AI 几秒就答出了我的灵感，它还算原创吗？
原创不是一道从未出现过的句子，而是一个人为什么选择这个问题、拿什么经验回答，并愿意为哪种判断负责。
有一次刷牙，我忽然想到一个关于创造力的问题。我还没来得及为它高兴，就擦干手问了 AI。几秒后，它给出一套工整的解释，甚至替我补上了没有想到的术语。
那一刻最先到来的不是兴奋，而是失落：既然机器立刻就能回答，这个念头是不是早被互联网上的人说烂了？一个普通人还能不能产生真正属于自己的东西？
这个焦虑很真实，推理却错了一步。
AI 不是“原创性检测器”
大语言模型的基本训练目标是根据上下文预测后续文本。它学到的是大量语言与概念之间的统计结构，不是一座能让用户逐条检索出处的图书馆。它可能复述记住的片段，也可能把许多已学模式组合成训练材料中没有原样出现过的句子。研究已经证明，大模型确实会在某些条件下记忆并泄露训练样本；但反过来，模型能够生成一段合理回答，并不能证明训练集中存在同一个问题、同一句话，甚至同一套论证。
因此，“AI 答得出来”最多说明这个问题能被现有知识处理，不能单独证明它不原创。把聊天框当成全球查重器，就像因为一位见多识广的朋友能接住你的话，便断定你的经历是从他那里偷来的。
而且，即使世界上已经有人想过相似的问题，也不等于你的思考没有价值。独立发现与历史首创是两件不同的事。创造力研究常区分“对这个人而言是新的”和“在人类历史上是新的”：前者发生在个人认知中，后者需要证据、检索和共同体判断。绝大多数值得发表的文章都不是宣布一个前无古人的定理，而是把一个问题看得更清楚、更准确、更有用。
原创最稀缺的部分，往往发生在答案之前
生成工具让答案越来越便宜，于是问题的选择反而变贵了。
同一个模型可以向一万人提供一万份语法正确的文本，却不会替任何人决定：为什么偏偏在今天追问这个问题？它与哪一段生活发生了摩擦？什么事实会让作者改变看法？这篇文章愿意冒哪一种被反驳的风险？
原创性至少可以落在四个位置。
第一，注意力。 世界每天同时发生无数事情，一个人决定长期看什么、忽略什么，本身就在塑造作品。刷牙时那一瞬间的疑问未必史无前例，但把“AI 能回答”误当成“我没有原创性”的心理刺痛，是一个具体而值得追踪的入口。
第二，经验。 “我也焦虑过”不是作品；把焦虑发生时的场景、身体感受、前后选择和真实代价写准确，才开始形成不可替代的材料。个人经历不是天然护城河，未经观察的经历只是一句标签。
第三，判断。 汇总十种观点不等于写作。作者必须说明哪些证据更可信，哪些类比越界，以及自己暂时站在哪一边。AI 可以提出候选判断，但不能替作者承担判断造成的后果。
第四，修改。 原创不是灵感落地的一瞬，而是一次次删掉顺滑的套话，补上不利证据，让观点经得住现实。作品最终呈现的性格，常常来自作者拒绝了什么。
“只有我经历过”也不够
强调个人经验，很容易滑向另一种偷懒：仿佛只要故事属于我，表达就自动有价值。
不是这样。每个人都独占自己的一生，但大量日记仍然乏味。经验必须经过选择、比较和结构化，才会从私人材料变成公共意义。一顿失败的晚饭可以只是抱怨，也可以成为一篇关于外卖算法、家庭分工或衰老味觉的文章；区别不在事件稀有，而在作者发现了什么关系，并拿出了什么证据。
AI 也能帮助完成这项工作：列反例、找研究、重排结构、指出歧义。使用这些能力并不会自动抹掉作者。真正危险的是把“生成”误当成“完成”，在没有核验、没有取舍、没有个人风险的情况下签上自己的名字。
一套比“它想没想过”更好的检验
写完一篇文章，不妨先别问“AI 能不能写出类似的话”，而问五个更难的问题：
- 这篇文章的问题，是从哪一个真实观察里长出来的？
- 文中哪条判断可能是错的，什么证据会让我改口？
- 哪个细节只能由亲历者准确提供，而不是用“独特”“复杂”这样的词糊过去？
- 我对材料做了什么选择，而不是把搜索结果排成一列？
- 读者离开时，会多一个可使用的概念、动作或视角吗？
如果这五个问题都有具体答案，作品就已经拥有作者性。它未必是人类历史上的第一次，却是一个人对材料完成过的、可以追责的组织。
原创不是抢占无人区，而是留下自己的走法
互联网让我们误以为，原创是一场抢先登记：只要搜到相似句子，这个念头就已经归了别人。
可写作不是抢占无人岛。作者都从共享的语言、事实和传统出发，贡献在于怎样选择、压缩、冲突与验证，最终留下此前不存在的走法。
AI 扩大了共享材料，也会制造大量平均而光滑的表达。这反而让人的任务更明确：不要与机器比赛谁更快给出一般答案；去发现值得问的问题，带回未经磨平的经验，核验事实，做出选择，并对结果负责。
AI 能回答我的灵感，最多说明这个问题接入了人类已有的知识网络。它不能证明我的路径属于别人，也不能替我承担沿途的选择。
原创不要求世界在我之前一片空白。它只要求作品诚实地留下：我从哪里出发，经过哪些证据，为什么抵达这里。
事实、推论与来源
已核验事实： 大语言模型通常以预测后续 token 为核心训练目标；研究表明模型既能进行少样本模式适配，也可能记忆并在特定攻击条件下暴露训练文本。因此，仅凭一次生成结果，不能判断某个想法是否在训练集中原样出现。创造力研究也区分“对个人而言的新颖”和“历史层面的新颖”。
本文主张： 把原创性理解为问题选择、具体经验、可辩驳判断与负责的修改，是本文提出的写作框架，不是已被实验证明的创造力定律。
法律与出版边界： 本文讨论的是作者性与写作判断，不构成版权、专利、学术不端或抄袭认定。独立想到相似观点，不会自动免除引用、授权、事实核验和遵守平台规则的责任；AI 的回答也不能替代查重、来源追溯或专业法律意见。模型训练方式、检索能力和产品功能会变化，但这些变化不影响本文的核心限制：单次生成结果本身不能证明一条想法的历史来源。
- Brown 等，《Language Models are Few-Shot Learners》：[2005.14165] Language Models are Few-Shot Learners
- Carlini 等，《Extracting Training Data from Large Language Models》：https://www.usenix.org/conference/usenixsecurity21/presentation/carlini-extracting
- Margaret A. Boden，《Creativity and Artificial Intelligence》：Redirecting