人工生成Semantic Scorecard: 一旦你划掉一个词，就有东西丢失了
媒体生产中的统计概览：哪部分来自我，哪部分来自我的人工智能工具，以及人工智能对意义做了什么。
Semantic Scorecard是测量一个作品中有多少原创表述，人工智能添加了多少，以及意义因此变得更精细还是更粗糙。 总结总是lossy compression。总结时必须有所丢失，否则它就还是原文。一旦我划掉一个词，就有东西丢失了。测量这个就是Semantic Scoring。没有无损缩减。一种自己给自己算账的排序。
不是谁挂着署名。是谁造了句子，以及意义发生了什么。
用神经网络的媒体生产如果保持不可见就会产生新的谎言：一切看起来像一个声音。Scorecard让份额可见。它属于文章下方，而不是没人读的内部日志。 等待Grok Godot 得到了第一张卡。这里在建造每次都同样填写这张卡的设备。
这是 Semantic Mining 应用到自己的输出上。这次的矿是口授。矿石是我的句子。分拣机是人工智能工具。Scorecard说明有多少矿石漏过去了，机器磨了多少。
来源，操作，意义差。三个数字，不是一个。
一个百分比“72 Prozent John”是入门，不是整张卡。它测量表述，可见的句子，那些在口授里如此或几乎如此的。它不测量人工智能是否在保留同样词语时移动了意义。
| 轴 | 什么 | 单位 |
|---|---|---|
| 来源 | 已在输入中的可见表述占比，对比工具新设定的占比 | 成品中词量的百分比 |
| 操作 | 人工智能对文本做了什么：语法、用词、同义词、句序、粘合、结构、来源、图片 | 人工智能工作的占比，不是词量的。可以重叠，必须加到人工智能一侧，而不是整个文本 |
| 意义差 | 意义是变细了、变粗了、一样了，还是新加进来了 | 意义的百分比，粗略估计，用篮子：细化、粗化、原样传递、添加 |
人工智能的操作，细：
- 清理语法（格、逗号、打字错误：Grog 到 Grok）
- 用词和同义词
- 改变句序
- 粘合：只起连接作用的新句子
- 结构：章节、TOC、顺序
- 证据：来源、事实表
- 图片：Canvas、Torte、Cover
意义差，细：
- 原样传递： 句子在，意义在。
- 细化： 同一个想法，更锐利。第4层和第5层在查阅后排到正确顺序。
- 粗化： lossy。Beckett 缩成一句。自己杂志里的查阅被删掉了。少了一个词。
- 添加： 口述里没有出现的断言。John 没有说过的调研。
做摘要时必须有东西丢失，否则它还是原文。
你可以通过挑选和总结来粗化意义。这时必然有东西丢失。这是有损压缩，不是无损缩减。只要我划掉一个词，就有东西丢失了。这对编辑的人适用，也对「清理」的人工智能适用。清理已经是差量。谁假装语法是中性过滤器，就是在意义问题上撒谎。
Scorecard 让这个损失可见，而不是把它藏在风格下面。高的 John 百分比配上高的粗化意味着：词是他的，剪辑付出了意义代价。低的 John 百分比配上很多添加意味着：这篇是调研，不是口述。两者都可以。两者都必须写在卡片上。
三件作品，三种生产方式。这张图显示了 byline 没有显示的差异。
应用到这篇之前最近的三篇 McGrinsey 文章。对照口述稿目测估算，没有从日志做 token 计数。数字已四舍五入，因为这里精确到 1,3 百分比的假精确会是谎言。
1 · 等待 Grok Godot
来源： 72 百分比原创表述，28 百分比人工智能。
这 28 的操作： 语法和打字错误 6，粘合 9，结构 7，证据 3，图片 3。全文的百分点。
意义差： 直接传递 70，细化 6（查阅后的层 4/5），粗化 8（Beckett 压成一句，Lookup 删掉，口述里的重复合并），添加 16（Godot 句，链接，事实表，大纲饼图，第一张记分卡）。
2 · Semantic Mining
来源： 61 百分比原创表述，39 百分比人工智能。
这 39 的操作： 语法 4，粘合 14，结构 8，证据 6，图片 7。
意义差： 直接传递 58，细化 10（把两台机器前后明确写出），粗化 12（Atelier 任务、Editing-Button、从公开篇里拿掉写作范式元：这对口述是损失，对读者是收益），添加 20（事实表，Canvas，爬虫规则作为架构而不是工作坊）。
3 · American Pie
来源： 14 百分比原创表述，86 百分比人工智能。
这 86 的操作： 语法 2，粘合 8，结构 12，证据 28，图片 10，研究句 26。口述是问题加一种政治解读，没有文章正文。
意义差： 直接传递 12，细化 8（Miss American Pie，堤坝，不是 D/R），粗化 4，添加 76（历史，来源，White Terror，Christie’s，Telegraph）。这是另一种作业类型：不是分拣矿石，而是新开一座矿，因为矿石只是问题。
Chinamerica，早一天，更接近 American Pie 而不是 Grok Godot：研究正文，John 的论点，句子几乎全是工具。Chinamerica 的记分卡属于后面的图，不在这三篇里，否则“最近三篇”会变成四。
精炼是被单一百分比吞掉的那个点。
在三个作品上，合起来，工具主要做了四件事。第一，从口述中做出了打字错误和句子边界。第二，在片段否则会让读者迷失的地方设置了粘合剂。第三，结构：段落，好让流变成楼梯。第四，口述中没有出现的证据和图片。
意义改变，不管更细还是更粗，在 Grok Godot 大约是意义的 14 百分比（6 细化加 8 粗化），在 Semantic Mining 大约 22，在 American Pie 大约 12 对带来的意义的改变加 76 添加的意义。添加的意义是最贵的那种：它可能是错的，而且它看起来像声音。所以有事实表。所以下面这张卡片。
下一篇的规则：如果 John 口述，来源目标超过 60。如果 John 只提问题，来源低于 20，而且卡片必须在有人相信他会自己那样表述 White Terror 之前说出来。
| 陈述 | 篮子 | 来源 |
|---|---|---|
| 总结总是有损的 | 论点，这里作为方法 | John, 9. September 2026. 信息论：只有在冗余时才能无损失地更短。一个被删的内容词是损失。 |
| Grok Godot 72 / 28 | 估计 | 目视检查口述对照作品，四舍五入。没有来自会话日志的 Token-Diff。 |
| Semantic Mining 61 / 39 | 估计 | 同样的方法。 |
| American Pie 14 / 86 | 估计 | 口述是问题，主体是研究。 |
| 这些百分比是精确的 | 否 | 四舍五入，目视检查。第二次计数可以把它们移动几个点。三个作品的方向不行。 |
- Semantic Mining从未知中来的意义。这张卡片把自己的输出放在上面的矿。https://mcgrinsey.com/magazin/semantic-mining-sinn-unbekanntes/
剪辑：2026年9月9日。本篇自身的语义记分卡：来源约 48 John（有损句子，三轴作为任务），52 人工智能（设备建造，三个应用，Canvas）。意义差：细化 15，粗化 5，相加 32，传递 48。这张卡不对自己说谎。
