AI-Blindness: LLM 生成内容的认知摩擦

AI-Blindness 的出现

AI-blindness 是一种认知反应，即人类大脑会下意识地识别并忽略 AI 生成的内容，类似于网页浏览中的“横幅盲区”（banner blindness）。当用户遇到遵循可预测的 LLM 模式的文本或图像时——例如过度冗长、一种“圆滑”但空洞的语气，以及倾向于将微小的细节描述为突破性进展——就会发生这种现象，导致大脑将这些信息视为噪声而非信号。

这种认知过滤通常会导致一种生产力悖论：虽然 AI 的设计初衷是加速内容创作，但由此产生的“slop”（低质量内容）可能会减慢接收者处理信息的能力，导致为了澄清那些在技术上存在但在认知上不可见的信息点而增加往返沟通。

AI 生成“Slop”的特征

经历 AI-blindness 的用户可以识别出几种触发这种心理断路器的重复标记：

语言模式

• 过度冗长： 以过于复杂或冗长的形式描述简单的概念。
• 可预测的用语： 使用特定的 AI 术语（例如短语如 "this cuts just through it" 或 "the first gate is real"）以及与 Claude 等模型相关的通用“陈词滥调”语气。
• 阻抗失配： 这种圆滑、书本般的语法与缺乏对话式、人类细微差别之间的脱节。
• 低信息密度： 句子在语法上正确且结构良好，但几乎不包含实际的意义或见解。

视觉和结构标记

• 诡异的图像： AI 生成的图像乍看之下可能看起来正确，但仔细观察时会包含“身体恐怖”（body-horror）元素或不合逻辑的细节（例如，一个看起来像是长了霉菌的 quiche）。
• 通用设计： 一种趋向于特定 UI 元素的趋势——例如“药丸”形状按钮、过于繁杂的落地页，以及过度使用深色模式和青铜色点缀——这些都标志着 AI 辅助设计。
• 扁平结构： 技术方案或文档缺乏高层级的概念层级，反而表现为细节的“扁平化面条式”堆砌。

对读者的认知影响

阅读 AI 生成的文本通常不被描述为读写能力的失败，而是沟通的失败。用户报告了几种截然不同的心理效应：

• 认知疲劳： 强迫自己阅读 AI 文本可能会让人感觉像是在进行“创造性工作”，试图为缺乏内在见解核心的文字赋予意义。
• 处理失败： 一些用户描述了一种“短路”现象，即大脑识别出 AI 模式并立即断定其中不存在信息，导致即使在文本不为空时也无法解析该文本。
• 记忆问题： 据报道，记忆 AI 生成的内容存在困难。因为内容缺乏独特的“人类”锚点或见解，它在脑海中变得难以记忆且难以捉摸。
• “恶心感”因素（The "Ick" Factor）： 对“LLMs 披着人皮”的一种本能反应，特别是当人类在镜头前或播客中阅读 AI 生成的脚本，并假装内容是原创的，这种情况。

专业领域的应用与对策策

在专业环境中，AI-blindness 正在为技术工作流创造新的“认知债务”和摩擦。

对技术工作的影响

• Pull Request (PR) 摩擦： 开发人员报告解析 AI 生成的代码注释的困难，通常请求同事用单个、手动编写的一行注释来替换多行 AI 注释。
• 文档衰减： 虽然 AI 可以消除拼写错误并改善结构，但它往往无法提供必要的专家审核，导致文档在形式上“客观上更好”，但在实质内容上却没那么有用。

缓解策略

为了对抗 AI-blindness，一些专业人士正在采用以下策略：

• 提示词分享： 请求同事分享用于生成文档的原始 prompt，而不是冗长的输出结果。

• 选择性阅读： 略读 AI 输出以寻找“干货”（通常是第 2 和第 3 段），同时忽略开头的“润色”和结尾的重复。

• AI-to-AI 处理： 将 AI 生成的文档反馈给另一个 AI，让其将内容总结为几个高密度的要点。

• 简洁性提示词： 使用特定模型（例如 Sol）来审查并激进地修剪过度冗长的 AI 生成散文，将其转化为简洁、信息量大的消息。 ]}