AI写作的「无米之炊」：为什么你用 AI 写不出好文章？

在浏览器里打开 Claude 或者是 ChatGPT，在对话框里输入一串流畅的 Prompt：

“请帮我写一篇关于跨境电商巨头 Temu 商业模式的分析，要求逻辑清晰、多角度剖析，字数 3000 字左右。”

按下回车。短短 30 秒内，屏幕上的光标开始以极高、极流畅的速度向下滚动，就像一位不知疲倦的打字员在疯狂敲击键盘。

一分钟不到，一篇文章完美地呈现在你面前。

它有着漂亮的 Markdown 排版，小标题对称工整：“一、Temu 的崛起背景；二、核心商业模式深度拆解；三、极致性价比的供应链红利；四、面临的全球化合规风险……”

每一段都写得滴水不漏，甚至连标点符号都找不到任何错误。它谈到了全托管模式如何缩短链路，谈到了国内溢出产能的重塑，也提到了地缘政治带来的不确定性。

你一字不落地读完了它。

读完之后，你的脑子里突然升起一股怪异的空虚。那是一种胃部轻微抽搐、类似于吃完一顿毫无热量且味同嚼蜡的代餐粉之后的生理反应。

文章看起来什么都有了，可又像是什么都没说。它像一碗塑料做的红烧肉，在灯光下反射出红亮的光泽，纹理甚至比真肉还要工整，但它没有任何温度，没有油脂在口中爆开的肉香。你把它吞下去，只感到了冰冷和空洞。

这就是属于 AI 时代独特的“塑料感”。

你开始感到一阵虚无。作为写作者，你想：既然 AI 能在 30 秒内写出一篇结构如此完整、论点如此全面、词藻如此妥帖的文章，那我写文章的意义到底在哪里？我苦苦构思、码字，难道只是为了跟这个每秒能吐出成百上千个 token 的概率机器进行一场必败的赛跑吗？

这个让人沮丧的疑问，并不是因为效率不够高，也不是大模型不够聪明。问题发生在一个大多数人甚至从未察觉的、更深邃的地方：当我们把所有的内容产出都指望大模型一键搞定时，我们其实在要求它做一场“无米之炊”。

冰山底部的无声劳作

在打字机、钢笔或键盘还没有敲下第一个字之前，写作的大部分工作其实就已经完成了。

回顾人类几百年的深度创作史，真正的写作者都知道，写作是一个典型的“冰山游戏”。那部分暴露在海面之上、能被读者看见的文字，往往只占全部工作量的 10% 到 20%。剩下的 80%，是冰山底部那些庞大、无声且极其折磨人的搜集工作。

在图书馆和档案室的时代，非虚构写作者和调查记者们的一生，有大半是在纸屑和尘土中度过的。他们需要写信联系专家，坐火车去另一个城市翻阅地方志，在微缩胶片机前把眼睛看酸，只为了验证一个年份，或者寻找一个可以支撑核心张力的关键细节。

那时候，“找料”就是手艺人的基本功。料不够硬，笔头再花哨，写出来的也是轻飘飘的纸片。

2000 年前后，搜索引擎改变了规则。互联网的爆发把庞大的纸质图书馆压缩进了浏览器里的输入框。

查找信息变得民主化了。你不需要再去跑断腿，只要输入关键词，成百上千个链接就会呈现在你眼前。在这个时代，“搜集”变成了主动发现与筛选。虽然你不再需要费体力，但你依然需要在大脑中点开不同的链接、交叉对比观点、判断信息的可信度，并在这个过程中艰难地建立起自己对问题的理解框架。

在 Google 和维基百科的时代，写作者依然在经历这种筛选的痛苦。也正是这种痛苦，充当了认知上的摩擦力，逼迫写作者去思考：为什么这个数据和那个数据对不上？为什么这两个当事人的说法截然相反？

然而，2022 年底大语言模型的突然爆发，以一种极其震撼的方式，承诺抹平所有的痛苦。

大模型的界面是一个简单、洁净的对话框。它告诉你：你不需要再去点开上百个链接，也不需要去忍受阅读长篇 PDF 论文的枯燥，更不需要去纠结那些复杂的逻辑承接。把你的主题发给我，我直接给你一篇完整的、甚至还配好了小标题的文章。

这个承诺是如此甜美，以至于人们几乎瞬间丢掉了所有的“防备”。

人们开始相信，冰山的底部已经不重要了。AI 已经把全世界的知识都打包进它的神经网络里，我们只需要对它轻轻说几个指令，那座漂浮在海面上的冰山之尖就会凭空悬浮起来。

在这种“一键生成”的狂欢中，写作者的身份在悄然改变。我们从信息世界的探索者和淘金者，退化成了对话框里的指令发出者。我们不再经历那段在垃圾堆里寻找金子的痛苦，于是也理当然地失去了在泥沙中发现金子那一瞬间的“顿悟”。

这就是失重感的来源。当信息搜集的步骤被压缩到接近于零，写作就失去了地心引力。它变得轻飘飘，像是在真空中吹出的泡泡，虽然五彩斑斓，但风一吹就散了。

我们以为自己跳过了最枯燥、最劳累的杂活，获得了终极的效率。却不曾想到，那部分被我们当作垃圾丢掉的搜集与消化过程，恰恰是整座冰山最核心的质量所在。

均值回归：统计学没有奇迹

大模型已经读过了全世界，所以它能写出最深刻的见解。这个假设听起来极其顺理成章，却在现实中遭遇了最尴尬的挫败。

真相恰恰相反：正是因为大模型读过了整个人类互联网，在你不给它具体素材时，它写出的东西就注定是最平庸的。

我们可以从统计学的原理来拆解这个悖论。大语言模型（LLM）的本质是一个“概率续写机器”。当你输入一个提示词，它在做的动作是根据海量的预训练语料，计算并输出下一个最合理的词（token）。这个过程叫做“最大似然估计”（MLE）。

什么是最合理？最合理就是概率最高，也就是最符合互联网语料的“平均水平”。

当你对 AI 说“写一篇关于 Temu 商业模式的深度分析”，且不给它任何一手的、独特的现实数据或细节案例时，你其实是把它推入了一个完全自由发挥的失重状态。这时候，大模型为了完成任务，只能调用它的参数记忆——也就是它预训练时吞下的那几万亿 token 的统计学均值。

它会立刻滑向那个最安全、被写过了一万次的词汇组合：“全托管”、“极致性价比”、“供应链红利”。这些词没有错，逻辑也无懈可击。但它们没有任何信息增量。它们是互联网上关于这个主题的“最大公约数”。

信息论的创始人香农（Claude Shannon）曾给信息下过一个极为锋利的定义：信息是惊奇度（Surprise）的度量。一句话传递的信息量，与它发生的概率成反比。如果你说了一句大家完全预料得到、概率为 100% 的话，你传递的信息量其实是零。

空手套白狼的 AI 写作，就是典型的“零惊奇度”写作。它的句子无比通顺，结构无比对称，但你读完就像吸了一口空气，什么也没留下。统计学上没有奇迹，概率的收敛会无情地把每一次“自由发挥”拉向平庸的均值。

这种“均值回归”带来的后果，不只是读者的厌恶，还有平台的清洗。

2024 年 3 月，Google 搜索引擎发起了一场史无前例的质量圣战（March 2024 Core Update）。这次更新的目的很明确：清洗那些依靠 AI 批量、凭空制造低质量垃圾内容的网站（通常被称为 AI Slop）。

这场清洗的力度让整个数字营销界感到震惊。根据内容检测机构 Originality.ai 对被惩罚站点的追踪研究，Google 在这次更新中直接从搜索索引中彻底清除了大约 2% 的网站（Deindexed），让它们在互联网上彻底隐形。

数据展示出的关联性极其残酷。在 Nuttall 针对数百个被彻底清除站点的分析中，受灾网站中 100% 存在明显的 AI 生成内容特征。其中，有 50% 的网站，其 90% 到 100% 的页面都是由 AI 凭空批量生成的。这些网站每天从空气中捏造出成百上千篇“逻辑通顺、结构完整”的文章，试图吸引搜索流量。

结果是，这批被彻底清除的网站每月直接损失了大约 $446,552 美元的展示广告收入。

这不仅是内容农场的破产，也是对“一键生成深度文章”这个幻觉的终极判决。

大模型展现出的是推理与编译上的神技，它无法凭空捏造出一个全新的、准确的物理世界。放弃搜寻那些扎实的一手事实，指望 AI 靠着它神经网络里的旧知识倒腾出新意，就像试图在空气中拧出水来一样荒谬。

均值的引力如此强大，只有用高熵的独特素材作为“重锚”，才能把大模型从虚无的统计均值中拖拽出来。

给大师级厨师送去新鲜水产

如果你把一个米其林大厨关在空无一物的毛坯房里，只给他几包“康师傅方便面调料粉”，即使他的厨艺再登峰造极，他也只能给你冲出一碗工业感十足的咸味汤。

空手给 AI 提需求，就是在这个毛坯房里对大厨发号施令。大模型是那个厨艺精湛的大厨，而你在 Prompt 里写下的“要求深度、逻辑严密、多角度剖析”等形容词，只不过是在催促他把汤冲得再匀称一点。

要让他做出一桌令人惊叹的国宴，你必须亲自去菜市场，把沾着泥土的帝王蟹、带着露水的松茸、还有刚出宰杀的鲜肉扔到他的案板上。

这些沾着泥土、带着露水的原材料，就是我们在写作前必须进行的搜索与搜集。

为什么输入具体的素材能让 AI 的生成质量发生质变？这涉及到大模型的注意力机制（Attention Mechanism）和上下文学习（In-Context Learning, ICL）原理。

当一个没有上下文输入的大语言模型在进行生成时，它的注意力指针是在一整个无边无际的先验知识概率云中飘荡。它会无意识地抓取那些最常见、出现频率最高的模式。

但是，一旦你在 Prompt 中喂入了大量具体的、未经加工的事实、数据和案例，这就免去了它最不擅长的底层任务——在大脑中凭空翻找、编造事实。它得以集中全部的计算资源（Attention Heads），专注于发挥真正的天赋：在已有的、坚硬的坐标点之间建立严密且出人意料的逻辑网络。

在这个过程中，输入素材的“异质性”和“多维性”至关重要。如果你的素材只有一种声音、一个角度，大模型的逻辑回路依然会走向扁平。

这也是为什么在深度写作的工作流中，搜集素材不能是随机的“抓一把沙子”，而必须是一套极具张力的多维策略搜集：

钩子场景：一个具体的、有温度的真实瞬间。比如“一个凌晨两点的技术员在终端前面对一串报错发呆”。这能强行将 AI 拽入现场，阻止它使用“随着科技的发展，XXX 已经深入人心”这种假大空的开场白。
历史脉络：时间的纵深。搜集这个技术或事件在 10 年前、20 年前甚至半个世纪前是谁提出的、当时怎么解决的。这给文章打下了一个立体的地基，避免了AI 视角特有的只看眼前、没有过去。
核心数据：定量坐标系。不仅要搜集数字，还要搜集参照物。比如，与其让 AI 写“这个模型非常庞大，用电量极多”，不如喂给它具体的数字：“这个 300 兆瓦的数据中心用电量，大约相当于三十万个普通家庭的日常耗电”。数字一旦有了参照物，就有了重量。
技术细节：底层机制的拆解。这就需要搜集原始论文、开发文档，用具体的非技术类比来做翻译（例如将“TileRT”类比为“工厂把批处理改成连续流水线”）。这能防止 AI 混日子，逼它写出真正的技术硬度。
工业案例：真实部署的摩擦。论文里的指标总是完美的，但工业界真实的账本和工程博客却满是鲜血。搜集这些冲突，能让文章充满“活人感”。
对立观点：反向的推力。搜集那些唱反调、批评、或者不同技术路线的讨论（比如 Reddit 或 Hacker News 上的吐槽）。这是防止 AI 陷入单向叙事、陷入无脑赞美的最好解药。

当这六个维度的坚硬 facts 被摆在案板上时，AI 面前的概率分布空间被强行扭曲了。注意力机制开始在“300兆瓦”、“20%的学术作弊率”、“Google 2% 的惩罚数据”这些坚硬的固定坐标之间编织逻辑。

这时候，大厨开始真正发挥他的神技：他可以用惊人的结构化能力把这些素材拼装起来，用最巧妙的句式转换进行承上启下，甚至顺手调配出一个你意想不到的惊艳类比。

你让大模型做它该做的事——编译与推理，而你做了只有人能做的事——在混乱、复杂的现实中寻找、搬运独特的事实。

这就是高熵素材输入对 AI 生成机制的彻底重塑。

从文字手艺人到信息策展人

在这个时代，最顶尖的 AI 写作者和最愚蠢的 AI 写作者，正在走向两条完全相反的道路。

第一条道路通往内容农场的荒漠。在这条路上，使用者把 AI 当成了自动打字机。他们每天在流水线上输入诸如“写一篇关于新能源车未来发展的文章”之类的 Prompt，然后将模型自动生成的上万字内容原封不动地复制粘贴出去。

在 2024 年之前，这些依靠关键词堆砌、逻辑表面对称的 AI 垃圾文章，还能靠着 SEO 算法在搜索引擎中分一杯羹。但在 Google 的算法洗礼之后，这些网站正以极快的速度沦为数字废墟。它们被整站降权、K 站，证明了没有独特事实输入的无米之炊，在人类和算法的联合绞杀下没有任何活路。

而第二条道路，则通往高熵策展人的深空。

在这条路上的优秀实践者，早已抛弃了让 AI 凭空写文章的幼稚幻想。相反，他们极度看重输入质量，甚至将自己 80% 的日常精力都放在了信息的策展（Curation）上。

如果我们去剖析那些写出过百万爆款、极具硬核逻辑的技术写作者的工作流，你会发现一个极为惊人的事实：在他们的整个写作流程中，AI 被禁止参与任何“事实发现”的步骤。

他们绝不会在对话框里问 AI“Temu 是怎么做全托管的？”这种常识性问题。他们宁可花三天时间，去翻阅拼多多历年的 SEC 财报，去 Hacker News 检索海外商户对拼多多物流费用的吐槽，去 Reddit 潜水看消费者对拼多多到货时间的真实体验，甚至去下载十几篇关于跨境供应链物流效率的学术论文。

他们会在自己的本地软件中，建立一个高度结构化、高可信度的一手事实库。在这个库里，每一条素材都有确切的来源 URL，有精确的数据点，有对立观点的记录，有可信度的分级。

这个事实库，就是他们为 AI 搭建的高重力场域。

只有在这一步完成之后，他们才会激活大模型。他们把这个精心策展 Fact 库喂给 AI，并给出类似这样的严苛限制：

“请基于我提供的事实库，帮我起草框架第 3.2 节的草稿。你写出的每一个结论，都必须在我的事实库中找到对应的数据点支撑；如果事实库中没有，你绝对不准自己编造，宁可告诉我素材不足。”

在这个工作流中，这群写作者从传统的哼哧哼哧码字的“文字手艺人”，升级成了“信息策展人”（Information Curator）、“事实守门员”和“逻辑编译器”。在词藻被全面商品化的今天，发现事实的溢价被放大了十倍。

AI 在这里，不是一个代笔的枪手，而是一个严密的逻辑编译器。它负责用它那无与伦比的语言天赋，将写作者辛苦搜集来的那些坚硬、扎实的一手事实，编译成最流畅、最具有可读性的高水平文章。

对比内容农场在 2024 年的惨烈崩盘，和深度人机协同写作者在硬核技术文章领域的异军突起，现实给出了最清晰的昭示：决定胜负的战场，早在你打开 AI 对话框之前，在那个尘土飞扬、需要你亲自动手去检索、咀嚼、筛选一手事实的搜集步骤里，就已经结束了。

寻找你自己的“信息摩擦力”

当词藻不再珍贵，思考便成了唯一的奢侈品。

大模型把文字生成的成本降低到了接近于零，但这不代表写作这件事贬值了。相反，它让那些真正有价值的创作，其门槛变得前所未有地高。因为以前你可以靠着精妙的文笔、对称的段落来掩盖内容的空洞；而在今天，AI 能在 10 秒钟内写出比你更工整、更华丽的排比句。

文笔的滤镜碎了，事实的硬度便显露了出来。

如果你想在 AI 时代依然保持一个写作者的独立性、价值感，你需要做出的最核心改变，就是重新审视你与 AI 协同的那个切入点。

不要指望 AI 能代替你去和这个复杂、混乱的真实世界发生碰撞。AI 只能在虚拟的代码世界和预训练的文本空间里运转。而你，拥有活生生的肉身，能感受到真实的痛觉，能注意到那些不合常理的微妙摩擦。

这就是属于你的、不可替代的“信息摩擦力”。

在实践中，这意味着当你下一次准备和 AI 一起撰写某篇深度文章时，你可以立即改变你的习惯：

一、关闭那个一键生成大纲的 Prompt 模板 不要再对 AI 说“帮我策划一篇关于 XXX 的文章大纲”。在写大纲之前，强迫自己去完成无脑搜集素材的阶段。去读 3 篇对立路线的论文，去 Twitter 搜 5 个用户的真实吐槽，去翻 1 次财报。当你脑子里还没有一个完美的框架，但手里已经握着一把奇形怪状的、甚至互相矛盾的 Fact 碎片时，最棒的创作状态才刚刚开始。

二、把 AI 当作压力测试员，而不是答案复读机 当你搜集到了这些相互矛盾的素材，不要问 AI 怎么写得圆滑一些，而是把两个矛盾的细节直接拍在它脸上：

“看这里，这篇技术论文里说这个算法把运行效率提升了 40%，但是这家大厂在 2024 年的工程博客里却写道，他们在真实部署时因为内存溢出而不得不回滚。你帮我分析一下，这中间可能存在什么不被注意的系统张力？”

这时候，AI 就不再能吐出那些均值套话了。它必须调动它强大的逻辑推理能力，在“学术完美的 40%”与“现实残酷的内存溢出”之间，帮你去编译出一条前人没有写过的、极具张力和可读性的洞察路径。

三、保留写作中的“挣扎感” 如果一篇文章写完之后，你没有感到任何大脑的疲惫，也没有经历过因为材料对不上而抓耳挠腮、不得不重新检索的过程，那这大概率只是一篇平庸的 AI 垃圾内容。适度的困难和挣扎（Cognitive Desirable Difficulties），是你的大脑在深度学习和构建认知连接的唯一信号。

写作本身从来就不是单纯为了记录那些已经定型的想法。它是我们在寻找、搬运、梳理、拼接这些现实 facts 的漫长劳作中，让混乱的大脑逐渐恢复秩序、塑造思维的动态手艺。

在这个文字泛滥、信息均质化的时代，不要再做那个坐在电梯里指手画脚的“指令发出者”。

去走进真实的菜市场，去寻找那些沾着泥土、带着腥味、最真实的低概率事实。把它们捡起来，塞进大模型的注意力机制里，然后冷冷地对它说：

“来，把这些，给我编译成一盘真正的国宴。”