研究：AI 写作系统性削弱故事的神秘感与复杂性

北卡罗来纳大学教堂山分校（UNC Chapel Hill）的一项新研究表明，尽管 AI 模型能够生成越来越流畅的文本，但其创作的虚构故事在角色塑造和情节设计上仍然缺乏人类写作中那种令人回味的神秘感与矛盾张力。研究者开发的自动化评估框架 CASPER 首次将文学理论中的八个维度系统性地应用于 AI 生成文本，为衡量机器写作的叙事深度提供了可复用的基准工具。

核心发现：AI「求稳」的叙事偏好

研究团队对数千篇人类写作与机器生成的虚构故事进行了对比分析，重点考察角色是否真实可信、是否随情节演变、是否保留未知空间等八个文学维度。结果显示，AI 模型存在明显的「安全收束」倾向：它们倾向于采用易于识别的角色原型，并在结尾处把内部冲突、悬念与人物弧光处理得过于干净整洁。

• 角色塑造偏扁平：AI 生成的角色更像可辨识的「原型」，而非充满矛盾的真实个体。
• 情节收束过整齐：模型倾向于在末页前强行解开所有谜题，让人物弧光落入预设轨道。
• 神秘感系统性流失：人类作家习惯保留的开放式结局、道德模糊性、解释性空白，在 AI 输出中显著减少。

论文第一作者、计算机科学研究生 Anneliese Brei 表示，AI 系统在数学层面天然倾向于「把故事讲圆」，这种结构性的偏好使得悬念与矛盾在生成过程中被逐步消解。

规模并非解药

研究中最具警示意义的发现之一是：单纯扩大模型参数规模并不能解决角色扁平化的问题。团队对比了从轻量模型到当时最先进的旗舰大模型的输出，结果显示，更大、更强的系统在角色多样性上的表现并不优于较小的模型。换言之，这一缺陷根源在于模型理解叙事的方式，而非算力或参数量。

共同作者、计算机科学本科生 Nicholas Sanaie 指出：「挑战不在规模，而在这些模型如何理解讲故事本身。」这一结论对当前以「Scaling Law」为驱动力的行业发展路径提出了明确的反思。

CASPER：可复用的叙事评估基准

除揭示创作局限外，研究团队提出的 CASPER 框架本身也是一项贡献。它把文学理论中关于角色塑造的核心维度编码为可计算的评估指标，使研究者、开发者与创意从业者能够横向比较不同模型在叙事深度与角色复杂度上的真实进步，而不仅仅是语言流畅度的提升。

• 评估范围：覆盖角色可信度、夸张程度、演变轨迹、神秘感等八个维度。
• 用途：作为基准工具，衡量新一代模型是否真正提升了叙事能力。
• 意义：为开发更具创造力的写作辅助工具提供量化参考。

对人机协作写作的启示

研究指出，随着 Sudowrite、Squibler 等 AI 写作平台在出版与影视领域获得越来越多使用，作家在使用这些工具时需要保持警觉。研究者建议，创作者在借助 AI 进行头脑风暴或协作时，应由人类主动注入矛盾、反转与刻意的留白，以避免叙事走向同质化。

该研究来自 UNC 计算机科学系，由副教授 Snigdha Chaturvedi 主持。随着 AI 写作工具在小说、剧本、影视脚本等领域的渗透加深，如何让模型学会「不把话说尽」，正成为人机协作叙事下一阶段需要回答的关键问题。