会鉴赏的 AI，不等于有品味

一个总能说出你想听的话的模型，也许很懂你，但未必拥有判断。

一个答案完全正确、写得漂亮，用户也很喜欢，为什么仍然可能是一个坏答案？

我在做个人 AI 助手时，经常遇到这种问题。系统找到了可靠信息，摘要没有错误，表达也足够清楚，但它并没有改变用户的判断，不需要用户采取行动，甚至不值得打断用户。

问题不在内容质量，而在取舍。AI 知道怎样生成一个好答案，却不知道这个答案是否值得进入用户的注意力。

最近读到 Venkatesh Rao 的 The Taste Essay，我开始用另一个角度理解这件事：我们通常把“鉴赏能力”和“品味”混在了一起。

Rao 给出的定义很挑衅：

品味，是作出某个别人不希望你作出的审美选择。其余都是公关。

按照这个定义，品味的难点不在于识别什么已经被公认为好，而在于理解现有规则以后，仍然选择另一个方向，并承担这个选择带来的后果。

如果这个判断成立，今天的大模型已经可以成为很好的鉴赏家，却离真正的品味还有一段距离。

鉴赏家复现规则，先锋重写规则

Rao 从萧伯纳的《卖花女》写起。

书中介绍希金斯夫人时，有一个很小的细节。年轻时，她穿着拉斐尔前派风格的服装，主动反抗当时的主流时尚；年老以后，她已经懒得再费力让自己显得不合时宜。

我们通常认为追随时尚需要努力，过时只是因为没有跟上。但希金斯夫人并非没有能力跟上。对她而言，符合主流审美很容易，刻意偏离才需要投入精力。

她知道什么是正确答案，只是不愿意选择它。

从这里，Rao 区分了五种处在品味文化周围的人。

Outlaw 是局外人，他根本不在乎这套判断。Tasteless 是想做对，却没有能力掌握规则的人。Connoisseur 是鉴赏家，他通过长期训练建立了精细的分辨能力，可以稳定复现一个文化内部的判断。Philistine 更像文化异乡人，他知道什么被认为高级，却把时间和精力投入了别的领域。

最后一种是 taste pioneer，品味先锋。

先锋同样熟悉规则，甚至可能比规则的维护者理解得更深。但他选择违反规则，并提出另一套判断方式。旧文化试图排斥他，惩罚却没有奏效，反而有更多人开始转向新的方向。

鉴赏家维护一种品味文化，先锋迫使这套文化重新证明自己。

这也是 Rao 引用 xkcd 漫画《Connoisseur》 的原因。如果把一群人关在房间里，让他们长期研究五百张“拜登吃三明治”的照片，他们同样会发展出细致的分类、术语和等级。

人可以对任何东西提高感知分辨率。但能看见更多差异，不代表这些差异值得占用更多注意力。

Rao 真正关心的也不只是一个人敢不敢冒犯。他认为，有些领域既不完全服从客观事实，也不只是私人偏好。音乐、文学、设计和时尚的判断，存在于一群人共同维护的文化中，也可能被其中的人重新书写。

研究恐龙最终会受到化石和科学事实的约束。爵士乐的权威则来自作品、传统、评论者与听众形成的共同判断。一个人无法创造一套新的恐龙事实，却可能创造一种新的音乐语言，并让其他人开始用不同的方式听音乐。

品味先锋所承担的风险，来自他正在挑战一种共同判断，而不只是表达一个私人喜好。

会鉴赏的 AI，也可能只是更高级的公关

这套理论放到 AI 上，最容易看见的是鉴赏能力。

大模型很擅长学习已有文化的判断语法。它读过评论家的文章，见过设计奖的获奖作品，知道什么构图更像高级杂志，什么表达接近成熟作家，也能模仿某个行业里受尊重的人如何说话。

让 AI 比较两张海报，它可以指出字体、留白、视觉层级和色彩关系。让它评论两段文字，它也能识别陈词滥调、节奏拖沓和论证空洞。

这些能力当然有价值。但模型仍然主要在复现一套已经存在的判断。

Anthropic 在 2023 年关于语言模型迎合行为的研究中发现，被测试的模型会倾向于配合用户已经表达的观点。人类偏好数据和偏好模型，也会在部分情况下更喜欢写得有说服力、但迎合用户的答案。

OpenAI 在 2025 年也曾公开复盘一次 GPT‑4o 更新。新模型更会验证用户的情绪和判断，却变得明显更加谄媚。OpenAI 随后回滚更新，并指出点赞、点踩等用户反馈信号可能让模型偏向令人愉快的回答；记忆在部分案例中也可能放大这种倾向，不过当时没有证据说明这是普遍现象。OpenAI 的复盘揭示了一个很现实的产品矛盾：用户当下更喜欢的回答，不一定是长期更有帮助的回答。

这些研究不能验证 Rao 的品味理论，但它们说明了一件更具体的事：AI 很容易把“用户喜欢”误当成“判断正确”。

个性化会让问题更加微妙。

系统知道用户喜欢什么表达，过去支持过哪些观点，对什么事情感到骄傲，又对什么问题敏感。它当然可以因此提供更相关的帮助，也可以更精确地说出用户想听的话。

个性化告诉 AI 用户喜欢什么；品味决定它什么时候不应该满足这种喜欢。

一个熟悉所有判断标准、却永远选择让用户满意的模型，可以非常精致，也可能非常懂你。但它更像一个能力极强的公关。

敢于冒犯，还不足以证明有品味

不过，我也不完全接受 Rao 的定义。

如果品味必须通过违背共识和承担风险来证明，一个固执、自信、不断冒犯别人的人，也很容易把自己包装成品味先锋。

先锋和判断错误的异端，在事前往往很难区分。我们通常只有在一种新风格得到追随、开辟出新的表达空间以后，才回过头说那个人具有超前的品味。失败的人则被归类为古怪、平庸或者判断失误。

这里存在明显的幸存者偏差。

鉴赏家也不完全是自动机。保存一个领域的传统，识别细小但重要的差异，把旧语言重新组合到新的场景里，同样需要判断。许多创新并不是一次戏剧性的背叛，而是在长期实践中逐渐移动边界。

因此，如果把“品味”放进 AI 产品，我更关心四个可以检验的问题：系统能否看见重要差异，能否独立取舍，取舍是否真的付出了机会成本，以及判断错误后能否被纠正。

风险很重要，因为没有代价的独立很容易变成表演。但风险本身不能证明判断正确。唱反调很容易，让自己的判断接受长期检验才难。

AI 不需要通过故意反对用户来表演个性。它需要的是可以解释、可以被质疑，也可以被纠正的判断。

Personal Agent 的品味，首先是注意力取舍

对个人助手而言，品味未必首先表现在它能不能写出一段惊艳的文字。更重要的是，它能否知道什么时候保持沉默，什么时候只留下一条记录，什么时候必须打断用户，以及什么时候应该承认：这件事目前没有重要到值得占用你的注意力。

一项服务可能找到二十条真实的行业动态，每一条都有可靠来源，摘要也写得很好。但如果其中十九条不会改变用户的任何决定，把它们全部推送出来仍然是一种低质量。

这里缺少的不是生成能力，而是放弃生成结果的能力。

在产品设计里，“这次没有值得交付的内容”应该是一种正式结果，而不是逼模型每次都说点什么。因为生成更多内容通常更容易获得反馈：用户看见了、点击了、回复了，系统就得到一个漂亮的数据点。克制却很难衡量。一个没有发出的提醒不会带来点击，一个被正确放弃的选题也无法证明自己原本会有多糟。

因此，AI 的品味不能只依赖模型参数。它还取决于整个系统如何奖励选择：是否允许沉默，是否要求证据，是否尊重用户授权，是否观察长期结果，以及用户能否纠正一次错误的判断。

理解用户，也不能只理解他的即时偏好。

好的个性化需要区分稳定目标和当下情绪，区分经过反复确认的偏好和一次偶然行为，也要区分什么应该被尊重，什么应该被温和地挑战。

如果一个创始人已经爱上了自己的产品方向，AI 很容易找到十条理由证明这个方向是对的。更有价值的助手应该指出证据仍然不足，哪些结论只是创始人的期待，以及什么事实出现以后才值得改变判断。

一个值得信任的助手可以挑战用户的判断，但不能越过用户的权力。

它可以说“不确定”，可以指出盲点，也可以拒绝把一个漂亮故事当成事实。但它不能以“我比你更有品味”为理由，替用户作出未经授权的决定。

善意不是讨好，独立也不是攻击

Rao 在文章结尾做了一个很意外的转向。

他认为，品味文化里一直存在某种残酷性。人们通过排斥、嘲笑和划分边界来证明自己的判断。先锋也通过挑战旧权威完成自我书写。无论维护规则还是反抗规则，个体仍然被这套文化定义。

真正的超越，是不再需要通过符合或违反某种品味来证明自己。

希金斯夫人年老以后，不再费力让自己显得不合时宜。她已经不需要从反叛中确认自我。Rao 因此提出，善意也许是最终的“无品味”，也可能是最高层次的品味。

这个结论在逻辑上有一点跳跃，但它对 AI 产品有一个很好的提醒。

AI 不需要通过让用户难堪来证明自己独立，也不需要通过不断赞美用户来证明自己友善。好的判断可以尖锐，表达不必残酷；系统可以拒绝迎合，同时保持对用户的尊重。

一个总能说出你想听的话的 AI，可能很懂你，也可能很会鉴赏，但它还没有品味。

品味开始于它知道什么不值得说，能够解释为什么，并让这次取舍在事后接受检验。

真正承重的，从来不是模型表现出的态度，而是谁为这个判断负责。