洗掉 AI 味？我實測後，神話破滅

最近在 Instagram 有一段超過 140 萬觀看的短影音在 AI 圈瘋傳。

原影片的作者是我常看的一位 AI 分享者 @mavgpt。

原文內容：
網站：ChatGPT Humanizer Guide
IG：https://www.instagram.com/reel/DeAlplDKe35/

影片中，他分享了只要按照他的「三步驟」就能徹底洗掉 ChatGPT 的「AI 味」，甚至讓檢測器測出 0% AI Generated（純人類撰寫）的驚人成績。

這套方法看起來既聰明又極具說服力，步驟如下：

1. 去維基百科抓出所有 AI 寫作特徵
2. 讓 ChatGPT 把特徵轉換成「不可打破的寫作禁令」
3. 最後存入客製化指令（Custom Instructions）

身為一名每天與 AI 工具打交道的實戰派，我向來不相信「完美截圖」。

於是，我打開了 ChatGPT 與 Grok，嚴格按照這份指南的步驟一步步實測，並用主流的 ZeroGPT 與 Substack AI Scanner（基於 Pangram）進行雙重驗證。

實測的結果打破了 100% 的聲明，也意外揭露了 AI 檢測器鮮為人知的運作邏輯。

社群瘋傳的「0% 偽裝術」是怎麼運作的？

這套由 @mavgpt 分享的方法，核心邏輯非常直觀：「AI 檢測器不讀語意，它們只抓統計模式（Patterns）。」

維基百科上有一篇專門記錄 AI 寫作痕跡的頁面：Wikipedia: Signs of AI writing。

裡面整理了大量大型語言模型（LLM）的通病，例如：

• 內容灌水：喜歡用「Serves as a testament to…（這證明了……）」、「Pivotal moment（關鍵轉折點）」。
• 死板的語言模式：泛濫的「Delve（深入探討）」、「Crucial（至關重要）」、「Landscape（全貌／格局）」。
• 句型對稱病：動不動就「Not only… but also…（不僅……而且……）」、硬湊「三段論（Rule of three）」。
• 符號與格式：泛濫的破折號（Em dashes —）、每個小標都加粗、結尾千篇一律的「The future looks bright」。

教學的主張是：既然特徵都公開在維基百科上，那我們直接套用，叫 AI 改寫。

操作步驟：

1. 抓取規則：給 ChatGPT / Grok 發送提示詞，叫它閱讀維基百科頁面，列出所有暴露 AI 特徵的寫作模式。
   

   

2. 生成指令：要求 AI 將這些模式轉換為「嚴格的永久寫作規則」，包裝成 Custom Instructions。
   

   

3. 永久植入：複製這段設定，貼進帳號的 Settings > Personalization > Custom instructions，讓 AI 往後的每一句話都套用。
   

   

看似很正常，但是真正用起來到底如何？

實測現場（一）：未設定前的「基準線」

為了有客觀的對照組，我首先在完全沒有加入任何規則的情況下，用常規提示詞生成了一篇實用長文。

我將這篇原文放進兩個檢測器：

• ZeroGPT：測出 90.6% AI 撰寫。
• Substack 內建 AI 檢測器：毫不留情地給出了 100% AI 撰寫。

基準線很明確：一般的生成文章，在目前的偵測演算法眼裡，基本上是無所遁形。

實測現場（二）：套用維基禁令後，神話破滅了？

接著，我進入同一個對話，按照指南輸入了第二道關鍵 Prompt：

Turn all these patterns into a strict set of writing rules that you should never break. Then give me a permanent instruction prompt that makes everything you write sound completely human and pass AI detectors…

AI 很快回覆了一長串格式嚴謹的規則，明確禁止了「delve」、「landscape」、破折號、過度宣傳語氣等。我將這組規則完整同步到系統指令中。

隨後，我用同一個主題，讓設定好規則的 ChatGPT 與 Grok 分別生成全新的長篇文章。

如果原作者所言屬實，這時候我們應該要看到分數斷崖式下跌，甚至逼近 0%。

然而，當我把生成的文章再次貼入檢測器時，結果令人大跌眼鏡：

我不死心，以為是上下文干擾，於是重開全新對話（Start a new chat），重新輸入乾淨的指令再次產出並檢測：

• ZeroGPT 分數：95.1% AI
• Substack 分數：100% AI

結論非常殘酷：

對於結構完整的實用長文，維基百科規則幾乎完全無效。

分數從 90% 降到 86%，在統計學和實際應用上根本沒有本質區別，檢測器依然判定這是一篇 100% 由機器寫出的文章。

短信（Cold Email）測試

為什麼原作者能測出接近 0% 的結果？難道全靠修圖造假？

我回頭檢視原作者的範例，發現他展示的對照組多半是極短的單一段落（Blog Intro、Product Description）。

於是我改變策略：不再寫長篇文章，改測試短篇應用場景。

我給 ChatGPT 下達了一個英文商務開發（Cold Outreach Email）的任務：

幫我寫一封簡短的英文冷郵件，向潛在客戶介紹我最新開發的 AI 寫作工具 Writer Pro (WriteSac)，說明它如何透過訪談形式將個人經驗融入寫作，把 AI 變成編輯而非死板的槍手。

這一次，文章長度只有 150～200 字左右，短小精悍，且嚴格排除了所有套話與破折號。

當我把這封 Email 貼上 ZeroGPT 檢測時，驚人的事情發生了：

檢測結果：59.6% AI

從長文的 96.5%，瞬間腰斬至 49.3%！雖然距離宣傳的「0%」還有一段距離，但這已經足以讓某些標準寬鬆的檢測器亮起綠燈，標記為「混合寫作（Human-written with AI assist）」。（遺憾的是，Substack 的 Pangram 仍然顯示是 100% AI 寫出來，實在非常嚴格。）

為什麼長文全軍覆沒，短信卻能過關？

這次實測揭示了兩個核心真相，也是所有依賴 AI 寫作的人必須明白的邏輯：

1. 檢測器看的是「數學分佈」，而不只是「禁文字典」

AI 檢測器的核心指標是困惑度（Perplexity）與突發性（Burstiness）：

• 困惑度：AI 傾向於選擇統計上「下一個最可能出現的詞」。即使你禁止它用 delve，它換成的同義詞依然遵循著高機率分佈。
• 突發性：人類寫作的句式極度不規則（短句緊接長難句、突然的口語轉折）。而大語言模型無論怎麼「偽裝」，其句子長度與資訊密度的方差始終是平滑的。

在長篇實用文（500 字以上）中，數學規律會在大樣本下徹底暴露。就算你拔掉了 20 個標誌性詞彙，演算法依然能透過幾百個單詞的機率分佈，精準辨識出這是機器的手筆。這就是為什麼 Substack 這類嚴格的檢測器始終給出 100%。

2. 短內容的統計特徵不足

而在 100 多字的 Cold Email 中，樣本量太小，隨機性大幅增加。短信中包含了具體的產品名稱（WriteUpal）、口語化的打招呼（Hi, Nik）與明確的痛點提問，自然的跳躍度掩蓋了模型的統計特徵，因此分數大幅降至 59.6%。

社群影片之所以能宣稱「0%」，往往是在極短的文本、挑選過的提示詞，加上反覆抽卡下產生的倖存者偏差。

給內容創作者的真實建議：別再試圖「騙」演算法了

這場實測反映一個事實：用「負向提示詞（Negative Prompts）」去防堵 AI 味，本身就是一個錯誤的測試。

你越是給 AI 設定密密麻麻的「不可使用詞彙」、「禁止標點符號」，AI 生成的文字往往會變得越拘謹，失去了表達的流暢性，但仍然會在長文檢測中被一眼看穿。

真正能讓內容脫穎而出的，從來不是「文字層面的消音」，而是「思考結構層面的獨特性」：

1. 真實的第一手數據與經驗：就像這篇文章，若沒有真實的測試截圖、踩坑過程與數據對照，再完美的修辭也是空話。
2. 非線性的觀點衝突：AI 最擅長四平八穩的中庸之論，而人類的價值在於敢於下判斷、給出爭議性的主觀見解。
3. 改變工作流：把 AI 當「採訪編輯」，而不是「代理槍手」：這也是為什麼我近期在開發 Writer Pro 時堅持的理念。別直接叫 AI「幫我寫一篇關於 X 的文章」；相反地，讓 AI 來「採訪你」，透過一問一答榨出你腦中的真實案例、口語習慣與經驗細節，再由它協助潤飾與重組。

當內容的骨架裝滿了你個人的血肉，就算丟進任何檢測器，哪怕測出分數，讀者也一定能從字裡行間，感受到屏幕後方那個有溫度、有靈魂的真實人類。

延伸閱讀

• 我做了一個寫作 App，但它不會替你寫文章
• Claude 開始替文字加上水印，我第一個擔心的卻是社群觸及率