Appearance
模块 3：AI 作为品味工具
"The brush doesn't paint the painting; the eye does. AI is the most powerful brush ever invented — but without the eye, it produces the most mediocre art ever generated."
学习目标
完成本模块后，你将：
- 理解 AI 作为品味放大器（而非品味替代品）的工作原理——为什么同一个工具在不同人手中产出截然不同
- 掌握"100 个变体 10 分钟"工作流的品味运作机制
- 学会 prompt engineering 作为品味编码（taste encoding）的新形式
- 识别 AI 的"回归均值"倾向——理解为什么 AI 总是把你拉向平庸
- 建立一套将 AI 嵌入个人品味修炼的实操方法
一、放大器，不是替代品
相同的工具，不同的产出
2023 年 3 月，设计师 Rowan Cheung 在 Twitter 上分享了一个实验：他让 10 位专业设计师和 10 位非设计师使用完全相同的 Midjourney 版本，生成"一家高端咖啡品牌的视觉识别系统"。结果令人瞩目：
专业设计师的产出不仅视觉上更精致（这是预期之内的），更关键的是——他们的产出更有立场。非设计师的产出倾向于汇聚到一种"通用高端感"：深色调、无衬线字体、极简构图。专业设计师的产出则各不相同：有人让品牌感觉像 1970 年代的日本杂志、有人走 Dieter Rams 式的工业极简、有人用大胆的手写字体打破"高端=极简"的等式。
为什么？因为专业设计师带着一个非设计师没有的东西进入 AI 工作流：一个已训练的品味框架。他们知道"高端"不只有一种视觉表达、知道什么方向已经过度使用、知道什么意外的组合可能产生惊喜。AI 放大了这个框架——让他们在 10 分钟内探索了原本需要 10 天才能探索的可能性空间。而对于没有品味框架的人，AI 放大的是……平庸。
这就是品味放大器的核心逻辑：
AI 的产出 = f(AI 的能力, 用户的品味)
AI 的能力对所有人是一样的。差异完全来自用户的品味。
放大器的数学隐喻
把它想象成音频放大器。一个好的放大器忠实地放大输入信号——如果你输入的是高质量的音源（品味），输出就是高质量的、更大音量的声音。如果你输入的是噪音（缺乏品味），输出就是更大音量的噪音。
放大器不改善信号质量。它改善信号的覆盖范围。
品味好的设计师用 AI 可以在一天内探索 100 个方向并选出最好的 3 个——这在前 AI 时代需要一个月。品味不好的设计师用 AI 可以在一天内产出 100 个平庸的方案——然后因为缺乏判断力而无法从中选出最好的。
"AI is an amplifier, not a leveler. It makes the good great and the mediocre prolific."
二、快速原型作为品味探索
"100 个变体 10 分钟"工作流
这是 AI 作为品味工具最有力的应用：用 AI 的速度来为品味判断提供更多素材。
传统设计流程：
- 构思方向 → 2. 选择一个方向 → 3. 执行 → 4. 评估 → 5. 修改 → 重复
这个流程的瓶颈在步骤 3（执行）——每个方向需要大量时间来实现到可评估的程度。所以设计师被迫在很早期就做出方向选择，往往只探索 3-5 个方向。
AI 辅助流程：
- 构思多个方向 → 2. AI 快速生成所有方向的初步实现 → 3. 品味评估所有变体 → 4. 选择最有潜力的 2-3 个 → 5. 深入迭代 → 重复
这个流程的关键变化是：品味判断从流程的末端移到了流程的核心。执行不再是瓶颈——判断才是。
实操案例：Airbnb 的设计团队
Airbnb 的设计总监 Alex Schleifer 在 2023 年的一次分享中描述了他们如何将 AI 整合进设计流程。关键不是"让 AI 设计页面"——而是用 AI 进行他所称的"design space exploration"（设计空间探索）。
具体做法：
- 设计师先用文字描述品味方向（"这个页面应该感觉像一个温暖但不矫情的邀请"）
- AI 基于描述生成 50-100 个视觉变体
- 设计师快速浏览所有变体，不是找"最好的"——而是找"最有意思的方向"
- 被选中的方向进入传统设计流程进行精细化
- AI 产出永远不直接用于最终产品
Schleifer 的核心观点是：AI 改变的不是"谁来设计"，而是"设计探索的广度"。品味好的设计师现在可以用同样的时间探索十倍的方向——这意味着他们更有可能找到真正出色的方案。
品味瓶颈的凸显
但这个工作流也暴露了一个问题：当你面对 100 个变体时，你的品味判断力变得更加关键——也更加吃力。
这是一种新的认知负荷。前 AI 时代，设计师的挑战是"如何把我脑中的想法做出来"。AI 时代，挑战变成了"如何从海量可能性中选出正确的那个"。这需要一种不同的品味肌肉——不是创造性品味，而是策展性品味（curatorial taste）。
策展性品味的关键能力：
- 快速扫描：在大量变体中识别"值得深入看"的方向（不需要每个都仔细分析）
- 维度拆解：从不同维度分别评估（这个颜色方向有趣但构图不行 → 取颜色方向用于下一轮）
- 组合想象：看到 A 的某个元素和 B 的某个元素组合的可能性
- 抵抗第一反应：最吸引眼球的变体往往不是最好的——它们可能只是最刺激的
代码与工程
GitHub Copilot 与代码品味
问题：GitHub Copilot 可以根据注释或函数签名自动补全代码。许多开发者发现 Copilot 生成的代码在功能上是正确的，但在风格和结构上往往缺乏品味——变量命名冗长、抽象层次不一致、过度使用某些模式。这告诉我们什么？
分析：Copilot 的代码品味问题揭示了 AI 的一个核心局限：它从统计频率中学习，而统计频率代表的是平均水平而非卓越水平。GitHub 上的大部分代码——Copilot 的训练数据——是功能性的但不是优雅的。所以 Copilot 的输出收敛到了'可用但平庸'的水平。真正有品味的开发者使用 Copilot 的方式不是接受它的建议——而是用它的建议作为起点，然后重构为更优雅的形式：更精确的命名、更清晰的抽象、更简洁的实现。Linus Torvalds 说过 (2000)：'Talk is cheap. Show me the code.' 在 AI 时代可以更新为：'Code generation is cheap. Show me the judgment.' 代码品味——知道哪种实现方式更优雅、更可维护、更符合系统的整体架构——仍然完全是人类的领地。
三、Prompt Engineering 作为品味编码
从"想法"到"可执行的品味描述"
Prompt engineering 通常被讨论为一种技术技能——如何写出让 AI 产生最佳输出的指令。但从品味角度看，prompt engineering 是一种更深刻的东西：它是将你的品味判断转化为语言的过程。
这比听起来更困难。大多数人的品味停留在直觉层面——他们"知道"什么是好的，但无法精确表达为什么。当你需要写一个 prompt 时，你被迫将模糊的审美直觉转化为具体的语言描述。这个转化过程本身就是品味训练。
比较以下两个 prompt：
低品味 prompt：
"一个漂亮的网站首页设计，科技风格，高端感"
高品味 prompt：
"一个科技公司首页。视觉风格参考 Linear 和 Stripe 的克制感而非 Salesforce 的饱和感。大量留白，文字层级严格控制在三层以内。主色调为接近黑色的深灰而非纯黑——参考 Dieter Rams 的'几乎不存在'美学。英雄区域用一句话说清产品价值，不要副标题。CTA 按钮用对比色但面积小——像 Linear 的按钮而非 HubSpot 的按钮。"
第二个 prompt 不仅更具体——它编码了一个品味立场。它不是说"好看的"——而是说"这种好看而非那种好看"。它引用了具体的参照点（Linear、Stripe、Dieter Rams）、排除了不想要的方向（Salesforce、HubSpot）、并在每个维度上做出了具体的品味判断。
Prompt 的品味层次
| 层次 | 特征 | 示例 |
|---|---|---|
| 基础 | 描述你想要什么 | "一个 Logo" |
| 功能 | 加入具体要求 | "一个极简风格的科技公司 Logo" |
| 风格 | 引用参照系 | "参考 Pentagram 的设计语言" |
| 品味 | 编码审美立场 | "像 Paul Rand 在 IBM 时期的克制，不像当下流行的渐变 Logo" |
| 精准品味 | 定义拒绝什么 | "绝对不要圆角、不要渐变、不要'科技感'的蓝色——这些是品味的安全区" |
注意最高层次不仅定义了想要什么——更定义了不想要什么。品味在拒绝中最为清晰。一个能精确说出"不要什么"的 prompt，比一个只说"要什么"的 prompt 高出一个品味层级。
Prompt 迭代作为品味对话
最强大的 AI 品味工作流不是一次性的 prompt——而是迭代式的品味对话。每一轮都是一次品味精炼：
- 初始 prompt：表达粗略的品味方向
- 评估第一批产出：识别哪些维度接近你的品味标准、哪些偏离
- 修改 prompt：精化偏离的维度（"颜色方向对了但排版太拥挤——增加 40% 的留白"）
- 评估第二批产出：更精确的品味校准
- 继续迭代...
这个过程的价值不仅在于最终产出——它在于迫使你将品味从直觉转化为语言。很多设计师发现，通过写 prompt 的过程，他们比以前更清楚地理解了自己的品味偏好。
Prompt 品味分级
以下五组 prompt 分别要求 AI 完成类似的任务。判断每组 prompt 的品味等级：它是否编码了一个清晰的审美立场，还是只是一个功能性的描述？
样本 A
样本 B
样本 C
样本 D
样本 E
四、AI 的回归均值陷阱
理解"AI 默认美学"
AI 生成模型的核心工作原理是在训练数据的概率分布中寻找最可能的输出。这意味着 AI 天然地倾向于回归均值——产出训练数据中最常见、最安全、最"平均"的美学。
这不是 bug，而是 AI 工作原理的必然结果。但对品味来说，这是一个严重的问题。
品味的本质是偏离均值——有品味意味着你的审美判断与统计平均不同。如果你只是同意多数人认为好的东西，那不叫品味，叫从众。真正的品味判断往往违反直觉、挑战惯例、选择不那么安全的路径。
而 AI 的天然倾向恰恰相反——它总是把你拉回安全的中间地带。
"AI 默认美学"的具体表现
| 领域 | AI 默认美学 | 品味偏离的方向 |
|---|---|---|
| 视觉设计 | 柔和渐变、完美对称、过度抛光 | 刻意的粗糙感、不对称的张力、留有呼吸的空间 |
| 写作 | 流畅但空洞的散文、过度使用过渡词、结尾总结型结构 | 精确但不流畅的表达、敢于省略、开放式结尾 |
| 音乐 | 安全的和弦进行、预期内的旋律走向、过度制作 | 意外的和声、不解决的紧张感、刻意的粗粝 |
| 代码 | 冗长但"安全"的实现、过度注释、复制粘贴式模式 | 精简的抽象、只在必要处注释、原创的问题解决路径 |
Kyle Chayka 在 Filterworld（2024）中描述了同样的现象在算法推荐中的表现：算法倾向于推送"被最多人接受的"内容，结果是一种全球性的审美趋同——他称之为"算法审美殖民"。AI 生成工具将这种趋同从分发端推进到了生产端。
如何对抗回归均值
策略 1：刻意要求偏离
在 prompt 中明确要求 AI 偏离它的默认倾向。不是说"好看的"——而是说"刻意不好看的、有粗糙感的、不完美的"。
策略 2：引用非主流参照
AI 的默认美学来自训练数据中的主流。如果你引用非主流参照（1970 年代的瑞士平面设计而非当代 Dribbble 热门、Japanese wabi-sabi 而非 Scandinavian hygge），你可以将 AI 从均值点拉向更有立场的方向。
策略 3：减法编辑
接受 AI 的产出后，做减法。删除那些"安全"的元素——多余的装饰、过渡平滑的效果、过于对称的构图。品味往往在于你拿掉了什么，而非加上了什么。Coco Chanel（虽然这个引言的出处有争议）的建议——"出门前照镜子，去掉一件配饰"——在 AI 时代更加适用：生成后审视输出，去掉一层 AI 加上去的"安全感"。
策略 4：混合与碰撞
AI 在单一风格内的表现是最"平均"的。当你要求它混合两个不相关的风格时——比如"Bauhaus 的几何严谨性 + Japanese wabi-sabi 的不完美美学"——它被迫偏离任何一个风格的均值，产出更有意外性的结果。品味在意外中生长。
四种使用 AI 的品味模式
接受模式：AI 说什么就是什么
生成一次，使用第一个结果。这是最常见也最缺乏品味的使用方式。它产出的是 AI 默认美学的精确复制——统计上最安全、审美上最平庸的选项。使用者放弃了品味判断权，完全委托给了算法。
筛选模式：生成很多，选最好的
生成大量变体，从中选择最好的。这比接受模式好——至少品味在选择环节参与了。但风险在于：所有变体都来自同一个概率分布，你可能只是在平庸的不同版本中选了一个稍好的。如果方向本身是错的，选择再精也没用。
对话模式：迭代精炼品味
将 AI 作为品味对话的伙伴。每一轮生成后，分析哪些维度接近标准、哪些偏离，然后精化下一轮的 prompt。这个过程不仅产出更好的结果——它还训练了你将品味转化为语言的能力。这是 AI 最有价值的品味使用模式。
原材料模式：AI 输出仅作为起点
将 AI 产出视为原材料而非成品——就像厨师视食材为起点而非终点。用 AI 的输出作为灵感来源、结构骨架、或初始素材，然后通过人类的编辑、重组和精炼，创造出 AI 本身无法直接产出的作品。这是专业创作者中最常见的模式。
思考：你目前主要使用哪种模式？诚实地回答：你是否经常在接受模式和筛选模式之间——满足于 AI 的第一批结果，而没有进入真正的品味对话？
五、AI 作为品味修炼工具
从工作工具到训练工具
AI 不仅可以在日常工作中放大品味——它还可以成为品味训练的独特工具。这是一个被严重低估的维度。
训练方式 1：品味校准练习
让 AI 生成同一主题的多个风格变体，然后：
- 对每个变体做出即时的直觉反应（喜欢/不喜欢/不确定）
- 为每个反应写出理由——迫使直觉转化为语言
- 审视你的选择模式——你是否总是偏好某种风格？这是品味还是偏见？
- 尝试为你"不喜欢"的变体找到它可能适用的场景——训练品味的语境敏感性
训练方式 2：反向 Prompt
看到一个你认为有品味的作品（不一定是 AI 生成的），尝试写出一个能让 AI 近似再现它的 prompt。这个过程迫使你分析：这个作品的品味究竟由哪些具体元素构成？是色调？是留白比例？是文字的疏密节奏？是某种情绪基调？
你会发现，越有品味的作品越难用 prompt 描述——因为它的品味来自多个维度的微妙组合，而这种组合很难被语言穷尽。这正是品味超越语言的证据。
训练方式 3：品味边界测试
故意让 AI 生成你品味边界之外的东西——你觉得"丑"的、"过分"的、"不对"的。然后认真审视这些产出：其中是否有任何元素，在不同的语境下，可能是好的品味判断？
Susan Sontag 在 Notes on "Camp"（1964）中描述了一种品味模式：欣赏那些"太过分了"的东西——不是因为它们客观上好，而是因为过度本身成为一种美学。这种品味的灵活性——能在不同框架之间切换——是品味成熟度的标志。
训练方式 4：AI 作为品味镜子
让 AI 分析你过去的作品或选择（你的 Spotify 播放列表、你的书架照片、你的穿搭风格），然后让它描述它"看到"的品味模式。AI 的描述可能不准确——但它的错误本身是有价值的信息。当 AI 误读了你的品味时，你被迫思考：我的品味的真实结构是什么？它与外部可见的表征之间有什么差距？
你的 AI 品味工作流设计
25-35 minutes基于本模块的学习，设计你自己的 AI 品味工作流。选择你最常进行的一种创作活动（写作、设计、编码、音乐等），详细描述你将如何将 AI 嵌入这个活动中——不是作为执行替代，而是作为品味放大器。包括具体的步骤、品味判断节点、以及你预设的抵抗回归均值的策略。
建议结构：
创作活动定义~15%
你选择的创作活动是什么？你在这个活动中的当前品味水平如何（诚实评估）？你的品味强项和弱项是什么？
工作流设计~35%
详细描述你的 AI 品味工作流——从第一步到最后一步。每一步中，AI 做什么、你做什么？品味判断在哪些节点发生？
回归均值防御~25%
你的工作流中有哪些机制来防止 AI 把你拉向平庸？具体描述你的偏离策略、编辑标准和拒绝原则。
品味训练嵌入~25%
这个工作流如何同时训练你的品味（而非仅仅利用它）？你设计了哪些反思和学习环节？
- 不要设计一个你不会真正使用的理想化工作流。设计一个现实的、你明天就能开始实践的流程。
- 工作流中最重要的步骤不是生成——而是评估和选择。花更多篇幅描述你的品味判断标准。
- 考虑你的工作流中可能出现的品味陷阱——比如因为 AI 产出速度快而降低了标准（数量效应）。
- 如果可能，在写完后实际执行一次这个工作流，然后对比你的设计与实际体验的差异。
目标：500 字
延伸阅读
必读
Kyle Chayka, Filterworld (2024) — 第 5 章 "The Algorithmic Taste Machine"
- 算法如何塑造审美趋同的系统分析。直接关联 AI 的回归均值问题
Ethan Mollick, Co-Intelligence (2024) — 第 3 章 "Working with AI"
- Wharton 商学院教授对人机协作的实证研究。数据显示 AI 确实提升了低技能者的产出但对高技能者的影响更复杂
Frank Chimero, The Shape of Design (2012)
- 关于设计过程中品味判断如何运作的优美论述。虽然写于 AI 之前，但核心洞察完全适用于 AI 时代的品味工作流
推荐
Susan Sontag, "Notes on 'Camp'" (1964)
- 品味灵活性的经典文本。理解不同品味框架如何共存和切换——这是抵抗 AI 审美单一化的思想资源
Austin Kleon, Steal Like an Artist (2012)
- 关于参照系和创造性组合的实践指南。AI 时代的"偷"变成了：如何从 AI 的海量产出中识别和重组有价值的元素
Andrej Karpathy, "Software 2.0" (2017)
- 理解 AI 如何从根本上改变软件开发的品味标准——从"手写代码的品味"到"训练数据和评估标准的品味"
视频
- Figma Config 2023: AI and Design — 多位设计领袖讨论 AI 如何改变设计品味的实操
- Midjourney Office Hours with David Holz (2023) — Midjourney 创始人对 AI 生成美学和品味的直接讨论
本模块要点
- AI 是品味放大器，不是品味替代品——同一个 AI 工具在有品味和无品味的人手中产出截然不同的结果。差异完全来自用户的品味
- "100 个变体 10 分钟"工作流改变了品味运作的节点——品味从流程末端移到了流程核心，从"创造性品味"扩展到"策展性品味"
- Prompt engineering 是品味编码的新形式——写 prompt 迫使你将模糊的审美直觉转化为精确的语言描述。品味最高层次的 prompt 不仅定义要什么，更定义不要什么
- AI 天然趋向回归均值——这是统计学习模型的必然特征。品味的本质是偏离均值，所以用 AI 时必须有意识地对抗这种拉力
- "AI 默认美学"是可辨识的——过度抛光、完美对称、安全的配色、流畅但空洞的文字。识别这种美学并刻意偏离它，是 AI 时代的核心品味技能
- 四种抗均值策略：刻意要求偏离、引用非主流参照、减法编辑、风格碰撞混合
- 四种 AI 使用模式（品味递增）：接受模式 → 筛选模式 → 对话模式 → 原材料模式。目标是至少达到对话模式
- AI 可以成为品味训练工具——品味校准、反向 Prompt、边界测试、品味镜子，这些练习利用 AI 的速度来加速品味的自我认知
- 品味在编辑中比在生成中更重要——AI 时代最有价值的能力不是"想出好东西"而是"从大量东西中选出好东西并让它更好"
- 回归均值的对抗是永恒的——不仅 AI 在拉你向平庸，你自己的舒适区也在。用 AI 测试你品味的边界，比用它确认你已知的偏好更有价值
下一步
我们已经学习了如何用 AI 放大品味。下一个问题是：AI 本身有"品味"吗？它生成的内容是否有可辨识的审美指纹？为什么 Midjourney 的图像有一种特定的"Midjourney 感"？我们将深入分析 AI 生成内容的美学特征——它的训练数据偏见、它的"美学恐怖谷"、以及 AI 艺术正在创造的全新审美范畴。
模块 3 自评：AI 作为品味工具
评估你将 AI 作为品味放大器（而非替代品）使用的当前能力水平。
放大器意识理解 AI 放大而非替代品味的能力，以及在实践中维持品味主导地位的意识
Prompt 品味编码将品味判断转化为精确 prompt 的能力
回归均值识别识别 AI 默认美学并有意识地偏离它的能力
品味训练自觉将 AI 使用过程本身视为品味训练机会的自觉程度