为什么 AI 做出来的东西，总有一股“AI 味”？

最近我越来越频繁地删掉 AI 生成的图。

它们往往并不难看。光影完整，色彩和谐，细节丰富，人物精致得几乎没有瑕疵。但看过以后，还是会产生一种微妙的感觉：AI 味太重了。

生成能力提高了，为什么一些作品依然让人觉得普通、熟悉，甚至不想继续看？

我开始怀疑，我们把太多注意力放在了“能不能做出来”，却很少认真讨论：这些已经做出来的东西，为什么值得留下？

AI 味可能暴露的不只是生成能力的不足，还有审美判断的缺席。

这也是「Aesthetic Engineering / 审美工程」这个系列的起点。

一、AI 味到底是什么？

说到 AI 味，我们很容易列出一组特征：过度饱和的颜色、戏剧化的光影、光滑得不真实的皮肤、完美对称的构图，以及空气里永远漂浮着的粒子。

这些特征确实经常被用来指认 AI 内容，但它们没有一种天然属于 AI。人也会使用强光、对称和高饱和度，模型同样可以生成安静、粗糙或不完整的画面。关键在于，这些选择有没有服务于当前作品。

假设我们让 AI 做一张“高级的科技海报”。它可能给出深色背景、金属、玻璃、发光字体和抽象几何体。这些元素与常见科技视觉有很强的联系，组合起来也很容易显得完整。

问题是，我们还没有说明：这张海报要讲什么，给谁看，哪个关系最重要，哪些东西没有必要出现。在这个假设场景里，熟悉的视觉关联填补了这些空白。

结果可能是，每个元素都显得合理，整张作品却可以替换成任何一家公司的海报。

在这个意义上，“AI 味”指向一种值得警惕的结果：作品拥有熟悉的完成度，却缺少针对具体表达作出的选择。

二、AI 味，本质上是一种「概率平均」吗？

我曾用“概率平均”来描述这种感觉：模型把许多看起来容易成立的特征组合在一起，最后得到一个非常正确、也非常普通的答案。

这里的“平均”是对创作现象的比喻，不是对所有生成模型采样机制的严格解释。模型输出并不必然落在平均值上，也不总是选择最可能的结果。训练材料、提示、参考和生成设置，都可能影响它产生怎样的作品。

但在目标模糊、缺少取舍的任务里，我们确实容易看见一组熟悉倾向：画面越来越丰富，主体越来越明确，材质越来越精致，各处都试图证明“这里也做得不错”。

局部完成了，整体却未必形成表达。

可以暂时用一个概念公式提醒自己：

这不是能够计算分数的定律。“高完成度”本身没有问题；问题在于，完成度掩盖了选择不足。我们知道还能增加什么，却没有决定什么应该省去、什么必须突出。

因此，修正 AI 味不必从增加颗粒、制造失焦开始。更值得检查的是：每个元素在这张作品里做了什么？删掉它，会损失哪一部分表达？

三、好的审美，很多时候来自「不要」

一张照片可以不把主体放在中央，一张海报可以让大部分画面留白，一句文案也可能在删去许多解释后，才变得准确。

这些做法的价值，要回到作品里判断。偏置可能建立方向，也可能制造混乱；留白可能参与叙事，也可能只是空着。克制并不等于元素越少越好。

审美包含的，是对这些关系的取舍：什么需要出现，什么会分散注意，什么虽然好看，却与当前表达无关。

这也是艺术指导（Art Director）在创作中的重要工作。他未必亲手完成每个细节，却需要不断判断：这个颜色是否抢走了主题？这里再空一点，阅读会不会更清楚？这张图虽然精致，为什么不属于这个品牌？

“不要这个，留下那个”只是判断的结果。要让别人继续工作，还需要说明删掉什么、保住什么，以及这样做希望产生什么变化。

有价值的否定，会给作品留下更清楚的方向。

四、Generation 和 Taste，其实是两个相反的过程

如果只看候选的展开与收束，可以把两种动作分别写成：

一个创作意图，展开成许多可能性。模型让我们更容易尝试不同的构图、叙事和材料，扩大了探索范围。

面对这些可能，我们比较、选择、删除、组合和修改，逐渐留下一个愿意继续的结果。

于是，一次创作可以被简化为：

也就是：

从一个意图展开候选，保留少数值得继续的方向，再通过修改形成作品。它比“写提示、生成，然后结束”多出了大量判断。

这个模型强调了一个容易被忽略的环节，却不能概括全部创作。人的工作也发生在候选出现之前：提出问题、改变主题、寻找新的关系。修改中发现了意外，也可能重新打开方向。AI 同样可以参与这些探索。

生成扩张可能性，审美帮助我们决定怎样使用这些可能性。 人的参与，不应被压缩成最后点一次确认。

五、AIGC 最大的问题可能正在发生变化

过去几年，AIGC 的进步很容易被看见：分辨率更高，提示遵循更准确，视频更长，人物一致性和动作表现也在改善。

这些能力仍有价值，许多执行问题也没有解决。但当一个任务已经能产生大量可用候选，瓶颈就会向判断移动。

“Can AI make it?”——AI 能不能做出来，开始需要与另外三个问题一起讨论：

Is it good? 它完成得怎么样？
Is it right? 它适不适合这个场景？
Is it ours? 它是否属于我们希望建立的表达？

一张图可能漂亮，却不能解释主题；也可能准确，却不适合预定的展示尺寸。对于品牌，还要检查它怎样对待用户，是否延续了已经确认的立场。

这些问题需要目标、语境与证据参与。换一个更强的模型也许能改善结果，却不能替我们省略对“好”的具体约定。

我因此越来越相信：当生成能力更容易获得，判断能力会成为更明显的差异来源。

六、Prompt Engineering 之后，可能是 Art Direction

今天使用 AIGC，我们经常努力把审美压缩成一句 Prompt：“高级、克制、有呼吸感、杂志感、不要 AI 味。”

但这些词背后，可能是多年的电影、摄影、建筑、字体、服装、音乐和产品经验。它们还包含你保存过的作品，以及一次次说“这个可以”“这个不行”的理由。

一句提示很难完整承担这些信息。更好的创作系统，需要让不同材料各自发挥作用：

• Reference 提供具体参考，并说明借什么、不借什么。
• Creative Brief 交代任务、受众和媒介。
• Art Direction 确定本次的表达方向、优先级与边界。
• Critic 与 Selection 帮助比较作品，提出有依据的取舍。
• Taste Memory 保存选择经历，让下一次可以调用、纠正和更新。

这里尤其需要小心记忆。过去一百次生成中，你留下什么、删掉什么、修改什么，确实提供了偏好线索。但一次采用，也可能只是因为交付时间紧，或者候选里没有更合适的方案。

因此，系统还需要知道：当时在做什么，实际比较了哪些作品，认可的是哪一部分，哪些缺陷仍待修复。

Taste 会在长期选择里显露，但理解选择，还需要保留它发生的条件。

七、这就是我为什么想提出「Aesthetic Engineering」

如果我们希望 AI 参与这些判断，就需要把许多原本模糊的工作说清楚。

怎样描述审美差异？参考图应该承担什么职责？生成前怎样确定方向？评审如何指出作品中的证据？哪些选择值得保存，又怎样避免一次偏好变成永久规则？

我暂时把围绕这些问题的工作称为 Aesthetic Engineering，审美工程。

它尝试将人的审美判断、风格偏好、文化语境与品牌表达，组织成可描述、可执行、可评估、可记忆，并能持续更新的 AI 创作系统。

这里的“工程化”，不要求给所有美打一个统一分数。我们要让具体判断能够进入工作：为什么当前任务选择 A，为什么 B 值得保留但还不能交付，什么新证据会改变决定。

关注点由“怎样生成漂亮东西”，延伸到了“判断怎样发生、怎样被讨论、怎样得到修正”。它也给尚未说清的感觉留出位置，不要求每个直觉立刻成为规则。

八、这可能是 AIGC 接下来非常重要的一层

软件工程关心机器怎样可靠执行指令，Agent Engineering 进一步讨论系统怎样完成复杂任务。进入创作领域，我们还需要说明：任务完成以后，作品是否值得留下。

审美工程可以为这部分工作提供结构。它把目标带到生成之前，把实际作品带到评审之中，把选择理由带到下一次创作。

这并不保证每张图都优秀，也不意味着人的判断天然可靠。它至少让我们有机会看见：问题出在模型没有执行出来，还是我们从一开始就没有想清楚要表达什么。

“AI 味”在这里是描述创作感受的说法，不能用来鉴定作品是否由 AI 生成。下一次觉得一张图“AI 味太重”，可以试着多看一会儿。哪个元素只是习惯性地出现？哪个关系没有讲清？什么值得保留？从这些具体差异开始，修改才有地方落下。

写在最后

生成让我们获得更多可能，选择让其中一些可能成为作品。

我关心的审美工程，就从这段距离开始：我们怎样提出值得探索的问题，怎样识别有价值的结果，又怎样让下一次比这一次更清楚。

当每个人都更容易生成，知道自己为什么留下某个作品，会变得越来越重要。

下一篇，我们继续讨论《当生成不再稀缺，审美会成为 AIGC 最大的壁垒》，用 生成、创作与审美判断 三个层次，理解这场变化可能怎样影响创作者、产品和品牌。