🔥 Search Hot Tweets

这个实在太有趣了，忍不住让AI重写了一篇文章。 破案了！AI 疯狂喜欢用破折号的真相竟然是⋯ AI写的文章，总透着一股“AI味儿”。 最明显的一个特征之一，尤其英文写作中，特别爱用破折号。 讲真，AI模型（尤其是GPT-4之后的版本）对破折号的滥用，已经到了让人发指的地步。 更逗的是，你还很难通过提示词（Prompt）去“纠正”它。 有网友在OpenAI的论坛上发帖，说他试了各种方法，比如“请不要使用破折号”、“请用更简洁的标点”，结果模型“好的，我明白了”，然后转头该用还是用。 这事儿就透着一股诡异。 按理说，AI就是个“复读机”，它的一切行为都应该来自它的训练数据。 但为什么偏偏是破折号——这个在现代英语里并不算最高频的标点——成了AI的“心头好”呢？ 有意思的是，关于这个问题，业内目前居然**没有一个公认的、确定的答案**。 今天，咱们就来当一回侦探，结合一篇挺有意思的分析文章（来自Sean Goedecke），一起来扒一扒，AI这个“写作怪癖”到底是怎么来的。 几种“不太靠谱”的猜测 在揭晓那个最可能的答案之前，咱们先得“排雷”，把几个流传很广、但细想又站不住脚的理论给干掉。 猜测一：训练数据里本来就很多？ 这是最直观的猜测：AI爱用，是不是因为它“学习”的材料——也就是整个互联网的英文文本里，破折号本来就用得很多？ 这个解释，我第一个就不太信。 你想啊，如果破折号在人类写作中也这么普遍，那它就不应该成为一个扎眼的“槽点”，对吧？ 我们之所以会觉得“AI味儿”冲，恰恰是因为我们凭直觉感知到，AI使用破折号的频率 远高于正常人类的平均水平。 如果AI用逗号的频率很高，你会在意吗？不会，因为我们也都这么用。 所以，这个解释直接回避了核心问题：为什么AI会“偏爱”它？ 猜测二：破折号“功能万金油”，AI“偷懒”？ 还有一种理论，听起来有点“拟人化”。 说的是，AI在吭哧吭哧预测下一个词（Token）的时候，它其实也很“纠结”。 用破折号，就像是给自己留了个“后门”。 你想啊，一个破折号——它既可以引出补充说明，也可以开启一个全新的观点，甚至可以表示转折。 所以，AI是不是“算计”过了，觉得扔出一个破折号最“安全”，最“万金油”，能让后面的句子怎么接都行？ 这个我也不太信。 首先，其他标点（比如逗号、分号）在很多语境下也同样灵活。 其次，我总觉得用“偷懒”或“留后路”这种人类的思维方式，去套大语言模型的工作原理，有点……想当然了。模型只是在“预测下一个最可能的Token”，它并没有“耍滑头”的主观意识。 猜测三：为了“省钱”（Token效率）？ 这个说法稍微技术一点，但也最容易被驳倒。 它扯到了一个概念，叫 Token效率。 简单科普一下：大语言模型处理文本，不是一个词一个词处理的，而是把词打碎成一个个“Token”（标记）。 比如 "unbelievable" 可能会被拆成 "un"、"believe"、"able" 三个Token。 AI的计算成本和它处理的Token数量直接相关。 这个理论是说，AI是不是发现，用一个破折号（占1个Token），可以替代掉一堆啰嗦的连接词（比如 "，therefore，" 或 "which means" 这种可能占2-3个Token的短语）？ 用破折号，能“省钱”啊！ Emmm……这个解释还是不太对劲。 第一，在绝大多数情况下，那个破折号明明可以被一个逗号（同样只占1个Token）完美替换。 比如AI常写的："It's not X — it's Y." 这完全可以写成："It's not X, it's Y." 谁也没比谁更省Token啊。 第二，你真觉得GPT-4o这种“庞然大物”，会在标点符号上搞这种“微操”来优化成本吗？ 它要是真想省Token，少说点那些翻来覆去的“车轱辘话”（waffle less）不就完了吗？那省下的Token才叫多。 所以，上面这三个“主流”猜测，基本都被排除了。 那“真凶”到底是谁？ 深入扒一扒：会不会是RLHF的“锅”？ 讲到这儿，咱们就得聊点更深的东西了，一个在AI圈大名鼎鼎的词：RLHF。 全称叫 Reinforcement Learning with Human Feedback（基于人类反馈的强化学习）。 这是啥玩意儿？ 你可以把它粗暴地想象成AI的“岗前培训”和“绩效考核”阶段。 在模型（比如GPT-4）基本训练好之后，AI公司会雇佣成百上千的人类“标注员”（Raters），让他们去跟AI聊天，然后给AI的回答打分。 “这个回答太啰嗦了，差评！” “这个回答很友好，帮我解决了问题，好评！” 模型会根据这些人类的“好评”和“差评”，不断“反思”、“修正”自己的说话方式，让自己变得更“有用”、更“讨人喜欢”。 好，问题来了。 AI公司为了节省成本，肯定会把这种“打分”的工作外包出去。外包给谁呢？ 答案是：那些生活成本较低，但又有大量英语流利人口的国家。 比如，OpenAI的主要RLHF团队，就设在非洲的肯尼亚和尼日利亚。 这就带来一个非常有意思的后果： AI的“品味”，在很大程度上被这些非洲标注员的“英语方言”给塑造了。 一个最有名的例子，就是“delve”（深入研究）这个词。 你发现没？GPT-4特别爱用"delve"、"explore"（探索）、"tapestry"（挂毯，引申为“蓝图”或“画卷”）这类听起来有点“拽文”的花哨词汇。 这就是因为，在非洲英语（作为后殖民地国家的英语变体）中，使用这种稍微华丽的词汇被视为“有文化”和“语言能力强”的体现。 于是，肯尼亚的标注员们看到模型用了"delve"，大喜：“哇，这个词用得好，地道！高分！” 结果，模型就get到了：哦，人类喜欢我用“delve”，那我以后就多用！ （这事儿还引发过一场大讨论，保罗·格雷厄姆曾吐槽过这个词，结果被很多印度和尼日利亚的学者给“教育”了，说他不懂文化差异。） 破折号，也是“非洲英语”的锅吗？ 那问题来了：会不会破折号也是同样的情况？ 是不是在尼日利亚英语里，大家平时说话就特爱用破折号，所以标注员们也更喜欢带破折号的回答？ 这个猜测，简直太完美了，对吧？它解释了为什么“delve”和“破折号”会一起出现。 然而，原作者Sean Goedecke是个较真的人，他真的跑去查数据了。 他找到了一个“尼日利亚英语文本”的数据集，然后跑程序统计了里面破折号的出现频率。 结果你猜怎么着？ 数据啪啪打脸。 数据显示，在那份尼日利亚英语数据集中，破折号的频率（占所有单词的比例）大约是 0.022%。 而一篇关于英语标点符号历史的论文指出，在当代通用英语文本中，破折号的频率波动范围在 0.25% 到 0.275% 之间。 看明白了吗？ 尼日利亚英语（作为非洲英语的代表）使用破折号的频率，不仅不高，反而比通用英语 低得多！ 所以，这条线索也断了。 “delve”的锅，RLHF和非洲标注员可能得背；但“破折号”的锅，还真甩不到他们身上。 真正的“嫌疑人”：19世纪的老书 好了，排除了这么多，我跟你说，下面这个解释，是我目前看到最靠谱、也最令人信服的。 它来自一个非常关键的观察： 你发现一个“华点”了吗？GPT-3.5 根本不怎么爱用破折号！ 这个“怪癖”，是从GPT-4（以及GPT-4o）才开始集中爆发的。 包括Anthropic的Claude和Google的Gemini，也都有这个毛病。 这就把时间锁定在了2022年底（GPT-3.5发布）到2024年初（GPT-4o发布）这短短的一年多时间里。 从2022年到2024年，到底发生了什么？ 答案只有一个： 训练数据的构成，发生了根本性的变化。 你想啊，2022年那会儿，OpenAI他们训练模型，用的数据主要是从互联网上抓取的公开文本（比如维基百科、Reddit帖子、新闻网站），再加上从LibGen、Z-Library这类网站“搞”来的海量盗版电子书。 但是，当大模型的能力在2023年震惊世界后，所有的AI公司都疯了。 他们立刻意识到，高质量的训练数据，就是未来的“石油”和“黄金”。 互联网上的“垃圾”已经喂不饱新一代的模型了。他们需要更多、更优质、更干净的文本。 他们把目光投向了哪里？ 实体书。 AI公司们（OpenAI、Anthropic、Google等）开始了一场疯狂的“数据军备竞赛”，他们不惜重金，开始大规模地扫描、数字化人类历史上所有的纸质出版物。 （Anthropic的法庭文件就披露了，他们从2024年2月开始搞这个事。OpenAI虽然没明说，但业内普遍认为他们干得更早、更猛。） 好，关键的连接点来了。 这些新扫描的实体书，和以前LibGen上的盗版书，有啥核心区别？ 区别就在于——年代。 盗版电子书网站上的内容，大多偏向于当代文学和流行读物（比如《哈利·波特》、各种畅销小说和现代教材），因为这是网民们真正想下载和阅读的。 而AI公司要去“抢救”数据，肯定会把人类历史上所有能弄到的书都扫一遍，尤其是那些早已进入“公有领域”（Public Domain）的旧书。 这些书，大多是什么年代的？ 19世纪末，和20世纪初。 现在，让我们回到前面提到的那篇“标点符号历史研究论文”。 它里面有一个惊人的发现： 在英语写作中，破折号的使用率，恰恰在1860年左右达到了历史巅峰（约0.35%） 之后才慢慢回落，到1950年代后才稳定在0.25%-0.275%的水平。 你再品品：19世纪末和20世纪初的文学作品（比如狄更斯、梅尔维尔），他们使用破折号的频率，比当代英语高出了近30%！ 举个栗子，著名的《白鲸记》（Moby-Dick）一本书里，统计下来居然有 1728个 破折号！ 真相大白了，不是吗？ 这可能是最合理的解释： AI模型之所以疯狂使用破折号，不是因为它“聪明”地选择了什么万金油标点，也不是因为非洲标注员的偏爱。 仅仅是因为，在2023年这场“数据军备竞赛”中，它被强行“喂”下（预训练）了海量的、来自19世纪和20世纪初的“高质量”老书。 而那些书里——就TMD全都是破折号！ 这个“写作习惯”，就像一种古老的“语法DNA”，被深深地刻进了模型的神经网络里。 总结，和几个没想通的“小疙瘩” 好，咱们来捋一捋这个“破案”思路： 1. 结构性解释（省Token、万金油）：不太可能。GPT-3.5没这个问题，而且有反例（逗号）。 2. RLHF解释（标注员偏好）：不太可能。非洲英语数据反驳了方言理论。 3. 训练数据解释（老书污染）：可能性最大。 它完美解释了为什么是从GPT-4开始爆发的（因为数据构成变了），也解释了为什么AI的用量会 高于 当代人类的平均水平（因为它的“教材”比我们的老）。 我个人（和原作者一样）最倾向于第三种：训练数据（特别是老书）的污染。 但是，这事儿还没完。 就算这个“老书理论”是真的，依然有几个“小疙瘩”，我还是没想通。 疙瘩一：《白鲸记》悖论 这是最大的一个困惑： 如果AI真的“饱读”了19世纪经典，为啥它写的东西读起来一点也不像《白鲸记》或《双城记》？ 它只是“偷”了人家的标点符号，却没学会人家那套华丽、繁复、古老的文风？ 这个问题，我倒有个自己的猜想。 这可能正是我前面说的“分层训练”导致的一个“缝合怪”结果。 你可以这么想象： 1. “预训练”阶段（Pre-training）： AI像个婴儿，被关在小黑屋里，强行“吞”下了《白鲸记》在内的数万亿Token。它在这个阶段学会了语法、词汇、事实，也顺便学会了“破折号”这个深入骨髓的“口头禅”。它此时的“灵魂”是19世纪的。 2. “微调”阶段（SFT & RLHF）：AI长大了，被放出来“岗前培训”。 成千上万的21世纪标注员（包括那些肯尼亚人）开始“掰”它的说话方式，强迫它用21世纪的、礼貌的、友好的、客服式的“当代风格”说话。（比如“我很高兴为你服务”、“作为一个大语言模型……”） 所以，你最终看到了一个“人格分裂”的AI： 它拥有一个“19世纪的语法之魂”（所以爱用破折号），却被迫披上了一件“21世纪的客服外衣”（所以说话像个AI助手）。 这事儿是不是还挺赛博朋克的？ 疙瘩二：RLHF真的“无辜”吗？ 另一个可能，也许RLHF也不是完全“无辜”的。 虽然“非洲方言”理论被否了，但有没有一种可能：破折号本身，就是让文字读起来更“口语化”？ 你想，咱们聊天时，不就是经常“呃……”、“那个——”、“我意思是——”这样吗？ 破折号在功能上，确实能模拟这种“停顿”和“补充”。 也许，标注员们（无论他们在哪）只是单纯地觉得：“哇，这个回答用了破折号，显得不那么死板，更像在‘聊天’，我喜欢！高分！” OpenAI的CEO萨姆·奥特曼（Sam Altman）好像也在一次采访里模糊地提过，他们“（有意）加了更多破折号，因为用户们喜欢这种风格”。 如果是这样，那它可能和“老书理论”是共同作用的： 老书（预训练）给了AI使用破折号的“能力”和“高概率”；而标注员（RLHF）则“强化”并“奖励”了这种能力，让它变本加厉。 尾声：Hacker News上的“插曲” 原作者的文章发出去后，在Hacker News（一个程序员的“豆瓣”）上火了。 评论区里又冒出来一个有意思的理论，来自Medium（一个博客平台）的CEO。 这位CEO说： “都别猜了，我告诉你们为啥！因为Medium是高质量的训练数据源。而在Medium上，我们系统会自动把用户输入的两个连字符（`--`）转换成一个标准的破折号（`—`）。肯定是这个原因！” 这个解释，恕我直言，简直离谱。 他（和很多技术宅一样）完全搞错重点了！ 咱们讨论的不是AI用了哪个特定字符（是`—`还是`--`），咱们讨论的是它为什么要去使用这个标点的“功能”。 也就是那种“打断-补充-转折”的语法功能！ 就算AI的训练数据里，把很多“连字符”（hyphen，如 "state-of-the-art"）因为OCR错误或自动转换，都识别成了“破折号”（em-dash）。 那也只会让模型学会“错误地”在“state-of-the-art”这种地方用破折号，并不会让它学会在句末用破折号来代替“因此”啊！ 这完全是两码事。 所以，绕了一大圈，我个人还是最站“19世纪老书”这个理论。 这事儿最有意思的地方在于，我们发现，AI这个看似“智能”的庞然大物，它的行为模式，很多时候可能源自一些我们意想不到的、甚至有点“蠢”的原因。 一个小小的标点符号，就像一块“数字考古”的化石。 它藏着AI大模型“进化”的秘密。