AI写作的5条准则：从德鲁肯米勒风波看AI辅助创作的边界

当金融界重量级人物斯坦利·德鲁肯米勒（Stanley Druckenmiller）在《华尔街日报》发表一篇批评财政部政策的社论时，他大概没想到舆论焦点不是他的论点，而是——这篇文章明显是AI写的。

AI检测工具Pangram给出的AI生成概率是100%。有人视之为丑闻，要求强制披露。但当事人和《华尔街日报》意见版编辑的回应却出奇一致：当然用了AI，这有什么好隐瞒的？这场围绕AI写作合法性、披露义务与质量标准的讨论，成了近期AI圈最热的话题之一。

一场关于「代笔」的旧争论，换了新主角

德鲁肯米勒在金融圈地位堪称传奇——他管理的对冲基金在1981到2010年间没有一个亏损年份，这是前无古人、后无来者的纪录。这次的社论《让债券市场发声》直指当下宏观货币政策核心，本该是内容为王的讨论。

但文章里充斥着典型的「AI腔」：大量「这不是X，而是Y」的排比句式，比如「如果30年期国债必须以5.5%的收益率成交，那不是危机，是一张账单」。这种句式模式让读者一眼识破。

面对质疑，德鲁肯米勒没有道歉，反而直言：「兄弟，我当然用了AI。我从英语专业转去学经济学是有原因的。我现在写所有东西都用AI，就像做数学题时用计算器一样。」《华尔街日报》意见版编辑Paul Jai Goh力挺：AI是现代生活的既定事实，人们会用它来辅助研究、检查语法、编辑润色。真正重要的是发表的内容是否反映作者的原创论点，以及作者是否有资格提出这一主张。

值得对照的是，彭博社的Joe Weisenthal指出，AI出现之前，大量知名人士署名的社论本就是由手下代笔，那时并没引发多少争议。记者Sharon Goldman也证实，她曾为多位高管代写数十篇社论，这是行业常态，她从不要求署名。换句话说，「代笔」这件事本身早已存在，AI只是把它变得更廉价、更显眼。

Pangram Labs是一家专注于AI内容检测的公司，其工具通过分析文本的"困惑度"（perplexity）与"突发性"（burstiness）来判断内容是否由AI生成。困惑度衡量语言模型对文本的"意外程度"——AI倾向于选择高概率词汇，导致困惑度偏低；突发性则衡量句子长度的变化幅度——人类写作通常夹杂长短句，而AI输出的句子长度更为均匀。然而，AI检测工具的准确性在业内存在广泛争议：它们对非英语母语作者的误判率偏高，且面对经过人工润色的AI文本时可靠性大幅下降。这意味着"100%AI生成"的判定本身就带有不确定性，这也是部分人认为强制披露标准难以落地的技术原因之一。

分歧的核心：写作是艺术，还是功能性工具？

围绕这场争论，业内观点明显分成两派。

投资人Scott Phillips、Andrew Steinwald等人认为反对AI写作是「老古董思维」，两年后不会有人在意。Chamath Palihapitiya更尖锐地反问：你会在X上发表观点时，逐一披露你读过的每篇塑造了你想法的文章吗？不会。要求披露AI是「一种愚蠢的新型道德表演」。

另一派则坚持披露的必要性。All In播客的Jason Calacanis主张：公开发表的AI辅助文章，应该在第一句话就声明。不披露就等于抄袭——因为读者无法分辨哪些是你的思考、哪些是「黑盒子」的产出。

Spectrum Markets的Brent Donnelly把问题提炼得最精准：AI写作之争归根结底是一个问题——写作是艺术，还是像代码一样的功能性沟通工具？这就像问汽车是用来从A到B，还是用来享受驾驶乐趣。没有标准答案，因人而异。

Chamath Palihapitiya是硅谷知名风险投资人，Social Capital创始人，也是《All In》播客的固定嘉宾之一。他以对科技行业的犀利批评和反建制立场著称，经常在公开场合挑战主流媒体与金融机构的叙事框架。他将AI披露要求定性为"道德表演"的观点，折射出硅谷技术加速主义阵营的典型态度：工具本身是中性的，对工具使用的道德审判是一种伪善，最终对评判质量有意义的只有结果本身。这一立场与新闻业、学术界对来源透明度的强调形成鲜明对立，也是这场争论难以收敛的深层原因。

AI写作的五条准则

基于这场讨论，《AI Daily Brief》主持人给出了一份关于AI写作的思考框架，我认为颇具实操价值。

准则一：不同类型的写作，适用不同规则

邮件不等于战略备忘录，战略备忘录不等于LinkedIn帖子，LinkedIn帖子不等于社论。这些写作各有目的，因此与AI协作的方式也应不同。「AI能不能写这个」在多数情况下是个错误的问题。

准则二：纯洁度测试会消失，但质量测试不会

那种「用没用AI」的道德审判终将过时。但输入门槛的降低，反而会加重对输出质量的要求。人们接受用AI写作，不代表他们会接受糟糕的写作。

准则三：质量对应努力（或努力的感知）

德鲁肯米勒社论招致反感的关键，在于那些AI腔如此扎眼、如此容易修改，却没被处理——这让读者感觉他连改几句语法的功夫都懒得花。如果连文字都不愿打磨，谁会相信他认真思考过底层论点？对写作缺乏努力的感知，被延伸为对论证本身缺乏努力的判断。

准则四：更长不等于更好

过去两年的AI模型擅长「说得多」，却不擅长「简洁地说对」。这其实是好写作者一贯的共识。帕斯卡尔17世纪就写过：「这封信写得比平时长，因为我没时间把它写短。」

帕斯卡尔这句名言（"Je n'ai fait celle-ci plus longue que parce que je n'ai pas eu le loisir de la faire plus courte"）出自他1657年的《外省人信札》，几个世纪来被反复引用，核心洞察是：简洁是一种需要付出额外努力才能获得的品质，冗长往往是思维未经整理的直接表现。这对AI写作有特殊意义——大语言模型在训练目标上天然倾向于"完整覆盖"而非"精准剪裁"，因为详尽回答在人工反馈中通常获得更高评分。这就是为什么未经人工干预的AI文本往往有一种"面面俱到却重点模糊"的感觉，恰恰是帕斯卡尔所描述的那种懒惰的冗长。

准则五：写作即思考

确定论点、组织论据、构建叙事——这些练习的真正目的不是纸面文字，而是文字之下的论证实质。用AI写作不必然等于外包思考，但这是必须时刻警惕的风险，因为太容易掉进去了。

值得一提的是，KPMG与德州大学奥斯汀分校的一项研究调查了500多名职场新人，发现最优秀的表现者是「AI放大器」——他们不是靠单纯的知识取胜，而是靠引导、评估、精炼AI输出的方式脱颖而出。这与准则三、五高度契合：人的价值在于对AI产出的把控。

KPMG与德州大学奥斯汀分校的这项研究采用了受控实验设计，让参与者在有AI辅助和无AI辅助的条件下完成相同的工作任务，随后评估产出质量与个人能力的关联。"AI放大器"这一分类的核心洞察在于：AI工具在拉平基础能力差距的同时，反而放大了元认知能力（即"知道自己不知道什么"）的重要性。能够准确判断AI输出何时偏轨、何时需要人工介入的人，最终表现远优于单纯依赖AI或完全拒绝AI的人。这一发现对"AI会让所有人变得同质化"的担忧提出了反驳——判断力与鉴别力，仍然是难以被自动化的稀缺资源。

分场景实操：哪些能交给AI，哪些不能

结合准则一，不同写作场景的AI使用尺度差异很大。

邮件与会议纪要：相对安全。邮件很少有人以文采评判，会议纪要本质是压缩而非创作。但会议纪要有个失效模式——AI太面面俱到，反而抓不住那一两个真正重要的点，值得人工补一句画龙点睛。

内部战略备忘录：看似适合AI，实则暗藏风险。这正是「写作即思考」的重灾区。除非你极度精确地界定策略内容与不该涉及的内容，否则AI很容易脱轨，用训练数据里的通用建议替代你组织的具体语境。更好的做法是把思考和写作彻底分开——先用AI辅助搭建大纲、迭代想法，大纲足够扎实后再让AI落笔成文。

社交媒体文案：喜忧参半。medium越短，AI表现越好——单行推文比长篇LinkedIn文章更不容易露馅。但更大的问题是，社交媒体奖励的是互动而非文采。AI能帮你把内容分发出去，却替代不了真实的人类参与信号。现实的期望值很重要。

营销文案：出人意料地差。这恰恰是最想用好AI的领域，却也是AI腔最泛滥的地方。原因或许在于营销追求独特与区隔，而AI天生倾向同质化。一个典型的坑是：你让它「别对读者做过多假设」，它会把这条修改指令本身变成文案，写出「我们对读者不做任何假设」这样的标题。目前更好的用法是把AI当快速迭代器——让它生成20个标题来激发灵感。

社论与说服性文章：正是争议起点。社论的全部意义在于说服他人。当读者几乎瞬间就能看出这是低努力产出，他们会本能地关闭注意力——如果你都懒得把论证写得有说服力，我为什么要在乎你的论点？在把内容交给AI之前，你必须先把论点和支撑点想得极其清楚，这就是小学时的五段式作文，没有捷径。交给AI之后，再回头把那些扎眼的AI腔清理掉，形成一个「努力—AI—努力」的三明治。

结语：工具变了，标准没变

AI写作不会消失，它会释放大量机会，让从未用文字沟通过的人也开始表达。但它改变不了一件事：工作中的懒惰，终究会以懒惰的面貌呈现出来。做好一件事没有捷径，即便新工具能让我们把好事做得更快、更好。

德鲁肯米勒风波的真正启示或许在于：没有人真的在乎那篇社论的文笔好坏，他们在乎的是那种被感知到的敷衍，削弱了论点本身的分量。当写作即思考成为共识，AI能替你写字，但替不了你想清楚。