AI能替我们写悼词吗？十六次失败揭示的技术边界

当悼词遇上人工智能

《Sixteen Failed Attempts to Write a Eulogy for My Father》（为父亲撰写悼词的十六次失败尝试）触及了一个在AI写作普及浪潮中愈发尖锐的问题：当我们面对人生中最私密、最沉重的写作任务时，人工智能究竟能扮演什么角色？

作者在父亲离世后尝试撰写悼词，经历了十六次失败。这个数字本身充满张力——既是技术工具反复迭代的记录，也是一个人在悲痛中挣扎的隐喻。在生成式AI被宣传为万能写作助手的今天，这样的故事恰恰划出了技术能力的真实边界。

AI写作擅长什么，又缺失什么

语言的形式 vs 情感的真实

现代大语言模型（LLM）在生成流畅、结构完整、辞藻优美的文本上已达到惊人水准。给它一段关于逝者的基本信息，几秒内便能产出格式规范、情感"到位"的悼词。从纯粹的文字质量看，这些输出往往无可挑剔。

理解这一能力的本质，有助于我们看清其局限所在。大语言模型的核心架构基于Transformer，由Google在2017年的论文《Attention is All You Need》中提出。该架构的革命性创新在于"自注意力机制"（Self-Attention）——模型在处理每个词时，能够动态计算它与序列中所有其他词的关联权重，从而捕捉长距离语义依赖关系。这一机制彻底取代了此前主流的循环神经网络（RNN），使并行训练成为可能，为大规模语言模型的崛起奠定了基础。

其训练过程分为两个阶段：首先在数千亿乃至数万亿词符（token）的文本语料上进行自监督预训练，学习语言的统计分布；继而通过人类反馈强化学习（RLHF，Reinforcement Learning from Human Feedback）进行对齐微调，使输出更符合人类偏好。RLHF的工作原理是：由人类标注者对模型的多个输出进行排序，训练一个"奖励模型"来预测人类偏好，再以此奖励信号通过强化学习优化语言模型本体。这一机制赋予模型极强的文体模仿与风格迁移能力，但也决定了它的根本局限：LLM生成的每一个词，本质上是基于前文语境的条件概率预测，而非基于任何真实经历或情感状态。其生成文本的本质是识别出"悼词"这类文体的典型模式：开篇缅怀、中段叙事、结尾升华。这种模式匹配能力极为强大，足以生成在形式上无懈可击的文本，但也正因如此，它生成的是"统计意义上最可能的悼词"，而非某个具体人的独特故事。

但悼词的本质不在于文字华美，而在于其承载的真实记忆与私人情感。一篇打动人心的悼词，需要唤起那些只有亲历者才知道的细节——父亲某个不经意的习惯、一句反复念叨的话、一段只属于两个人的往事。这些无法被通用模型"生成"，只能被真实地"回忆"。

情感计算（Affective Computing）是AI领域致力于让机器识别和模拟人类情感的分支，由麻省理工学院媒体实验室的罗莎琳德·皮卡德（Rosalind Picard）于1997年在同名著作中系统提出。这一领域涵盖面部表情识别、语音情感分析、生理信号处理等多个技术方向，在心理健康监测、人机交互设计和教育科技等场景中已有广泛应用。尽管现有模型可以分析文本情感倾向、调整语气以匹配哀伤或喜悦，但这与真正"拥有"情感体验存在本质差距。

哲学上，这涉及约翰·塞尔（John Searle）于1980年提出的著名"中文房间"思想实验——假设一个不懂中文的人依靠规则手册对输入的中文符号进行操作并输出中文回复，外部观察者无法区分其与真正懂中文者的区别，但房间内的人从未"理解"任何内容。塞尔以此论证，功能等价不等于语义理解，再完善的符号处理系统也缺乏"意向性"（intentionality）——即心理状态"关于"某事物的指向性特征。这一论点至今仍是AI哲学领域最具争议的命题之一，支持者认为它揭示了强人工智能的根本不可能性，反对者（如丹尼尔·丹尼特）则主张从系统整体而非个别组件来评价理解能力。但无论这场哲学争论最终走向何方，在悼词写作这一情境下其含义已足够具体：即便AI输出的文字在情感表达上无懈可击，它所调用的也只是训练语料中的统计模式，而非任何真实发生过的共同记忆。机器能够输出符合情感语境的语言，并不意味着它经历了那种情感。在悼词写作中，这一鸿沟尤为明显：AI缺乏的不是语言能力，而是那段真实的共同记忆。

"十六次失败"的深层含义

作者的十六次失败，或许并非因为AI写得不好，恰恰相反——正是因为每一次AI给出"完美"文本，作者才更清晰地意识到：这不是我父亲，这不是我想说的话。技术提供的流畅感反而构成一种障碍，它填补了空白，却也稀释了真实。

心理学研究为这一现象提供了深刻注脚。詹姆斯·彭内贝克（James Pennebaker）自1980年代起主导了一系列奠基性实验，发现连续数天每天书写创伤性经历的受试者，在此后数月内的免疫指标、心理健康水平和医疗就诊频率均优于对照组。其理论框架认为，叙事化（narrativization）是哀伤整合的关键机制——将碎片化的情绪记忆转化为连贯故事，能够降低认知抑制所消耗的心理资源，促进意义建构（meaning-making）。值得一提的是，彭内贝克的研究方法论本身也颇具启示：他通过分析书写文本中的语言特征（如第一人称代词使用频率、因果词汇密度、积极/消极情感词比例）来量化心理健康变化，这一"语言探究与词语计数"（LIWC）工具后来成为计算社会科学的重要方法之一，也被AI研究者用于分析模型生成文本的情感特征。这一发现被后来的叙事疗法（Narrative Therapy）广泛吸收，并在临床哀伤干预中得到应用。值得注意的是，彭内贝克本人后来的研究也指出，并非所有书写都具有等同效果——机械重复事实描述的效果远弱于真正触及情感内核的表达。从这一视角看，"十六次失败的尝试"本身就是哀悼过程不可或缺的一部分——每一次书写、推翻、重来，都是作者与失去进行深度和解的方式。若将这一过程外包给AI，实际上是中断了这段内在的情感旅程。

这提醒我们一个常被忽视的事实：在情感表达领域，效率和完美并不总是我们真正需要的。有时候，写作的过程本身——反复推翻、字斟句酌的痛苦——正是哀悼与告别不可跳过的一部分。

AI辅助写作的伦理边界

何时该用，何时不该用

这个案例引出了一个值得深思的问题：哪些场景下，我们应当主动拒绝AI的帮助？

对于报告、邮件、代码这类功能性写作，AI介入几乎没有争议，它节省时间、提升质量。但对于悼词、情书、日记这类承载个人身份与情感的文本，过度依赖AI可能意味着一种精神上的"外包"——我们把最应该由自己完成的情感劳动，交给了机器。

工具与代笔的本质区别

关键在于AI的定位。作为激发思路的工具，AI可以帮助整理零散记忆、提供结构建议、消解"面对空白页"的恐惧；作为完整内容的代笔者，它就越过了那条微妙的界线。前者放大人的表达，后者替代人的表达。

这一区分在更广泛的AI写作争论中同样适用。当前主流AI写作工具在能力分布上呈现明显的梯度差异：在事实性、结构性任务上（如摘要、翻译、格式转换），准确率已接近专业人类水平；在创意写作领域，模型能够模拟特定风格、填充叙事结构，但在原创性与深度上仍有争议；而在需要调用真实私人记忆与具身情感的写作中，模型面临的是原理层面的不可逾越。以GitHub Copilot在编程领域的应用为参照，工程师社区普遍接受AI补全逻辑片段，但对AI独立架构系统设计持保留态度。这一直觉背后存在深层逻辑：功能性任务的价值在于结果，而个人表达的价值在于过程与主体性。

这一逻辑在媒介理论层面也有呼应。马歇尔·麦克卢汉（Marshall McLuhan）的著名论断"媒介即讯息"（The medium is the message）提示我们：任何技术工具的引入，都不只是改变了效率，更重塑了行为主体与行为本身的关系。当写作工具从钢笔变为打字机、再变为文字处理软件，写作者与文字的关系在每一次变革中都发生了微妙位移。麦克卢汉将媒介区分为"冷媒介"（low definition，需要受众高度参与填充信息）与"热媒介"（high definition，信息密度高、参与度低），从这一框架看，AI写作工具是一种极度"热"的媒介：它为用户提供了近乎完整的内容输出，大幅压缩了使用者主动投入的空间，而个人表达恰恰需要那种"不完整"留下的创作张力。AI写作工具的介入，则将这种位移推向了一个新的临界点——它不仅改变了"如何写"，更潜在地改变了"谁在写"的根本问题。当AI介入个人表达时，引发的不仅是质量问题，更是关于"这还算是我的作品吗"的身份认同危机。

作者最终选择继续尝试而非直接采用AI输出，本身就是对这条界线的坚守。真正的告别必须出自本人之手，哪怕笨拙、不完美、充满删改的痕迹。

对技术乐观主义的冷静反思

在不断宣扬"AI能做一切"的时代，这个故事提供了一剂清醒的解药。它并非否定技术的价值，而是提醒我们厘清技术的适用范围。

人工智能可以处理信息、模拟语言、优化表达，但它无法真正理解一个儿子对父亲的爱，无法体验失去的痛楚，也无法拥有构成一个人独特生命的私密记忆。讨论AI能力边界时，我们往往聚焦于逻辑推理、事实准确性等技术指标，却容易忽略情感真实性这一更难量化却同样重要的维度。这一盲区在AI评测体系中表现尤为明显：主流基准测试（如MMLU、HumanEval、GSM8K）主要评估知识问答、代码生成和数学推理能力，尚无成熟框架能够评估模型在情感真实性上的表现。这不仅是技术挑战，更折射出一个更根本的认识论困境：情感真实性本身难以被外部观察者客观验证，即便是人类评估者，也往往只能判断文字是否"看起来真实"，而无法确认其背后是否存在真实的情感来源。近年来，部分研究者尝试通过"同理心评测"（Empathy Evaluation Benchmarks）和创意写作竞赛来弥补这一空白，但迄今为止，这些方法仍停留在测量语言形式层面，而非内容的情感真实性层面——恰恰印证了本文核心论点：技术能够模仿情感的形态，却无从触及情感的本质。

有些文字，注定要亲手写下

这篇关于"十六次失败"的文章之所以引发共鸣，正是因为它触碰到了技术与人性交汇处最柔软的地带。在AI写作工具日益渗透我们生活的今天，学会区分"AI能做"与"AI应该做"，是我们每个人都需要修习的功课。

有些文字，注定要由我们亲手写下——即使要失败十六次，即使永远不够完美。因为那份不完美，恰恰是爱与记忆最真实的模样。