写作的核心规则：让读者真的看见你的意思

摘要

史蒂芬·平克把糟糕写作的根源放在知识的诅咒上：作者太熟悉自己的领域，忘了读者并不共享那些背景、术语和默认前提。清楚的写作要进入读者的处境，用具体画面替代空泛抽象，用例子支撑概括，用删减降低理解成本。AI 写作虽然句法顺畅，却容易变得平庸，因为它常把个体经验和风格磨平。

内容框架与概述

平克先谈坏写作为什么普遍存在。问题通常并非作者故意装深奥，而是作者忘了读者不知道自己知道的东西。专家一旦长期待在同一个学术或职业小圈子里，就会把缩写、行话、抽象概念当成公共常识。解决办法很朴素：把草稿交给领域外但聪明的读者，让他们直接暴露哪里看不懂。

写作要让读者形成心理图像。语言本身只是工具，目标是把想法送进别人脑子里。抽象词在专业圈内很高效，但对外部读者常常失去画面感。好的表达需要把概括和例子绑在一起：例子提供上下文，概括完成压缩。没有例子的概括容易空转，没有概括的例子又会变成散乱材料。

后半部分转向文字的美感、学术写作和 AI 写作。平克强调朗读自己的文字，检查节奏、声音和可读性。简洁不是机械缩短，而是减少读者的认知负担，让同样的信息更快、更准确地抵达。AI 生成文字的句子结构往往稳定，但容易平均化，像把大量文本压成一种通用风格，清楚，却缺少鲜明的人类经验。

核心概念及解读

Curse of Knowledge 知识的诅咒

知道得越多，越难想象不知道是什么感觉。专家写作最容易在这里摔倒：他以为自己在清楚表达，读者却从第一句话开始迷路。清晰写作的第一步，就是承认读者没有共享你的背景。

Mental Image 心理图像

读者理解文字时，脑子里需要形成画面、动作、感觉或关系。兔子比刺激物清楚，孩子盯着兔子比刺激强度与反应强度成正比清楚。抽象词可以用，但必须不断回到可感知的东西上。

Example and Generalization 例子与概括

例子负责让人看见，概括负责让人抓住结构。只给概括，读者可能点头但并未真正理解；只堆例子，读者又不知道它们通向哪里。好写作是在具体和压缩之间找到平衡。

Omit Needless Words 省略不必要的词

删减不是为了显得利落，而是为了降低认知成本。每个多余的词都让读者多花一点力气。把文章压进更短篇幅，常常会逼出更准确的句子，也逼作者放弃含糊、套话和懒惰表达。

AI Blandness AI 写作的平庸感

LLM 可以生成语法稳定、结构顺滑的文字，但常把人的独特经验、判断和语气削弱。它像平均脸一样，可能协调、清楚，却不一定有鲜明个性。未来写作的价值会更多落在观察、选择、经验和风格上。

文章基本信息

字段	内容
原标题	Harvard Professor Explains The Rules of Writing — Steven Pinker
作者	David Perell
发布日期	2025 年 6 月 4 日

史蒂芬·平克谈写作、语言与 AI

糟糕写作的根源：知识的诅咒

很多糟糕写作并不是故意装深奥，而是作者忘了读者并不拥有同样的背景知识。专家在自己的圈子里待久了，会把术语、缩写、默认前提当成常识。结果就是，作者觉得自己讲得明白，读者却从第一段就被甩下车。

坏写作不是恶意，更多是受众感缺失

汉兰剃刀在这里很有用：能用无能解释的事情，不要急着归咎于恶意。很多写作者有内容、有才华，也没有故意排斥外行，只是缺乏一种基本能力：想象别人不知道自己知道的东西。TED 上分子生物学家的例子很典型，他直接进入实验细节，却没有先交代问题是什么、为什么重要，几秒钟内就让全场听众失去方向。

克服办法：让领域外的人读草稿

仅靠自我检查不够，因为知识的诅咒最麻烦的地方就在于，你不知道自己什么时候已经被它控制。更可靠的办法，是把草稿交给聪明但不在同一领域的人。母亲、编辑、经济学家、历史学家、政治学家、进化生物学家，都可以成为测试读者。只要他们读不懂，就说明文本内部还有没有搭好的桥。

写作要让读者形成心理图像

语言不是目的，而是把想法送进别人脑子里的工具。真正的理解并不只是接收一串词，而是形成画面、动作、感觉、关系或概念结构。好的写作要让读者能在脑中看见某种东西。

少用空泛抽象，多给可感知对象

如果想说的是兔子，就不要先说刺激物。如果想说孩子盯着兔子看的时间更长，就不要绕成刺激强度与反应强度成正比。框架、范式、层次、视角、概念这些词在专业工作中有用，但它们很难自动生成画面。读者看不见，就很难真正理解。

抽象词有用，但要知道使用场景

专业术语不是坏东西。生物学家当然需要谈生态系统、物种、试剂、浓度、增强作用。抽象词的好处是压缩，把一大块知识打包成一个短词。问题出在跨出专业圈之后，作者忘了这些词对别人并不基础。对内可以压缩，对外就要展开。

例子与概括必须配合

没有例子的概括会飘在空中，没有概括的例子又会散成一地材料。例子负责提供上下文，让人知道你到底在说哪类东西；概括负责压缩，让人知道这些例子共同指向什么。好写作就在这两者之间来回调整。

例子让抽象词落地

抽象词往往不够精确，同一个词可能挂着很多相关含义。只说一个概念，读者也许会点头，但不一定真的明白。举出具体例子，等于给概念划定边界：你说的东西大概是什么，不是什么，适用于哪里，不适用于哪里。

概括负责压缩信息

如果只是把一次火车旅程讲五个小时，信息太散，读者受不了。如果只说旅程轻松，又没有上下文，读者也拿不到什么。写作要在细节和压缩之间找到合适比例。例子提供背景，概括把背景整理成可以带走的理解。

写作比说话更难

说话是自然习得的，写作是后来学会的。孩子很早就能说话，但写作训练慢得多。原因不是人类不会表达，而是写作缺少对话现场里的很多辅助条件。

对话有共同现场，写作没有

说话时，两个人通常共享某个场景、话题和背景。这个、那个、她、刚才那件事，这些词在现场很清楚。写作时，读者可能在另一个国家，可能从没见过作者，甚至可能在作者死后才读到文本。所有背景都必须靠文字自己承担。

对话有实时反馈，写作没有

说话时，对方会皱眉、走神、插话、追问。演讲者也能看出听众是否还在跟着走。写作没有这种即时反馈，作者只能提前想象读者会在哪里卡住。所以写作更需要测试读者，也更需要主动解释语境。

文字的美感来自画面、声音和节奏

写作不只是信息传递，也有声音和节奏。平克会朗读自己的文字，至少低声读出来。一个句子如果作者自己读起来都别扭，读者在脑中默读时也大概率不顺。

朗读是检查句子的简单工具

朗读可以暴露长句、拗口结构、节奏堵塞、重复音节。纸上的文字也有听觉效果。读者不一定真的发声，但脑中会形成一种内部声音。写作者要照顾这种内部声音。

节奏和音感会影响阅读体验

语言有节拍，虽然不像节拍器那样均匀，但它会影响句子的流动。过多齿音会让人不舒服，适当头韵可以带来一点愉悦感。风格不能太显眼，太刻意会显得别扭，但轻微的声音设计能让句子更顺。

学术写作的问题：浪费知识，也浪费读者

学术写作糟糕的后果不只是难读，还会浪费公共资源。大量研究由纳税人支持，成果却被包装成小圈子内部才能理解的文本。这会让知识停在封闭场域里，不能有效进入社会。

难懂会制造误解和低效

如果一段文字要读五六遍才勉强理解，读者可能理解错，也会浪费大量时间。审论文、看基金申请、评终身教职时，这种问题尤其严重。清晰不是装饰，而是知识流通的基础条件。

研究语言的人更该写清楚

语言学、心理语言学研究的就是语言如何被理解，以及句子为什么会难懂。可很多相关领域的写作本身也很难懂。这种反差很刺眼：既然知道理解的障碍在哪里，就更应该把自己的句子写得容易进入。

孩子的解释给写作者的启发

孩子常常能说出新鲜的解释，因为他们还没有被术语和固定表达训练过。云是水蒸气，烟是火蒸气，这种说法稚嫩，但有画面，也有直接观察。孩子没有学会太多抽象词，所以只能依靠自己和别人都看得见的东西。

新鲜感来自观察，而不是堆词

很多成人写作失去活力，是因为太快套用现成概念。孩子的问题和表达往往荒诞，但它们保留了观察能力。海洋有多深，要建多高的塔才能到天堂，烟囱是不是云的制造者，这些问题背后是对世界的直接观看。

幽默也依赖新鲜感

幽默和好写作有共同点，都需要意外、节制和分寸。一个笑话被听过太多遍，就失去效果。幽默不能生硬塞进文本，否则只会尴尬。它要自然出现，像发现语言或世界里某个错位的地方。

简洁：删掉不必要的词

简洁不是追求短，而是减少读者的认知负担。每个字、每个音节都会消耗读者注意力。如果同样的信息可以更快到达，文本通常就会更有力。

字数限制能逼出更好的句子

为报纸或杂志写作时，固定篇幅会迫使作者压缩。刚开始会觉得已经不能再删，但真正删下去，常常发现文章质量反而提升。多余词被拿掉后，结构更清楚，信息更集中。

删除不是削弱，而是校准

删改的关键不是砍掉信息，而是把同样意思用更少阻力送到读者那里。长不是问题，拖沓才是问题。短也不是自动好，短到没上下文同样无效。真正有效的简洁，是信息量和理解成本之间的平衡。

AI 写作的优势与平庸感

LLM 的输出在某些方面确实不错。它通常不使用太多晦涩术语，句子结构也比较清楚，推进方式有条理，经常会有开头和收束。从基础可读性看，它已经超过很多学术、法律和官僚文本。

AI 的问题是平均化

AI 写作的问题在于普通、平淡、容易被识别。它的设计目标是从海量文本中混合、模仿和生成高概率表达，所以很容易产出稳定但缺乏新鲜感的文字。它可以清楚，却常常没有锋芒、经验和个人判断。

AI 可能带来一种通用清晰风格

把很多专业人士写作里的复杂结构去掉，只保留比较通用的句子结构，结果可能不优美，但会清楚。这解释了为什么 AI 文本在专业场景中有用：它能消除一部分人类写作者常见的混乱、拖沓和故作复杂。

AI 对认知科学的挑战

如果今天重新写自己的书，平克会更重视从海量输入中抽象模式的能力。经典认知科学和早期人工智能更重视规则、算法、逻辑和逻辑编程，而 LLM 展示了另一种路径：从庞大、非结构化的输入中提取模式。

人脑不等于大型语言模型

LLM 的能力并不能直接证明人脑就是一个大型语言模型。孩子学习语言时，并不是吞下天量文本之后才开口。他们生活在真实世界里，和人互动，理解说话者意图，也通过身体和环境学习语言。人类语言学习有文本之外的世界参与。

未来写作更需要人类经验

AI 可以生成清楚文本，但写作者仍然要提供观察、判断、经验、声音和选择。机器擅长从已有文本中抽取模式，人类仍然要决定什么值得说，为什么要说，用什么角度说，以及哪里该保留粗糙的个人质感。