Ramai pembaca menyedarinya secara anekdot: teks yang ditulis oleh model AI terasa semakin padat, kaku, dan peliknya meletihkan untuk dihuraikan, walaupun ia tidak sempurna dari segi tatabahasa. Pracetak baharu yang disiarkan ke arXiv meletakkan data linguistik yang sukar di sebalik gerak hati itu — dan mencadangkan penjelasan mengapa ia berlaku.
Kajian itu, "Mengapa bahasa yang dihasilkan AI begitu sukar untuk difahami?", telah diserahkan pada 21 Oktober oleh penyelidik Thomas Hikaru Clark, Matias B. Martin, dan Kyle Mahowald. Dengan menggunakan korpus novel teks yang dijana AI merentas domain yang pelbagai, pengarang menganalisis satu set ciri psikolinguistik yang mantap dalam kesusasteraan sebagai penanda kesukaran pemprosesan untuk pembaca manusia — termasuk klausa relatif objek, kebergantungan sintaksis yang panjang dan n-gram frekuensi rendah. For more context on this story, see our ongoing more AI stories.
Apa yang Diukur oleh Penyelidik
Psikolinguistik telah lama mengetahui bahawa tidak semua ayat berharga sama untuk dibaca. Klausa relatif objek ("senator yang wartawan serang...") mengambil masa yang agak lama untuk diproses berbanding saudara subjek. Kebergantungan yang lama antara perkataan memaksa pembaca untuk menyimpan lebih banyak bahan dalam ingatan. Urutan perkataan yang jarang berlaku memerlukan lebih banyak usaha untuk mendapatkan dan menyepadukan. Ciri ini berfungsi sebagai pembaris untuk mengukur betapa sukarnya sesuatu teks untuk benar-benar difahami — berbeza daripada kecanggihannya.
Para penyelidik membandingkan tulisan yang dijana AI dengan dua garis dasar: teks tulisan manusia, dan parafrasa yang dihasilkan melalui terjemahan pergi balik, kawalan yang direka untuk memisahkan ciri model tulen daripada rasa generik prosa formal atau mesin.
Kawalan itu penting. Skeptik boleh berhujah dengan munasabah bahawa teks AI hanya dibaca seperti penulisan perniagaan atau teknikal - formal, tidak peribadi dan kata nama berat - dan bukannya menunjukkan patologi yang berbeza. Terjemahan pergi balik menghasilkan teks dengan daftar serupa yang digilap, sedikit tidak natural tanpa sebarang latihan model bahasa di belakangnya. Jika model AI masih melebihi garis dasar pada langkah-langkah kesukaran pemprosesan, perbezaan itu perlu datang daripada sesuatu yang khusus tentang cara model itu sendiri belajar menulis. Itu, pada dasarnya, adalah apa yang didapati oleh kajian itu.
Apa yang Mereka Temui
Keputusan adalah konsisten di seluruh papan. Berbanding dengan tulisan manusia, kesemua sembilan model sempadan dan berhampiran sempadan diperiksa dalam kajian - kumpulan yang merangkumi sistem daripada keluarga GPT-5.6, Claude, Llama, DeepSeek dan Qwen - membuat pilihan yang lebih sukar diukur:
- Lebih banyak subjek tidak bernyawa digandingkan dengan kata kerja bernyawa — corak penulisan AI ciri yang abstraksi "selidiki", "garis bawah" atau "serlahkan".
- Lebih banyak n-gram frekuensi rendah, bermaksud urutan perkataan luar biasa yang jarang dihasilkan oleh penulis manusia.
- Kebergantungan sintaksis yang lebih lama, dengan subjek dan kata kerja dipisahkan oleh lebih banyak bahan campur tangan.
- Lebih banyak kata nama bertindan dan, dalam teks perbualan, lebih banyak klausa relatif objek yang dikurangkan.
Kajian itu juga mendokumentasikan variasi yang besar merentas keluarga model — tidak semua model sama sukar untuk dibaca — dan mendapati model AI menggunakan pembinaan yang sukar ini lebih kerap daripada parafrasa terjemahan pergi-balik, menunjukkan kesannya adalah khusus kepada cara model dilatih dan bukannya artifak daftar rasmi.
Variasi itu secara senyap-senyap adalah salah satu hasil yang paling berguna dalam kertas itu. Jika kesukaran membaca adalah akibat skala atau keupayaan yang tidak dapat dielakkan, semua sistem sempadan akan berkumpul bersama. Sebaliknya, sebaran antara keluarga menunjukkan bahawa pilihan selepas latihan — campuran data, isyarat ganjaran, penekanan pada domain berat penaakulan — jelas membentuk cara prosa model sampai kepada pembaca manusia. Dengan kata lain, teks AI yang sukar dibaca ialah hasil reka bentuk, bukan hasil sampingan kecerdasan yang tidak dapat dielakkan.
Hipotesis Ketumpatan Maklumat
Mengapakah model akan beralih ke bahasa yang lebih keras? Penulis mencadangkan dan menguji hipotesis: sementara bahasa manusia berkembang dan dipelajari di bawah tekanan untuk berkomunikasi dengan jayanya, teks yang dijana AI semakin dioptimumkan untuk matlamat lain — matematik, kod dan tugas penaakulan — di mana tekanan adalah ke arah ketumpatan maklumat dan bukannya kemudahan pemahaman.
Model yang diberi ganjaran kerana membungkus jawapan yang betul ke dalam token yang lebih sedikit mempelajari tabiat yang terbawa-bawa ke dalam prosa: memampatkan makna, lebih suka perkataan yang tepat tetapi jarang, membenamkan lebih banyak struktur bagi setiap ayat. Hasilnya ialah teks yang mendapat markah yang baik pada penanda aras sambil berkembang secara berterusan kurang semula jadi kepada pembaca manusia.
Untuk menguji idea itu, para penyelidik menjalankan eksperimen bukti konsep: mereka memperhalusi model bahasa di bawah penalti panjang, memaksanya untuk memampatkan outputnya. Tingkah laku linguistik model itu menyimpang daripada corak seperti manusia dengan tepat seperti yang diramalkan oleh hipotesis — memberikan sokongan kausal kepada idea bahawa tekanan pengoptimuman, bukan data sahaja, mendorong peralihan.
Mengapa Ia Penting
Penemuan ini menyerlahkan apa yang penulis panggil sebagai salah jajaran antara permintaan pemprosesan linguistik manusia dan yang secara tersirat disukai oleh model bahasa besar. Penyelewengan itu mempunyai akibat praktikal. Pembantu AI yang menghasilkan teks yang sukar dibaca mengenakan cukai tersembunyi pada setiap jawapan, dan kesannya bertambah apabila orang ramai menghabiskan lebih banyak masa membaca mereka pada draf, ringkasan dan penjelasan yang dijana model.
Penulis berhujah rangka kerja mereka menunjuk ke arah penyelesaian yang mungkin - cara untuk melatih atau menala model yang outputnya menghormati had pemprosesan manusia tanpa mengorbankan keupayaan. Kertas itu adalah pracetak dan belum lagi menjalani semakan rakan sebaya, tetapi pemerhatian pusatnya sudah bergema: kerja itu memanjat muka depan Berita Hacker pada 24 Oktober, menarik perdebatan aktif tentang sama ada pertukaran antara prestasi penaakulan dan prosa yang boleh dibaca adalah asas atau boleh diperbaiki.
Buat masa ini, kajian itu memberi pembaca perbendaharaan kata yang disahkan untuk kekecewaan yang biasa. Teks tidak menjadi lebih buruk secara tidak sengaja — ia menjadi lebih padat dengan reka bentuk.
Sumber: arXiv:2610.29162, perbincangan Berita Penggodam---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
