AI 写出的句子语法正确、用词规范，读起来却常常让人卡壳。Hacker News 上一条题为“Why is AI generated language so hard to understand?”的讨论获得关注，说明这种体验并非个例。
发生了什么
这条讨论的核心问题是：AI 生成的语言在字面层面几乎没有错误，但读者仍普遍感到费解。社区围绕这一现象展开讨论，涉及表达冗余、句式结构、信息组织方式等方向。讨论本身没有给出统一结论，但它把一个长期被“模型能力提升”叙事掩盖的体验问题摆到了台面上：可读性并不等于语法正确。
为什么重要
过去两年，行业评价模型的主要标尺是准确率、推理能力和指令遵循度，可读性很少被单独衡量。但文本是 AI 最主要的输出形态，无论是客服回复、文档摘要还是代码注释，最终都要由人来读。一旦读者需要反复回读才能提取信息，AI 带来的效率增益就会被抵消。
这一现象背后有几层原因。其一是训练目标：模型被优化为“给出完整、稳妥、覆盖面广的回答”，于是倾向于把限定条件、例外情况和补充说明全部写进同一段话，导致主干信息被稀释。其二是风格趋同：大量 AI 文本采用相似的过渡词和并列结构，句子长度均匀、节奏平缓，缺少人类写作中自然的轻重取舍。其三是缺乏读者模型：人类作者会预设“对方已经知道什么”，而模型往往默认读者一无所知，于是把背景、结论和推论平铺在一起。
值得注意的是，这类问题无法靠单纯扩大模型规模解决。它更接近写作层面的问题，而非知识层面的问题。
影响与看点
对产品团队而言，可读性应当成为独立的评估维度。在提示词中加入“面向谁、已知什么、只需结论还是需要论证”这类约束，往往比换用更强的模型更有效。对开发者而言，在把 AI 输出接入文档、邮件、界面文案等场景时，需要增加人工或规则层面的压缩与重写环节，而不是直接透传。
对读者而言，一个实用的应对方式是先定位结论，再回看支撑信息，避免被均匀铺开的段落牵着走。
我的判断是：AI 文本的“难懂”本质上是信息密度与读者预期错配的结果，而不是语言能力的缺陷。下一阶段真正拉开产品差距的，可能不是模型多聪明，而是谁能把同样的信息写得更像“有人在对你说话”。
