你写的每一段文字，AI 正在帮你变得更像其他人

写邮件、改周报、刷 PR 描述、润色技术文档——这些事我每天都在用 LLM 做。模型帮忙把话说清楚、收掉语法毛病、对齐格式要求，效率确实上来了。但今天刷到一篇 arXiv 论文，标题叫 Linguistic Monoculture in LLM-Assisted Language Use——如果你也在用 AI 改文字，你写出来的东西正在变得到处都差不多。

不是玄学猜测，有数学支撑。

这篇 7 月 29 号提交的论文（arXiv:2607.27134），作者 Suhas Thejaswi 等人建了一个数学框架：把每个作者和每个 LLM 都表示成一组语言特征的概率分布，然后模拟它们反复互动之后会发生什么。

核心结论：你用共享模型改得越多，你跟其他用同一个模型的人就写得越像。 但你不会觉得有什么问题，因为每个人都是自己觉得"写得更清楚了"。

论文分析了三种互动场景。

第一种：所有人共用一个固定语言分布的模型。结果——无论大家一开始风格多不一样，最终都会朝同一个规范收敛。不是谁抄谁，而是模型作为中介，把所有输出往同一个方向拉了一把。

第二种：模型不是固定的，它会根据作者产出的文本不断递归更新。今天大家写的文本被拿去微调了下一次模型，然后新模型再帮大家改下一版。循环转起来之后，共同规范会漂移，但人群内部的分散程度几乎不变——大家仍然挤在一起，只是换了个方向挤。

第三种：个性化模型，每个作者维护自己的反馈信号。这是最有希望的一条路：理论上可以保留一群各自稳定的风格均衡，让多样性不等于零。

论文更狠的地方在后面。

作者们把"趋同"这件事做了经济学建模。每个人选择多大程度地「合群」、多大程度地「保持风格」，背后有取舍：清晰、可读、符合期望——这些是私人收益；而独特风格——它带来的好处有一部分被别人享受了。结果，每个理性人自己算账时，会选择比社会最优更趋同的方案，因为个体没有内化"我写得跟别人不一样"对他人的价值。

论文管这个叫 price of monoculture。在固定实例下，代价有限；但当独特性压过真实性，可能无界增长。

你一个人用 AI 润色邮件，觉得只是把话说顺了。但一百万个你都在干同样的事，一百万个收件人读到的文本在悄悄坍缩成一种腔调。没有人故意这么做，但结果就是往这个方向走。

我不觉得这是技术问题。个性化模型在技术上已经被证实可以保留多样性了，论文自己也说了。这更是一个激励问题——我写这段话的时候，我用模型帮我润色吗？我用。我明知道它会让我的文字变得更像人群均值，但我还是要用，因为我不希望发出去的邮件有语法错误、语气模糊、不符合团队表达习惯。

论文没有给解法。它不是那种"来来来我们发个新架构"的 paper。它更像一面镜子，照出每个每天都在点"AI 帮我写"的人。

论文提到了三个学科分类——cs.AI / cs.CL / cs.GT。博弈论在这里不是装饰，它把「要不要让 AI 改这句话」定义成了一个策略选择。每次你点击接受建议，就是在做一个既有私人收益又产生外部性的动作。这篇论文的好处是，它终于把那个外部性写出来了。

下次你让模型帮你改写一段话时，可以多看一眼改前和改后的 diff。有些改动确实是优化，有些只是让它变得更像「模型喜欢的样子」——而那个样子，也是其他所有人正在靠拢的样子。