眼下的 AI 确实能呈现某种「创造力」，但如果你本身就是个非常有创造力的人，AI 则会把你拖入「均值」，抹杀你的灵性。

杜克大学的 Emily Wenger 和以色列理工学院的 Yoed N. Kenett 联手进行了一项有关 AI 创造力的研究，并在「PNAS Nexus」上发表了论文「Large Language Models Are Homogeneously Creative」。

他们让 102 名人类与 22 个大语言模型（分属 7 个不同的科技公司），共同进行三轮经典的心理学创造力测试，然后分别测量个体原创性（单条回答的新颖度）与群体多样性（一群回答者的答案是否趋同）。

过程就不复述了，有些枯燥（其实是因为我很难完全看得懂哈哈哈哈）。直接给大家呈现研究结果：

当下的 AI 模型在个体创造力层面与人类受试者旗鼓相当。但横向比较群体的创造力时，他们彼此间的回答相似度远超人类。

比如：即使这些模型来自不同厂商，不同的发布时间，但他们都会倾向于使用相似的词汇。而不同人类之间则基本不会出现这样的状况。

诶？这不就是大家所讨厌的「AI 味」吗 —— 即 AI 输出的文字会倾向于使用某些高频词汇与句式。

两位研究者还进一步发现，即使在测试过程中反复调整 Prompt，引导 AI 提供更有创意的回答，其群体多样性依然会被人类碾压。

此处我直接引用下论文原文：「使用更具创意导向的系统提示词，能小幅提升大语言模型的个体创造力。然而，系统提示词并不能实质性改善大语言模型回答的变异性。无论哪种提示词，大语言模型的变异性都远低于人类。」

这也就侧面证明了，所谓的「去 AI 味提示词」，所能发挥的作用也极其有限。

这种现象的原因可能得追溯到 AI 的训练方式和数据集。大概率是因为大模型间存在表征趋同，导致输出范围受限且彼此相似。

毕竟大语言模型本质就是统计预测，底层逻辑就是计算下一个最可能出现的 Token。

但当下模型的思考方式、输出模式都是黑箱，尚无法提供确切的结论。这也是两位研究者后续需要去进一步探索的领域。

此外，这篇论文还援引另一项研究，提出了某种担忧：随着人们对大语言模型的依赖加深，大家的想法与产品很可能日益同质化，可能损害人类未来的思维能力。

论文原文提到：

「如果所有大语言模型对特定创意请求都给出相似的回答，那么借助大语言模型辅助创意的用户群体，将收敛于一个有限的创意输出集合。」

「换言之，大语言模型用户可能自我设限，无法企及托尔金、莫扎特与毕加索这些公认艺术天才所定义的发散式创造力。」

「因为大语言模型可能会集体把他们拖向均值。创造力在思想的异质性中繁荣，而今天的大语言模型似乎无法提供这种异质性。」

作为一个半文字工作者，我深以为然。

我之前就发文感慨过，发现自己这两年在阅读了大量 AI 生产的内容后，如今的遣词造句已经越来越有 AI 味。尤其是阅读我早期的文章后，这种感觉特别强烈。

就比如这篇文章吧，我敢承诺除了对论文内容的引用外，其余百分百手是古法手打，但读起来就是会有些词句相当别扭（为了让大家参考，我没有故意修订）。

看完论文，我还专门查了下两位研究者接受过的采访，他们也提到过「过度依赖这些工具，会把全世界的工作抚平到同一套底层词汇与语法上，让所有写作看上去都一个样。」

最后提下我为什么会关注到这篇文章。

主要是最近刷到了很多 Claude Opus 5.5 制作的视频，让我感觉「Claude 味」开始从网页蔓延到了视频领域。

是的，AI 带来了技术平权，让所有人都可以轻易写文章、剪视频，但它同时也是同质化的温床。一旦大部分人都在使用 AI，技术带来的边际优势就会被彻底对冲抹平。

到那时，你的内容又该如何被受众识别？

在剑桥大学的一篇论文中，研究者 Erin McGurk 与 David Khachaturov 预言：当市场被 AI 彻底充斥，商业价值将呈现出极端的「杠铃式分布」。

杠铃的一头是边际成本趋近于零的纯 AI 生成物，另一头则是能够明确溯源、带着纯人类烙印并享有高额溢价的匠心之作。而庞大的中间层将被彻底掏空。

我想大部分人，尤其是内容创造者们都不会希望自己届时是站在「纯 AI 生成物」的那端。

说这些不是让大家弃用 AI，这就和 2000 年初劝大家别上网一样愚蠢。我觉得核心问题在于如何正确地将 AI 应用于工作流的合适环节。

正如论文的两位研究者所说：「如果你正试图提出一个足以脱颖而出的原创概念或产品，应该把一群多元背景的人聚在一起头脑风暴，而不是依赖 AI。」

学 AI 很重要，但学会让 AI 在恰当的时候介入自己的工作，更加重要。