「AI味」具體是指什麼?一個老編輯示範,這64個字為什麼能感動你?
「AI味」具體是指什麼?一個老編輯示範,這64個字為什麼能感動你?

AI 文章很愛堆抽象金句。但好的中文書寫,有一個共同特徵:氣味。
例如:「孩子終於睡著了。我熄了客廳的燈,廚房裡那盤菜還沒收,醬油已經乾了一圈。我坐下來,突然不知道為什麼眼淚就掉下來。」
這段文字中,你聞得到醬油味、看得到燈光、感覺得到那個媽媽身體的疲憊;而 AI 生產的文字實際上什麼都沒有,只有華麗的名詞堆砌。

前幾天我寫了一篇關於 Madonna 在 Coachella 跟 Sabrina Carpenter 同台的文章。留言區裡,一個讀者留下這樣一句觀察:

「『她不是⋯她是在⋯』這個是 ChatGPT 文法。」

他講對了。

而且這件事比你以為的還嚴重。

過去兩年,「讀起來像 AI」已經從一個技術觀察,變成一種評價,甚至是侮辱。出版社編輯私下傳閱「AI 句型黑名單」、付費寫手社團裡的人開始拒接「請幫我潤色 AI 草稿」的案子、連一般讀者都沒辦法明確指出問題在哪,但也懂得直覺地滑掉那種「就是哪裡怪怪的」文章。

問題在於,大部分人講不出「哪裡像 AI」,只能說「就是有那個味道」。而我做了十多年文字工作的職業病,就是看得出來「那個味道」是什麼。

今天就把它拆給你看。五個辨識點,從最容易看出來的開始。

辨識點 1:「她不是 X,她是 Y」對仗句上癮

就是那位讀者點名的那種。範例:

「她不是在哀悼過去,她是在告別童年。」
「這不是一場演唱會,這是一個世代的回望。」
「他不是失敗了,他是用另一種方式贏了。」

為什麼 AI 愛這個句型?

兩個原因:

第一,它是英文修辭 "Not X, but Y" 的直譯。Claude、ChatGPT 主要的訓練語料是英文,這個句型在 TED Talk、心靈雞湯文裡密度極高,於是被原封不動搬進中文。

第二,它能用最少的字製造最大的「金句感」。讀者會以為這是一個有洞見的對比,實際上很多時候只是把同一句話換個說法說兩遍。

那麼人類版本長得什麼樣?

中文資深寫作者更常用「而」結構,加上具體脈絡:

「她哀悼的其實不是過去,而是再也回不去的童年——那個還相信故事會有結局的自己。」

差別在哪裡?人類版本有皺摺、有具體性、有一個你能看見的『誰』。AI 版本永遠在抽象層次浮動。

辨識點 2:沒有「氣味」的金句堆疊

這是我覺得最關鍵的一個判準。

AI 文章很愛堆抽象金句。但好的中文書寫,從魯迅、張愛玲、白先勇到簡媜,有一個共同特徵:氣味。

對照看看:

AI 句型:
「成長是一段孤獨的旅程,需要勇氣去面對內在的真實。」

有氣味的句型:
「孩子終於睡著了。我熄了客廳的燈,廚房裡那盤菜還沒收,醬油已經乾了一圈。我坐下來,突然不知道為什麼眼淚就掉下來。」

差別在哪裡?

第二段你聞得到醬油味、看得到燈光、感覺得到那個媽媽身體的疲憊。第一段什麼都沒有,只有名詞。

一個五秒測試方法:這段文字,你能拍成電影嗎?如果不能,基本上就是 AI 寫出的東西。

人寫東西是從身體寫的,所以會有溫度、氣味、聲音、皮膚的感覺。AI 寫東西是從統計平均值寫的,所以永遠停在概念層。

辨識點 3:三段排比的「乾淨的甜」

「不是逃避,不是妥協,而是放下。」
「她笑著、流著淚、輕輕地擁抱了那個曾經的自己。」
「願妳勇敢、願妳溫柔、願妳永遠是自己。」

我把這種叫做「乾淨的甜」——太工整、太對稱、太有節奏感(也模仿一下乾淨的甜來做評論lol)。

真實的人類書寫是不平均的。有時候一句話突然很長,有時候突然斷得很短,有時候會停下來解釋一個詞,有時候會岔題又繞回來。

AI 喜歡三段式排比,是因為它的訓練資料裡,太多文案、廣告詞、心靈雞湯都長這樣。

檢查方法:把你的文章讀出聲音。

如果讀起來像演講比賽稿、像頒獎典禮致詞、像「教師節作文範本」,那就是太甜了。

辨識點 4:概念名詞化的軟綿綿

AI 特別愛把動詞變成名詞:

「自我的探索」 ← 不如說 「找自己」
「認同感的建構」 ← 不如說 「知道自己是誰」
「孤獨的覺察」 ← 不如說 「發現自己很寂寞」
「內在小孩的療癒」 ← 不如說 「跟以前那個自己和好」
「情感的流動」 ← 不如說 「哭了 / 笑了」

這種「○○感」「○○性」「○○化」的軟綿綿名詞詞組,是學術論文摘要寫多了的後遺症,而 AI 訓練資料裡學術摘要又特別多。

它讀起來有種「知識感」,但其實是把具體的東西吹成霧。好的中文靠動詞推動;堆名詞堆不出力氣來。

辨識點 5:沒有時間、地點、人名的具體錨點

這是我自己最在意、也最深層的一個判準。

真正寫作的人會把事情錨在具體的座標裡:

「2019 年 12 月那個下午,台北車站三樓的星巴克,我媽第一次跟我說她想離婚。」

「我朋友 Linda 在阿姆斯特丹開咖啡店,她跟我說過一句話我一直記得⋯⋯」

「國中的時候,我們家還住在三重,每天下課我都要走過那條後巷。」

AI 則永遠在飄:

「在這個忙碌的城市裡⋯⋯」
「某個午後⋯⋯」
「我認識一個朋友她⋯⋯」
「曾經有個人告訴我⋯⋯」

當任何事情都可以發生在「任何地方、任何時候、任何人身上」,那其實就是因為背後沒有一個真正活過的身體。

AI 沒有 2026 年 4 月,沒有台北的士林夜市,沒有阿姆斯特丹的 Susie。它只有「某個○○」。

人寫的文章,跟AI寫的文章有哪些不同?

那麼,「人味」到底是什麼?

不是「沒有套路」。所有寫作者都有套路。

不是「沒有結構」。沒有結構的文章只是混亂,不是人味。

人味 = 你有活過的證據。

具體的時間、地點、人名。不對稱的句子。沒有完美收尾的段落。偶爾岔題又繞回來。有汗、有油、有醬油味、有皮膚溫度的細節。一個你能看見的「誰」,而不是「人們」。

AI 寫字的來源是統計平均值:它把一百萬篇文章的共同樣貌融在一起。人寫字沒有這個選項,我們就只能從自己這具身體寫起,從昨晚沒睡好的頭痛、從剛才在樓下聞到的咖啡、從小時候媽媽那句讓你記了三十年的話。

所以如果你發現自己的文章被說「像 AI」,不要試著把痕跡藏得更好,而是試著把你的生活放回去更多。

把「在某個午後」改成「上禮拜三下午三點」。把「我認識一個朋友」改成「我大學同學阿芳」,然後再加一句她那天穿什麼顏色的外套、喝的是冰拿鐵還是熱美式。

AI 之所以模仿得像,其實是因為,我們自己趕稿、敷衍、心不在焉的時候,也經常寫得像 AI。所以不要把它當對手,把它當鏡子。它照出來的,是我們不在現場的那些時刻。

本文授權轉載自李思萱

往下滑看下一篇文章
從台灣走進北美千家速食門市!Berry AI 如何攜手博弘雲端,讓 AI 規模化落地?
從台灣走進北美千家速食門市!Berry AI 如何攜手博弘雲端,讓 AI 規模化落地?

一家來自台灣的 AI 新創,如何讓美國上千家速食餐廳,都用它的 AI「看」得來速車道?

這家公司就是專注於 AI 影像辨識技術的 Berry AI (華捷智能),透過攝影機蒐集匿名數據並轉化為多項營運指標,協助速食品牌找出流程瓶頸、提升現場營運效率與整體顧客滿意度。以美國連鎖炸雞品牌 Zaxby’s 為例,在全面導入 Berry AI 解決方案後,服務速度提升 13%-20%,業績表現最好與最差的門市,每週營收差距從 2.4 萬美元縮小至約 9,000 美元。另一家連鎖速食品牌 Culver’s 在導入後,得來速車道的服務時間也立刻改善,進而提升整體吞吐量。

然而,支撐 Berry AI 解決方案的,不只有前端看得見的攝影機與影像辨識技術,還有後端穩定且具彈性的雲端平台。Berry AI 結合 Amazon Web Services (AWS) 全球雲端資源及博弘雲端顧問服務,打造兼顧即時性、穩定性與成本效益的雲地混合架構,成為推動 Berry AI 持續擴大北美市場版圖的重要關鍵。

從台灣 PoC 走向北美千店規模,Berry AI 面臨架構升級新挑戰

Berry AI 執行長林逸中表示,團隊成立初期投入近2年半的時間,探索最適合影像辨識技術的應用場景,最終將目光鎖定高度標準化的速食餐飲業(Quick Service Restaurant;QSR),推出得來速計時器、餐廳計數器等解決方案,運用 AI 影像分析技術,辨識顧客進入得來速車道或餐廳後的狀態,例如:排隊、點餐、候餐等。

同時,Berry AI 也進一步將現場蒐集到的數據轉化為可量化的營運指標,例如:不同門市、日期或時段的顧客等候時間,協助管理者從數據中找出流程瓶頸與可以優化的環節,進而提升服務效率及顧客滿意度。

在確立發展方向並於台灣完成 PoC (概念驗證)後,Berry AI 決定前進全球最大、也是 QSR 最核心的北美市場。然而,隨著合作客戶與部署門市持續增加,資料量快速攀升,加上服務範圍橫跨不同區域,既有以地端為主的架構開始面臨規模化挑戰。

林逸中補充指出,尤其 QSR 業者在選擇 AI 解決方案時,格外重視技術效能與穩定性,包括 AI 辨識精準度、能否因應突發狀況、系統能否穩定運作,以及網路發生問題時能否維持服務等。在這樣的要求下,若將所有運算與資料都留在地端,不僅難以因應日益增加的部署門市與資料量體,設備建置與維運成本也會隨之增加。

BerryAI 攜手博弘雲端 打造高可用性 AWS 雲地混合架構,突破北美規模化部署挑戰

如何確保系統的即時性、穩定性與成本效益,成為 Berry AI 進軍北美後必須解決的新課題。為此,Berry AI 選擇與博弘雲端合作,取得穩定且高可用的 AWS 運算與資料庫服務架構,將即時運算留在地端,同時在雲端環境整合資料庫處理大量資料與後續分析工作,形成兼顧地端即時運算與雲端彈性擴充的雲地混合架構。

Berry AI研發同仁汪楚剛說明,包括車輛偵測、追蹤與狀態辨識等需要即時反應的工作,會先在地端完成;再將辨識結果傳送至 AWS 雲端,計算各項營運指標,提供後續分析與決策使用。透過這套架構,Berry AI 至今已處理超過 2 億筆車輛狀態資料。

此外,AWS 也是 Berry AI 持續優化 AI 模型的重要基礎。Berry AI 將整套資料蒐集流程建構於 AWS 上,透過完整且多樣化的資料,持續訓練與優化模型,進一步提升地端影像辨識的準確度。

博弘雲端
Berry AI 鎖定高度標準化的速食餐飲業(Quick Service Restaurant;QSR),推出得來速計時器、餐廳計數器等解決方案,運用 AI 影像分析技術,辨識顧客進入得來速車道或餐廳後的狀態,例如:排隊、點餐、候餐等,協助管理者從數據中找出流程瓶頸與可以優化的環節,進而提升服務效率及顧客滿意度。
圖/ Berry AI網站圖

成為企業技術團隊的延伸,博弘雲端助 BerryAI 把 AWS 用得更好、更省

隨著北美業務持續成長,Berry AI 也迎來新的課題:如何把雲端資源用得更有效率、更省成本,這也成為 Berry AI 與博弘雲端合作的重要契機。

對此,可能有很多人好奇,像 Berry AI 這類技術能力成熟、具備自行建置架構能力的企業,為什麼還需要與博弘雲端合作?「關鍵在於,博弘雲端長期深耕 AWS,對相關服務與技術架構更加熟悉,可以成為企業內部技術團隊的延伸。」博弘雲端技術長宋青雲說。

當 Berry AI 遇到特定 AWS 服務或技術問題時,可以直接尋求博弘雲端協助;若需要進一步與 AWS 原廠確認,博弘雲端也能協助溝通與處理,減少 Berry AI 自行研究與排除問題所需投入的時間,讓內部研發團隊可以將更多心力和資源集中在核心產品開發。

更重要的是,博弘雲端不只提供技術支援,還能從 Berry AI 實際用量與成長需求出發,客製化設計最適合的節費方案,這對 Berry AI 降低營運成本有很大的幫助。宋青雲說明,博弘雲端根據 Berry AI 既有的 AWS 用量,推估未來 1-3 年內的使用需求,並以此為基礎規劃合適的長期雲端資源用量;同時考量 Berry AI 所屬飛捷集團旗下還有 3 家子公司同樣使用 AWS,進一步整合集團需求進行評估,放大整體採購規模,爭取更大的節費空間。

宋青雲強調,雲端採取隨需即付的計價模式,雖然具備彈性優勢,但若缺乏持續管理,仍可能出現資源配置不符商務規劃,或費用超出預期等情況。而博弘雲端不只能從使用現況出發、建議適合的節費方案,也會從效能、資安與成本等面向進行架構健檢,提出相應的優化建議;同時還會提供相關管理介面,讓企業隨時查看帳戶使用狀況、預估未來用量,在業務規模持續成長的同時,也能兼顧雲端架構的效能、安全與成本效益。

而架構健檢與成本優化,只是博弘雲端服務的一環。從企業準備上雲開始,博弘雲端便能協助將應用程式與資料從地端搬遷至雲端,或直接在雲端完成部署;進一步還能協助建置數據平台、數據中台,進行資料分析及導入 AI 應用,讓企業資料發揮更大價值。當服務正式上線後,博弘雲端也能接續提供維運服務。換言之,從前期 PoC、雲端建置到後續維運,博弘雲端都能依據企業需求,提供相應的服務與支援。

對 Berry AI 來說,藉由與博弘雲端合作,深化 AWS 雲端資源使用,不只是突破規模化挑戰,更重要的是能把有限的資源集中在核心業務,持續優化解決方案、開發更多貼近餐飲營運需求的應用,進一步爭取更多品牌合作,擴大北美市場版圖。目前,Berry AI 正全力拓展北美市場,也持續尋找對 AI 技術與餐飲產業應用充滿好奇心、重視團隊協作的人才加入。徵才方向涵蓋機器學習與電腦視覺、Platform & System(DevOps、Infrastructure),以及 Full Stack 軟體開發。從門市邊緣裝置上運行的 AI 模型、串連雲端與數千家門市的系統平台,到協助餐飲品牌提升營運效率的分析產品,每個環節都還有發揮的空間。 期待匯聚更多優秀夥伴,一起用 AI 解決真實的營運問題,讓來自台灣的技術走進更多全球 QSR 門市。

職缺詳情:https://www.cake.me/companies/berryai/jobs

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
一次搞懂工業AI
© 2026 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓