大型語言模型時代中，日益萎縮的語言多樣性版圖 https://www.nature.com/articles/s41562-026-02550-0 大型語言模型（LLM，一類根據大量文字預測後續詞句的人工智慧）雖能保留原稿的核心意思，卻可能把人們原本各異的寫作風格拉向相似格式。研究團隊跨三項研究分析七個資料集、逾 88 萬則文字樣本，發現使用 LLM 潤飾或改寫後，文字複雜度的差異程度在不同資料集與模型間顯著縮小 21% 至 50%。這不僅是句法、詞彙與篇章風格趨同，也可能讓個人身分、心理狀態與社會背景原先留在文字裡的線索變得模糊。 研究以 GPT-3.5、Gemini 與 Llama 3 等模型，在多種改寫指令下處理文章、對話、演講與社群貼文，並檢驗改寫前後的語意相近度與語言特徵。結果顯示，原本可從文字推測的年齡、人格、同理心、性別、道德關注與團體歸屬，經改寫後較容易偏向原先占優勢的類別，弱勢或較不典型的表達則被壓低。研究也觀察到 ChatGPT 於 2022 年 11 月公開後，arXiv 摘要、地方新聞與 Reddit 文字的複雜度變異下降，且與由偵測工具估計的 AI 撰寫比例上升同步；這呈現的是關聯趨勢，不能只憑時間同步便認定所有變化皆由 LLM 單獨造成。論文正文受訂閱限制，但摘要、延伸圖表與原始資料已揭露主要設計與結果。 Hacker News（HN）討論中，不少人認同這種「企業腔」或制式語氣已愈來愈容易辨認。有人分享，自己在工作上讓 LLM 協助撰寫文件，確實省下從零起草的時間，卻感到文字不再有自己的聲音；也有人把寫作視為思考本身，擔心把寫作外包後，連整理觀點、取捨重點與形成個人判斷的過程都被削弱。部分評論者尤其在意文化與創作面向，認為詞彙、方言、節奏與不合常規的說法並非單純低效率，而是承載情感、經驗與不同思維方式的媒介。 也有意見認為，標準化未必總是壞事：操作手冊、職場文件或技術說明若能更一致，往往更清楚好懂，並不需要刻意追求個人筆調。不過，實務使用者反駁，LLM 常能快速鋪陳大量文字，卻未必擅長像熟練作者那樣優先凸顯真正關鍵的細節；若缺少人工編修，文件仍可能冗長卻欠缺重點。因此較務實的看法是，把 LLM 當作草稿或行政性寫作的輔具，而非取代作者最後的判斷與編排。 另有評論指出，語言趨同早在 LLM 出現前就受大眾媒體、全球化、標準教育與英語網路文化影響，LLM 更像加速器而非唯一根源。模型大量吸收美式商務英語與主流網路語料，容易複製其禮貌、保守而平滑的基調。討論者因此主張，與其只期待模型自行變得多元，不如持續培養地方語言、非英語創作與不受企業格式束縛的交流場域。至於刻意使用粗話、俚語或破格句法來躲避同質化，討論並無共識；有人也指出，現今 ChatGPT 並不必然避用粗話，且研究中的改寫文字未顯示髒話會一概消失。 👥 75 則討論、評論 💬 https://news.ycombinator.com/item?id=49497996