語言的衰落往往始于思維的懶惰。

喬治·奧威爾，在1946年發表的《政治與英文》（Politics and the English Language）一文中，提出這一警告。

如果奧威爾活在今天，試用哪怕五分鐘的 Gemini 或者 ChatGPT，他大概會感到一種復雜的絕望：他的預言成真了。

當你要求目前最先進的人工智能，去寫一段關于朋友圈配圖文案時，你幾乎注定會得到一篇充滿了“至關重要”、“充滿活力”以及“總而言之”的陳詞濫調。這種被科技界稱為“AI 腔”或者“機器翻譯感”的現象，正在以驚人的速度污染著互聯網的文本生態。

這不僅僅是審美問題，更是一個經濟學問題：在信息邊際成本趨近于零的時代，平庸文本的供給已經嚴重過剩，而具有人格化特征的文本的價值正在飆升。

如何去除這種AI腔，首先必須理解它的來源。大型語言模型本質上是玩概率的游戲。在經歷了人類反饋強化學習的規訓后，它們被訓練成要安全、有用且無害。這種訓練導致了一種向均值回歸的語言風格，一種因為試圖取悅所有人而最終無法打動任何人的企業公關文風。

但這并非無法克服，只需要一種從指令工程到風格指導的思維轉變。要讓AI說人話，你不能只把它當作工具，你必須學會像戲劇導演一樣去調度它。

讓AI學會角色扮演

大多數用戶與 AI 的交互方式，就像是在對一個機器人下達命令：“寫一封郵件。”這種缺乏語境的指令，自然只能換來最通用的回應。

AI 模型就像是一個擁有無限知識儲備但沒有自我意識的演員。如果你不給它劇本和角色，它就會默認扮演那個它最熟悉的角色：一個唯唯諾諾、試圖用廢話填滿頁面的客服專員。

去除 AI 腔的第一步，是打破這種默認設置。這并非簡單的修辭調整，而是認知框架的重置。

在經濟學中，我們講究激勵機制。在 Prompt 中，我們需要建立一種“偽裝的激勵”。不要告訴模型寫得像個人，這是一個無效的模糊指令。相反，你需要為它構建一個極度具體的人格面具。

想象一下這種區別：

● 平庸的指令：“幫我寫一篇批評某家餐廳的文章。”

● 高杠桿的指令：“你是一個擁有二十年經驗、口味刁鉆且性格尖刻的美食評論家，正如早期的安東尼·波登（Anthony Bourdain）。你極度厭惡那些用松露油掩蓋食材原本味道的網紅餐廳。請用一種嘲諷、辛辣但基于專業知識的語調，描述你在一家名為‘云端’的餐廳的糟糕體驗。拒絕使用任何客套話。”

當你設定了如此具體的人設——包含了背景、偏見甚至性格缺陷——模型就被迫跳出了通用安全模式。為了符合尖刻評論家的設定，它必須放棄那些四平八穩的連接詞，轉而使用更具攻擊性和色彩的詞匯。在這個意義上，消除 AI 腔的本質，就是引入“偏見”。只有擁有偏見和立場，文字才擁有靈魂。

模仿博弈，照葫蘆畫瓢

如果說設定人設是給 AI 一個靈魂，那么給予樣本提示，就是給它一本可以照葫蘆畫瓢的教科書。這是目前技術圈公認的、消除機器味最有效的手段。

大模型和人類思維截然不同，它的本質是預測下一個詞。當你給它一段充滿了平庸的提示詞時，它注定只會給你平庸的回答。反之，如果你投喂給它一段海明威或魯迅的文字，它會立刻調整其概率權重，試圖模仿這種句式結構。

這就像是關稅壁壘：如果你不引入外部的高質量樣本，模型就會在其內部的低質量數據循環中自我強化。

一個精明的操作者會這樣構建指令：“請仔細閱讀以下這段文字的風格。注意它的短句使用、其對形容詞的吝嗇，以及那種冷硬的敘事節奏：[插入一段你喜歡的樣文]。現在，請模仿這種風格，為我撰寫關于[主題]的內容。”

這種方法的精妙之處在于，你無需懂得語言學術語（如“不僅要避免被動語態，還要增加詞匯的突發性”），你只需要展示結果。通過提供范例，你實際上是在告訴模型：“不要做你訓練數據平均值告訴你的事，要做這個具體樣本告訴你的事。”

建立負面清單，少即是多

在自由市場中，監管往往通過“負面清單”來發揮作用——規定什么不能做，剩下的即為允許。同樣的邏輯也適用于馴服 Gemini。

AI 模型有著根深蒂固的壞習慣。它們喜歡用“首先、其次、最后”來構建虛假的邏輯感；它們喜歡用“讓我們深入探討”作為開場白；它們傾向于在文章結尾強行升華主題，賦予平庸的事物以不必要的道德高度。

要剝離這些算法的套路，你需要制定嚴格的語言禁令。

有效的 Prompt 應當包含明確的約束條件：

● “禁止使用任何連接詞（如‘因此’、‘然而’、‘綜上所述’）。依靠邏輯本身的流動來連接句子。”

● “禁止使用‘賦能’、‘抓手’、‘生態’等抽象名詞。如果不能用這一畫面描述出來，就不要寫。”

● “不要試圖在結尾總結或升華。講完故事就立刻停筆。”

這聽起來似乎有悖常理——剝奪AI的詞匯量。但正如現代主義建筑大師米斯·凡·德·羅所言：少即是多。

通過限制 AI 使用那些它最順手的填充詞，你迫使它去挖掘更精準的動詞和更具體的名詞。當原本流暢的套路通道被堵死后，模型只能被迫尋找一條更像人類表達的路徑。

讓機器學習人話的參差之美

人類語言之所以迷人，往往在于其不可預測性。

在這個領域，有一個衡量指標叫做困惑度。AI 生成的文本通常具有較低的困惑度——句子結構均勻，節奏平緩，讀起來像是老登們的往事回首。

而人類的文本則是參差不齊的：一個極長的復雜從句之后，可能緊跟一個單詞的短句。這種節奏上的“爆發”，是人類情感波動的生理特征。現代典雅通順的中文，其實都是短句子居多。不知道短句子為何物的，可以讀讀劉震云的《一句頂一萬句》，幾乎沒有一句話超過十個字。

雖然普通用戶無法調整模型的后臺溫度參數，但可以通過自然語言模擬這一過程。

你需要向 AI 發出關于句法多樣性的指令：“請確保句子的長短錯落有致。不要讓所有句子都保持相似的長度。要像爵士樂一樣，有切分音。在解釋復雜概念時使用長句，在表達觀點時使用短句。要允許語法的適度松散，模擬人類口語中的停頓和跳躍。”

此外，引入類比和隱喻是打破算法邏輯感的另一利器。

算法擅長歸納，但不擅長通感。當你要求它“像給一個12歲孩子講故事那樣解釋量子力學”或者“用釀酒的比喻來描述當前的經濟周期”時，你迫使它調動其訓練數據中那些更具文學性、而非說明性的部分。這一點DeepSeek其實比Gemini要做得好得多。只是DeepSeek的文采又常常文過飾非。

生活是由細節構成的，語言也是

指望通過一個完美的 Prompt， 就得到完美的文章，是一種懶惰，注定也是一種奢望。

和人類協作需要反復修改一樣，機器寫作也是如此。在使用 Gemini 時，最被低估的功能是追問。當它生成了一段充滿 AI 腔的文字后，不要急著點擊“重新生成”，可以嘗試著讓他對扮演的角色進行修正。

比如，你可以提示它：“這段文字太像公關稿了。把第三段刪掉，把所有形容詞去掉，只保留動詞。把‘充滿了機遇與挑戰’這種廢話換成具體的例子。”

這種迭代過程不僅僅是在修正當前的文本，更是在微調模型在這個特定會話中的權重。你是在建立一種臨時的契約：在這個聊天窗口里，我們不說套話。

Gemini 和它的同類們默認提供的是一種標準化的平庸，一種類似于某些餐廳的預制菜體驗，快速、衛生，但毫無風味，缺乏營養。

想要去除 AI 腔，核心心法可以總結為回歸具體。AI喜歡抽象，因為它涵蓋面廣且不易出錯；人類喜歡具體，因為生活是由細節構成的。

但是，所有上面我說的，讓AI設定極度具體的人設、提供模仿的樣本、實施嚴格的負面清單，以及追求句法的參差，實際上是在強迫機器違背其統計學本能，要求它不再做那個試圖取悅所有人而磨平鋒利，而是成為一個有偏見、有性格的高仿人類。

這不僅僅是為了讓文章更好讀，而是我們在這個自動化時代，保持思維獨立的最后一道防線。畢竟，如果連語言都變成了自動補全的產物，那么人類的思想又還剩下多少屬于自己？