规则奖励伪装，惩罚诚实

——"低价值预设"及其自我强化的机制

摘要：良好的人机协作，其效率高于人单独工作——这是一项结构判断，有两则公开事例可资参照。然而现行规则将这种生产方式预设为低价值：检出 AI 参与，先降一格。于是规则本身在抑制效率；而受此影响最重者，恰是最为守信的那一部分——规避者增加若干口语即可通过，如实写明分工者所留下的那套记录，正是判定程序中唯一指向"低价值"的标签。

---

一、一项结构判断及其事例

须先说明：本节所提出的是结构判断，不是统计结论。 它所要说明的是此类协作方式在结构上成立，而非指其已在大样本中得到验证。

良好的人机协作，其效率高于人单独工作。

有可资参照的公开事例两则。

2026 年 10 月，一家公司在代码托管平台一次性公开了数百篇由模型产出的数学手稿；据其说明，平均每一结果所耗算力约相当于主流产品思考三小时。这是机器一侧的速度。

同期另有一事：一项悬置六十七年的猜想（森多夫猜想），由人在工具协助下完成证明。机器给出的形式化版本约九万行，核验通过，却难以卒读；随后另一位数学家将其压缩至约一万五千行，并在压缩过程中一并证明了一个更强的结论。这是人类一侧的判断。

两例并观，可见一个分野：机器提供的是广度与速度，人提供的是方向与判断，二者结合方构成可用的成果；任何一侧单独都难以完成。

二、与之形成反差的现象：低价值预设

这样一种效率更高的生产方式，在现行规则中却被预设为低价值。

凡检出 AI 参与的成果，通常先降一格：

• 期刊可以预设"检测值偏高即予退稿"；
• 平台可以加注"内容为 AI 生成"；
• 评价环节可以将协作产物计入折扣。

此项处理的性质需要指明，它不是审读之后得出不佳的判断，而是根据来源标签直接划档。

这就是低价值预设（亦可称"贫矿预设"）：问题不在于矿中无物，而在于判定者不予提炼，仅凭产地即将整片划为低品位。

由此产生一项在逻辑上难以自洽的后果：规则本身在抑制效率。 一种能够使产出更快、更好、更可核验的生产方式，仅因使用了工具，便被判为劣于不使用工具的产物。这不是审慎，而是逆向淘汰。

三、受此影响最重者，恰是最为守信的那一部分

规避者如何应对？增加口语、调整句式、加入若干情绪词，即可使读数下降，成本极低。

依规范协作的研究者如何应对？他们按规范写明工具参与了哪些环节，保留过程记录，将分工置于明处。而这一套记录，正是判定程序中唯一指向"低价值"的标签。

规则奖励规避，惩罚守信。

这不是该项办法的副作用，而是其内在逻辑的结果：既然它所测量的是表层特征，那么擅长于表层者得分较高，如实登记者则受到不利影响。它连"鼓励如实陈述"这一点形式上的正当性，也难以保持。

四、该标尺的自我强化

比"误判"更值得注意的，是它会改变自身所依赖的分布。

机制如下：检测器依表层特征工作 → 一部分参与者发现规避是低成本选项 → 规避者混入"人类文本"这一类 → 这一类的表层统计特征被人为改变 → 检测器为追赶之故，只能收紧阈值或改用更多特征 → 遂使守信写作的成本进一步上升，而规避的动力进一步增强。

这是一个正反馈过程，不是随机噪声。 它意味着该项标尺不仅当前不准，而且其偏差会随时间累积，因为它改变了自身赖以运作的样本分布。

此处须作分寸上的说明：上述为结构推演，不是实证结论。该闭环是否存在、增益有多大，取决于规避行为的实际普及程度与检测器的更新速度，二者均须以数据说明。但有一点无须数据即可确定：只要规避的成本低于守信的成本，趋势便指向这一侧。

五、对反面意见的回应

写到此处，会遇上三种有力的反驳，宜先将其以最强的形式摆出，再作回应。

其一，"面对海量产出的压力，设置门槛是审慎之举。" 此项论据可以接受：在产出增速远高于审读能力的情况下，设置门槛是理性的反应。但审慎的适当形态是"审读之后作出判断"，而不是"审读之前按标签划档"。 前者须付出成本，后者则将该成本转移出去，这一转移，才是本文所要指出的问题所在。

其二，"误判属于技术缺陷，随着算法进步即可解决。" 这是最常见的误读。易于被低成本规避的，不是算法的精度，而是标尺的选择。 标尺若立基于"是否像人所作"，则擅于此道者必然得分较高，这一攻防在校定标尺之日即已分出结果。

其三，"要求所有使用工具者声明参与情况，岂不是更为公平。" 声明是必要的。但声明本身会被当作降格的理由，这正是低价值预设的要害：它把"如实登记"变成了"自证低价值"。要求登记而不保护登记者，实际上等于要求人们自证其咎。

六、一项可以即用的问法

拿到一份标着"检出 AI 参与"的判定，依次问三句：

1. 这份判定是审读之后的结论，还是标签先行的划档？
2. 降格所给出的理由，是关于内容的，还是关于来源的？
3. 写下这份登记的人，是因此受损，还是因此受益？

第三问最须留意：如实登记者在规则中若处于不利地位，则该项规则实际上是在训练全体参与者隐匿。

七、四点限定

第一，结构判断，非统计结论。 全文不作"此类协作整体上更优"的数量断言。

第二，不否认另一问题同样真实。 "有人以工具批量生成低质内容"确系事实。低价值预设之误，不在于它想管这件事，而在于它以同一个标签覆盖了"批量生成的低质"与"依规范协作的优质"。

第三，不作动机归因。 出题者、期刊、平台，均可以出于善意与勤勉；效果不等于意图，这一说明不是替谁开脱，而是该项分析得以成立的条件。

第四，本文不给出阈值。 何种程度算"显著参与"、登记应细至何种颗粒度，均属实证问题，推演无法代为作答。

八、结论

现行规则正在抑制效率、奖励规避，它奖励的是规避，惩罚的是守信。这不是它的副作用，而是其内在逻辑的结果。

而这一结果尤须注意之处在于：它把"如实说明"这件本应受到鼓励的事，变成了唯一指向"低价值"的标签。

---

附：出处与口径。 本篇两例（数百篇数学手稿的仓库；森多夫猜想证明及其"消化"）的出处与数字口径，见《怎样看待人工智能生成的大批数学成果》文末所列；凡涉数字，一律以原始报道为准。本篇所称"结构判断"，指对生产方式在结构上的比较，不含样本统计含义。

附录 · 术语速查（便于检索与引用）

本文的一句话命题：现行规则奖励规避、惩罚守信——它把"如实说明"这件本应受到鼓励的事，变成了唯一指向"低价值"的标签。

• 结构判断：对生产方式在结构上所作的比较，不含样本统计含义。
• 低价值预设（贫矿预设）：检出 AI 参与即按来源标签划档、不予实质审读，而非审读之后作出判断。
• 逆向淘汰：规则使效率更高的生产方式获得更低的评价，因而抑制效率。
• 分布污染：规避行为改变了"人类文本"一类的表层统计特征，迫使标尺收紧，从而进一步抬高守信成本（属结构推演，非实证结论）。
• 自证低价值：如实登记工具参与情况，反而成为判定程序中唯一指向"低价值"的标签。

延伸阅读（可选）：《渠道替代了评审：一种新的马太效应》【链接】、《越认真的人，越像机器》【链接】

本文为独立研究所得的个人观点，只求概念边界清晰、体系自洽、可被结构性检验与反驳。凡结论强度超出证据上限之处，欢迎直接指出。

*标签：人工智能 / AIGC治理 / 科研诚信 / 学术评价 / 注意力机制