AI 文風指紋可作覆核線索，不能當成作者鑑定

圖片：TechLab 自製資訊圖

TechLab 編輯部（譯）·2026-10-02

生成式 AI 寫作愈來愈普及，讀者、編輯和教師自然想知道一段文字是否由模型生成。TechCrunch 報道引述行銷公司 Graphite 的研究，指多個前沿模型即使減少了破折號、「delve」等廣為人知的習慣，仍會反覆使用某些字詞和對比式句法。這些規律可視為「文風指紋」的候選線索，但研究呈現的是大量文本的統計差異，並不足以準確判定單一文件的作者身分。

這個限制尤其重要。模型輸出會受 prompt、原始材料、改寫次數、人工修訂和使用者本來文風影響；人類作者也可能恰好使用同一套措辭。因此，若把某個句式或偵測器分數直接變成學術紀律、稿件採用與否，或職場誠信判斷的證據，風險很高。較合理的用途，是把它當作觸發人工覆核的訊號，然後回到事實、引文、論證和版本紀錄作判斷。

研究量度的是傾向，不是身分

Graphite 以 10,000 篇在 ChatGPT 推出前發表的文章作人類寫作對照組，並要求不同 AI 模型根據文章摘要重寫內容，以減少直接沿用原文所帶來的偏差。研究人員再比較人類樣本與各模型樣本中，字詞、片語及較廣泛句子結構的出現頻率。該公司把在 AI 內容中至少比人類內容常見一倍的 13,000 個片語界定為「特徵」。

這種設計有其價值：同一批摘要可讓研究集中比較模型輸出的語言選擇，而不是把題材差異誤當作模型特徵。不過，它同時代表結果主要反映「按摘要重寫文章」這個任務下的表現。來源未提供不同語言、不同 prompt、不同文本長度或人工編修後版本的測試結果，也沒有顯示外部研究團隊的獨立驗證。故此，讀者不宜把數字理解成所有使用情境下都適用的偵測準則。

三個模型各有慣性，但會隨版本改變

按 Graphite 結果，Claude Opus 5.5 對「dependable」的使用頻率較人類樣本高 23 倍；「this matters」高 116 倍，而「why X matters」高 92 倍。它雖然避開了「it’s not X, it’s Y」這類較易被認出的寫法，卻仍傾向以「is more than an X, it’s a Y」建立較強的定義或轉折。這類句子常用來放大一項觀察的意義，讀起來流暢，但結論有時會走得比證據更前。

OpenAI 的 Astra 則常以「another dimension」描述議題，並以「may provide」或「can provide」保留論斷空間。Graphite 特別指出其「corrective framing」：例如把一個題目說成「not simply X」，或提出「rather than relying on X」的替代做法。該研究稱，這些結構在 Astra 生成文本中比人類樣本常見逾 100 倍。Gemini 3.1 Pro 的具體高頻措辭，來源沒有列出；可確認的是，它在樣本中幾乎完全不用破折號。

破折號的變化正好說明，公開流傳的「AI 味」清單很快會過時。Graphite 指 Opus 5.5 使用破折號的頻率較 Opus 5 少 99%，Astra 亦較人類樣本少 88%。公司首席 AI 官 Greg Druck 對 TechCrunch 表示，模型公司可移除最廣為人知的特徵，但其他特徵會出現，而且各版本都不同。這是商業公司提出的觀察，暫未見來源所列的獨立覆核；其可取之處在於提醒人們，固定規則未必能追上模型更新。

人工覆核應看內容責任，而非只看句式

對文章編輯而言，遇到過度頻繁的「這很重要」、強行對比、抽象形容詞或沒有承接證據的結論，第一步可要求作者補上可核實資料、清楚標示引述來源，並把泛泛的判斷改為具體說明。編輯亦可檢查每段是否真正推進論點、例子是否支持結論，以及標題與內文有沒有誇大。即使文本最終證實完全由人手撰寫，這些檢查仍有助改善稿件。

在學術場景，較穩妥的做法是把注意力放在研究過程可否追溯：學生能否解釋論證取捨、展示筆記與引用脈絡，並指出資料如何導向結論。單憑某句式、詞彙密度或偵測工具標記便下結論，容易誤傷非母語寫作者、套用學術慣例者，或曾獲語言潤飾協助的人。若院校容許特定程度的 AI 輔助，規則也應分清構思、校對、改寫和代寫，讓評估準則可理解及一致執行。

辦公室文件的重點則是責任歸屬。使用 AI 起草電郵、報告或簡報後，提交者應逐項核對數字、日期、政策名稱、客戶承諾與引用，並刪除無法確認的推斷。管理者可在高風險文件保留版本紀錄及審閱步驟，但不必把團隊變成互相查找文風的監察系統。從這項研究可作出的合理推論是，與其追逐下一個模型口頭禪，建立可重複的事實核查與簽核流程，會更能應對模型版本和寫作習慣的改變。

往後值得觀察的是，這類研究能否擴展至更多任務、語言和經人工修訂的文本，以及是否有獨立團隊重現結果。對內容平台、學校和僱主來說，模型文風特徵可以協助發現值得再看的文件；真正影響判斷品質的，仍是人能否檢查證據、理解使用情境，並給予當事人合理回應的空間。