有一天，
你花了很久寫完一篇文章。
不是叫 ChatGPT 寫。
不是叫 Claude 改寫。
而是：
自己想、
自己寫、
自己刪、
自己重寫。
結果把文章丟進 AI 偵測器，
螢幕跳出來：
100% AI。
你會怎麼證明：
「這真的是我寫的」？
今年一篇得獎短篇小說，
就真的遇到了類似的事情。
而且事情最後甚至變成：
一個 AI 說它很像 AI，但人類主辦方查完創作證據後，卻決定相信作者。
一篇得獎小說，突然被判成「100% AI」
故事叫：
The Serpent in the Grove。
作者是來自 Trinidad and Tobago 的 Jamir Nazir。
這篇作品先拿下 2026 Commonwealth Short Story Prize 的加勒比海區域獎。
後來又成為整個比賽的年度總冠軍。
但在區域得獎名單公布後，
網路上很快有人開始懷疑：
這篇小說是不是 AI 寫的？
有人注意到它的句型、
比喻、
節奏
看起來很像現在大型語言模型常產生的文字。
接著有人把全文丟進 AI 偵測工具 Pangram。
結果：
100% AI-generated。
事情從「讀者覺得怪怪的」，
瞬間變成：
「連 AI detector 都說是 100%。」
問題是：100% 到底代表什麼？
看到「100% AI」，
人的直覺很容易把它理解成：
這個系統已經查明：
每一個字都是 AI 寫的。
但其實不是這樣。
Nature 最近專門調查新一代 AI detection 工具時，
訪問 Pangram 創辦人 Max Spero。
他解釋，
Pangram 會先把文章切成不同區段，
再判斷每一段比較可能是：
人寫的、
AI 寫的，
或兩者混合。
最後再根據被判定為 AI 的區段比例形成整體結果。
所以：
100% AI 並不等於它知道每一個字的作者是 AI。
更精確的意思是：
它分析的各個區段，
都被模型判斷成「比較像 AI」。
這是一個分類結果。
不是現場錄影。
也不是數位指紋。
更不是看到 ChatGPT 親自把文字打出來。
這就像臉部辨識說「很像」，不等於法院已經判決
AI detector 本質上做的是：
找模式。
它可能觀察：
句子怎麼排列、
哪些字容易一起出現、
段落節奏、
語言結構、
語意模式，
再和大量：
人類文字
與
AI 文字
比較。
最後回答：
「這一篇比較像哪一邊？」
這種工具可以非常有用。
甚至可以非常準。
但「非常準」仍然和「永遠不會錯」是兩回事。
假設一個系統的誤判率已經非常低。
只要拿去掃描：
幾十萬篇學生作文、
幾百萬份求職文件、
大量投稿文章，
低機率事件還是一定會發生在某些真人身上。
而被判錯的那一個人，
面對的不是：
「系統平均而言很準。」
他面對的是：
「現在我要怎麼證明自己沒有作弊？」
Commonwealth Foundation 最後沒有直接相信 AI detector
這件事後來真正值得看的地方，
不是 Pangram 到底準不準。
而是比賽主辦方最後怎麼處理。
Commonwealth Foundation 表示，
他們花了大約一個月調查 AI 使用指控。
而且刻意沒有把：
「AI detector 顯示什麼」
當成最終證據。
主辦方和所有區域得獎者詳細討論創作過程。
並查看：
工作草稿、
有時間紀錄的文件、
創作筆記，
以及作品如何逐步形成的相關證據。
6 月 22 日，
Commonwealth Foundation 最後公開表示：
在諮詢評審並考慮所有可取得資料後，
他們認為 AI 沒有被用來撰寫這些得獎作品。
之後，
Jamir Nazir 不但保住區域冠軍，
6 月 30 日還正式拿下 2026 年整體 Commonwealth Short Story Prize。
這件事形成了一個非常強烈的對比：
AI detector：100% AI。
完整人工調查：接受作者的創作證據。
那到底應該相信誰？
這裡其實不能簡單變成：
「你看，AI detector 都是垃圾。」
這樣也不對。
新一代 AI detector 的確已經進步很多。
Nature 在 8 月 25 日的調查指出，
目前表現較好的工具，
像 Pangram、GPTZero，
在辨識完全由 AI 產生的文字上，
已經比早期工具強很多。
對最基本的 AI 生成文字，
部分測試甚至能抓到接近全部。
所以：
AI detection 不是完全沒有價值。
真正的問題是：
我們拿它來做什麼？
當「線索」和當「判決」，是完全不同的兩件事
如果老師收到一篇作文，
AI detector 顯示高度疑似 AI，
合理的下一步可能是：
再看看學生過去的寫作。
問他文章怎麼形成。
要求提供草稿。
請他解釋自己的論點。
確認修改紀錄。
這時候 AI detector 是：
一個提醒。
但如果流程變成：
AI detector 顯示 95%。
所以直接零分。
那個工具就從：
提供線索，
變成：
替人定罪。
兩者風險完全不一樣。
因為 AI 寫作和人類寫作，正在慢慢混在一起
事情還有另一個更麻煩的地方。
以前我們可以想像：
A 類：
全部由人寫。
B 類：
全部由 AI 寫。
然後 AI detector 只要分辨 A 和 B。
但現在真實世界根本不是這麼乾淨。
有人：
自己寫第一稿，
叫 AI 修文法。
有人：
自己做研究，
叫 AI 整理結構。
有人：
用 AI 翻譯訪談，
再自己改寫。
有人：
先叫 AI brainstorming，
最後全文自己寫。
還有人：
AI 寫第一稿，
自己大量重寫。
所以現在真正的問題可能不是：
「人還是 AI？」
而是：
「AI 到底參與到什麼程度？」
這比二選一難得多。
Nature 自己就遇到一個很有意思的案例
Nature 最近測試 Pangram 時，
拿一篇研究出版相關文章去掃描。
結果舊版 Pangram 把它判成：
100% AI。
作者 Elena Vicario 表示，
文章的初稿與核心想法都是由她自己產生，
AI 只是用來協助潤飾文字。
後續文章又經過編輯修改。
也就是說，
就算 detector 很成功地感覺到：
「這篇文字裡有 AI 的痕跡」，
它仍然很難回答另一個問題：
到底有多少內容是 AI 創作？
Pangram 創辦人自己也承認，
處理這種：
人寫、
AI 修、
人再編輯
的混合文字，
仍然有很大的改善空間。
甚至改幾個地方，分數就可能明顯變動
Nature 還提到一個現象：
jitter。
意思是：
對一些人類與 AI 混合編輯的文件，
只做一些小修改，
偵測結果就可能明顯改變。
另外，
同一句話單獨拿出來分析，
和放在整篇文章裡分析，
結果也可能不同。
原因之一是 detector 不是只看：
「這一句長得像不像 AI。」
它還會受到：
前後段落、
區塊切法、
整體文章模式
影響。
所以精確到說：
「這一句有 87% 是 AI 寫的。」
其實很容易給人一種：
比工具真正能力更精確的錯覺。
這件事對學生的影響可能比作家更大
小說家至少還有機會：
公開回應、
接受採訪、
拿出創作紀錄。
但想像一個大學生。
他申請研究所。
花幾個星期寫 personal statement。
結果學校用 AI detector 掃描後，
認為他的文件由 AI 產生。
Nature 今年 7 月就報導，
有美國學生看到部分研究所申請頁面直接警告：
如果 personal statement 被認為由 AI 撰寫，
整份申請可能被忽略。
這時候 AI detector 的錯誤，
可能不是少一個分數。
而是：
失去一次升學機會。
所以工具準不準，
只是第一個問題。
第二個更重要的問題是：
被它影響的人，有沒有申訴機會？
真正公平的做法，應該保留「創作過程」
Jamir Nazir 這個案例最後能被重新檢視，
一個重要原因就是：
主辦方沒有只看最後成品。
而是回頭看：
草稿、
時間紀錄、
筆記、
創作過程。
這其實也給今天所有使用 AI 的人一個很實際的提醒。
如果你的工作非常重視：
原創性、
學術誠信、
作者身份、
創作過程，
那麼未來最好的證明，
可能不是最後拿一個 detector 去互相對打。
而是從一開始就留下：
版本紀錄、
草稿、
研究筆記、
來源、
修改歷程。
因為這些東西真正回答的是：
「這篇內容是怎麼形成的？」
而不是只回答：
「最後這篇文字看起來像誰寫的？」
甚至「寫得太像 AI」可能開始影響人類寫作
這件事情如果繼續發展，
還可能產生一個非常奇怪的副作用。
假設大家開始知道：
某些句型、
某些結構、
某些寫作習慣
比較容易被 detector 判成 AI。
那人類會開始怎麼做？
可能刻意避免那些句子。
刻意寫得不規則。
甚至刻意把文章寫得：
比較不像 AI。
Nature Human Behaviour 今年就提醒：
如果學校和出版機構過度依賴固定語言特徵來判斷 AI，
最後可能反過來改變人類寫作。
也就是：
我們不是在教 AI 模仿人。
而是人開始為了證明自己不是 AI，
改變自己的寫法。
這會是一個非常奇怪的世界。
最危險的不是 AI detector 會犯錯，而是我們忘了它在「判斷」
AI detector 最容易製造的一種錯覺，
就是那個：
很漂亮、
很確定、
很像答案的百分比。
87%。
96%。
100%。
數字看起來非常客觀。
但別忘了，
背後仍然是一個模型。
它沒有看到：
你昨晚坐在桌前寫作。
沒有看到：
你刪掉哪一句。
不知道：
那個比喻為什麼會出現在腦中。
它看到的是：
最後留下來的文字模式。
然後做出分類。
所以真正成熟的用法不是：
完全拒絕 AI detection。
而是知道：
它適合回答什麼，
又不能回答什麼。
它可以說：
「這裡值得再檢查。」
但如果事情會影響：
成績、
錄取、
名譽、
獎項、
工作機會，
那最後就不應該只剩一句：
「因為 AI 說你像 AI。」
真正需要的，
仍然是：
更多證據、
完整脈絡，
以及人類願意重新看一次的程序。
因為在 AI 愈來愈會模仿人的世界，
我們可能會遇到一個很諷刺的問題：
有一天，人類最大的麻煩，可能不是被 AI 冒充。
而是：
自己寫的東西，卻必須證明自己不是 AI。
今天，和 AI 一起進步一點。
每天學會一個 AI 技巧。
每天節省一點時間。
每天提升一點能力。
SasaDaily，陪你一起成長。
