有一天，
你花了很久写完一篇文章。
不是叫 ChatGPT 写。
不是叫 Claude 改写。
而是：
自己想、
自己写、
自己删、
自己重写。
结果把文章丢进 AI 侦测器，
屏幕跳出来：
100% AI。
你会怎么证明：
「这真的是我写的」？
今年一篇得奖短篇小说，
就真的遇到了类似的事情。
而且事情最后甚至变成：
一个 AI 说它很像 AI，但人类主办方查完创作证据后，却决定相信作者。
一篇得奖小说，突然被判成「100% AI」
故事叫：
The Serpent in the Grove。
作者是来自 Trinidad and Tobago 的 Jamir Nazir。
这篇作品先拿下 2026 Commonwealth Short Story Prize 的加勒比海区域奖。
后来又成为整个比赛的年度总冠军。
但在区域得奖名单公布后，
网络上很快有人开始怀疑：
这篇小说是不是 AI 写的？
有人注意到它的句型、
比喻、
节奏
看起来很像现在大型语言模型常产生的文字。
接着有人把全文丢进 AI 侦测工具 Pangram。
结果：
100% AI-generated。
事情从「读者觉得怪怪的」，
瞬间变成：
「连 AI detector 都说是 100%。」
问题是：100% 到底代表什么？
看到「100% AI」，
人的直觉很容易把它理解成：
这个系统已经查明：
每一个字都是 AI 写的。
但其实不是这样。
Nature 最近专门调查新一代 AI detection 工具时，
访问 Pangram 创办人 Max Spero。
他解释，
Pangram 会先把文章切成不同区段，
再判断每一段比较可能是：
人写的、
AI 写的，
或两者混合。
最后再根据被判定为 AI 的区段比例形成整体结果。
所以：
100% AI 并不等于它知道每一个字的作者是 AI。
更精确的意思是：
它分析的各个区段，
都被模型判断成「比较像 AI」。
这是一个分类结果。
不是现场录像。
也不是数字指纹。
更不是看到 ChatGPT 亲自把文字打出来。
这就像脸部辨识说「很像」，不等于法院已经判决
AI detector 本质上做的是：
找模式。
它可能观察：
句子怎么排列、
哪些字容易一起出现、
段落节奏、
语言结构、
语意模式，
再和大量：
人类文字
与
AI 文字
比较。
最后回答：
「这一篇比较像哪一边？」
这种工具可以非常有用。
甚至可以非常准。
但「非常准」仍然和「永远不会错」是两回事。
假设一个系统的误判率已经非常低。
只要拿去扫描：
几十万篇学生作文、
几百万份求职文档、
大量投稿文章，
低概率事件还是一定会发生在某些真人身上。
而被判错的那一个人，
面对的不是：
「系统平均而言很准。」
他面对的是：
「现在我要怎么证明自己没有作弊？」
Commonwealth Foundation 最后没有直接相信 AI detector
这件事后来真正值得看的地方，
不是 Pangram 到底准不准。
而是比赛主办方最后怎么处理。
Commonwealth Foundation 表示，
他们花了大约一个月调查 AI 使用指控。
而且刻意没有把：
「AI detector 显示什么」
当成最终证据。
主办方和所有区域得奖者详细讨论创作过程。
并查看：
工作草稿、
有时间纪录的文档、
创作笔记，
以及作品如何逐步形成的相关证据。
6 月 22 日，
Commonwealth Foundation 最后公开表示：
在咨询评审并考虑所有可取得数据后，
他们认为 AI 没有被用来撰写这些得奖作品。
之后，
Jamir Nazir 不但保住区域冠军，
6 月 30 日还正式拿下 2026 年整体 Commonwealth Short Story Prize。
这件事形成了一个非常强烈的对比：
AI detector：100% AI。
完整人工调查：接受作者的创作证据。
那到底应该相信谁？
这里其实不能简单变成：
「你看，AI detector 都是垃圾。」
这样也不对。
新一代 AI detector 的确已经进步很多。
Nature 在 8 月 25 日的调查指出，
目前表现较好的工具，
像 Pangram、GPTZero，
在辨识完全由 AI 产生的文字上，
已经比早期工具强很多。
对最基本的 AI 生成文字，
部分测试甚至能抓到接近全部。
所以：
AI detection 不是完全没有价值。
真正的问题是：
我们拿它来做什么？
当「线索」和当「判决」，是完全不同的两件事
如果老师收到一篇作文，
AI detector 显示高度疑似 AI，
合理的下一步可能是：
再看看学生过去的写作。
问他文章怎么形成。
要求提供草稿。
请他解释自己的论点。
确认修改纪录。
这时候 AI detector 是：
一个提醒。
但如果流程变成：
AI detector 显示 95%。
所以直接零分。
那个工具就从：
提供线索，
变成：
替人定罪。
两者风险完全不一样。
因为 AI 写作和人类写作，正在慢慢混在一起
事情还有另一个更麻烦的地方。
以前我们可以想像：
A 类：
全部由人写。
B 类：
全部由 AI 写。
然后 AI detector 只要分辨 A 和 B。
但现在真实世界根本不是这么干净。
有人：
自己写第一稿，
叫 AI 修文法。
有人：
自己做研究，
叫 AI 整理结构。
有人：
用 AI 翻译访谈，
再自己改写。
有人：
先叫 AI brainstorming，
最后全文自己写。
还有人：
AI 写第一稿，
自己大量重写。
所以现在真正的问题可能不是：
「人还是 AI？」
而是：
「AI 到底参与到什么程度？」
这比二选一难得多。
Nature 自己就遇到一个很有意思的案例
Nature 最近测试 Pangram 时，
拿一篇研究出版相关文章去扫描。
结果旧版 Pangram 把它判成：
100% AI。
作者 Elena Vicario 表示，
文章的初稿与内核想法都是由她自己产生，
AI 只是用来协助润饰文字。
后续文章又经过编辑修改。
也就是说，
就算 detector 很成功地感觉到：
「这篇文字里有 AI 的痕迹」，
它仍然很难回答另一个问题：
到底有多少内容是 AI 创作？
Pangram 创办人自己也承认，
处理这种：
人写、
AI 修、
人再编辑
的混合文字，
仍然有很大的改善空间。
甚至改几个地方，分数就可能明显变动
Nature 还提到一个现象：
jitter。
意思是：
对一些人类与 AI 混合编辑的文档，
只做一些小修改，
侦测结果就可能明显改变。
另外，
同一句话单独拿出来分析，
和放在整篇文章里分析，
结果也可能不同。
原因之一是 detector 不是只看：
「这一句长得像不像 AI。」
它还会受到：
前后段落、
区块切法、
整体文章模式
影响。
所以精确到说：
「这一句有 87% 是 AI 写的。」
其实很容易给人一种：
比工具真正能力更精确的错觉。
这件事对学生的影响可能比作家更大
小说家至少还有机会：
公开回应、
接受采访、
拿出创作纪录。
但想像一个大学生。
他申请研究所。
花几个星期写 personal statement。
结果学校用 AI detector 扫描后，
认为他的文档由 AI 产生。
Nature 今年 7 月就报导，
有美国学生看到部分研究所申请页面直接警告：
如果 personal statement 被认为由 AI 撰写，
整份申请可能被忽略。
这时候 AI detector 的错误，
可能不是少一个分数。
而是：
失去一次升学机会。
所以工具准不准，
只是第一个问题。
第二个更重要的问题是：
被它影响的人，有没有申诉机会？
真正公平的做法，应该保留「创作过程」
Jamir Nazir 这个案例最后能被重新查看，
一个重要原因就是：
主办方没有只看最后成品。
而是回头看：
草稿、
时间纪录、
笔记、
创作过程。
这其实也给今天所有使用 AI 的人一个很实际的提醒。
如果你的工作非常重视：
原创性、
学术诚信、
作者身份、
创作过程，
那么未来最好的证明，
可能不是最后拿一个 detector 去互相对打。
而是从一开始就留下：
版本纪录、
草稿、
研究笔记、
来源、
修改历程。
因为这些东西真正回答的是：
「这篇内容是怎么形成的？」
而不是只回答：
「最后这篇文字看起来像谁写的？」
甚至「写得太像 AI」可能开始影响人类写作
这件事情如果继续发展，
还可能产生一个非常奇怪的副作用。
假设大家开始知道：
某些句型、
某些结构、
某些写作习惯
比较容易被 detector 判成 AI。
那人类会开始怎么做？
可能刻意避免那些句子。
刻意写得不规则。
甚至刻意把文章写得：
比较不像 AI。
Nature Human Behaviour 今年就提醒：
如果学校和出版机构过度依赖固定语言特征来判断 AI，
最后可能反过来改变人类写作。
也就是：
我们不是在教 AI 模仿人。
而是人开始为了证明自己不是 AI，
改变自己的写法。
这会是一个非常奇怪的世界。
最危险的不是 AI detector 会犯错，而是我们忘了它在「判断」
AI detector 最容易制造的一种错觉，
就是那个：
很漂亮、
很确定、
很像答案的百分比。
87%。
96%。
100%。
数字看起来非常客观。
但别忘了，
背后仍然是一个模型。
它没有看到：
你昨晚坐在桌前写作。
没有看到：
你删掉哪一句。
不知道：
那个比喻为什么会出现在脑中。
它看到的是：
最后留下来的文字模式。
然后做出分类。
所以真正成熟的用法不是：
完全拒绝 AI detection。
而是知道：
它适合回答什么，
又不能回答什么。
它可以说：
「这里值得再检查。」
但如果事情会影响：
成绩、
录取、
名誉、
奖项、
工作机会，
那最后就不应该只剩一句：
「因为 AI 说你像 AI。」
真正需要的，
仍然是：
更多证据、
完整脉络，
以及人类愿意重新看一次的进程。
因为在 AI 愈来愈会模仿人的世界，
我们可能会遇到一个很讽刺的问题：
有一天，人类最大的麻烦，可能不是被 AI 冒充。
而是：
自己写的东西，却必须证明自己不是 AI。
今天，和 AI 一起进步一点。
每天学会一个 AI 技巧。
每天节省一点时间。
每天提升一点能力。
SasaDaily，陪你一起成长。
