奥威尔在《1984》里写道：「我们正在把语言塑造成最终形态——当没有人再说其他语言时，语言将呈现的形态。」今天，类似的趋势可能正在真实世界发生。本周，南加州大学（USC）团队与合作者在 Nature 子刊 Nature Human Behaviour 上发表研究：当超过 8 亿人用 ChatGPT、Claude 等 LLM 写作助手「润色」文字时，不同人的文字正在「越来越像」。
研究分析了超过 88 万篇文本，涵盖新闻文章、学术论文、议论文、社交媒体帖子和演讲，用三项研究回答同一个问题：LLM 写作助手是否在抹平语言多样性？答案是肯定的，而且是有方向的抹平。
写作复杂度正在收敛
第一项研究对比 2022 年 11 月 ChatGPT 发布前后的语料：arXiv 论文、Reddit 帖子和本地新闻的写作复杂度方差显著收窄——风格变窄的节奏与 LLM「润色」的普及曲线同步。第二项研究把机制做成实验：由 LLM 改写文本，写作复杂度的方差下降 21% 到 50%。不同人写的草稿，经过同一个助手之后，比进来时更相像。
更值得警惕的：被推向同一个「默认人设」
第三项研究最值得心理学者关注。团队把文本与心理测量数据配对（年龄、性别、Big Five 人格、共情、道德价值观），训练分类器从语言中预测这些特质，再比较原始文本与 LLM 改写文本的预测准确率：
- 预测准确率平均下降约 6 个百分点（F1），年龄受影响最大：F1 从 0.351 跌到 0.260。
- 这种改变不是随机噪声，而是系统性偏向：改写后的文本更常被判定为「年龄更大、道德感更强、共情更低、外向性更低、开放性与宜人性更高」。
- 无论换模型还是换改写提示词，偏移方向都保持一致。
换句话说，LLM 不是在擦除身份信号，而是把所有人的文字推向同一个「默认人设」。语言与心理特质之间经典的「词-人关联」正在被选择性冲蚀：有些消失，有些幸存。
为什么必然发生
机制并不神秘：LLM 的优化目标是「统计上最可能的续写」，而最可能的文本，天然就是最主流的文本。当数亿人把写作灌进这个过滤器，个人风格——让一句话成为「你的」的节奏、用词与立场——是最先被平均掉的东西。
更麻烦的是循环会自我强化：AI 辅助生成的文章回流进训练语料，下一代模型在部分由自己产出的同质化文本上训练，收敛只会更快。所谓「AI 写作越来越好」，有一部分是模型、用户和语料三方一起滑向均值。像 Marin 535B 这样的全程公开训练让这条语料流水线变得可见：训练数据的口味，就是未来模型的口味。我们此前对同一研究的三组实验做了完整拆解，包括语料规模与因果检验细节。
代价是什么
这不是纯粹的审美损失。语言信号是真实系统的地基：心理学者用文本线索筛查抑郁，招聘审计用语言判断公平性，营销靠语言做规模化个性化，社会科学从言说方式读取价值观。一旦这些信号被压平：
- 心理筛查等工具会悄悄失准——用旧世界标尺去量 LLM 时代的文本。
- 公平性出现新盲区：大家都被改写成同一种人设后，分类器「看不见差异」，而它们恰恰曾是发现差异的工具。
- 文化在边缘处变薄：方言、语域、社群惯用语无法在「最可能续写」里存活。
印刷扩大了语域，电报压缩了语域，数字写作把它打碎成无数小圈子。LLM 助手是历史上第一个在人口规模上主动同质化文字的技术——而且是一句一句「礼貌建议」地完成的。
可以做什么
- 写作者：把 AI 当编辑，别当枪手。保留任何模型介入之前的「人稿」，你保住的语气，是下游所有系统的数据。
- 提示词要「反默认」：明确要求特定语域、句式节奏、非常规用词。偏置是默认值，不是定律。
- 产品团队：风格保留模式、AI 辅助文本的来源标注（可验证水印正在成为标配）、抵抗均值化的采样策略，正在从 niche 功能变成尊重用户的功能。
- 研究者：像追踪数据泄漏一样追踪语料污染——未来十年所有语言信号研究的有效性都取决于此。
正如研究者所言：「语言、传统、思维方式——一旦消失，就再也拿不回来。问题不是这有多难修，而是我们是否承担得起不修。」
来源：USC Dornsife；论文发表于 Nature Human Behaviour。
