AI 内容检测器：它测的是「像不像」，不是「是不是

一句话定义：AI 内容检测器（AI Detector）是试图判断一段文本——有时也包括图片、音频——是否由生成式 AI 产出的工具。它通常不给「是/否」，而是给一个「AI 生成概率」。

它到底在测什么

主流文本检测器并不「认识」某个具体模型，它测的是统计风格。最常用两个指标：

• 困惑度（perplexity）：让一个语言模型去猜这段话的下一个词。AI 写出的句子倾向选最顺、最高频的表达，模型觉得「太好猜」，困惑度低；人写作时会突然冒出冷门词、口头语、跳跃的联想，困惑度高。
• 突发性（burstiness）：人类的句子长短起伏大，一段里可能夹着十几个字和四十几个字的句子；AI 的句子长度和结构更均匀。

打个比方：这就像不看内容、只看字迹工不工整，来判断一份作业是不是抄的。工整可能是打印稿，也可能是学霸手写；潦草可能是自己写的，也可能是抄完故意写乱。「工整」和「抄袭」之间只有相关性，没有因果关系——检测器抓的正是这种相关性。

另一些方案会训练专门的分类器（classifier），或由生成方在输出里埋水印（watermark），思路不同，但「文本检测器」这条路线的本质不变。

误报是从哪来的

• 规整的写作本来就长得像 AI：公文、法律文书、新闻通稿、客服话术、学术套话，句式本身高度模板化，困惑度天然偏低。
• 非母语写作者：词汇选择范围窄、句式保守，被反复报道为误报重灾区。
• 经过润色或翻译：改写工具、翻译软件的输出会显著拉低困惑度，哪怕原文是人写的。
• 阈值取舍：任何二分类器都要在假阳性与假阴性之间选点。想多抓 AI，就必然多冤枉人。
• 样本太短：几十个词的段落根本没有统计意义，分数抖动极大。
• 领域漂移与模型迭代：在某一类语料上训练的检测器，换到代码注释、医学文本就失准；新一代生成模型出现后，老检测器也在失效。
• 不可复现：换个检测器结果可能相反，同一个检测器换了模型版本结果也会变。加个标点、调一下句子长短，分数就能翻转——这说明它测的是文本风格，不是文本来源。

和相邻概念的区别

对从业者和普通职场人的意义

别把检测分数当判决书。它不适合用于录用、录取、纪律处分、稿件退稿这类高风险决策。要评价一份文本，看事实是否可核验、逻辑是否自洽、有没有来源支撑，都比看分数可靠。

如果你是写作者，被要求「证明这是自己写的」，最有说服力的不是检测分数，而是写作过程本身：草稿、版本历史、编辑记录。

如果你要在产品里用检测器，把它当信号而不是开关：明确告知误报可能，保留人工复核和申诉通道，别把分数直接绑到惩罚动作上。各家厂商对准确率的声明与使用限制并不一致，具体以其官方页面为准。

一句话收尾：它回答的是「这段字读起来像不像 AI 写的」，而不是「这段字是不是 AI 写的」。前者是风格判断，后者是事实认定，中间隔着一整套证据链。