当AI开始说“这样不好看”:它真的有审美了吗

好看可以被预测 · 风格必须被选择

当 AI 不再机械服从，开始质疑一个不合理的要求，它拥有的不是完整意义上的审美，而是一层越来越成熟的判断力。

前几天，我让 AI 修改一张公众号配图。

要求不断往上加：标题再大一点，人物保留，补上四个要点，右上角放编号，下面加一句金句，二维码也不能删。

AI 没有立刻执行，而是提醒我：

那一刻颇有意思。

过去的软件只会执行。字体调到多大、图片拖到哪里，都由人决定。如今的 AI 开始判断：你的要求虽然能做，却可能让作品变差。

当 AI 不再机械服从，而是开始质疑一个不合理的要求，它出现的不是完整意义上的审美，而是一层越来越成熟的“判断力”。

AI 拒绝执行，并不都叫审美。

比如：

• 在面向老年人的健康小程序里使用浅灰色小字；
• 把十二项内容塞进一页汇报 PPT；
• 为严肃的法律服务网站加入大量卡通图标；
• 视频前三秒同时出现标题、字幕、Logo 和五种转场；
• 为了“高级感”把产品介绍写得让用户看不懂。

这时 AI 不是在说“我不允许”，而是在说：“照做可以，但结果可能不好。”

我们常把审美理解成“好不好看”，其实它至少包含三个层次。

文字是否看得清，信息层级是否明确，按钮是否容易识别，色彩对比是否足够，页面是否符合使用场景。

这部分可以被观察、测量和验证。比如 W3C 的无障碍标准要求，普通正文与背景的对比度通常至少达到4.5:1。AI 反对在浅色背景上使用浅灰色小字，不一定是它偏爱某种风格，也可能是这个方案确实影响阅读。（参考：W3C WCAG 2.2）

在两张海报、两个网页或三种配色之间，多数人更可能喜欢哪一种？

这是一种统计意义上的审美。模型根据大量作品、用户选择和人工评分，估计什么样的构图、色彩与风格更容易获得正面反馈。

我为什么偏爱这种风格？即使它不讨好大多数人，我是否仍愿意坚持？这种选择与一个人的经历、文化、记忆和表达立场有什么关系？

前两层，AI 已经能够部分进入。第三层，它可以模仿，却很难真正拥有。

AI 能够写出“像有品位的人说的话”，但它没有需要用一件作品维护的人生。它不会因为一次创作失败而羞愧，也不需要为某种风格承受市场、同行与时代的压力。

AI 的审美并非来自某个突然苏醒的艺术灵魂，而是由四类材料共同塑造。

这也与 AI 产品角色的变化有关。

聊天机器人追求的是回答问题。Agent 追求的是完成目标。

当目标从“生成一张图”变成“做一张适合朋友圈传播、手机端能看清、符合品牌气质的宣传图”时，单纯服从每条局部指令，反而可能让总体任务失败。

用户说“所有文字都要保留”，但目标是让读者三秒内理解重点；用户说“配色越丰富越好”，但目标是建立严肃可靠的医疗品牌；用户说“多加几个动画”，但目标是让汇报显得克制专业。

一个只会服从的 AI，会完成每条指令，然后交付一个失败的作品。

一个开始理解目标的 AI，会发现：人提出的局部要求，并不总与人真正想要的结果一致。

问题也从这里出现。

AI 学习的是大量人类作品与偏好的交集。交集越大，结果越稳妥；结果越稳妥，也越容易相似。

于是我们逐渐看到一批熟悉的“AI 审美”：

• 巨大的无衬线标题；
• 蓝紫色渐变；
• 半透明玻璃卡片；
• 悬浮的 3D 图标；
• 过度干净的桌面；
• 没有生活痕迹的人物；
• 每一部分都正确，却没有一部分值得记住。

一项关于 Web Vibe Coding 的研究，已经把这种现象概括为“设计同质化”：当普通用户不断要求模型快速、顺滑地生成网站，模型容易重复训练数据中占主导地位的设计惯例。研究者因此提出“productive friction”，即保留必要的创作摩擦，让人有机会质疑默认方案，而不是一路接受最省力的输出。（参考：Interrogating Design Homogenization in Web Vibe Coding）

AI 擅长避开明显错误，却也可能顺手抹平那些不够标准、但富有个性的部分。

它知道怎样不难看，却未必知道为什么要故意留下笨拙、粗粝、停顿与不对称。

另一层问题来自文化偏差。审美评分并不是从真空里产生的。由谁标注、在哪个平台收集、哪些作品更常出现，都会影响模型对“漂亮”“专业”“高级”的理解。

一项针对生成式视觉系统的研究发现，模型可能把某些外貌特征与积极属性捆绑，并在年龄、性别和地域表达上产生趋同。所谓“AI 审美”，也可能只是某一部分人的偏好被放大成了默认标准。（参考：Aesthetics as Structural Harm）

AI 在创作中更适合承担的角色，不一定是替你完成所有设计，而是帮助你发现自己没有察觉的冲突。

可以把工作流改成五步。

不要只说“做得高级一点”，先告诉它作品要解决什么问题。

这是一张公众号知识卡片。

目标读者：刚接触 AI 的普通职场人。

阅读场景：手机端，停留时间约 5 秒。

核心信息：AI 可以提出审美异议，但不等于拥有完整审美。

希望读者看完后：愿意继续阅读正文。

请先判断信息优先级，不要马上生成图片。

目标越明确，AI 越有资格判断某个要求是否合理。

很多争论来自把“我喜欢”误当成“必须如此”。

请把我的要求分成三类：

1. 硬约束：尺寸、文字、水印、品牌规范；

2. 经验风险：可能影响阅读和转化的设计选择；

3. 风格偏好：没有绝对对错，可以由我决定。

不要把设计惯例说成客观规律。

这一步能防止 AI 把自己的平均偏好包装成行业真理。

“最小修改”尤其重要。它要求 AI 解决问题，而不是借机推翻整套设计。

不要让 AI 只交一个“标准答案”。

请提供三个版本：

A. 稳妥版：优先保证清晰和易读；

B. 平衡版：在清晰度与视觉个性之间折中；

C. 实验版：允许打破一项常规，但解释风险。

分别说明每个版本保留了什么、牺牲了什么。

审美不是单一评分，而是在不同代价之间做选择。让 AI 把代价说出来，比让它宣布“第三版最好”更有价值。

生成者容易为自己的方案辩护。可以新开一次对话，或换一个模型进行独立审查：

请只评审，不要重做。

从以下六项分别给出 1 至 5 分：

信息层级、可读性、场景匹配、视觉一致性、

辨识度、实际制作可行性。

每一项必须指出具体证据。

最后只提出三处最值得修改的地方。

这里得到的不是最终裁决，而是一份视觉体检报告。

想让 AI 逐渐接近你的风格，最有效的方式不是反复说“高级、克制、有质感”，而是建立一份小型参考集。

选取 6 至 10 张你真正喜欢的作品，也加入两三张你明确不喜欢的作品。不要只扔图片，要给每张图写一句判断：

喜欢：标题有力量，但页面没有被塞满；

喜欢：颜色多，却依然有明确主次；

不喜欢：卡片太多，像后台管理系统；

不喜欢：人物过度光滑，没有真实感；

可以借鉴：信息结构；

不要借鉴：配色和字体。

然后让 AI 提炼：

不要模仿某一张作品，也不要复制具体设计。

请比较这些参考图，提炼我反复偏好的视觉原则、

明确排斥的元素，以及可以根据场景变化的部分。

输出一份不超过 12 条的个人视觉规范。

审美需要正例，也需要反例。只有“我喜欢什么”，模型容易机械复刻；加入“我为什么不喜欢”，它才更容易理解边界。

AI 说“这样不好看”，不代表它一定正确。

它可能把流行惯例当成永久规则，把平台偏好当成普遍审美，把“提高点击率”误认为所有设计的最高目标。

有些作品本来就需要拥挤、不安、粗糙或失衡。实验海报不必像企业官网，独立刊物也不必像融资 PPT。设计史上的很多变化，最初都是从“这样不规范”开始的。

遇到 AI 反对时，可以继续问三句话：

你的反对依据是什么：硬性规范、经验数据，还是风格偏好？

如果坚持我的方案，最可能损失什么？

有没有办法保留我的意图，同时降低这个风险？

AI 的建议经得起这三次追问，才值得进入方案。

完整意义上的审美，不只是识别比例、颜色和构图，也不只是预测多数人会喜欢什么。

它还包含记忆、身体经验、文化位置，以及一个人愿意为什么承担代价。

AI 可以告诉你一页 PPT 太挤，却不知道你为什么执意保留某张模糊的旧照片；它可以指出一种字体不够易读，却不知道那种字形为什么与一代人的生活有关；它可以把作品修得更完整，却未必理解有些空缺本身就是表达。

所以，AI 审美更适合被理解为一种外部判断系统。

它能守住下限，发现冲突，预测反应，提供替代方案；作品的上限，仍取决于人是否知道自己真正想表达什么。

下一次 AI 说“这样不好看”，不必立刻服从，也不必急着证明它错了。问它：哪项目标受到了损害？依据是什么？最小的修改是什么？

一场有价值的人机共创，往往不是从 AI 听话开始，而是从双方都能解释自己的判断开始。

如果你觉得今天这篇有收获，欢迎点赞、在看、收藏三连，我们下篇见。

THANKS FOR READING