为什么我认为 AI 不会取代我们的审美：我们会对司空见惯的东西感到厌倦，而模型生成的恰恰是司空见惯的东西

我不认为我们能把品味训练进 AI 智能体，然后自己就无事可做了。上周我在布拉格做了一场关于品味的演讲，结束后有人恰好问了我这个问题（如果品味就是模式匹配，而且可以训练，那为什么不行呢？）。于是我查阅了相关研究，检验自己的想法。我们的大脑会为意外之喜发放奖赏。新奇的图片会激活人类中脑中产生多巴胺的区域（Bunzeck 和 Düzel，《Neuron》，2006）。在猴子身上，多巴胺神经元会对新事件放电，而当事件重复出现时，就不再作出反应（Ljungberg、Apicella 和 Schultz，1992）。Andrew Huberman 对此的说法是：“当你反复做自己喜欢的事情时，你获得愉悦的门槛就会越来越高，越来越高。”模型则会趋向常见模式。《Artificial Hivemind》论文（NeurIPS 2025 最佳论文之一）让 25 个模型各自生成 50 次关于时间的隐喻，结果得到了两类：时间是一条河，时间是一位织工。RLHF，也就是让聊天机器人变得有用的调优方法，会降低输出的多样性（Kirk 等，ICLR 2024），部分原因是人类评分者偏爱熟悉的文本（Zhang 等，ICML 2026）。受众会青睐那些既新颖、又仍能理解的东西。在约 27,000 首 Billboard Hot 100 榜单歌曲中，高度符合常见模式的歌曲更不容易取得成功（Askin 和 Mauskapf，《American Sociological Review》，2017）。也有与我的看法相悖的证据。大语言模型提出的研究想法被评为比专家的想法更新颖（Si、Yang 和 Hashimoto，ICLR 2025），不过 4,000 个想法中只有 200 个是独特的，而且当人们真正付诸实践时，人类的想法表现更好。在一项盲测中，非专业人士更喜欢 AI 创作的诗歌（Porter 和 Machery，2024）。FunSearch 借助模型发现了新的数学成果，同时由模型之外的评估器为每次尝试打分。所以，我的论点关乎时机。某种东西必须先在模型的训练数据中变得常见，模型才有可能生成它，而到了那时，渴求新鲜事物的人已经转向别处了。你觉得这个论证哪里站不住脚？