AI 和 LLM 已經快速改變了一件事：產出「合格」作品的成本變得極低。

一個落地頁面可以在幾分鐘內生成出來。一份產品簡報可以在一個 prompt 中出現。一個投資簡報可以在任何人開始認真思考「這家公司到底相信什麼」之前就變得光鮮亮麗。

這就是為什麼「品味」（taste）在科技圈成為了一個嚴肅的話題。當每個人都能夠產出看起來還不錯的作品時，優勢就轉移到了「判斷力」上。能夠脫穎而出的人不再是那些能夠「產出」的人，而是那些能夠分辨什麼是平庸的、什麼是真實的、什麼是值得深入推進的人。

但還有第二點同樣重要：品味不是最終答案。如果人類把自己縮減成從 AI 輸出中做選擇，他們就會冒著成為「機器主導流程的審查者」，而不是「在結果中有真正利害關係的創作者」的風險。

在 AI 和 LLM 的時代，真正的機會不是成為一個更好的選擇者。而是將品味與情境、限制條件以及願意建構那些無法從「平均數」中產生的事物的意願結合起來。

品味到底是什麼意思

在這個語境下，品味與奢侈品、地位或個人美學品牌無關。它是在不確定情況下做區別的能力。

大多數有意義的工作都不會伴隨著完美的資料。你不會得到一個電子表格，告訴你哪個句子會讓客戶在乎、哪個功能值得一個月的工程時間、哪個設計從「精緻」跨越到「被遺忘」。你仍然需要做決定。

品味在這三個地方顯現出來：

最後那一點比表面上看起來更重要。許多人可以說「這感覺不對」。但很少有人能說「這失敗是因為它聽起來像其他所有的 SaaS 產品」，或者「這個解釋把監管限制簡化成了行銷語言，會讓客戶感到困惑」。

當品味從「氛圍」轉向「診斷」時，它就變得有用。

為什麼 AI 和 LLM 讓中間層變得平庸

LLMs 是非凡的模式壓縮引擎。它們吸收大量的語言、設計模式和介面，然後快速地重新組合它們。這是它們的優勢。這也是它們的預設偏見。

這些系統被設計用來產生「統計上合理」的輸出，而不是針對你的確切情境發明「深度特定」的事物。如果放著不管，它們傾向於分佈的安全中心。

這就是為什麼那麼多 AI 生成的工作感覺很熟悉：

這在災難性意義上不是失敗。這是在「平均數」上的成功。問題是，平均數曾經夠難以實現，仍然能夠創造一些區別。現在它變得豐富。

結果是一個擁擠的「7 分（满分 10 分）」世界。中間層滿了。

新的瓶頸是判斷力

在 AI 之前，平庸的工作通常反映了時間、資源或執行技能的缺乏。今天，平庸的工作通常意味著別的事情：這個人在第一個可接受的草稿就停下了。

這就是 AI 引入的經濟轉變。它壓縮了第一稿的成本，這意味著價值轉移到了下游。

稀缺的部分現在是能夠說：

換句話說，稀缺的技能不是生成。是拒絕。

AI 作為你自身品味的鏡子

AI 最有用的事情之一也是最謙卑的：它揭示了你的判斷到底有多清楚。

要求一個 LLM 產生首頁主視覺、加入流程、支援電子郵件或產品提案的十個版本。你通常會看到一個模式：

有趣的問題不是「我應該選哪一個？」而是「為什麼這些大部分還是錯的？」

你對那個問題的回答就是你的品味品質。

如果你的批評仍然模糊，你的品味還沒有發展好。如果你的批評變得精確，你的判斷比模型輸出更強。你可以好好使用模型，而不是被它帶著走。

一個實用的思考方式是這樣：

AI 和 LLM 做得好的 人類仍然需要做的
生成：快速產生多個合理變體 決定哪個方向重要
模式匹配：重新組合常見的結構和措辭 發現對這個情況來說太普通的部分
優化：朝著陳述的目標改進 決定目標本身是否正確
擴展：將一個想法變成多個資產 承擔真實的情境、利害關係和後果

系統可以生成選項。它不能提供所有權。

訓練品味的實用循環

品味透過重複的接觸、批評和發布來改善。如果你正確使用 AI，它可以加速那個循環。

一個簡單的方法看起來像這樣：

目標不是讓 AI 為你選擇。目標是建立一個更鋒利的拒絕詞彙。

隨著時間推移，這會改變你的工作方式。你停止為了精緻本身而欽佩精緻。你在發現空洞的具體性、借來的語調和假的信心方面變得更快。

為什麼單靠品味是不夠的

這裡是對話變得更有趣的地方。

有一個「品味很重要」論點的強力版本，悄悄地把人類推進了一個狹窄的角色。在那個版本中，AI 生成許多輸出，人類站在流程的末端選擇最好的那個。

那是一個有用的角色，但也太小了。

從歷史來看，重要的工作不是單獨從抽離的選擇中出現。它從限制下的共同創造中出現。建設者與現實、合作者、預算、材料、時間表以及把事情搞錯的後果爭論。

那個摩擦很重要。那是深度來自的地方。

一旦你看到那個，風險就變得更清楚：如果人類價值被減少到策展，人類就變成了一個大多數由機器主導的循環中的鑑別者。

與機器學習的類比不完美但有用。在生成對抗設置中，鑑別器存在於幫助生成器改善。一旦生成器夠好，鑑別器不是發布的部分。

警告不是品味沒有價值。它有。警告是沒有作者身份、利害關係或建設的品味可以變成狹窄且最終脆弱的角色。

人類仍然做但模型不能擁有的部分

AI 可以生成。它可以重新組合。它可以針對 prompt 優化。它在人類意義上不能擁有的是工作中有真正後果的部分。

三個例子很重要：

1. 承擔利害關係

真實的產品在不符合整齊地放在 prompt 內的後果下運作。信任、監管暴露、故障風險、團隊容量、客戶困惑、品牌損害和 on-call 痛苦都在這裡。

一個模型可以建議支付功能的文案。它不能在那個文案隱藏了監管限制且支援工單激增時承擔責任。

2. 與真正的新事物合作

真正的新想法起初通常看起來不對，因為它們不像訓練集。它們感覺尷尬、不完整或可疑地不標準。

人類可以忍受那個不舒服。他們可以保護一些早期且脆弱的事物，直到它變得可理解。

3. 選擇方向

最大的決定不是格式決定。它們是方向決定。

什麼問題值得解決？什麼取捨是可以接受的？你想負責什麼類型的公司、產品或寫作？你拒絕為什麼優化？

這些不是後處理任務。它們是作者身份。

為什麼這對建設者重要

這個對話超越了任何單一市場，因為誘惑現在是普遍的：滿足於稱職的表面區，並把那個誤認為有意義的工作。

工具廣泛可用。小團隊和單獨的建設者現在可以發布以前需要大得多的組織才能發布的東西。

那是好消息。

風險是各地的團隊開始使用 AI 產生在全球範圍精緻但在情境上淺薄的產品。一個金融科技介面可以聽起來老練，同時仍然無法清楚地解釋時間、結算行為或支援預期。一個 B2B SaaS 網站可以看起來世界級，同時幾乎沒有說任何真實買家會認為接地氣的話。一個開發工具可以有優秀的行銷語言，仍然忽略人手不足團隊在 on-call 負載、合規壓力和成本限制下的實際痛苦。

AI 讓聽起來老練變得更容易。它不讓變得具體變得更容易。

那個具體性就是優勢。

對於建設者來說，品味應該意味著移動得更接近真實情境，而不是更遠離它。這包括：

市場不需要的是更多稱職的克隆體。它需要能夠使用 AI 速度而不投降那些讓產品值得信任和有用的特定性的建設者。

更好的使用 AI 的方式

如果 AI 的糟糕使用是被動選擇，更好的使用是主動塑造。

那看起來像：

一個有用的問題，每當 AI 輸出感覺精緻但空洞時要問：

我在這裡增加了什麼是模型無法自己添加的？

好的答案包括：

如果你不能命名那個增加，你可能仍然在消費模式。

品味作為嚴肅工作的副作用

最有用的結論也是最不迷人的。品味不是一個單獨的身份。它是仔細關注現實的副作用。

它在以下情況下成長：

AI 和 LLM 讓第一稿變得便宜。它們不讓判斷變得自動。它們不移除對所有權的需求。它們不取代選擇什麼應該首先存在的工作。

這就是為什麼品味現在更重要。

這也是為什麼單靠品味是不夠的。

在 AI 時代的真正優勢不是擁有比模型更好的氛圍。是使用模型更快地剝離平均輸出，然後在最重要地方應用人類判斷：方向、具體性、後果，以及建設那些無法從統計中間單獨出現的事物的勇氣。