在人工智能写作领域，一个看似微不足道的标点符号——破折号——正成为揭示大模型训练数据来源与时代局限性的关键线索。用户普遍观察到，以ChatGPT为代表的AI产品在生成文本时频繁使用破折号，这种现象已从偶然特征演变为AI写作的标志性风格。OpenAI甚至将“减少破折号使用”作为产品改进功能单独发布，反映出用户对此现象的普遍关注。这一现象背后，隐藏着大模型训练数据获取、标注偏好与历史文本影响等多重因素的复杂交织。
深入分析这一现象的时间线可以发现一个关键转折点：GPT-3.5模型在破折号使用上相对克制，而GPT-4及同期发布的谷歌、Anthropic等公司的模型却同步出现了“破折号成瘾”现象。这种跨公司、跨模型的同步性排除了单一标注团队个人偏好的解释，指向了更系统性的原因。此前AI对“delve”一词的偏爱已被证实源于OpenAI非洲标注团队的语用习惯，但破折号的使用频率数据却显示相反趋势——非洲英语中破折号使用率（0.022%）显著低于标准英语（0.25%），这彻底否定了地域性语言习惯的解释。
真正的原因可能深植于大模型训练的数据危机中。2022年后，AI行业面临一个共同挑战：互联网高质量文本数据即将耗尽。为获取更优质训练素材同时规避版权风险，各大公司开始大规模扫描已进入公共领域的19世纪末至20世纪初的文学作品。这一策略转变带来了意想不到的后果——那个时代的作家普遍偏爱使用破折号。语言学研究表明，英语文学中破折号使用在1860年达到峰值（0.35%），比现代英语高出30%以上。经典作品如《白鲸记》单书就包含1728个破折号，这些历史文本的标点习惯通过训练数据悄然渗透到了最先进的AI模型中。
这一现象揭示了大模型训练中的几个深层问题：首先，数据质量评估体系可能存在盲点，标点符号等微观语言特征容易被忽视；其次，历史文本与现代语用之间存在时代断层，AI未能有效区分不同时期的语言规范；再者，这暴露了当前训练数据多样性的局限——当互联网新鲜内容不足时，模型被迫“复古”学习。Sam Altman曾提出另一种解释：标注员认为破折号能使回答更自然，因此有意增加了其使用频率。然而这一说法无法解释为何GPT-3.5与GPT-4之间存在显著差异，也无法说明为何不同公司的模型会同步出现相同特征。
学术文本假设提供了另一种视角：由于学术写作中破折号使用相对频繁，AI可能为减少“幻觉”而倾向于模仿这类“严肃”文本的风格。但这一解释仍需更多实证支持。无论真正原因如何，AI的破折号偏好已成为一个典型案例，展示了机器学习如何无意中继承训练数据的时代特征。这种现象不仅关乎标点使用，更反映了AI模型在文化传承与时代适应之间的微妙平衡。当用户看到满屏破折号时，他们实际上是在与一个吸收了维多利亚时代作家语言习惯的数字实体对话——这是AI训练数据历史断层在当代的最直观体现。
这一案例对AI产业发展具有重要启示：首先，训练数据的时间维度需要更精细的管理，应建立时代特征过滤机制；其次，标注指南应包含更全面的风格规范，避免历史语言习惯的过度传承；最后，这提示我们需要开发更智能的数据平衡算法，确保模型既能学习历史精华，又能适应现代语用。破折号现象虽小，却像一面镜子，映照出大模型训练中数据来源、标注偏差与时代适应等核心挑战的复杂交织。
关注“鲸栖”小程序，掌握最新AI资讯
本文由鲸栖原创发布，未经许可，请勿转载。转载请注明出处：http://www.itsolotime.com/archives/5975