AI 写的文章，能通过“结构”而非“词汇”辨别出来吗？

想象一下，你每天早上阅读心仪的通讯或博客文章。正读得津津有味时，却发现其中半数以上的内容并非出自人类，而是由 AI 撰写的。你会作何感想？

到目前为止，我们主要专注于通过“词汇”来寻找 AI 撰写的文章。然而，随着 AI 开发人员越来越聪明，当我们指示 AI“像人一样写文章”或稍微变动一下措辞时，现有的检测技术往往很快就会失效。现在，我们已经进入了一个新时代，可以透过文章的表面，窥见其内部的“骨架”。

这为什么重要？

互联网是信息的海洋。但随着近期生成式 AI 大量涌现内容，区分哪些是真正蕴含人类思考的文章，哪些是 AI 生成的机械化产物，变得极其困难。出处：负责任的检测与缓解框架

传统的检测方式就像是一根“只能捕捉特定词汇的钓竿”。只要 AI 使用的词汇模式稍有改变，检测器就会出现“脆弱性(brittleness)”，无法发挥作用。出处：SlopShape 研究论文 然而，如果引入分析文章“结构”的方法，情况就会发生改变。这将成为一个重要的转折点，足以改变我们在消费在线信息时判断内容真伪的信任标准。

浅显易懂：从“词汇”包装纸到“结构”本质

区分 AI 撰写的文章和人类撰写的文章，用这样一个比喻就很容易理解了。

简单来说，可以把文章想象成“乐高(LEGO)”。人类建造的乐高城堡和机器自动组装的乐高城堡看起来虽然相似，但堆叠乐高积木的顺序或固定方式可能会有所不同。如果说我们过去使用的词汇检测器是在确认“使用了什么形状的积木”，那么现在的技术就是在确认“堆砌城墙和塔楼的整体工艺顺序（结构）”。

如果把文章比作照片滤镜，词汇级检测器试图检测的是校正照片色调的滤镜，而结构性检测器则是把握照片中被摄体的位置、光线的角度、相机的构图等照片的“本质构图”。

近期研究的“SlopShape”技术正是分析这种本质的“文章骨架”。出处：SlopShape 研究论文 它学习信息的呈现顺序、达成结论所需的逻辑步骤，以及证据的排列方式等。

现状：透视“结构”的检测器登场

事实上，根据 2026 年发表的研究，这种结构分析方式表现出了极其强大的性能。

• 故事分析的变革：在“StoryScope”研究 (Russell et al., 2026) 中，研究人员在完全不查看词汇的情况下，成功区分了 AI 编写的故事和人类编写的故事。出处：YCombinator 讨论
• 高准确率：在“SlopShape”研究中，针对商业博客文章的测试结果显示，仅凭结构性特征，它就能以 98.0% 的惊人准确率找出 AI 内容。出处：SlopShape 研究论文 特别是该模型在面对学习过程中从未见过的企业新数据时，依然表现出了一致的性能。

这表明，从技术上讲，无论 AI 选择多么流畅的词汇来润色句子，都很难彻底摒弃模型本身习得的“写作习惯”或“信息传递的逻辑结构”。出处：SlopShape 研究论文

AI 的观点

词汇的排列很容易修改，但 AI 习得的写作体质——即“结构性模式”，则触及了更深层的本质。这项研究预示着 AI 内容识别进入了新阶段。

未来将会怎样？

未来，仅靠“文字游戏”将很难逃避检测器的识别。AI 开发人员将努力创造更自然的结构，而检测技术也将朝着解读更深层次逻辑流向的方向发展。在 AI 与人类创作内容混杂的数字环境中，作为读者的我们，终将迎来一个需要超越文章形式，更加谨慎地审视其中蕴含的“意图”和“逻辑骨架”的时代。

参考资料

1. YCombinator: Training a model to identify AI-generated web content from structure alone
2. ArXiv: SlopShape: Identifying AI-Generated Commercial Web Content
3. ArXiv: SlopShape: Identifying AI-Generated Commercial Web Content
4. Springer: Responsible Detection and Mitigation of AI-Generated Text