Nature子刊：当8亿人都在用AI写作，语言多样性正在快速消失

“我们正在把语言塑造成它最终的形态，即当没有人再说别的语言时的那种形态。”英国作家乔治·奥威尔（George Orwell）在反乌托邦小说《1984》中如是说。

如今，某种类似的趋势，可能正在真实世界发生。

本周，一篇由南加州大学（USC）团队及其合作者发表在 Nature 子刊 Nature Human Behaviour 上的研究论文揭示：大语言模型（LLM）作为写作助手的普及，正在与语言多样性的下降联系在一起。

简单来说就是，LLM 正在让来自我们不同人的文字“越来越像”。

论文链接：https://www.nature.com/articles/s41562-026-02550-0

语言，是每个人的特殊“指纹”

语言远不只是交流工具。一个人说什么、怎么说，往往也会透露他的身份、心理状态和社会背景。从地域方言到日常交流中的细微表达，语言始终与个体及其所处的群体紧密相关。

因此，语言也成为许多领域观察人的重要线索。心理学家通过语言分析追踪心理健康状况，社会科学家借此研究道德价值观和社会偏见，营销行业则利用语言进行大规模个性化，临床研究甚至尝试用语言辅助识别抑郁症等疾病。

但这些应用都有一个前提：人们表达同样的意思时，使用的语言并不完全相同。每个人都有自己的表达习惯，而这种差异恰恰让语言能够反映个人身份、性格和心理状态。

那么问题来了：LLM 的训练目标是生成“统计上最可能的续写”，这个机制天然偏爱主流的语言模式。当 ChatGPT、Claude 等工具的服务用户超过 8 亿，从邮件、代码到论文、文案都在被 AI 助手“润色”时，人类语言的多样性还会继续存在吗？

在这项研究中，研究团队分析了超过 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等不同类型，并通过三项研究发现：使用 LLM 确实可能削弱语言中与个人身份、性格和心理健康相关的线索，使人们更难仅凭语言识别这些特征。

研究一：ChatGPT发布后，写作复杂度方差明显下降

这项子研究考察了 LLM 使用量的增长是否与写作风格的同质化相关。该研究分为两步。

第一步是观测真实世界的数据。研究团队分析了三个大规模纵向数据集：arXiv 论文摘要（约 8 万篇）、Patch News 文章（约 37.96 万篇）、Reddit 创意故事（约 31.8 万篇），时间跨度为 2018-2024 年。他们用高精度检测工具 Binoculars 判断文本是否为 AI 所写，并追踪“写作复杂度”这一指标的方差变化。结果非常一致：

• arXiv：ChatGPT 发布后，写作复杂度方差出现显著且持续的下降，且 AI 使用率的变化能显著预测后续方差的变化。也就是说，使用 AI 的频次越多，学术写作的风格就越趋同。
• Patch News：ChatGPT 上线时方差出现明显骤降，但 Granger 因果检验不显著。研究团队认为，专业编辑流程和机构规范可能缓冲了 AI 的均质化效应，不过微妙的影响仍然存在——也许不是直接使用，而是 AI 生成内容通过影响整体写作规范间接起作用。
• Reddit：同样，在 ChatGPT 发布后出现持续的方差下降，AI 使用率对方差下降同样有显著的预测作用，只是滞后更长（约 20 个月）。他们推测，这可能因为 Reddit 用户群体更广泛多元，采纳 AI 工具比科研人群更慢。

第二步是控制实验。他们从 Reddit 和 arXiv 中随机抽取了 1000 篇 ChatGPT 发布前的人类原创文本，并用 GPT-3.5、Llama 3 70B、Gemini Pro 以中性提示词（如“改写”“改善语法”）润色，然后对比润色前后的写作复杂度方差。结果显示：LLM 在保持原意的前提下（87% 的文本相似度超过 0.95），显著压缩了写作风格的方差。

研究二：从文字里“读人”，变难了

如果说研究一讨论的是“大家写得越来越像”，研究二则追问了一个更尖锐的问题：我们还能从文字中认出写字的人吗？

研究团队先是收集了与作者心理测量数据配对的文本语料，包括年龄、性别、Big Five 人格、共情能力和道德价值观等，然后训练分类器根据文本特征预测这些个人特质，再比较原始文本与 LLM 改写文本的预测准确率。他们发现：

第一，预测准确率平均下降约 6%（F1 绝对值）。六类特质的预测性能均显著下降，其中年龄受到的影响最大：F1从 0.351 跌到 0.260。不过，分类器的表现仍高于随机水平。这说明 AI 并没有完全抹去文本中的身份信号，只是削弱了这些信号。

第二，这种改变不是随机的，而是系统性地偏向特定画像。LLM 改写后的文本更常被判定为：年龄更大、道德感更强、共情水平更低、外向性更低，而开放性和宜人性更高。

第三，这个趋势跨模型、跨提示词都成立。无论更换 LLM，还是调整改写指令，身份特征的偏移方向都保持一致。

换句话说，LLM 不是简单地“擦除”身份信号，而是在引入新的偏差，把不同作者的文字逐渐推向某种相似的“默认人设”。

研究三：那些经典的“词-人”关联，正在被冲掉

社会语言学和心理学积累了大量“某个词类与某种特质相关”的成熟结论。研究三旨在检验：这些关联经过 LLM 改写后还在吗？

在原始文本中，研究团队成功复现了许多经典发现，如“外向者更多用积极情绪词”“开放性与复杂词汇相关”等。然而，经过 LLM 改写后，许多关联被“冲掉”了。比如：

• 外向性与代词使用的关联：显著消失；
• 忠诚度与朋友类词汇的关联：显著消失；
• 年龄与未来导向词汇的关联：显著消失。

诸如“神经质与负性情绪词”等另一些关联却保留了下来。这说明，LLM 带来的影响更接近一种选择性侵蚀，而非“一刀切”式的噪音。

对依赖词汇线索开展研究的学科来说，这可能比全面失真更麻烦——哪些关联还可靠、哪些已经失效，需要逐一检验，否则研究者可能得出关于身份、群体差异或文化模式的偏差结论。

意味着什么？

既然 LLM 的大规模采用已经带来了这些变化，那对我们会产生哪些潜在影响呢？研究团队给出了一部分示例，如下：

1.临床与心理健康：写作风格高度同质化后，通过文本识别抑郁等关键标记可能变得更难，妨碍早期发现与干预；

2.个性化与营销：依赖细微语言差异的定向分析可能失效；

3.招聘：AI 润色过、符合主流风格期待的申请者可能比写作风格独特但“不够圆熟”的申请者更占便宜，加剧不公平；

4.文化保护：语言承载的文化标记被抹平，语言遗产面临威胁。

更值得警惕的是一个反馈循环：LLM 影响过的文本不断进入在线语料库，而这些语料库又将被用于训练下一代模型，这将可能使得语言多样性的流失逐步自我强化。

最后，研究团队还提出了一个更深远的问题：鉴于语言与思维密不可分，语言的均质化可能最终限制认知的灵活性与创造力。在极端情况下，正如奥威尔所警示的，这可能会“缩小思想的范围”。

当然，这项研究并非意在否定 LLM 的价值。它们确实能够让写作更加清晰，也让更多人更容易完成表达。

然而，当来自数以亿计人的文字都流经同一套统计模型，个体表达的独特性正在被悄然稀释。它并非源于审查或删除，而是在一次次“帮我润色一下”中，被温柔地抹平。

如何让 AI 工具成为放大人类表达多样性的积极力量，同时避免所有人逐渐写出同一种“AI 腔”，将成为 AI 时代必须回答的问题。

更多技术细节，详见原论文。

作者：学术君

如需转载或投稿，请直接在本文章评论区内留言