为什么AI生成的语言这么难懂？

在Hacker News上，一个关于「为什么AI生成的语言如此难以理解」的讨论引发了71点热度和59条评论。这个问题看似简单，却触及了当前大语言模型在语言生成层面的深层矛盾：模型被设计得越来越「流畅」，但读者却常常感到「费解」。

流畅≠易懂：AI语言的认知负荷问题

AI生成的文本往往语法完美、用词考究，但读起来却让人头晕。这并非错觉。Hacker News上的讨论指出，问题不在于AI「不会说话」，而在于它说的是一种没有真实交际意图的语言。

人类写作时，作者会预判读者的知识背景、阅读目的和可能的困惑点，主动调整信息的密度和顺序。而大语言模型生成文本时，优化的目标是「下一个token的概率」，而非「读者的理解效率」。结果就是：句子之间逻辑连接词齐全，但信息推进的节奏并不服务于人类的理解路径。

一位评论者用了一个精妙的比喻：读AI生成的文本，就像听一个从不喘气的人说话——每个字都清楚，但整体上缺乏让你消化和回应的间隙。

认知负荷（Cognitive Load）原本是教育心理学中的概念，由John Sweller在1980年代提出，指工作记忆在处理信息时所承受的负担。人的工作记忆容量有限，一次只能处理约4±1个信息组块，一旦超出，理解效率就会急剧下降。认知负荷分为三类：内在负荷（材料本身的复杂程度）、外在负荷（呈现方式不当造成的额外负担）、以及关联负荷（用于构建图式的心智投入）。AI文本让人费解，很大程度上是外在负荷过高——句子之间的过渡、抽象名词的堆叠、缺乏具体锚点，都迫使读者额外消耗工作记忆去重建作者的意图。这与人类写作中「预判读者认知状态、主动降低外在负荷」的实践形成鲜明对比。

语义密度与「正确的废话」

另一个被反复提及的因素是语义密度失衡。AI倾向于在一个段落里塞入大量抽象名词和修饰语，形成一种「高密度但低信息量」的文本。表面上看每句话都在陈述观点，细读却发现许多句子在重复或稀释同一个意思。

这种现象在Hacker News的讨论中被概括为「正确的废话」：AI不会犯明显的逻辑错误，但它会用不同的措辞反复包装同一个安全、笼统的结论。读者需要耗费额外精力去辨别哪些是真正的新信息，哪些只是修辞上的填充。

这与人类专家的写作形成对比。好的技术作者会主动压缩冗余、用具体例子锚定抽象概念，而AI往往反其道而行之——用抽象解释抽象，用概括包裹概括。

语义密度（Semantic Density）在社会语义学中指的是单位文本所承载的意义数量。语言学家J.R. Martin等人将其作为衡量语域复杂度的一个维度：学术文本通常语义密度高，因为大量信息被压缩进名词短语；口语则语义密度低。然而高语义密度并不必然意味着高信息量——当抽象名词只是相互指涉而缺乏经验锚点时，语义密度上升而实际信息增量趋近于零。Hacker News讨论中所说的「正确的废话」，正是这种语义密度与信息量脱钩的状态：文本语法完备、术语准确，却因为缺乏可验证的具体指涉，读者反复咀嚼后得到的仍是笼统结论，从而产生「读了很多却什么也没记住」的挫败感。

缺乏「共同 ground」：AI不知道你在哪里

讨论中一个共识是：人类交流建立在共同 ground（共同背景知识）之上。当你说「这个方案和上次那个类似」，你默认对方知道「上次那个」是什么。人类作者会在写作中逐步建立这种共同背景，或根据目标读者调整预设。

AI没有这种能力。它不知道读者的知识边界在哪里，因此要么过度解释（对专家显得啰嗦），要么假定过多（对新手显得跳跃）。Hacker News评论者指出，这种「读者模型缺失」是AI文本难以理解的结构性原因。模型可以模仿学术腔、博客腔或新闻腔，但它模仿的是语域的表面特征，而非语域背后的读者关系。

共同 ground（共同背景知识）是认知科学与语用学中的核心概念，由Herbert Clark等人在1990年代系统阐述。它指交际双方共同知道、且彼此都知道对方知道的那部分知识与预设。人类对话中，「这个」「上次那个」等指示性表达之所以能被理解，正是因为双方在互动中不断建立和更新共同 ground——通过提问、确认、修正，逐步校准彼此的认知状态。Clark称之为「grounding」过程。大语言模型在单轮生成时没有这样交互式校准的机会，它只能基于训练语料中的统计模式推测读者可能的背景，因此无法判断哪些信息需要展开、哪些可以省略。这种「共同 ground 的不可协商性」，是AI文本在跨读者群体时普遍难以适配的深层原因。

为什么模型越强，文本反而越难读？

一个反直觉的观察是：随着模型能力提升，AI文本的「难懂」并未消失，只是换了一种形式。早期模型的问题是语法错误和逻辑断裂，容易被识别；当代模型的问题则是过度平滑的复杂——句子结构完整、术语使用准确，但整体读起来像一份没有重点的合规文档。

讨论中有人将这种现象归因于对齐训练的副作用。为了让模型「有帮助且无害」，训练过程倾向于奖励全面、平衡、留有余地的表达，这自然导向一种回避明确立场、堆砌限定条件的文风。读者感受到的「难懂」，部分是对这种防御性写作的直觉反应。

对齐训练（Alignment Training）通常指通过监督微调、基于人类反馈的强化学习（RLHF）等手段，使模型输出符合人类偏好与安全规范。其奖励信号往往偏好「全面、无遗漏、不冒犯」的回答，因为这类输出在标注者眼中显得更可靠。但奖励全面性会系统性地鼓励模型堆砌限定条件、列举多种可能性、避免给出明确判断——这正是「防御性写作」的成因。值得注意的是，这种偏好并非模型能力缺陷，而是优化目标的直接产物：一个在安全评估中得分更高的模型，可能同时在可读性上更差。理解这一权衡，有助于使用者区分「模型不会写清楚」和「模型被训练成不优先写清楚」。

如何与AI语言相处

Hacker News的讨论并未止于抱怨。几条实用建议获得了较多认同：要求AI「用一句话说结论」再展开；让它先列出论点再写段落；对关键概念要求给出具体例子而非定义。核心逻辑是：用人类的理解路径去约束生成过程，而不是被动接受模型默认的输出节奏。

AI生成语言难以理解，本质上不是技术缺陷的偶然产物，而是优化目标与人类交际需求之间的错位。认识到这一点，比单纯抱怨「AI写得不好」更有助于我们用好这类工具。