揭秘AI频繁使用破折号背后的原因

用过ChatGPT之类AI产品的人大概都注意到了，它特别爱用破折号——不是偶尔用用，而是已经成了AI文的标志性特征。为此，OpenAI甚至专门把“去掉破折号”作为一个正式功能发布出来，可见大家对此有多嫌弃。

那么，问题到底出在哪儿呢？

有博主专门研究了这一现象，发现了一个挺有意思的事：GPT-3.5还一切正常，到了GPT-4就开始破折号成瘾。更奇怪的是，谷歌、Anthropic家的模型也在差不多同一时间出现了同样的问题。

这就不太合逻辑了。如果只是某家公司标注员的个人偏好，为什么大家都集体中招？

类似的例子其实之前也有过。AI对“delve”这个词也格外偏爱，原因已经查清楚了：OpenAI雇佣的标注员主要来自非洲，当地英语里“delve”是常见的礼貌表达，AI学会了用这个词能拿高分。但破折号显然不是这个逻辑——数据显示，非洲英语中破折号使用频率（0.022%）比标准英语（0.25%）还要低得多。

真正的原因可能更简单：AI公司没数据了。

2022年之后，各家都遇到了同一个困境：互联网上的内容快被训练完了。为了获得更高质量的训练素材，同时避开版权纠纷，大家开始大规模扫描旧书，特别是那些已经进入公共领域的19世纪末、20世纪初作品。

问题就出在这儿。那个年代的作家写东西，破折号用得特别多。研究显示，英语文学中破折号的使用在1860年达到峰值（0.35%），比现代英语高出30%多。光是《白鲸记》一本书，就有1728个破折号。

所以现在的情况就是：最先进的AI，学会了1890年代小说家的标点习惯。

Sam Altman倒是给出过另一种说法：标注员觉得破折号让回答更自然，所以“多加了一点”。但这解释不了为什么GPT-3.5好好的，到GPT-4就开始不对劲了。

也还有人提到，学术文本里破折号本来就多，AI为了减少胡说八道，可能确实更喜欢这类“严肃”材料。

不管真相如何，AI的写作风格确实暴露了它“吃什么长大的”。下次再看到满屏破折号，不妨想一想——那可能是某个维多利亚时代作家的风格在悄然复活。

参考：https://www.seangoedecke.com/em-dashes/