论品味

# 论品味 来源：https://www.mattiryttylainen.com/posts/on-taste 自人工智能普及以来，关于人类领域将如何受到影响的讨论自然愈演愈烈。一个已形成的共识是：白领领域中许多机械性工作正逐渐过时，例如翻译、编程、法律研究、撰写企业报告等。因此，许多人似乎聚焦于“品味”这一话题——人工智能虽能胜任大量机械工作，却缺乏良好的品味。但品味究竟为何物？我将其定义为某种源于经验与直觉的审美意识和判断力，即无需阐明缘由便能辨别事物优劣的能力。作为软件工程师，我认同大语言模型缺乏品味。如今人工智能为我编写所有代码，我更多扮演起品味评判者的角色——无论是评价单段代码、软件架构，还是产品与用户体验决策。 探讨品味并非新事。早在大学信号处理课程期间，我便开始思考这一概念。品味与信号处理并无直接关联，但我接触了理查德·汉明的思想。这位数学家在数字信号处理领域举足轻重，曾在贝尔实验室与克劳德·香农等巨匠共事，后于加州海军研究生院任教。其课程讲义汇编成册，名为《科学研究与工程中的艺术》。汉明曾言，该课程并非旨在传授具体技术（尽管以技术为例），而是培养品味——或他所称的“风格”： > 本课程关注“风格”，而风格几乎无法通过传统文字教学来传授。我只能通过具体案例来探讨这一主题，希望这些案例尽在掌握之中。这些案例主要源自我在贝尔电话实验室研究部数学系三十年的经历。 可见，这位尝试传授品味的学者坦言其难以言传，唯有举例可循。对品味的思考很大程度促使我大学期间专注学习基础原理，而非特定技术——因为基础知识更具杠杆效应。尽管抽象概念往往需通过具体实例理解，这也正是汉明在课程中的尝试。 品味重回讨论中心（至少在我的科技圈内），始于2025年初安德烈·卡帕斯创造的“氛围编程”一词，以及随后里克·鲁宾相关的网络迷因。 这些迷因引发共鸣，因为许多软件工程师（作为AI早期使用者）正感到自身代码产出能力逐渐萎缩。里克·鲁宾“没有技术能力，唯有观点与品味”的言论恰映照了这种心态。对我个人而言，我与一位由音乐制作人转行软件工程师的朋友就此话题多次探讨。如今音乐制作与软件“生产”在AI辅助下呈现清晰的相似性：人们主要通过聆听，再根据对音乐片段或代码生成结果的模糊感受进行调整。 这一切的核心追问是：人类还剩下什么？生成式AI当然能比我们更快生成任何内容，那么技术是否已死，唯有品味留存？我们是否注定沦为品味评判者，抑或这也将迅速消失？ 我不确定审美感能为我们提供多久的庇护，但对部分拥有良好品味的人而言，这至少构成某种护城河。或许品味如此稀缺，又鲜少被明确标注，导致这些模型难以从海量训练数据中将其剥离。 当派遣AI智能体解决可验证问题时，它们能通过快速生成海量方案突破局限——只需其中一个足够精妙即可。这大致就是数学领域当前的情况：模型已开始针对悬而未决多年的难题产出解决方案，并附带机器可验证的证明。关键在于：无需人类品味来判断哪次尝试有效，验证程序即可裁定。然而品味同样适用于难以或无法验证的领域，此时即便生成千百个方案也无济于事，因为无人能判定孰优孰劣。不过，若汉明认为品味可通过展示优秀范例来传授（而非抽象讲解），大语言模型是否也能如此？这延伸出更根本的问题：人们总说AI能做X，因此人类必须转向Y，但下一个问题立即浮现：为何AI不能做Y？或我们凭什么认为AI很快无法胜任Y？ 对我而言，这些思考正是成为软件创业者的重要原因。作为狭窄领域的专家总令我不安，AI的普及更让我深有体会。作为创业者，我能比工程师更广泛地运用品味——从产品、架构、组织到销售决策，所有环节都需要品味：决定构建什么、表达什么、保留什么，以及如何从他人处获取信息。这对多年从事软件工程的人而言颇为陌生。我必须承认，两年前当我意识到AI将改变这个领域时，曾经历一段身份认同的哀悼期。问题在于：若AI进一步侵蚀现有领域，我是否该预期另一场同等或更剧烈的身份转变？在此期间，我将持续培养品味——或许这也是我撰写此文的缘由。 --- 理查德·W·汉明，《科学研究与工程中的艺术：学会学习》，Gordon and Breach出版社，1997年。引文出自第1章“导论”第1页。 关于机器验证证明，参见OpenAI《数学与理论计算机科学的十大突破》（https://openai.com/index/ten-advances-in-mathematics/），2026年8月，该文为每项成果提供了Lean 4证书。