AI 检测到底在检测什么？鉴定器的工作原理解剖

你有没有过这种体验：读一段文字，说不上哪里不对，但就是觉得"不像人写的"。句子都通顺，逻辑也没毛病，可读完什么都没记住——像喝了一杯温水，不烫也不凉。

人的这种直觉，AI 鉴定器也在用，只不过它把"感觉"换成了"数字"。这篇就来讲清楚：当你点下"开始检测"之后，背后到底发生了什么。

一、它不是在"理解"你的文章

很多人以为，鉴定器会像老师批改作文一样，读完、思考、然后下判断。其实不是。

鉴定器做的事更接近体检：它不关心你写了什么观点、故事精不精彩，它只测一堆指标——心跳、血压、血常规——然后拿这些数字去跟"健康人群的分布"比一比，看看你落在哪个位置。

二、它在数三样东西

市面上的 AI 文本检测，不管宣传得多花哨，底层基本都在看三类特征。

1. 统计规律：这段文字"顺"得有多不自然

人写东西会犹豫。我们会写一半删掉重来，会用奇怪但生动的词，会在长句后面跟一个特别短的句子。这些"不整齐"，恰恰是人类写作的指纹。

大模型生成文本时，每个字都是按概率挑出来的，天然会往"最保险、最常见"的组合靠。结果就是用词分布过于平滑——该起伏的地方没有起伏。这一层最核心的两个指标叫困惑度和突发性，下一篇专门讲它们。

2. 语言习惯：那些你自己都注意不到的小动作

• 标点和连接词：AI 特别喜欢"首先/其次/最后"、"此外"、"值得注意的是"，而且逗号的位置比人更规整。
• 句长节奏：人的句子长短参差不齐，AI 的句子长度往往集中在某个区间。
• 用词偏好：某些词 AI 用得明显比人多（比如"深入探讨"、"在这个背景下"），有些词它反而几乎不用。
• 重复与空话：AI 更倾向用抽象、安全的表达，具体细节和数字相对少。

这些特征单拎出来都不算证据——人的写作也可能全中。但十几个特征叠加在一起，就会形成倾向性。

3. 来源痕迹：水印与元数据

第三条路最硬，但也最不可控：如果生成这段文字的模型主动留下了标记（水印），那鉴定几乎是百分之百确定的事。问题是，这得模型厂商配合。目前只有部分厂商这么做，而且用户可以轻易绕过。

关于水印能不能解决问题，第 5 讲单独聊。

三、一个具体的例子

来看这两段描述同一件事的话：

A：今天的会开得很长。老王第三杯咖啡下肚的时候，有人小声说"这事儿上周不是定过吗"，全场笑了三秒，然后继续沉默。

B：本次会议持续时间较长，整体氛围较为沉闷，与会人员在议程推进过程中表现出一定的疲惫情绪，会议效率有待进一步提升。

B 就是典型的 AI 腔：每个字都挑不出毛病，但没有任何一个字是"非这么说不可"的。它把"老王喝了三杯咖啡"这样具体的画面，抽象成了"表现出一定的疲惫情绪"。抽象、对称、无冗余——这是 AI 文本最常见的气质。

不过要注意：反过来不成立。有些人的公文写作本来就长这样，所以这类特征只能指向"可能性"，不能指向"必然"。

四、那它凭什么敢给一个百分比？

鉴定器最后输出的"AI 概率 87%"，不是"有 87% 的可能性是 AI 写的"这种严格统计意义，而是一个综合评分的映射结果。

大致流程是：提取几十上百个特征 → 每个特征单独打分 → 按权重汇总 → 映射成 0~100 的分数 → 再划成"很可能是人工 / 无法判断 / 很可能是 AI"几档。不同工具的特征和权重不一样，所以同一段文字在不同工具里可能给出完全不同的分数，这不是谁在骗你，是标准本来就不统一。

五、为什么会有"本地引擎"和"大模型"两种模式

你可能注意到，有些鉴定工具会标明当前用的是哪种模式。简单说：

• 本地统计引擎：不联网、不调模型，纯靠统计特征比对。快（几十毫秒）、稳定、不上传内容，但对改写得多的文本敏感度下降。
• 大模型判断：让一个更强的模型去"读"这段文字。慢（十几秒）、要联网，但对复杂文本和轻微改写的判断更准。

比较靠谱的做法是两者融合：把两边的分数按权重合起来，一边挂了另一边还能兜底。不上大模型也能量化鉴定的那部分原理，第 4 讲会展开。

小结

记住三句话就够了：

1. 鉴定器不读内容，它数特征；
2. 它给的是倾向，不是结论；
3. 特征来自统计规律，而统计规律会随模型升级失效——所以今天的准，不代表明年还准。

下一篇我们钻进最底层的两个指标：困惑度和突发性。它们几乎是所有 AI 文本检测的起点。