。
故事
统计学早就见过这个错误。二战期间 Abraham Wald 为军方分析返航飞机的弹孔分布，发现机翼弹孔最多，于是建议加固发动机——因为发动机中弹的飞机根本没飞回来。幸存者偏差说明：我们看到的样本池本身已被结果筛过一遍。写作中的"努力—回报"错觉同理：我们记住的是苦写而成的成功作品，而大量同样痛苦的稿子悄无声息地沉底，挣扎的分布和成功的分布并不对齐。
心理学给过量化版本。Macnamara、Hambrick 与 Oswald 在 2014 年的元分析中发现，练习时长对不同领域成绩的解释力差异极大——游戏约 26%、音乐约 21%、体育约 18%，而在专业职业中不足 1%。努力是高方差的输入端，不是质量计。扑克玩家把这个认知称为 resulting：用结果好坏反推决策好坏，Annie Duke 在《Thinking in Bets》里把它当作核心认知谬误来拆解。Mike 给出的是写作版：别把挣扎误认为质量，解法是——多发。
而"多发"之所以在今天成为可能，是因为模型终于够用（第 13 条）。这里最值得参照的历史类比是摄影术。1839 年达盖尔法公布后，肖像订单大量流失，Paul Delaroche 据说宣布"从今天起，绘画死了"；1844 年 Talbot 出版《自然的铅笔》，证明机器可以更快更准地"复写"现实。结局不是绘画终结，而是绘画被逼迁移到机器做不到的地方——印象派、后印象派，莫奈画的是同一堆干草垛上的不同光线，而不是干草垛本身。写作正在经历同一段位移：当"复写已知"被自动化，剩下的恰好是训练数据里没有的东西——你亲手做的实验、你踩过的坑、你活过的那段时间。
Aha 瞬间
"努力不能证明质量，只能证明你付出了成本。当复写已知被自动化，人的稀缺性就从'写得费力'转移到'活得具体'——就像摄影术逼着绘画从画得像，转向画得只有亲眼见过的人才画得出。"
你的思考空间
- 如果"蒸馏比"是可以测量的指标，该怎么测？提示词与输出的字数比例说明不了什么——真正该数的是哪一项：你投入的一手材料占比，还是输出中无法被模型预测的短语占比？
- Mike 说社交帖必须自己写，因为只有未被外包的成本才能构成信号。那么在你自己的工作里，哪些"必须亲手做"的动作承担的是信号功能，而不只是产出功能？（代码评审？手写周报？亲自去现场？）
- 如果模型崩溃的研究成立，"只在新素材出现时才用 AI 写作"就不只是个人纪律，而带有公地维护的性质。这是否能给"AI 垃圾内容"一个更精确的批评——问题不在于它难看，而在于它在降低整个语料的信息熵？
- "好想法胜过好文笔"引用了 Musk 与 Isaacson 的对比，但这个论证有一处不对称：Isaacson 之所以能写 Musk，是因为 Musk 的传记值钱。对那些既没有传记作者、也还没用上 AI 的人来说，被听见的门槛真的降低了吗，还是只是换了位置？
- "努力与成功不相关"的推论是"多发"。但多发也消耗读者注意力。在个人策略上，这个结论是否需要一条边界——比如"多发，但每一条都必须是只有你能写的"？
本报告基于 Every 原文《13 Beliefs About AI Writing》撰写，外部材料仅用于放大大意，不替代原文判断。