如何判斷一段文字究竟是不是 AI 寫的
作者 Chatday Editorial Team ·
先講一個值得你停下來想想的數字：有研究團隊抽樣分析了數萬個網頁，發現網路上現在新發表的文章，大約有一半都是 AI 寫的。這不是網路上什麼冷門角落的現象，而是整整一半。也就是說，你今天大概已經看過 AI 寫的文字了，只是自己沒察覺，可能藏在一篇產品評論、一則新聞整理、一篇 LinkedIn 貼文，甚至一封信裡。
那要怎麼分辨呢？老實說，只要你知道每種方法能證明什麼、不能證明什麼，光靠自己的眼力加上對的工具，就能練出相當不錯的判斷力。這篇文章會把兩種方法都教給你：三十秒內人眼就能抓到的線索，以及當你想要多一個參考意見時，AI 偵測器是怎麼運作的。
現在網路上有一半的文字是機器寫的
前言那個數字來自 Graphite，一家 SEO 研究公司，他們分析了 2020 年以來發表的數萬篇英文文章，逐篇跑過好幾種 AI 偵測器。他們的發現是：ChatGPT 在 2022 年底上線之後，AI 生成文章的比例爆炸性成長，接著在 2025 年到 2026 年間穩定在大約 50% 上下，有些季度略高於一半，有些季度略低。
而且這不只是部落格灌水文章的問題。另一項分析了超過 1500 萬篇生醫論文摘要的研究發現，到 2024 年為止，至少有 13.5% 的摘要出現被 AI 寫過或潤過的痕跡，判斷依據是 ChatGPT 出現後突然暴增的特定用字。如果連科學期刊都逃不過，那這件事就是無所不在了。
這不代表 AI 寫的文字一定不好。很多 AI 文字其實很實用，也有不少人是拿 AI 當草稿夥伴，寫完再大幅修改。但當你在幫學生打分數、在看一篇評價高得誇張的產品評論，或是想確認一篇新聞值不值得信，「這其實是誰寫的」就是一個很合理的問題。以下告訴你怎麼找答案。
你自己就能抓到的線索
在動用任何工具之前，先用你的眼睛。AI 模型是從海量的網路文字裡學會寫作的，之後又被調整成評分員喜歡的語氣：流暢、討喜、帶點正式。這種修飾感就變成了它的指紋。以下是你在讀別人寫的文字時可以留意的地方。
| 線索 | 長什麼樣子 |
|---|---|
| 套話連發 | 「在當今的數位時代」、「值得注意的是」、「讓我們深入探討」、「game-changer」 |
| 節奏異常整齊 | 每段長度都差不多，每句話都是中等長度，三點式列表整整齊齊 |
| 講得很篤定卻很空洞 | 一堆修飾得很漂亮的句子，套在任何主題上都通用，就是沒有真實細節 |
| 沒有可查證的細節 | 沒有名字、日期、價格或親身經歷，或者寫了但一查是錯的 |
| 文法完美但沒有個性 | 零錯字、零口語縮寫、零個人色彩，讀起來像一篇什麼都沒說的新聞稿 |
| 套公式的習慣 | 「這不只是 X，更是 Y」、「從 X 到 Y」、開頭用一句反問句破題 |
你自己能做的最有力檢查是細節測試。真人寫的東西，就算寫得不怎麼樣，也會留下真實經驗的痕跡：一家特定的店、一個怪怪的小細節、一句要付出代價才敢說的意見。AI 的預設模式是寫「聽起來對」的內容，而不是「真的對」的內容。挑一兩個具體、可查證的說法去查一查。如果一篇餐廳「評論」從頭到尾沒提到任何一道菜，或是一篇文章引用了一份你怎麼查都查不到的研究，你的懷疑就是合理的。這種現象有名字，我們之前也用白話講過AI 為什麼會亂編東西。
在你開始到處指控別人之前，先提醒一句：表格裡列的每一項都只是一種習慣，不是鐵證。人類早在 ChatGPT 出現前就在寫套話了。正因為如此，多找一個參考意見才會有幫助。
AI 偵測器實際上是怎麼運作的
AI 偵測器讀一段文字時，問的核心問題只有一個：這段文字有多好預測？
語言模型寫作的方式，是一次又一次挑出統計上最可能出現的下一個字。這會留下痕跡。AI 寫的文字通常很流暢、很好預測，用字很少讓人意外，節奏也很平穩。人類寫的東西比較亂：句子寫到一半重新來一次，用字有時很怪，句子忽長忽短。偵測器測量的就是這種可預測程度（研究者稱之為「 perplexity 」，也就是困惑度）和節奏上的變化幅度（稱為「 burstiness 」，也就是爆發度），最後給出一個機率：這段文字有 85% 的機率是 AI 生成的。
關鍵字是機率。偵測器從來不是真的知道是誰打出這些字，它做的是一個有根據的統計猜測，跟你剛剛在上一段做的事情本質上一樣，只是它用數學，你用直覺。
這就是為什麼偵測分數會有這些特性：
- 文字越長，判讀越準。 一句話、兩句話裡根本沒有足夠的訊號可以分析。大多數偵測器在幾百字以下都不太可靠。
- 混合來源的文字會讓它搞混。 人寫完再讓 AI 潤過的稿子，或是 AI 寫完再讓人大改過的稿子，都會落在灰色地帶，因為它本來就同時是兩者。
- 正式的寫法會被判得「更像 AI」。 文字風格越可預測、越制式，讀起來就越像機器寫的，即使實際上是真人寫的。
偵測器容易誤判的地方
這是大多數文章不會告訴你的部分，但偏偏是你最需要知道的部分。AI 偵測器有真實存在、有紀錄可查的誤判模式。
最有名的例子來自 OpenAI 自己。2023 年初，這家公司推出了自己的 AI 文字分類器，結果六個月後就把它關掉了，理由是「準確率太低」。照他們自己公布的數字，這個工具只抓到 26% 真正由 AI 寫的文字，還有 9% 的機率把人寫的文字誤判成 AI 寫的。如果連做出 ChatGPT 的公司都無法穩定偵測出 ChatGPT，任何宣稱能百分之百判定的工具，都值得你存疑。
第二種誤判模式更糟，因為它不公平。史丹佛大學一項發表在期刊 Patterns 上的研究，用七款熱門的 AI 偵測器去測試真人寫的文章。對英語母語者寫的文章，這些偵測器表現得還不錯。但對非英語母語者寫的文章，偵測器有 61% 的機率把它們判成 AI 生成的。原因就藏在偵測方法本身：用第二語言寫作的人，傾向使用比較保守、比較制式的措辭，而這種措辭在統計上看起來就是「很好預測」。寫得謹慎、正式、照規矩來，恰好就是偵測器認定的「機器口吻」。
一步步檢查一段文字的方法
整理起來，以下是實際有效的檢查流程，大概花你兩分鐘。
- 先讀一遍抓線索。 套話、節奏太整齊、公式化的開頭、沒有個性。記下你的直覺，但別就此停下。
- 跑一次細節測試。 找出一兩個具體、可查證的說法，拿去查。查不到的來源、錯誤的價格、找不到的研究，都是最強烈的警訊。
- 丟進偵測器跑一次。 把文字貼進AI 偵測器，就能拿到機率分數。免費、十秒鐘就好，不用註冊也能試用。
- 考慮文字長度。 兩百字以下，分數的可信度要大打折扣。長篇、未經編修的文字，分數就值得多信一點。
- 想想是誰寫的。 是正式文體，還是非英語母語的作者？如果是，判斷門檻要跟著調整，因為這正是誤判特別容易出現的地方。
- 把所有線索合起來看。 人眼抓到的線索加上查不到的細節，再加上高分，幾乎可以確定是 AI 寫的。只有單一訊號的話，先別急著下結論。
什麼時候該在意，什麼時候真的不用
不是每一段 AI 寫的文字都是問題。一則天氣預報摘要或一段產品說明是 AI 寫的，對誰都沒有傷害。真正該在意的是這幾種情況：
- 老師和教授要確認作業是不是學生自己寫的。用上面的流程，而且在只憑分數行動之前，先記住史丹佛那項研究的發現。
- 招募主管看到寫得異常漂亮的求職信。偵測器加上一個具體的面試問題（「跟我多說說這個專案」）就能很快見真章。
- 消費者在看評論。滿滿五星、卻對產品一個具體細節都沒提到的評論，是最經典的模式。
- 任何讀新聞的人。 一篇文章的事實如果對不起來，那到底是人還是機器寫錯的，其實沒那麼重要，重要的是那個錯誤本身。
還有反過來的情況。如果你是用第二語言謹慎寫作，或者你本來文風就比較正式，你自己認真寫的東西，某一天也可能被誤判。了解自己平常的「基準分數」會有幫助：把你自己的文字丟進偵測器看看結果。如果你真心手寫的文字一直被判成很像機器寫的，那比較像是文風的問題，而不是公平性的問題，我們也寫過一篇完整的指南，教你怎麼讓 AI 寫的文字更像真人，這些技巧反過來用在「寫得像機器的真人」身上一樣有效。AI 人性化工具可以一鍵把生硬的草稿改得更自然。
值得養成的兩分鐘習慣
你現在讀到的東西，有一半是機器寫的，而且這個比例不會再降回去了。好消息是，你不需要變成語言鑑識專家。讀出線索、查一個事實、再讓偵測器負責統計那一部分。這三步合起來，抓出來的問題遠比只用其中一步多，而且能幫你避開這場判斷遊戲裡真正的失誤：對一個真實存在的人的文字，自信滿滿地判斷錯誤。
下次看到一段文字順到有點不對勁的時候，別只是心裡懷疑。去查一查。