AI 的品味,是谁的品味?

把同一个 prompt，给五个不同的大模型，会收到五种完全不同的东西。有的正确但味同嚼蜡，有的第一眼就让人想继续读下去。这个差异，在任何一张跑分榜上都找不到对应的数字，但它比分数诚实。

业内给它起了个含糊的名字，叫 vibe。

AI 时代，品味到底住在哪里，以及人和 AI 之间那条分工的边界，究竟画在什么位置。

一、跑分还准么

2024 年，Scale AI 的研究团队做了一件同行都懒得做的事：照着最流行的数学基准 GSM8K 的风格和难度，手写了一套全新的题目 GSM1k。逻辑很简单，如果模型真的学会了小学数学，两套题的分数应该一致。结果，多个模型家族的分数对不上。旧榜单的高分里，掺着"背过原题"的水分。

换一套同难度的新题，部分模型分数掉了最多约 8 个百分点（左侧），说明高分里有"背题"成分。来源：Zhang 等，A Careful Examination of LLM Performance on Grade School Arithmetic（arXiv:2405.00332），图 1。

与此同时，MMLU 这类经典基准已经饱和，头部模型挤在 88 分以上，分不出高下。于是整个行业转向了另一种裁判：人类偏好竞技场，把两个匿名模型的输出摆在一起，让真人投票。

值得注意的是这个转向的含义。当能力分数失效，行业选出的替代品，是审美投票。业界已经默认：区分顶级模型的，不再是"会不会"，而是"好不好"。同一道题都能做对之后，比的是谁做得更有分寸、更有质感、更"对味"。

二、选模型，其实是选人

那么模型的品味是从哪来的？答案藏在最新发布的kimi K3 的一个细节里：上一代 K2.6 在同一个榜单上排第 18 名，一代之内跳了 17 个名次。智商没有办法在一代之内暴涨十七名，但审美可以，因为审美不是从数据里自己长出来的，而是被决定拥有的。Moonshot 从上一代模型开始就搭建了内部的设计评测集，专门在审美上做强化学习。数据配比怎么定、偏好标注请什么人、奖励函数里"好看"如何被定义，每一个环节，都是实验室里某一群人的审美判断，被压缩进了权重。

模型的品味，本质是实验室品味的蒸馏。所以，为公司选模型这件事，表面上是在比较参数和价格，实际上是在做一个更私人的决定：信任哪一群人的审美。

但模型层只是第一层。一个更隐蔽、也更值钱的事实是：同一个模型，在不同团队手里，做出来的 AI 产品品味天差地别。底层调用的是同一个 API，为什么有的 AI 助手用起来像一位见过世面的老手，有的像一个背熟话术的实习生？差异不在模型，而在包着模型的那一整套东西：system prompt 怎么写，给它什么工具，工作流怎么编排，以及最关键的，什么样的输出算通过，什么样的要打回重做。评估标准，就是品味的显式声明。

把这个逻辑推到头，会看到一个三层的"品味栈"：

第一层，模型层。实验室的品味烧进权重。这一层只能选，不能改。

第二层，Agent 层。构建者的品味写进 system prompt、工作流和验收标准。这一层决定同一个模型的上下限。

第三层，使用层。每一次对话里，使用者的品味决定这一次的产出。 

没说清的，AI 就按默认值来；它的默认值，就是大众平均。 

三、使用者的品味，决定模型的上限

再看第三层，人。

MIT 和马里兰大学的团队做过一个近 1900 人的实验：让参与者分别使用 DALL-E 2 和更强的 DALL-E 3 完成图像任务，然后拆解成绩提升的来源。结果显示，性能提升里，接近一半来自用户自己调整 prompt 的行为，而不是模型升级本身。模型进步一代，人不进步，红利只能拿到一半。

研究者把两代用户写的 prompt 在两代模型间交叉"回放"，把总提升（ATE）干净地拆成"模型效应"（红）与"prompt 效应"（蓝）。来源：Jahani 等，Prompt Adaptation as a Dynamic Complement in Generative AI Systems（arXiv:2407.14333），图 2。

为什么会这样？这里需要给"品味"下一个贯穿全文的定义：

品味，是在没有说明书的地方做对决定的能力。

一个 prompt 不可能穷尽所有细节。prompt 没说的部分，模型必须自己填，它拿来填空的东西，就是它的品味。这就是为什么同一个模糊 prompt 丢给五个模型会出五种东西：空白越大，模型品味的显影越充分。而 prompt 的颗粒度每提高一分，留给模型填的空就少一分，模型之间的差异就被压缩一分。推到极限，一份像素级的 spec，任何模型出来都差不多，那时候，品味百分之百属于写下这份 spec 的人。

所以模型的品味和人的品味，不是并列关系，而是同一根轴上的零和分配：谁定义得更细，谁说了算。

而大多数人写不出高颗粒度的 prompt，不是因为不会打字，而是因为自己也不知道要什么。人只能说清楚自己分辨得出的东西。这句话反过来说就有点不客气了：AI 交上来的东西平庸，首先照出的，是使用它的人说不清自己要什么。

四、人与AI的边界感

人和大模型在执行上的分工边界在哪呢？

2023 年，哈佛商学院联合 BCG 做了一个 758 名咨询顾问参与的随机对照实验。任务分两类。第一类在 AI 能力边界之内：用 AI 的顾问平均多完成 12.2% 的任务、快 25.1%，质量高出约 40%，碾压级的提升。第二类任务被研究者故意设计在边界之外，AI 会给出貌似合理但方向错误的分析：这一次，用 AI 的顾问得出正确结论的概率，反而比不用的低了 19 个百分点。

边界之内：蓝色是不用 AI 的顾问，红/绿是用 AI 的顾问，整个质量分布被整体推向右侧。来源：Dell'Acqua 等，哈佛商学院工作论文 24-013，产出质量分布图。

边界之外：同一批顾问，换到 AI 边界之外的任务，不用 AI 的对照组正确率 84.5%，用 AI 的掉到 60.0%，即使加了使用培训也只回到 70.6%。来源：同上，图 6。

研究者给这条边界起了个名字：锯齿状前沿（jagged frontier）。AI 的能力边界不是一条整齐的线，而是犬牙交错的：一些看起来很难的任务它轻松拿下，一些看起来很简单的任务它一败涂地。这条线看不见，而且每一代模型都在移动。

更麻烦的是，人对这条边界的体感是失灵的。2025 年，研究机构 METR 对资深开源开发者做了一个随机对照实验：允许使用 AI 工具的任务，实际完成时间反而慢了 19%，而开发者们自己估计，他们快了 20%。感觉和事实之间，差了将近 40 个百分点。

从左到右，经济学专家、ML 专家、开发者事前、开发者事后，全都预测/感觉变快了（绿点）；最右边红点是秒表测出的事实——慢了 19%。来源：METR，Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity（2025）。

把这两个实验放在一起，结论只有一个：AI 最危险的地方，不是它做不好的事，而是它做得像模像样的事。流利的错误，比笨拙的错误昂贵得多。后者会被当场拦下，前者会一路绿灯走进董事会的 PPT。

于是，品味在人机分工里的第一个岗位职责浮出水面，而且和多数人想的不一样：不是"把东西做得更好"，而是识别"像模像样"和"真的好"之间的那道缝。看出这道缝需要的，正是分辨率：外行看到的是"挺专业的"，内行看到的是第三页那个致命的方向性错误。BCG 实验里表现最好的人，无论是人机分段协作，还是逐步深度交织，共同点只有一个：对边界有清晰的地图，知道什么时候信、什么时候查。

五、成为制作人

边界理清了，分工就可以说得很具体。

设计领域有一个经典的过程模型：先发散，再收敛。AI 彻底改写了发散的经济学：过去出三个方向要一周，现在出三十个方向要一小时。但很多人没有注意到，收敛的经济学不但没有改善，反而恶化了。从三十个方向里挑出对的那一个，比从三个里挑难得多，而挑错的代价一分钱没降。生成的成本归零，把选择的成本推成了新的瓶颈。

这背后是一条更古老的不对称：做出来难，看出来容易。AI 把这条不对称拦腰折断了一半，"做出来"变得极其便宜，于是"看出来"的相对价值暴涨。电台主持人 Ira Glass 有个流传很广的观察：创作者的困境，是早期作品的水平配不上自己的品味，手跟不上眼。AI 时代，这个困境反转了：机器的手快得惊人，现在跟不上的，是大多数人的眼。

这个新分工有一个现成的角色原型：制作人。Rick Rubin，过去四十年最成功的音乐制作人之一，公开承认自己几乎不会乐器、不懂调音台。他的职业能力，用他自己的话说，只有一条：对自己品味的确信。制作人不生产音乐，制作人生产判断。歌手唱了二十遍，是他说"就是这一条"。AI 时代，一把手的角色原型不是工程师，而是制作人。团队加上 AI，就是这位制作人的乐队；要做的不是弹琴，而是在三十条录音里认出那一条，并为这个选择签字。

人机之间的线可以用三条规则画：

但同时值得注意的是：这三条线，每个季度都在移动。锯齿状前沿随着模型迭代不断外扩，今天必须人盯的环节，半年后可能可以放手；今天放心交出去的环节，新模型上线后可能出现新的坑。所以人机分工不是一次性的组织设计，而是一项持续的管理纪律：定期用真实业务任务重新测绘边界。大多数公司的失败不是分工画错了，而是画完之后，再也没有人回来看过。

六、共识机器，与它做不了的事

既然审美能被强化学习训出来，选择和判断会不会只是模型的下一个版本更新？

用投资的语言说：模型是 beta，品味是 alpha。beta 是人人可得的市场平均；

alpha 是超出平均的那部分，只能来自私有判断，所有人都拿得到的 alpha，就不再是 alpha。

主流大模型都要经过人类偏好对齐。近期一系列研究指出了这套机制的一个深层特性：人类标注者天然会给"看起来眼熟、符合直觉"的文本打高分，这种典型性偏好被写进了偏好数据集；训练目标里的正则项，又系统性地惩罚输出分布的长尾。结果是模型的概率分布收敛到一小撮安全、同质的"吸引子"上，研究者称之为模式坍缩。

实证同样清楚。一项研究发现，用 GPT-4 辅助创作的故事被独立评委打分更高，但这些故事彼此之间显著更相似。另一项研究分析了 2200 篇大学申请文书：每多一篇人写的文书，带来的新想法都多于每多一篇 GPT-4 写的；而且研究者尝试了各种 prompt 和参数增强，都救不回这个差距。

用了 1 个或 5 个 GenAI 点子的故事（蓝/红），与 AI 点子的相似度远高于纯人写的故事（黑），效应量在 4 以上。来源：Doshi & Hauser，Generative AI enhances individual creativity but reduces the collective diversity of novel content，Science Advances（2024），图 4。

三个子研究里，人类文书的多样性增长率（红，DGR 0.58–0.64）都远高于 GPT-4（蓝绿，0.07–0.19）；改参数、换 prompt、加思维链（浅绿，0.23–0.37），都追不上。来源：Moon, Green & Kushlev，Homogenizing effect of LLMs on creative diversity，Computers in Human Behavior: Artificial Humans（2025），图 2。

对齐的数学本质，是最小化"让任何人不满"的概率。RLHF 造出来的，是一台共识机器。

而品味，在定义上是反共识的。品味是敢说"这个不行"，说这句话意味着可能犯错，意味着要为一个没有数据支持的判断承担后果。品味是在一万个"都还行"的选项里，坚持只有一个"对"，并且把公司的资源压上去。共识机器的目标函数里，没有这一项。

这也是为什么，有些事 AI 到今天做不了，而且看不到做成的路径。AI 不是一个好 PM，因为好 PM 的核心工作不是写文档，而是在需求文档没写的地方替客户做决定。AI 不能替企业做 BD，不能陪客户喝酒，不能处理人情世故：酒桌上什么时候该敬、什么话不能接、这位客户嘴上要的是 A 心里要的是 B，这些全是"没有说明书的地方"。用本文的定义看，人情世故就是社会关系上的品味，和审美品味同构。而共识机器在所有没有说明书的地方，都会滑向那个"最不会让人不满"的答案。酒桌上最不会让人不满的行为，恰恰是最平庸的行为。

现在可以回头看 K3 的登顶了。人类偏好竞技场测的是盲投的众数，是"多数人觉得好看"。K3 证明了模型已经能稳定赢得平均品味，这很了不起。但社会学家布尔迪厄半个世纪前就说透了：品味的社会功能是区分，而"多数人都觉得好看"的东西，在定义上无法区分任何人。何况这个审美登顶的模型十天后就全量开源、人人可部署。当最有品味的模型变成免费公共品，"好看"的边际成本归零，"好看"本身就退出了竞争。官网很精美？对手用同一份权重，下周也很精美。

品味其实分三层：底线审美（排版不丑、配色不土、代码不烂），这一层模型每半年上一个台阶；风格一致性，随着上下文和记忆机制拉长，模型也会追上；最后一层是立场，在没有共识、没有数据、没有先例的地方压下判断，并为它承担后果。前两层是"审美"，最后一层才配叫"品味"。

七、品味没有捷径

既然品味这么值钱，它是怎么来的？

布尔迪厄的答案是："能看见，是知识的函数。"审美判断不是天赋，而是文化资本的沉淀。看过什么、被什么环境浸泡、为什么样的判断付出过代价，决定了一个人能看见什么。神经科学给出了更具体的图景：长期训练会带来真实的神经重组，专家对本领域刺激的神经元调谐更锐、响应更强。翻译成人话：专家不是偏好与常人不同，而是看到的世界分辨率更高。一位顶级设计总监看一个页面，看到的是字距、灰阶、呼吸感、意图；外行看到的只是"挺好看的"。品味不是意见，是分辨率。

而分辨率的养成路径，几十年来没有变过：大量地看最好的东西，反复地说"不"，并且为自己的判断承担真实的后果。没有捷径，不能外包，无法速成。

变了的，是回报结构。过去，一把手的品味是公司的瓶颈：每一个重要判断都要过这双眼睛，分辨率再高，一天也只有二十四小时。AI 时代，执行的成本归零之后，这个瓶颈第一次有机会变成杠杆。前提是，把这份品味显式地编码进系统。写进 system prompt，写进工作流，写进验收标准，让公司里每一个使用 AI 的人，拿到的默认值不是全人类的统计平均，而是花几十年养出来的那双眼睛。

参考文献： [1] Zhang et al., A Careful Examination of LLM Performance on Grade School Arithmetic, arXiv:2405.00332 [2] Jahani et al., Prompt Adaptation as a Dynamic Complement in Generative AI Systems, arXiv:2407.14333 [3] Dell'Acqua et al., Navigating the Jagged Technological Frontier, Harvard Business School Working Paper 24-013 [4] METR, Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity, 2025 [5] Doshi & Hauser, Generative AI enhances individual creativity but reduces the collective diversity of novel content, Science Advances, 2024 [6] Moon, Green & Kushlev, Homogenizing effect of LLMs on creative diversity, Computers in Human Behavior: Artificial Humans, 2025 

— 完 —

觉得有收获？

点个 赞 · 顺手 转发 · 右下角 在看 · 评论区 聊聊 

你的支持是我继续写下去的动力