# Aesthetic Engineering：我们能把「审美」工程化吗？ > Aesthetic Engineering 系列 · 第三篇 > 作者：**LeenMa** · [CC BY 4.0](https://creativecommons.org/licenses/by/4.0/) 前两篇提出了两个相互连接的判断：一些作品的“AI 味”，暴露了生成之后缺少取舍的问题；当生成能力更容易获得，Taste 就可能成为更明显的差异来源。 如果这个方向值得继续，一个困难的问题便出现了：审美能不能被工程化？ 我们知道怎样组织代码、模型和任务流程。但面对一张海报，很多判断仍然只能表达为“有点土”“这个更高级”“还行，但不是我们”。这些感觉怎样进入一个可以工作的系统？ 本系列暂时把这项工作称为 **Aesthetic Engineering，审美工程**： > 将人的审美判断、风格偏好、文化语境与品牌表达，转化为可描述、可执行、可评估、可记忆、可持续更新的 AI 创作系统。 这个定义描述的是研究与实践方向。参考、艺术指导、评审与经验积累都已存在于创作工作中，本系列尝试把它们放进 AI 参与的流程里，说明各环节怎样交接。下面的六层结构是一种整理方式，整体效果还需要在具体任务中检验。 **我们希望工程化的是判断发生的过程：依据什么作出选择，怎样落实到作品，以及什么时候需要改变判断。** ## 一、审美为什么一直很难工程化？ 我们对许多作品会判断，却未必会解释。 看到一张海报，第一反应是“有点土”；换一张，又觉得“这个很高级”。继续追问，原因可能涉及构图、色彩、字体、留白、材质、比例，也可能来自文化经验。每一项都能解释一点，却很难单独解释全部感受。 这种能力与隐性知识（Tacit Knowledge）有相近之处。长期创作与比较，让人形成了快速识别差异的能力；判断发生得很快，完整描述它却需要时间。 优秀的摄影师、设计师、编辑和艺术指导，往往积累了大量这样的经验。它们既存在于成功作品里，也存在于失败、模仿、修改和一次次放弃之中。 因此，品牌手册虽然可以保存许多规则，却很难替代所有具体判断。同一条规则进入不同任务，仍然需要有人理解它为什么存在，哪里可以变化。 审美工程面对的第一个问题，就是怎样让这些经验拥有可以被讨论和调用的形式，同时承认尚未说清的部分仍然存在。 ## 二、AI 改变了一个非常重要的前提 过去，整理审美经验最直接的方法是写规则：版式要留白，颜色不要过多，字体要统一，主体不要总在中央。 这些规则有用，但适用条件往往被省略了。留白可以帮助阅读，也可能让信息不足；复杂构图可以混乱，也可以准确表达密集的生活经验。 AI 带来的一个可能性是：我们不一定要把每个偏好完整写成规则，才能尝试学习它。 例如，在同一任务中比较 A 与 B，记录选择、修改和理由。这些过程可以产生 Preference Signal，偏好信号。即使某一次说不清为什么，实际候选和选择动作仍然可以留下来，成为后续比较的材料。 但信号并不等于结论。一百次选择可能来自相似候选，也可能受到预算、交付时间和工具能力影响。数量增加，不会自动消除这些条件。 **Choice Data 为理解 Taste 提供了一条路径；怎样解释这些选择，仍然是工程问题的一部分。** ## 三、Taste 会在你真正的选择里显露 很多产品会问“你喜欢什么风格”，然后提供极简、日系、复古、电影感等标签。 标签可以帮助开始，但两个都选择“极简”的人，可能分别被瑞士平面设计、MUJI 的日常感、John Pawson 的空间，或带有粗粝感的现代主义吸引。一个词无法说明他们会怎样处理具体作品。 因此，除了自我描述，还值得保留几类动作： - **Select**：留下了什么，准备怎样使用。 - **Reject**：放弃了什么，原因是什么。 - **Edit**：修改了哪一处，希望保护什么。 - **Compare**：实际看过哪些候选，差异在哪里。 - **Regenerate**：为什么要求重做，准备改变什么。 - **Stop**：为什么到这里停止，是已经满意，还是预算用完。 这些动作构成一条常见链路： ```text Generate ↓ Compare ↓ Select / Reject ↓ Edit ↓ Regenerate ↓ Final Choice ``` 若把条件与版本一起保留下来，系统就有机会在下一轮使用和检验这些经验。 系统需要区分人的明确说明与自己的推测。“这次选了乙”不等于“喜欢乙的一切”；“修改手部”也不代表否定整个方向。人的原话、暂时无法解释的感受与实际动作，都应有各自的位置。 ## 四、第一层，应该讨论 Taste 如何被表达 搭建创作系统时，我们很容易从选模型、写 Prompt 开始。但在讨论执行之前，还需要知道系统准备依据什么作出选择。 这对应 **Taste Language，审美语言**：把“感觉不对”逐渐拆成可以讨论的差异。 在视觉创作中，可以从一些具体维度进入： ### Composition｜构图 主体居中还是偏置？画面稳定还是有意失衡？留白有没有参与表达？ ### Density｜信息密度 信息是集中还是分散？视觉焦点有几个？元素之间是否争夺注意？ ### Color｜色彩 饱和度、对比与颜色面积怎样安排？颜色承担情绪，还是帮助区分信息？ ### Typography｜字体 字体只是承载文字，还是参与构图？它与图像怎样分配权重？ ### Material｜材质 纸张、玻璃、金属、混凝土和织物，分别让作品产生怎样的触感与联想？ ### Lighting｜光线 自然光、硬光、漫反射或舞台光，怎样改变主体与空间的关系？ ### Rhythm｜节奏 重复、停顿与变化怎样发生？画面或者镜头希望人在哪里停留？ ### Imperfection｜不完美程度 哪些颗粒、模糊、裁切和不对称参与表达？哪些只是执行错误？ ### Culture｜文化语境 参考来自包豪斯、日本平面设计、瑞士现代主义、宋代绘画，还是互联网亚文化？具体借用了什么认识？ ### Emotion｜情绪 作品希望带来安静、压迫、陌生、幽默还是冲击？实际关系是否支持这种感受？ 这些维度帮助提高讨论的分辨率，不构成一份填完就能得到好作品的参数表。语言也有局限，所以还需要参考。 ## 五、Reference，可能比 Prompt 更接近 Taste 让一个人完整说明喜欢什么设计，往往很难。让他挑出一组反复吸引自己的作品，再指出喜欢哪里，就容易开始。 一张 Reference，参考图，可以同时呈现构图、比例、材质、字体、光线和文化线索。它保留了许多元素共同出现时的关系，因此是一种高带宽的审美证据。 但把图交给模型，还没有完成参考工作。 你喜欢的是标题与主体的距离，还是纸张质感？哪些结构可以借鉴，哪些人物、标识和具体表达不应该继承？两张图给出相反方向时，哪一张服务本次目标？ **Reference System** 需要组织这些解释。它可以保存正例、近邻反例、参考职责、来源、使用语境和反馈，让收藏夹逐渐拥有可调用的依据。 这样的参考库才可能成为审美数据集。它的数据价值来自被解释过的选择，而不只来自图片数量。 参考系统负责准备证据，当前项目怎样组合证据、决定优先级，则由下一层 Art Direction 处理。 ## 六、Prompt Engineering 之后，应该是 Art Direction 许多生成过程仍然围绕下面的动作展开： ```text Prompt ↓ Generate ``` 不满意就改几个词，再生成一次。这个过程可以帮助探索，但如果始终不确定要表达什么，结果越多，越容易被漂亮的局部带走。 成熟创作需要理解任务、受众与品牌，寻找参考，建立表达方向和边界。将这些工作放进 AI 系统，可以得到一条更完整的链路： ```text Intent ↓ Creative Brief ↓ Taste Context ↓ Reference Retrieval ↓ Visual Strategy ↓ Art Direction ↓ Generation ``` Art Direction，艺术指导，在这里负责确定本次的重要选择：谁是主角，人和技术是什么关系，哪里可以探索，发生冲突时优先保护什么。 AI 可以作为 Art Director Agent 参与整理任务、提出方向和比较参考。但方向应当是一组允许检查与更新的假设。生成后发现新的关系，仍然可以回头修正原来的决定。 在第六篇里，我们会把这些选择进一步写成 Direction Contract，方向契约，让人和 AI 知道本轮依据什么工作。 ## 七、Generation Model 可以被放在 Renderer 的位置 看到模型生成了一张好图，我们很容易把模型能力与完整创作能力混在一起。 若从系统分工来看，生成模型负责在输入条件下产生结果，而完整创作还涉及： ```text Intent Context Taste Reference Planning Direction Generation Critique Selection Editing Memory ``` 因此，**LLM ≠ Agent，Generator ≠ Creative System**。 把生成模型称为 Renderer，是为了强调它在这套架构中的执行位置。它并非字面意义上的传统渲染器，也不意味着模型无法提出创意或参与判断。同一个模型可能承担多个角色，角色之间仍需要清楚的输入、输出与检查方式。 一个系统也可能组合图像、视频、3D 模型与排版工具。它的价值不仅取决于调用了谁，还取决于怎样安排任务、保留作品关系，以及处理执行失败。 本系列第七篇会用 Generation Protocol，生成协议，展开这一层：怎样围绕问题组织生成，让候选可以比较，失败也能留下可用信息。 ## 八、关键的一层：Aesthetic Critic 假设系统已经生成一百张图，接下来仍要决定哪些值得继续。 **Aesthetic Critic** 是本系列对辅助评审机制的称呼。它需要检查实际作品，并结合目标、参考和优先级解释差异。 “审美评分 8.6”可以帮助排序，却没有告诉我们为什么选择它。更具体的问题是：哪个构图影响阅读？为什么这张虽然精致，却不像当前系列？哪个版本更接近参考中希望迁移的关系？哪处粗糙可以修复，哪处关系错误需要回退方向？ 创作评价往往同时涉及： ```text Quality × Context × Identity × Culture × Preference ``` 这里的乘号表示这些因素相互影响，不是一套可以直接计算的评分公式。文字准确等交付要求，也不能靠其他维度的高分抵消。 Critic 的结论应当允许检查：它在图上看到了什么，怎样解释影响，为什么当前任务接受或拒绝这个结果？如果没有读者或业务数据，就不能从“画面更有冲击力”直接推断传播效果。 ## 九、Critic 需要给出下一步可以尝试的方向 本系列用 **Aesthetic Gradient，审美梯度** 比喻这种面向修改的反馈：下一步往哪里改，需要保护什么，改完怎样检查。它不预设存在可微的审美函数，也不保证沿建议修改就一定更好。 需要区分的是，Víctor Gallego 在 2022 年的 [Personalizing Text-to-Image Generation via Aesthetic Gradients](https://arxiv.org/abs/2209.12330) 中，已用同名术语描述基于参考图像引导扩散模型的个性化方法。那是具体的优化方法；本文借这个词描述修改建议，不主张提出了新的同名算法。 相比“7.4 分”，下面的建议更容易进入工作： > 当前主体压缩了左侧留白，背景细节也在与标题争夺注意。可以先降低背景对比度，保留标题与主体的位置；修改后检查阅读顺序是否更清楚。 它说明了问题、动作和保护范围，也给出了检查条件。若修改后主体与环境的关系消失，就应重新考虑建议。 由此形成一个初步循环： ```text Generate ↓ Critique ↓ Aesthetic Gradient ↓ Regenerate ↓ Critique ↓ Refine ``` 这个循环把评审与修改接了起来。下一步不一定是重新生成整张图。局部编辑、人工排版、回退方向或停止，都可能更合适。 Critic 自己也需要接受检查。它能否指出真实证据，能否识别修改后的变化，是否只是迎合提问？系统不能用一次流畅的解释，代替对评审能力的验证。 ## 十、下一层：Taste Memory 如果每轮创作结束后，系统都忘记已经确认的要求，我们就需要反复解释同样的事。 **Taste Memory，审美记忆**，尝试让这些经历进入下一次工作。但记忆不能只剩“用户喜欢极简主义”。 更有用的记录包括：当时在做什么，实际比较了哪些候选，为什么暂选这一版，认可的是哪部分，哪些问题仍然要改，以及后来有没有改变决定。 系统也需要区分三个层次：发生过的选择，目前对偏好的理解，以及当前允许使用的约定。一次推测可以被保留，却不能悄悄变成用户已经确认的长期要求。 人的 Taste 会变化，可以用一条时间线表示： ```text Taste t0 ↓ Choices ↓ Taste t1 ↓ New References ↓ Taste t2 ↓ More Creation ↓ Taste t3 ``` 新的语境、参考和经历会进入判断。过去喜欢安静，不代表今天不能尝试冲突与浓烈。当前明确要求需要能够更新历史默认，错误记忆也应允许查看、修改和删除。 记忆的目标，是减少重复沟通，同时让经验可以被纠正。若它只让作品越来越像过去的作品，就需要检查自己缩小了哪些可能。 ## 十一、Aesthetic Stack v0.1 把前面的能力放在一起，可以得到本系列的初版结构： ```text ┌─────────────────────────┐ │ Taste Memory │ │ 记录选择，并持续进化 │ ├─────────────────────────┤ │ Aesthetic Critic │ │ 判断 / 比较 / 解释 / 方向 │ ├─────────────────────────┤ │ Generation │ │ Renderer Layer │ ├─────────────────────────┤ │ Art Direction │ │ Creative Strategy │ ├─────────────────────────┤ │ Reference System │ │ Reference / Moodboard │ ├─────────────────────────┤ │ Taste Language │ │ 表达与表示审美偏好 │ └─────────────────────────┘ ``` 这六层分别回答： - **Taste Language**：怎样描述与讨论审美差异。 - **Reference System**：哪些证据值得调用，参考哪一部分。 - **Art Direction**：这次往哪里走，什么最重要。 - **Generation**：怎样产生有意义的候选并处理执行问题。 - **Aesthetic Critic**：依据实际作品，怎样比较和修改。 - **Taste Memory**：哪些经验可以复用，怎样更新理解。 后续第 4—9 篇会依次展开这六层，其中 Generation 在第七篇以 Generation Protocol 的形式讨论。 这是职责划分，不要求产品必须有六个独立模型或六个页面。一套轻量流程也可以承担这些工作；关键在于它们之间能否传递判断与证据。 ## 十二、它运行起来应该是 Loop 六层结构方便我们理解分工，实际工作却需要往返： ```text Taste Memory ↑ │ Preference ↑ │ Intent → Direction → Generate ↓ Critic ↓ Select ↓ Edit │ └────→ Memory ``` 图里画出了选择进入记忆的主要路径。进入新任务时，相关记忆还应回到方向与评审；如果实际输出否定了方向假设，也需要回到前面的环节。 可以把循环概括为： **Generate → Judge → Choose → Remember → Generate Better** 最后的 Generate Better 是希望检验的目标，不是循环运行以后必然出现的结果。错误反馈也会积累，重复调用一个误解，可能让系统越来越偏。 因此，每轮需要留下实际动作：采用了哪项建议，修复有没有保护优点，什么仍然未知。运行过流程，不等于已经形成有效闭环。 如果这些连接逐渐有效，我们期待的体验才可能出现：重复要求说得更少，新要求仍然能被听见。 ## 十三、这件事情，与推荐系统有相通之处 音乐和影视推荐让我们熟悉了一种体验：不必写一份完整的偏好说明，系统也能通过点击、跳过、收藏和重复观看，尝试理解我们。 审美工程可以从这种行为学习中获得启发。推荐关心的常常是 **What you want to consume**，创作还要面对 **What you want to create**。 两者并不相同。喜欢看一张复杂海报，不代表愿意把自己的品牌做成那个样子；收藏一张图，也可能只是准备研究它。 因此，创作中的身份表达，需要结合目标与实际取舍理解，不能直接照搬消费推荐中的点击逻辑。 推荐也提醒我们注意反馈循环：系统提供什么，会影响人能选择什么。若一直只展示熟悉风格，再用这些选择证明用户只喜欢熟悉风格，记忆就可能成为审美茧房的一部分。 ## 十四、从 Personal Taste 到 Brand Taste 品牌也会长期坚持某些选择。我们从 Apple、MUJI、Nike 等品牌的作品中讨论风格时，除了标识、颜色、字体和网格，也会关注它们怎样组织信息、表达产品和对待用户。 这些观察需要结合具体作品，不代表某个品牌永远只拥有一种外观。 Brand Guideline、Design System 和资深创作者的经验，都可能为 Brand Taste 提供材料。它们进一步需要说明：哪些是长期原则，哪些随场景变化，哪些只是某次项目的临时决定。 整理后的品牌经验，可以参与： ```text Generation ↓ Critique ↓ Rank ↓ Reject ↓ Edit ``` 我们可以把这种积累称为 Brand Taste Memory，或进一步讨论 Brand Taste Model。它可以从一套案例、约定和评审方式开始，是否训练专门模型，则由实际问题决定。 当经验属于组织，还要知道谁作出了决定、谁可以更新、适用于哪些项目。负责人的个人偏好，不能未经说明就变成整个品牌的判断。 能够被说明、实践和更新的经验，才有机会成为组织资产。 ## 十五、我们真正工程化的不是「美」 同一张海报，放在美术馆里可能成立，放在电商直播间里却可能无法完成信息任务。同一套表达，对一个品牌适合，对另一个品牌可能不合适。 审美判断依赖个人、文化、时代、身份、语境与目标。因此： **Beauty ≠ Contextual Judgment** 对作品美感的评价，不能自动替代当前任务中的取舍。 审美工程要组织的，是判断过程：为什么这个场景选 A，换一个场景选 B；什么使某个品牌拒绝 C；什么新经验让昨天喜欢 D 的人，今天改变了想法。 这个过程需要允许合理分歧。有人关注阅读，有人关注陌生感，有人面对交付限制。先说清大家依据什么，才能决定继续比较、修改，还是暂时保留不同意见。 这项工作让选择可以被检查，同时允许人们保留不同的偏好。 ## 十六、Taste 可能是 Intelligence 之上的另一层 过去几年，AI 的许多进步围绕知识、推理、编程、工具使用和长任务展开。这些能力帮助系统找到答案、完成行动。 但两个同样有能力的人，仍然可能作出不同选择。经验、价值观、文化与身份，会影响他们认为什么值得做。 因此，Personal AI 的一个方向，是在能力之外，进一步理解用户的目标与判断条件。它既需要知道答案是否正确，也需要知道这个答案为什么适合当前的人和任务。 这里把 Taste 称为 Intelligence 之上的一层，是系统分工的比喻，不是能力高低的排名。 “越来越懂你”也应当有实际含义：已经说明的要求更少被误读，临时选择更少被误用，纠正能够生效，同时新的表达仍然有机会出现。 ## 十七、如果这个方向成立，AIGC 产品会换一种形态 今天许多图像产品以 Prompt Box，提示输入框，为工作起点。 如果系统已经拥有可调用的参考、历史作品、选择与拒绝记录、品牌语境和审美记忆，用户就不必每次重新解释全部背景。 例如，只说“这次做一张审美工程系列封面”，系统可以提出：哪些文字层级延续前文，本篇主题适合什么关系，哪里值得尝试新的变化。 这些材料共同构成产品可以积累的经验： **Context + Taste + Memory** 提示仍然重要，尤其承担当前意图与新要求。历史不能压过眼前明确说出的变化。 产品还应让用户看见系统依据了什么。如果它因为过去选过几次米白色，就提前排除了所有浓烈表达，用户需要能够指出这个误解并改变它。 一个长期合作的创作伙伴，既要帮助减少重复，也要能接受“这次我想试点不一样的”。 ## 十八、审美工程最终可能会变成一种基础能力 这个系列主要从图像进入，也会讨论视频和团队创作。类似问题还存在于网页、产品界面、服装、建筑、音乐和空间里。 一段代码、一个 API、一个交互乃至一个组织流程，也涉及结构选择：哪些关系清楚，哪些重复多余，什么复杂度值得保留。 这些领域不能直接共用一套视觉标准。它们各有功能、材料和专业条件，却都可以追问：我们怎样说明选择，怎样检查结果，怎样让经验帮助下一次工作？ 怎样让智能系统参与这些领域的判断，仍然是一个开放方向。它需要在具体领域里逐步验证，而不能只靠给不同问题加上 Taste 的名字。 ## 写在最后 当可能性越来越容易获得，作品依然需要被认真选择。 我们期待的 Creative AI，可以帮助发现差异、提出新关系、解释修改，也愿意把依据交出来接受检查。它会记得我们为什么留下某张图，也允许下一次出现不同答案。 本文的六层结构，只是把这些工作放到同一张地图上。后续还需要讨论参考怎样调用、生成怎样组织、评审怎样可靠、记忆怎样更新，以及多人协作时谁对判断负责。 **Aesthetic Engineering 的价值，要在一次次具体创作中成立。** 下一篇，我们进入第一层：《Taste Language：我们到底该如何描述「审美」？》 从“感觉不对”到能够指出差异，是这套方法开始进入实际工作的地方。