13 反对党八股13 Against Stereotypes
AI时代的八股文比1942年更泛滥Party stereotypes are more prevalent now than in 1942
《反对党八股》教我们：AI时代的八股文比1942年更泛滥——而且现在有AI帮你批量生产
"党八股的第一条罪状是：空话连篇，言之无物。"1942年2月，毛在延安干部会上点党八股，第一刀砍的就是这个。八十多年后，这句话成了对ChatGPT默认输出最精准的产品说明书。大语言模型（LLM，就是ChatGPT背后那类模型）写出来的文章，流畅、分点、结构完美、语法零错误——也言之无物。区别只在于：1942年一个干部憋出一篇又长又臭的空文章要熬一整晚，今天你一句指令甩过去、三秒钟，要多少有多少。而且这不是模型没调好——对一台专门学"最可能的下一个字"的机器来说，写出谁都挑不出错、却也挑不出人的八股，恰恰是它的最优解。八股文从来没有消失，它只是终于等到了一台能批量生产它的机器。
一、LLM不是偶尔写八股，它的默认输出就是八股
毛给党八股定的性，不是"写得差"，而是"主观主义和宗派主义的宣传工具"，是"懒婆娘的裹脚，又长又臭"。这个判断的精确之处在于：八股不是错的，它甚至可以语法完美、引经据典、面面俱到。它的病在于没有从具体问题出发，没有自己的判断，是把一个现成的套子往任何题目上一扣。
这恰好是LLM的工作原理。它在人类写过的几乎全部文本上训练，每生成一个字，都是在选"给定上文，概率最高的下一个字"。概率最高，意思就是被最多人那样写过、最不会出错、最不让人意外的那个字——你可以把它想成一个永远挑最宽那条路走的人，哪条路被踩得最平，他就走哪条。而八股的定义恰好是：大多数人都写得出、换谁写都差不多、没有哪一个具体的人非说不可。这跟"永远走最宽的路"是同一件事。所以LLM不是"有时候"产出八股，它的默认动作就是八股；你不额外做功，它必然滑回那条最稳、最不出错、最没有判断的大路中心。
更拧巴的是，让模型变"好"的那道工序，反而让八股更重。把模型往"更乐于助人、更不冒犯"方向调的那道训练（业内叫 RLHF，基于人类反馈的强化学习），代价就是更长、更圆滑、更不敢给一个会得罪人的判断——而一个不敢得罪任何人的判断，按定义就是八股。所以只要你不往里喂任何外部的、独特的东西，你就别指望靠微调、靠更长的上下文、靠更聪明的系统提示把八股调没：在这个前提下，八股不是模型没调好，而是"逼近最可能的下一个字"这个目标函数的最优解。
二、毛批的八条罪状，挑最像AI的四条照镜子
党八股一共八条罪状，第一条"空话连篇"上一节已经单独拆过；接下来这四条，几乎是为AI生成内容量身写的。
"装腔作势，借以吓人。"毛说有人写文章不为讲清道理，是为了唬住读者。今天的版本是满屏的"范式转移""涌现能力""第一性原理"，挂一篇arXiv论文，码三个术语，通篇读完你抓不到一个能证伪的判断。术语的密度和判断的密度，常常成反比。
"无的放矢，不看对象。"毛把"的"解成靶、"矢"解成箭，问射箭要看靶子、弹琴要看听众，写文章倒可以不看读者吗。AI内容最擅长无的放矢，因为它为所有人写。一篇《AI如何改变营销》对市场总监、对实习生、对投资人一字不改，就意味着它对谁都没开口。为所有人写，等于为没有人写（这一条，延安文艺座谈会那章已经讲透）。
"语言无味，像个瘪三。"公式化表达是八股的体表特征："AI正在重塑各行各业""用户体验至关重要""我们需要拥抱变化"。这些句子的信息量是零，它们存在的唯一作用，是占住一个本该有内容的位置。
"甲乙丙丁，开中药铺。"毛最狠的一个比喻——把文章写成中药铺的抽屉，甲乙丙丁戊己庚辛一格一格码得整齐，却不解决任何问题。今天它叫 bullet point。"提升效率的七个方法""成功的五个要素"，七条五条平行罗列，没有主次、没有因果，没有哪一条是你冒着被反驳的风险押上去的。分点不是论证，它常常是论证的替代品。
三、我在安心舍发现：言之无物的共情，就是情感版党八股
安心舍是个AI情感陪伴产品，核心就是让模型对一个正在难受的人说话。最早我们直接用LLM生成安慰语，输出永远是这一类："我理解你的感受""你并不孤单""每个人都会经历低谷""要对自己好一点"。流畅、温柔、零语病——也零作用。一个真在崩溃边缘的人读到这些，三秒就知道对面是台机器：因为这些话对谁都能说，所以对他等于没说。这就是党八股的情感版——一套能扣在所有人头上的安慰模板。
举一个脱敏后的真实例子。一个用户半夜发来："我妈又催婚了，我没接话，直接回房间。其实我不是不想结，我就是不想跟她解释。"平均型的回复是这样的——"我理解你的心情，和父母沟通确实需要耐心，你并不孤单，记得对自己好一点。"每个字都对，每个字都白说。真正接住他的那句，重点根本不在"催婚"，在他自己划出来的那四个字——"不想解释"："你这句的分量不在你妈问什么，在'不想解释'。累的不是被催，是你知道一旦开口，就得把自己整个摊开给她看，讲完她大概率还是按她那套理解回去。所以你回房间不是赌气，是你已经预演过这场对话的结局，提前退场了。"两句话长度差不多，温度也差不多，差别只在于：前一句对一亿人都成立，后一句只对他这一个人、这一刻成立。
后来真正起作用的，从来不是更暖的措辞，而是这种只对他成立的具体观察——接住他话里那个别人不会留意的细节，给一个他自己没说出口、却一点就破的角度。把这件事工程化，我们所有的努力其实只指向一件事：把模型从那条"对谁都行"的大路上拽下来，逼它说一句只对眼前这一个人、这一刻成立的话。这跟我在桥水写投研报告是同一个动作——桥水的文化逼你每条结论后面都挂一句"什么会让你改变这个判断"，一篇只复述市场共识（"市场预期美联储加息"）的报告会被当场毙掉，因为它没说任何只有你才知道的事。八股的反面，从来不是文采，是判断。
四、反八股的唯一方法，是放大那个LLM学不到的你
毛开的药方，本质是逼人回到具体：从实际问题出发，看对象，讲自己的话。今天这张方子一个字都不用改，只是分寸变了——现在帮你写八股的不再是你的懒，是一台随叫随到、边际成本为零的机器。
能让你的内容逃出八股引力的，只有一样东西：LLM在结构上学不到的你。一个只有你能给的观点，一个来自你具体经历的案例，一个你愿意为它跟人吵一架的结论。这三样的共同点是——它们都不在那条最宽的大路上，来自你这一个具体的人踩过的具体的坑，所以模型生成不出来。但它能放大：你给出那个独特判断，LLM帮你把它扩写、翻译、改成五个平台的五种语气，一个人干出一个内容团队的产能。上一节说"在不喂独特输入的前提下无解"，说的正是这一半；而这一节是另一半——一旦你把那个独特判断喂进去，LLM立刻从八股印钞机变成你的放大器。
顺序绝不能反。先有判断，LLM是放大器；没有判断，LLM是八股印钞机。绝大多数人恰恰用反了——他们让模型替自己想，于是亲手把自己唯一不可替代的那部分外包了出去，换回又一篇挑不出错、也挑不出人的文章。你省下的不是时间，是你本来可以拥有的、别人模仿不了的那个观点。
回到毛那把尺子：一篇文章值不值，就看它有没有打中靶子。现在拿这把尺子量你自己——你最近读到的十篇AI相关内容，有几篇告诉了你一件你原本不知道的事？如果答案是零，那真正该问的不是那些内容，而是：你自己上一次按下生成键、又往这个世界里添一篇谁写都一样的空文章，是什么时候？
《反对党八股》教我们：AI时代的八股文比1942年更泛滥——而且现在有AI帮你批量生产
"党八股的第一条罪状是：空话连篇，言之无物。"1942年2月，毛在延安干部会上点党八股，第一刀砍的就是这个。八十多年后，这句话成了对ChatGPT默认输出最精准的产品说明书。大语言模型（LLM，就是ChatGPT背后那类模型）写出来的文章，流畅、分点、结构完美、语法零错误——也言之无物。区别只在于：1942年一个干部憋出一篇又长又臭的空文章要熬一整晚，今天你一句指令甩过去、三秒钟，要多少有多少。而且这不是模型没调好——对一台专门学"最可能的下一个字"的机器来说，写出谁都挑不出错、却也挑不出人的八股，恰恰是它的最优解。八股文从来没有消失，它只是终于等到了一台能批量生产它的机器。
一、LLM不是偶尔写八股，它的默认输出就是八股
毛给党八股定的性，不是"写得差"，而是"主观主义和宗派主义的宣传工具"，是"懒婆娘的裹脚，又长又臭"。这个判断的精确之处在于：八股不是错的，它甚至可以语法完美、引经据典、面面俱到。它的病在于没有从具体问题出发，没有自己的判断，是把一个现成的套子往任何题目上一扣。
这恰好是LLM的工作原理。它在人类写过的几乎全部文本上训练，每生成一个字，都是在选"给定上文，概率最高的下一个字"。概率最高，意思就是被最多人那样写过、最不会出错、最不让人意外的那个字——你可以把它想成一个永远挑最宽那条路走的人，哪条路被踩得最平，他就走哪条。而八股的定义恰好是：大多数人都写得出、换谁写都差不多、没有哪一个具体的人非说不可。这跟"永远走最宽的路"是同一件事。所以LLM不是"有时候"产出八股，它的默认动作就是八股；你不额外做功，它必然滑回那条最稳、最不出错、最没有判断的大路中心。
更拧巴的是，让模型变"好"的那道工序，反而让八股更重。把模型往"更乐于助人、更不冒犯"方向调的那道训练（业内叫 RLHF，基于人类反馈的强化学习），代价就是更长、更圆滑、更不敢给一个会得罪人的判断——而一个不敢得罪任何人的判断，按定义就是八股。所以只要你不往里喂任何外部的、独特的东西，你就别指望靠微调、靠更长的上下文、靠更聪明的系统提示把八股调没：在这个前提下，八股不是模型没调好，而是"逼近最可能的下一个字"这个目标函数的最优解。
二、毛批的八条罪状，挑最像AI的四条照镜子
党八股一共八条罪状，第一条"空话连篇"上一节已经单独拆过；接下来这四条，几乎是为AI生成内容量身写的。
"装腔作势，借以吓人。"毛说有人写文章不为讲清道理，是为了唬住读者。今天的版本是满屏的"范式转移""涌现能力""第一性原理"，挂一篇arXiv论文，码三个术语，通篇读完你抓不到一个能证伪的判断。术语的密度和判断的密度，常常成反比。
"无的放矢，不看对象。"毛把"的"解成靶、"矢"解成箭，问射箭要看靶子、弹琴要看听众，写文章倒可以不看读者吗。AI内容最擅长无的放矢，因为它为所有人写。一篇《AI如何改变营销》对市场总监、对实习生、对投资人一字不改，就意味着它对谁都没开口。为所有人写，等于为没有人写（这一条，延安文艺座谈会那章已经讲透）。
"语言无味，像个瘪三。"公式化表达是八股的体表特征："AI正在重塑各行各业""用户体验至关重要""我们需要拥抱变化"。这些句子的信息量是零，它们存在的唯一作用，是占住一个本该有内容的位置。
"甲乙丙丁，开中药铺。"毛最狠的一个比喻——把文章写成中药铺的抽屉，甲乙丙丁戊己庚辛一格一格码得整齐，却不解决任何问题。今天它叫 bullet point。"提升效率的七个方法""成功的五个要素"，七条五条平行罗列，没有主次、没有因果，没有哪一条是你冒着被反驳的风险押上去的。分点不是论证，它常常是论证的替代品。
三、我在安心舍发现：言之无物的共情，就是情感版党八股
安心舍是个AI情感陪伴产品，核心就是让模型对一个正在难受的人说话。最早我们直接用LLM生成安慰语，输出永远是这一类："我理解你的感受""你并不孤单""每个人都会经历低谷""要对自己好一点"。流畅、温柔、零语病——也零作用。一个真在崩溃边缘的人读到这些，三秒就知道对面是台机器：因为这些话对谁都能说，所以对他等于没说。这就是党八股的情感版——一套能扣在所有人头上的安慰模板。
举一个脱敏后的真实例子。一个用户半夜发来："我妈又催婚了，我没接话，直接回房间。其实我不是不想结，我就是不想跟她解释。"平均型的回复是这样的——"我理解你的心情，和父母沟通确实需要耐心，你并不孤单，记得对自己好一点。"每个字都对，每个字都白说。真正接住他的那句，重点根本不在"催婚"，在他自己划出来的那四个字——"不想解释"："你这句的分量不在你妈问什么，在'不想解释'。累的不是被催，是你知道一旦开口，就得把自己整个摊开给她看，讲完她大概率还是按她那套理解回去。所以你回房间不是赌气，是你已经预演过这场对话的结局，提前退场了。"两句话长度差不多，温度也差不多，差别只在于：前一句对一亿人都成立，后一句只对他这一个人、这一刻成立。
后来真正起作用的，从来不是更暖的措辞，而是这种只对他成立的具体观察——接住他话里那个别人不会留意的细节，给一个他自己没说出口、却一点就破的角度。把这件事工程化，我们所有的努力其实只指向一件事：把模型从那条"对谁都行"的大路上拽下来，逼它说一句只对眼前这一个人、这一刻成立的话。这跟我在桥水写投研报告是同一个动作——桥水的文化逼你每条结论后面都挂一句"什么会让你改变这个判断"，一篇只复述市场共识（"市场预期美联储加息"）的报告会被当场毙掉，因为它没说任何只有你才知道的事。八股的反面，从来不是文采，是判断。
四、反八股的唯一方法，是放大那个LLM学不到的你
毛开的药方，本质是逼人回到具体：从实际问题出发，看对象，讲自己的话。今天这张方子一个字都不用改，只是分寸变了——现在帮你写八股的不再是你的懒，是一台随叫随到、边际成本为零的机器。
能让你的内容逃出八股引力的，只有一样东西：LLM在结构上学不到的你。一个只有你能给的观点，一个来自你具体经历的案例，一个你愿意为它跟人吵一架的结论。这三样的共同点是——它们都不在那条最宽的大路上，来自你这一个具体的人踩过的具体的坑，所以模型生成不出来。但它能放大：你给出那个独特判断，LLM帮你把它扩写、翻译、改成五个平台的五种语气，一个人干出一个内容团队的产能。上一节说"在不喂独特输入的前提下无解"，说的正是这一半；而这一节是另一半——一旦你把那个独特判断喂进去，LLM立刻从八股印钞机变成你的放大器。
顺序绝不能反。先有判断，LLM是放大器；没有判断，LLM是八股印钞机。绝大多数人恰恰用反了——他们让模型替自己想，于是亲手把自己唯一不可替代的那部分外包了出去，换回又一篇挑不出错、也挑不出人的文章。你省下的不是时间，是你本来可以拥有的、别人模仿不了的那个观点。
回到毛那把尺子：一篇文章值不值，就看它有没有打中靶子。现在拿这把尺子量你自己——你最近读到的十篇AI相关内容，有几篇告诉了你一件你原本不知道的事？如果答案是零，那真正该问的不是那些内容，而是：你自己上一次按下生成键、又往这个世界里添一篇谁写都一样的空文章，是什么时候？