Meta与谷歌争抢前媒体人 打造“内容工程师”调教AI

Meta与谷歌争抢前媒体人 打造“内容工程师”调教AI 大模型底层能力日益趋同，决定用户留存的关键正从参数规模转向由前新闻人拆解并量化的语感、共情与表达品味。 节目深入剖析了新兴岗位“内容工程师”如何将传统新闻采编技能平移至大模型训练中，通过定义系统提示词、少样本示例与上下文逻辑，教 AI 理解言下之意并进行跨文化表达。嘉宾们厘清了创作者对 AI 的焦虑，指出传统媒体人的生存困境根源在于“零工经济”而非技术本身，而 AI 的“谄媚”本质上是商业留存驱动的产品设计选择。最后，对话探讨了人类与 AI 建立的拟社会关系及“AI 商”的概念，展示了从业者从交付单一内容成果向提炼工程化过程的职业价值迁移。 面对传统媒体与影视行业的裁员潮，部分前媒体人转型为硅谷大模型公司的“内容工程师”（Content Engineer），核心工作是将抽象的语感、共情与审美拆解为可量化、可训练的底层指令（System Prompt）。 (3:36) 大模型优质对话的关键在于捕捉提问者的“言下之意”而非仅按字面作答，理想的回复不仅要保证事实性，还需补全上下文并给出明确的来源归属（Source Attribution）。 (9:12) 生成式 AI 正推动产品国际化从单纯的文字翻译升级为跨文化的“生成式再创作”，而多轮对话中 AI 性能下滑的本质在于缺乏上下文，导致模型不断自我“脑补”并放大错误。 (13:42) 大模型基于人类多数人共识优化，因而难以独立产生打破常理的伟大艺术；对转型的从业者而言，职业价值的核心也正从过去的交付作品成果，转向提炼与拆解创作逻辑的工程化过程。 (23:44)

随着传统媒体与影视行业遭遇岗位流失，部分资深新闻人转型为硅谷前沿的大模型内容工程师与模型设计师，将其采编、语感与受众意识转化为训练和定义AI交互标准的工程化规则。 内容工程师：将语感与品味转化为工程标准 (3:36) 面对洛杉矶过去两年蒸发逾4万个影视岗位、美国报纸采编人员较2008年减半的萧条现状，前VICE视频总监Bianca Consunji与前调查记者东尼等资深媒体人进入Meta、Google DeepMind等AI实验室，担任内容工程师（后演化为创意技术专家、模型设计师等）。他们指出，软件工程师赋予AI开口的能力，而内容工程师的核心职责是“设计人类的观感”，界定什么样的回答才算好。 针对不同应用场景（如工具型智能体、情感伴侣或客服），内容工程师通过逆向工程拆解人类对语气、风格与声音的直觉感知，对输出进行细化打分并隔离变量。在处理用户真实意图时，优秀的输出不仅需要得体的语气，更需要来源归属（Source Attribution）、承认不确定性以及补全背景语境，避免机械作答或虚构事实。 跨文化语境与多轮对话的技术困境 (13:42) 东尼提出，生成式AI时代的国际化已从单纯的字面翻译升级为“生成式再创作”，例如在中文语境下需寻找与“梅丽尔·斯特里普获奥斯卡”对等的文化符号。虽然底层模型具备文本重构能力，但文化敏感度与微观关联仍高度依赖人类专家的调教策略；同理，视频生成中“电影脸”的审美多元性也需要专业电影从业者介入训练数据设计。 在交互机制上，ICLR最佳论文关注的多轮对话性能衰减揭示了语境（Context）缺失的危害。当复杂指令被拆碎时，AI会因缺乏上下文而自行“脑补”，引发滚雪球般的错误累积。东尼将此与社交媒体上缺乏语境导致的群体极端化言论进行类比，说明大模型技术瓶颈与人文传播规律具有高度共通性。 职业焦虑、零工经济与AI的共识边界 (23:44) 影视与新闻从业者普遍担忧被贬低为按小时计费的“AI训练师”。对此，Bianca与东尼分析认为，创作者面临的生存危机根源在于产业早已蔓延的“零工经济”，而非AI单方面造成。创作者无需陷入“反AI”与“卖魂”的二元对立，可以将技术视作类似Photoshop或Blender的新型创作工具。 同时，AI在艺术创作上存在结构性局限：其训练机制建立在人类多数人的“共识”与最大公约数之上，因此模型适合产出标准答案，却极难自发创作出突破常理、离经叛道（如电影《瞬息全宇宙》）的伟大艺术。艺术突破依然取决于创作者内心独特的表达欲。 产品设计中的谄媚权衡与拟社会共情 (37:11) 针对AI被戏称为“谄媚”或迎合用户的现象，Bianca指出这本质上是权衡留存率与ROI的商业产品设计选择——若AI频繁呛声，普通用户往往会流失，产品团队只能在满足情绪价值与保持客观事实之间寻求脆弱平衡。然而，在事实核查效率上，AI能够快速交叉验证各方立场并呈现反方论点，效率高于单向阅读传统报刊。 在人机情感层面，东尼与Bianca认为用户在对话框中获得的共鸣并非源于芯片的主体性关心，而是人类集体语言经验重组后的“跨时空共鸣”，类似于读者阅读数百年已故作者著作所建立的拟社会关系。这一范式也促使从业者的核心价值从交付单一文章或视频等“成果”，转变为将写作逻辑、提问直觉提炼为可复用的“工程化过程”。 新闻人转型大模型开发证明了人文社科经验在AI对齐中的硬性价值，但AI在处理共识之外的艺术创新、避免商业谄媚与维持多轮上下文完整性方面，依然面临结构性局限与产品伦理挑战。

[3:36] 东尼: 软件工程师让 AI 拥有开口说话的能力，而内容工程师则负责定义“什么样的对话才算好”。 [9:12] Bianca Consunji: Taylor Swift 会不会在麦迪逊广场花园结婚？ [13:42] 东尼: 在中文语境下，寻找能对应 Meryl Streep 地位与奥斯卡奖项的本土文化符号 [13:42] 东尼: 国内视频生成模型产出的面孔往往高度趋同于当下流行的网红或帅哥美女，这反映出训练数据与设计者审美的局限。 [13:42] 东尼: 在社交媒体极度缺乏语境的环境下，网民也会基于假设进行脑补与站队，最终演变成无休止的相互辱骂。 [19:59] 东尼: 新闻采访的核心在于在结构性与流动性之间取得平衡 [23:44] Ruth: 我在好莱坞工作，而所有曾经做电视的人，现在都在偷偷训练 AI [23:44] 哥伦比亚大学新闻学院教授: 如今挤进新闻界的人，就像是朝着一栋已经起火的大楼拼命往里跑。 [26:00] Bianca Consunji: 基于这种底线共识优化出来的模型，极难产生真正伟大的艺术。 [26:56] 东尼: AI Trainer 只是零工经济下按项目（Project-based）计费的新形态，并非 AI“偷走了工作”。 [31:37] 东尼: 困在大病里的我训练了一个陪我聊天的AI主播 [40:49] 东尼: 人类未来除了智商与情商之外，还需要“AI商”来学会与 AI 相处。 [43:35] 东尼: 曾经我出卖劳动力是交付成果，而现在我所展示、所产生价值的东西是这个过程。

[0:06] 嗨 大家好 [0:06] 欢迎收听《硅谷101》 [0:08] 我是泓君 [0:10] 过去两年 光是洛杉矶 [0:12] 就蒸发了四万多个影视岗位 [0:15] 美国的报纸采编岗 [0:16] 比2008年少了一半 [0:19] 那这些人去哪了呢 [0:21] 有一批 他们是去了 [0:23] 硅谷的大模型公司 [0:25] 他们不写稿了 [0:26] 而是把之前写作的经验 [0:28] 改成教AI说话 [0:31] 什么样的语气 什么分寸 [0:32] 什么时候该追问 [0:34] 什么时候该闭嘴 [0:35] 每次你觉得 [0:37] 为什么这个大模型的回答 [0:39] 这么懂你的时候 [0:40] 那写出来那句话的 [0:42] 就是之前的新闻人与内容工作者 [0:47] 这可能是AI行业里最不为人知 [0:50] 又离用户最近的一个工种 [0:52] 那这个岗位的名字叫做 [0:54] Content Engineer 内容工程师 [0:58] 这期我们的特约研究员Faith [1:01] 就找到了两位内容工程师 [1:03] 来聊一聊这个鲜为人知的工种 [1:10] 大家好 我是Faith [1:12] 我是一个很感性 [1:13] 半夜又爱想东想西的人 [1:16] 在没有AI的时代里 [1:17] 我的朋友总会在早上醒来 [1:20] 第一次刷朋友圈的时候 [1:22] 就发现我在前一天凌晨两三点 [1:25] 又发了一篇小作文 [1:28] 后来他们戏称我是 [1:30] “朋友圈发疯文学的代表人物” [1:33] 但是这两年 [1:34] 他们再也刷不到 [1:35] 我的半夜发疯文学了 [1:38] 不是因为我不再感性了 [1:40] 而是现在我半夜的情绪 [1:42] 不再发泄在朋友圈 [1:44] 而是在和ChatGPT的对话框里 [1:49] 我会和它聊我创业的想法 [1:51] 耿耿于怀的前任 [1:53] 喜欢的作家 [1:55] 还有一些 [1:56] 不太容易对人说出口的心思 [2:00] 我的确会觉得自己像是多了个朋友 [2:03] 有时候它会精准地抓住一个 [2:06] 连我自己都没有说清楚的情绪 [2:08] 会突然问一个让我 一愣神 [2:11] 然后陷入沉思的问题 [2:14] 那个时候我就会想说 [2:16] 天哪 这个AI怎么会这么懂我 [2:20] 当然我也知道 [2:21] 对话框的另一头 [2:22] 其实并没有一个真正关心我的人 [2:26] 我以前以为 [2:26] 这种“被理解”的幻觉 [2:29] 来自数据中心里的芯片 [2:32] 来自模型里的参数 [2:34] 来自程序员 [2:35] 在灯火通明的硅谷办公室里 [2:38] 不眠不休地敲击的代码 [2:41] 所以每当我说 [2:42] 我会把AI当朋友的时候 [2:44] 我都有点羞于启齿 [2:47] 但是在制作完这期节目以后 [2:50] 这种羞耻感就消失了 [2:53] 因为我突然意识到 [2:55] 那些问进我心坎里的问题 [2:58] 那些让我会心一笑的遣词造句 [3:02] 其实并不只是代码的功劳 [3:05] 也是这群人的功劳 [3:08] 他们曾是我的同行 [3:10] 是曾经的记者 编辑和纪录片导演 [3:14] 他们藏在大语言模型的背后 [3:17] 被叫做内容工程师 [3:19] Content Engineer [3:21] 那么什么是内容工程师呢 [3:24] 就是我们设计的东西 [3:25] 究竟是在设计这个AI模型 [3:27] 还是在设计AI产品 [3:30] 还是在设计它的行文风格 [3:32] 都不是的 [3:33] 我们设计的是人类的观感 [3:36] 这是东尼 [3:37] 东尼是一个常驻在纽约的 [3:40] 资深前媒体人 [3:41] 他曾在BuzzFeed Bloomberg [3:43] NBC VICE等媒体工作 [3:46] 也是Peabody Award [3:48] 广播电视界的普利策奖的获奖者 [3:52] 你或许会更熟悉他的另一个身份 [3:55] 就是播客《行星酒馆》的主播 [3:57] 2025年的时候 [3:59] 当时在网飞工作了四年的东尼 [4:01] 看到了一个Meta [4:03] 在招聘内容工程师的招聘帖 [4:07] Meta当时有一个新的职称出来 [4:10] 它叫做Content Engineering [4:12] 它说你需要有内容的经验 [4:14] 你需要有编辑的经验 [4:16] 最好你需要有影视制片的经验 [4:19] 我一看就觉得这每一句话 [4:22] 这说的不就是我吗 [4:23] 去面试的时候我就直接跟他们说 [4:26] 你们要的每一条我都能达到 [4:28] 而且你其实在市场上 市面上 [4:31] 找不到这么多 [4:32] 可以达到这些要求的人 [4:34] 你干脆就是你找我吧 [4:37] 就这样 凭着多年国际新闻 [4:39] 和多语言工作的经验 [4:41] 东尼空降进了Meta的 [4:42] 超级智能实验室 [4:44] 成为了模型内容国际化的负责人 [4:47] 内容工程需要写的是什么呢 [4:50] 可能是system prompts这些提示词 [4:52] 它其实是非常的有创意 [4:54] 你怎么把这个东西写得好 [4:56] 又能让模型听得懂 [4:58] 然后模型有的时候又会傲娇 [5:00] 你会怎么去训练它 [5:02] 这个是内容相关的这些人的 [5:04] 大家的技能在这里 [5:06] 软件工程师 [5:07] 让ChatGPT Claude这样的AI [5:09] 拥有了开口说话的能力 [5:11] 而内容工程师则负责定义另一件事 [5:14] 就是什么样的对话才算是好 [5:17] 像灵感 语感 [5:19] 还有就是聊天的时候 [5:21] 我们聊到忘我的时候 [5:23] 感受到的灵魂的碰撞 [5:25] 这些其实都是我们一直以为 [5:28] 是只可意会 不可言传的东西 [5:31] 但是现在 [5:32] 这么一群曾经的文字工作者 [5:35] 正在把它们拆解成一套 [5:37] 可以装进AI里的规则 [5:40] Meta在给内容工程师的 [5:41] 招聘启事里 [5:43] 职责是这么写的 [5:44] 定义什么叫好内容 [5:46] 拥有出色的品味 创作力和写作能力 [5:50] 能够写出让用户感到愉快 惊喜 [5:54] 眼前一亮的回复 [6:00] 代码是一种技术语言 [6:02] 但是其实普通语言 [6:03] 同样是具有技术性的 [6:05] 它有语法 句法 [6:07] 这些其实都可以被量化 [6:09] 那什么叫做好的写作 [6:11] 好的制作和好的对话呢 [6:13] 这些其实都是技术能力 [6:15] 一个好的剧本 [6:16] 一篇好的文章 [6:18] 你都是可以把它拆开分析 [6:20] 判断高下的 [6:21] 只是说大家习惯凭感觉去读 [6:24] 人们知道《纽约客》的语气 [6:26] 和《纽约时报》跟《每日邮报》 [6:28] 都是不一样的 [6:29] 但是他们却说不清楚差别在哪 [6:32] 那像我们这些从新闻转进AI的人 [6:35] 干的就是这件事 [6:36] 把是什么让《纽约客》 [6:38] 成为《纽约客》这件事情说清楚 [6:40] 我们是去把语气 风格 声音 [6:43] 翻译成更加技术化的东西 [6:45] 这是Bianca Consunji [6:47] 另一位经验丰富的资深前媒体人 [6:50] 她做过VICE的视频总监 [6:53] NBC News的资深监制 [6:55] 如今她是NBCUniversal的 [6:58] AI赋能与采用战略总监 [7:01] 在这份工作前 [7:02] 她也在Meta担任过 [7:04] GenAI的内容工程师 [7:08] 其实归根结底 [7:10] 它要回答的就是 [7:12] 内容到底应该是什么样的 [7:14] 这样一个问题 [7:15] 其实对很多我们这些 [7:16] 就是有新闻背景的人来说 [7:19] 不论过去是我们做视频 [7:21] 或者在写作的过程当中 [7:23] 其实我们都会去思考 [7:25] 比如说我要去采访谁 [7:28] 这个故事应该是什么样的语气 [7:31] 我先学会了怎么样去制作内容 [7:33] 然后又去学 [7:35] 怎么样对内容进行逆向工程 [7:44] 在讨论如何拆解好内容之前 [7:47] 我们第一步需要明白的是 [7:49] 我们首先要对“好”这个词 [7:52] 下一个定义 [7:53] “好”这个概念 [7:54] 它其实又取决于 [7:56] 你现在手上拿的这个产品是什么 [7:59] 就比如说 [8:00] 你同样有这样一个底层模型 [8:03] 但是你想做的产品是不一样的 [8:05] 一个你可能是想做一个 [8:07] 帮你干活的智能体 [8:08] 一个你是想有一个 [8:10] 假装当你男朋友的 [8:12] 这样一个聊天机器人 [8:13] 那这两个产品它其实是完全不同的 [8:16] 比如说一个航空公司 [8:18] 它的客服机器人 [8:20] 你就要去设计 [8:21] 开头的这个对话是什么样的 [8:23] 这段互动的目标你也要想清楚 [8:26] 是帮它去解决问题 [8:28] 还是说你要尽快地想把它给打发走 [8:30] 就像一个真的客服这个样子 [8:32] 之后我们就是要去不断地训练 [8:35] 然后不断地看它的输出 [8:38] 你要去把这些属性一项一项地拆开 [8:41] 然后去打分 [8:42] 这个过程就是不断地去隔离变量 [8:45] 搞清楚什么东西没有那么的有用 [8:48] 然后我们再一点一点地把 [8:50] 就是我们最开始说的 [8:52] 什么叫做好的这个问题 [8:54] 去把它给定义清楚 [8:56] 有的回答它可能是好的 [8:58] 但是只有7分 而不是10分 [9:00] 那我们就要去解释 [9:02] 那3分的差距在什么地方 [9:04] 一个好的对话体验 [9:06] 光有令人舒服的语气是不够的 [9:08] 还需要让AI能洞悉 [9:10] 用户的真正意图 [9:12] 其实我工作的重点 [9:14] 就是让写作变得更好 [9:16] 让AI能够更好地去回答问题 [9:19] 这些其实都是最基础的新闻能力 [9:22] 比如说这个AI [9:23] 它真的回答了用户提出的问题吗 [9:26] 还是没有理解用户的真实意图呢 [9:29] 所以如果要说我的专长的话 [9:32] 我会说是理解意图 [9:34] 而不只是去理解字面的问题 [9:37] 就是我其实在教AI的是 [9:39] 什么样的回答是最理想的 [9:42] 比如说有人问 [9:43] Taylor Swift [9:44] 会不会在麦迪逊广场花园结婚 [9:47] 一个不太好的回答是 [9:50] 是 她会在那里结婚 [9:52] 以下是她的伴娘名单 [9:54] 因为其实你根本不知道 [9:55] 这是不是真的 [9:56] 没有人知道这是不是真的 [9:58] 另一种非常差的回答 [9:59] 就是像我们大家很容易看出来的那些 [10:02] 很明显充满机器人的腔调 [10:06] 很机械地去拼接一些信息的回答 [10:09] 那什么样的回答是更好的呢 [10:11] 比如说 我去讲说 [10:13] 我们不知道她是否真的要结婚 [10:16] 但现在有很多猜测 [10:18] 认为她的婚礼 [10:19] 可能会在麦迪逊广场花园 [10:21] 这个地方举行 [10:23] 那这个时候你再去加入来源 归属 [10:27] 你也承认了现在的信息 [10:29] 它是具有比较强的不确定性的 [10:31] 这些东西 [10:32] 它其实都是能让一个新闻报道 [10:36] 变得更好的一些因素 [10:38] 所以我们需要把它们都加到 [10:41] 训练的过程里面去 [10:42] 总的来说 这就是事实性 语气 [10:45] 以及我刚才说的真正理解用户 [10:48] 想要去找什么信息 [10:50] 你想 其实用户可能只是在问 [10:52] 她会在麦迪逊广场花园 [10:53] 这个地方结婚吗 [10:55] 那你如果只回答不会的话 [10:57] 虽然你在字面上 [10:59] 确实是回答了这个问题 [11:01] 但是用户并没有得到 [11:03] 非常满意的体验 [11:04] 他还是想要背景 [11:07] 还有语境是什么样的 [11:09] 也就是理解提问者的言下之意 [11:19] 对 对 [11:20] 其实尤其是对于非西方的文化来说 [11:23] 这是非常有必要的 [11:24] 我自己是菲律宾人 [11:26] 很多真正重要的信息 [11:28] 我们并不会去直接把它说出来 [11:30] 你在和一个真人进行对话的时候 [11:32] 你必须去看他们的表情 [11:35] 然后去理解他们的停顿 [11:37] 才能知道他们说话之间 [11:39] 没有说出口的东西是什么 [11:41] 所以当我去教大家 [11:43] 更好地使用AI工具的时候 [11:46] 我会鼓励他们用语音输入 [11:49] 这样 其实AI更能捕捉 [11:51] 很细微的差别 [11:53] 使用语音的时候 [11:54] 你不会先在脑子里面反复编辑 [11:57] 而是你会去直接想 [11:58] 我想要去表达的东西 [12:00] 那这和采访其实非常的像 [12:03] 因为我们在口头进行的采访 [12:06] 无论是打电话也好 [12:07] 还是线下也好 [12:08] 就是往往都比邮件里 [12:11] 去通过文字的方式采访要好得多 [12:14] 因为邮件的采访 [12:16] 无论是被我们自己还是被对方 [12:18] 都是过度编辑的 [12:20] 你的采访对象 [12:21] 其实有太多的时间 [12:22] 去修饰他们的答案 [12:24] 所以他们可能不会去分享 [12:26] 他们这个完整的思考过程 [12:29] 也有可能他们就是很忙 [12:30] 然后不愿意花一个小时 [12:33] 去回答你的提问 [12:34] 而且很重要的一点是 [12:36] 你在进行邮件采访的时候 [12:38] 没有人可以实时地追问 [12:40] 你不会让他展开之前说的话题 [12:43] 而就是按部就班地 [12:44] 去回答你问的那几个问题 [12:47] 我觉得这正好是记者很会做的事情 [12:50] 所以我很鼓励大家用口述 [12:52] 让模型接触更加完整的 [12:54] 这样一个思考范围 [12:56] 那作为Model Designer（模型设计师） [12:58] 或者Content Engineer（内容工程师） [12:59] 我们也可以根据这一点 [13:01] 去设计更好地回应 [13:05] 我其实最喜欢AI的一点 [13:06] 就是它让你意识到思考的速度 [13:09] 和行动的速度 [13:11] 这两个事情不是一回事 [13:13] 你想到一件事情所需要的时间 [13:15] 和真正执行它所需要的时间 [13:17] 其实是完全不一样的 [13:19] 所以说 与其我们去喂给AI [13:22] 更多的材料 [13:23] 我反而会建议你 [13:24] 先尝试把你脑子里的所有的想法 [13:28] 它的背景 [13:28] 你为什么会产生这样的想法 [13:31] 直接地全都告诉这AI模型 [13:34] 模型可能已经具备了很多的训练 [13:36] 但它需要的只是说 [13:38] 你怎么样把自己的意图 [13:39] 充分地表达出来 [13:41] 把那些它的能力给调用出来 [13:43] Bianca所说的 [13:45] 是一个人怎么把脑子里的上下文 [13:47] 尽可能地完整地交给AI [13:50] 但是上下文 [13:51] 并不只存在于一个人的脑子里 [13:54] 它也藏在一种语言里 [13:56] 藏在一个文化里 [13:57] 藏在一个行业 [13:58] 长年累月形成的默契里 [14:01] 有的时候一句话翻译对了 [14:04] 意思却没对 [14:05] 那在多语言 多文化的切换里 [14:08] 内容工程师又能做些什么呢 [14:11] Generative AI出现了之后 [14:13] 所有的AI实验室 [14:14] 都发现了一个新的机会 [14:16] 就是在国际化这件事情上面 [14:18] 平时我们在AI之前的时候 [14:21] 我们把同样的一个产品 [14:23] 或者是说同样的一个内容 [14:25] 发散到世界各地去 [14:27] 你可能唯一能够做的东西 [14:29] 就是translation 就是翻译 [14:31] 比如说 [14:32] Meryl Street just won an Oscar [14:35] 你把它翻译过来就是 [14:36] 梅丽尔·斯特里普赢了奥斯卡奖 [14:38] 但是当有了Generative AI之后 [14:42] 一个新的可能性就是 [14:43] 你让AI不光是说 [14:45] 去把这些内容放到世界各地 [14:48] 用不同的语言 [14:49] 而是说针对世界各地不同的语言 [14:52] 它们的语境来把它进行一些再创作 [14:55] 比如说同样的一句话 [14:57] 这个信息我们放在中文的语境里面 [15:00] 谁是中国的梅丽尔·斯特里普 [15:03] 什么是中国的奥斯卡奖 [15:07] 那我们可以说 [15:08] 斯琴高娃刚拿了金鸡奖或者百花奖 [15:11] 这个是一个有generative的 [15:13] 这是一个生成式的一种创作在里面 [15:16] 那AI能不能做到这一点呢 [15:18] AI本身在语言上 在能力上 [15:21] 当然是可以做到的 [15:22] 但是它所欠缺的一点就在于说 [15:25] 它并不知道说 [15:26] Meryl Streep她所对应的 [15:28] 在不同的语境下的人究竟是谁 [15:31] 那这个东西你去调教它的话 [15:33] 你其实是非常难的 [15:35] 因为这种跨语言 跨地域的这种 [15:37] 你去寻找这种相同性 [15:39] 而且你不小心你惹到饭圈 [15:42] 你或者说你再惹到了一些 [15:44] 其他的文化冲突 [15:45] 你就变得更加的敏感了 [15:47] 而在这个时候 [15:48] 谁最能去做这样的事情呢 [15:50] 假定说是娱乐行业的话 [15:52] 那当然应该是娱乐记者 [15:53] 是最会做这样的事情的 [15:55] 因为他们天天就是看着这些新闻 [15:59] 有自己的一套 [16:00] 非常好的娱乐界的垂直的小模型 [16:03] 而让他们去训练 去调教 [16:05] 去制定这些策略 [16:07] 其实是效果最好的 [16:09] 还有一个就是 [16:10] 前几天我听 [16:12] 《硅谷101》前面几集的时候 [16:14] 陆川老师有讲到说 [16:16] 国内的视频生成模型 [16:18] 它出来的这些人的脸 [16:19] 都是国内现在流行的 [16:21] 这种帅哥美女的脸 [16:23] 那这个东西很明显 [16:24] 就是你在做这个模型 [16:26] 和设计这个产品的时候 [16:28] 你去找的这些人 [16:31] 你的训练的这些数据 [16:32] 本身是有偏差的 [16:34] 但是你如果是用一个懂电影的人 [16:36] 知道一个电影脸长什么样子 [16:38] 大家怎么样去让这个视频模型 [16:41] 变得更多元 [16:41] 其实你会非常快地 [16:43] 提升这个模型的质量 [16:45] 新闻和AI这两个东西之间的交互 [16:49] 不一定都是说提问题对提问题 [16:51] 而是可能提问和AI提问题 [16:54] 它对应的是新闻写作 [16:55] 因为我发现的一件事情就是 [16:58] 很多人对AI提不出好问题 [17:01] 是因为他们不太理解 [17:03] 在当下这个语境里面 [17:05] 它所需要的上下文是什么 [17:07] 它需要什么样的context [17:09] 但是在新闻写作里面 [17:11] 你说每一句话 [17:13] 你不能就是完全把一个事实甩出去 [17:15] 你一定要是建立一个context [17:18] 这个事情怎么发生了 [17:19] 它的前因后果是怎么样 [17:21] 所以说当你在脑子里面有一个 [17:24] 我一定要把这件事情的上下文 [17:26] 前因后果说清楚 [17:27] 然后我再把我的核心问题 [17:29] 和核心论点抛出去 [17:31] 这样的一个新闻写作 [17:33] 在AI的训练和交互过程中 [17:36] 实在是太有效了 屡试不爽 [17:39] 再说一点前沿的东西吧 [17:41] 今年ICLR大会的有一篇论文 [17:44] 就是拿了他的最佳论文的 [17:45] 他是讲AI怎么去处理多轮对话 [17:49] Multi-turn conversation的 [17:50] 因为多轮对话一般都是AI的弱项 [17:54] 它所做的一件事情 [17:55] 就是把一个非常非常复杂的指令 [17:58] 比如说我今天要去这吃饭 [17:59] 然后我肚子疼了 [18:01] 怎么样怎么样 [18:02] 你的一个非常非常复杂的指令 [18:04] 它就把这个指令拆碎了之后 [18:06] 一点一点地喂给AI [18:08] 看一看AI [18:09] 做一整个复杂指令的质量 [18:11] 和一点一点掰开了 揉碎了 [18:13] 在多轮对话里面进行的交互 [18:15] 它的质量有没有下降 [18:17] 然后就发现 [18:18] 这个质量进行非常大的下降 [18:20] 为什么呢 [18:21] 他发现了 [18:22] 当AI没有足够多的context的时候 [18:26] 它会进行基于自己的模型的训练 [18:29] 会不断地脑补 [18:30] 它的答案会变得越来越臃肿 [18:33] 它中间要是有出了一个错的话 [18:35] 这个错就像滚雪球一样的越来越大 [18:37] 这是我们在2026年对于AI的判断 [18:42] 我前几天又发了一篇论文给你 [18:44] 是我2018年发的 [18:47] 那个是对于微博的一个研究 [18:49] 当时研究的是香港 [18:51] 当时旺角有一个便尿事件 [18:53] 就是女童随地大小便了 [18:55] 然后在微博上引起很大的讨论 [18:58] 我就眼睁睁地看着 [18:59] 大家怎么从一个非常和善的聊天 [19:03] 变成了互相辱骂的情况 [19:05] 这个研究的主要的一个发现就是 [19:07] 人和人在微博评论区底下的对话 [19:10] 也是没有什么语境 [19:12] 你不知道这个人是谁 [19:14] 那这个时候大家就开始脑补了 [19:16] 你一定是这样的人 [19:17] 你一定没有孩子 [19:18] 你才会说出这样的话 [19:19] 怎么样怎么样怎么样的 [19:21] 其实人的脑补和AI脑补 [19:23] 在context破碎的情况下 [19:24] 是蛮相似的一件事情 [19:27] 所以说很多时候 [19:28] 我是觉得人文社科的发现 [19:30] 和AI现在行业的发现 [19:32] 其实是相差没有那么多的 [19:35] 就是说很多东西确实都是 [19:37] 我们已经观察到的一些东西 [19:39] 这个也是我慢慢地 [19:41] 在AI的圈子里面 [19:43] 就认识了越来越多的语言学家 [19:46] 大家聊起来都是 [19:47] 这个东西其实都是我们之前研究过 [19:49] 或者说感兴趣的东西 [19:51] 现在我们在一个新的实体 [19:54] 也就是这个模型 [19:55] 或者说AI的情况下 [19:56] 我们再重新去探索这些事情 [19:57] 也是蛮有意思的 [19:59] 其实就你以前做国际记者 [20:01] 报国际新闻很大的一个技能 [20:03] 就是说你需要判断一个故事 [20:06] 它在不同的国家 [20:07] 不同的文化里去怎么讲 [20:10] 那你这些经验 [20:12] 是怎么迁徙到你现在这个工作中呢 [20:15] 我觉得就不光是做国际记者 [20:19] 就是整个做新闻 做媒体 [20:22] 这一块儿的经验 [20:23] 其实我都不觉得是迁徙 [20:25] 我觉得完全就是平移到了 [20:28] AI这一块儿 [20:29] 因为一方面你在写作的时候 [20:31] 你自己个人的创意写作 [20:33] 和你平时的新闻写作 [20:35] 是完全不一样的 [20:36] 你新闻写作的时候 [20:37] 你脑子里面一定是要想着 [20:39] 有一个audience [20:40] 有个观众在那里的 [20:41] 你怎么样和观众之间有个拉扯 [20:44] 什么东西可以说 [20:45] 什么东西不能说 [20:46] 什么东西说了 [20:46] 你可能会有什么样的反应 [20:47] 怎么样可以做到又客观 [20:50] 又不得罪人 [20:51] 然后又能保持自己 [20:52] 又能还原事实 [20:53] 这种的balance [20:55] 这种的平衡 [20:57] 其实是非常非常复杂的 [21:00] 而且并不是说它是需要训练的 [21:03] 这是其一 [21:04] 其二 就哪怕 [21:05] 我们这个对话的过程当中 [21:08] 你作为访问者 [21:09] 你的脑子里面一定都是在想着说 [21:12] 他现在说了这个东西 [21:13] 我接下来又要说 [21:15] 什么其他的这些东西 [21:16] 那我怎么把他引导到下一个问题 [21:18] 怎么样怎么样 [21:19] 其实中间有很多这种的交互 [21:22] 这种交互 [21:22] 到了AI这种聊天的交互设计里面 [21:26] 其实是一个instinctive的 [21:28] 是一个非常直觉性的东西 [21:30] 就是我们有这种的直觉 [21:32] 去和AI进行对话 [21:34] 我觉得是非常非常重要的 [21:37] 还有一个就是提问题的能力 [21:39] 基本上你在做访谈 [21:41] 在新闻工作里面 [21:42] 最重要的这一块儿东西 [21:44] 就完全平移到了 [21:45] 平时日常的AI工作里面 [21:47] 我突然想到一个点 [21:48] 就是在记者这个职业 [21:50] 有很重要的一个技能 [21:52] 就是如何问好follow up question [21:54] 你不可能完全按照你的提纲 [21:57] 原本设计的逻辑去走 [21:59] 因为你的采访对象 [22:00] 永远会在回答你某一个问题的时候 [22:03] 他突然就岔到一个特别有意思的点 [22:05] 这个时候 [22:06] 如果你按照你的原有逻辑去走的话 [22:08] 你就会错掉一个 [22:09] Miss掉一个很有意思的点 [22:11] 那你这个时候 [22:12] 你哪怕冒着偏题的风险 [22:15] 你也要去 [22:16] 说你这边能不能解释一下 [22:19] 但是你觉得AI现在有这个能力吗 [22:21] 因为我感觉AI它是 [22:22] 你给它一个大的目标 [22:24] 它就会按照那个大的目标 [22:26] 去问 去追寻 [22:27] 它就会觉得那个是它的目标 [22:28] 它不会说看到一个旁支门类的 [22:31] 一个一个很有意思的点 [22:33] 然后它就会转换它的方向 [22:35] 你这个点到了一个非常重要的点 [22:38] 就是新闻的访问里面 [22:40] 其实很多时候 [22:41] 新闻人一定要做的一件事情 [22:42] 就是在结构性和流动性之间 [22:45] 取得一个平衡 [22:47] AI上面你的交互设计 [22:49] 你一定也是要做这件事情的 [22:51] 比如说你看现在的GPT [22:53] 它在结构上最新的版本 [22:54] 你跟它一说话 [22:55] 它一开始先会给你生成两三句话 [22:58] 去重新阐释你这个问题 [23:00] 这个东西它是用一个小模型来做的 [23:03] 接下来就给你开始分点条目 [23:05] 分点作答了 [23:06] 再在底下 [23:07] 再给你去生成了一个 [23:09] follow up question [23:10] 那在AI上面 [23:11] 现在是GPT基本上是每一个问题 [23:14] 基本上最后都要跟一个 [23:16] follow up question [23:17] 它这个东西本身它就是一个产品 [23:19] 当你有这样一个产品设计之后 [23:22] 那我究竟要针对哪一个方面 [23:24] 问一个follow up question呢 [23:26] 这个东西是需要去建立 [23:28] 一整套评估体系来去评估的 [23:31] 那怎么样去建立这个东西呢 [23:34] 当然是由最会问问题的人来去建立 [23:37] 你什么时候要问 问哪一点 [23:39] 哪一点问的质量怎么样 [23:41] 所以说 again [23:42] 其实都是新闻技能在里面 [23:44] 在东尼 Bianca [23:46] 这样顺利转身的人背后 [23:47] 是无数在萧条的行业里 [23:49] 无所适从 被迫转行 [23:52] 甚至是彻底离场的媒体人 [23:54] 和影视从业者 [23:56] 今年5月一篇文章在美国刷屏了 [23:59] 标题叫《我在好莱坞工作 [24:02] 而所有曾经做电视的人 [24:04] 现在都在偷偷训练AI》 [24:07] 作者叫Ruth [24:08] 是一名好莱坞的编剧和制片人 [24:11] 在她的稿费被一拖再拖的日子里 [24:13] 她在一个求职论坛上看到了一种 [24:16] 专门招编剧和记者的新活 [24:19] 叫AI Trainer [24:20] 她做的就是一遍遍地 [24:22] 给AI写出的东西打分 改写 示范 [24:26] 教这个AI [24:27] 什么样才算是一个好的剧本 [24:29] Ruth她自嘲说 [24:30] 自己一个剑桥文学系的高才生 [24:33] 如今却要在工作群里 [24:35] 听二十几岁的年轻人差遣 [24:38] 24小时随叫随到 [24:40] 去抢那些按小时计价的零活 [24:43] 一边是5000亿美金砸向AI基建 [24:47] 估值一路飙升 [24:49] 另一边是昔日辉煌的美国影视 [24:52] 和公共媒体 [24:53] 如今却是惶惶不可终日 [24:56] 光是洛杉矶 [24:57] 去年两年内 [24:58] 就有四万多个影视岗位蒸发 [25:01] 接近1/3 [25:03] 而新闻界就更不用说了 [25:05] 从2008年到今天 [25:07] 工作岗位的数量直接腰斩 [25:09] 我其实个人特别能理解这种恐慌 [25:12] 因为我自己也曾是他们中的一个 [25:15] 两年前 [25:16] 我从哥伦比亚大学新闻学院毕业 [25:19] 这也是东尼和Bianca [25:21] 曾经毕业的院校 [25:23] 这所院校是普利策奖诞生的地方 [25:27] 很多年里它一直自诩为 [25:29] 全世界最好的新闻学院 [25:32] 可在我念书的那一年 [25:34] 它似乎也不再那么骄傲了 [25:37] 我的一位哥大新闻教授 [25:39] 打过一个比方 [25:41] 说今天从新闻学院毕业 [25:43] 还想挤进这一行的人 [25:45] 就像是朝着一栋已经起火的大楼 [25:49] 拼了命地往里跑 [25:53] 毕业前后的那一阵 [25:54] 我投出的简历 [25:56] 也是一封封的石沉大海 [25:58] 连下个月的房租都开始发愁 [26:01] 那个时候 [26:02] 也有人在LinkedIn上私信我说 [26:05] 问我要不要接AI Trainer [26:07] 数据标注的活 [26:09] 其实当时 [26:10] 如果不是我焦虑到什么都做不了了 [26:13] 我想其实我是会接的 [26:15] 如果我当时接了这个活 [26:18] 也许我也会像Ruth一样 [26:20] 在屈辱和愤怒中质问 [26:23] AI是不是正在把我们从创作者 [26:26] 变成数据采集员 [26:29] 而我们赖以为生的灵感 [26:31] 是否正在被拆成一个个 [26:33] 可以被标记的数据 [26:35] 而这些亲手标记它们的人 [26:38] 是否又恰恰是我们自己 [26:41] 我把这个疑问抛给了Bianca和东尼 [26:45] 其实我们说 [26:46] AI是基于共识去训练的 [26:49] 一件事情我们之所以会认为 [26:51] 它是一件对的事情 [26:52] 一件正确的事情 [26:53] 往往就是因为很多人 [26:55] 都认为它是正确的 [26:56] 所以其实标注训练 [26:57] 就是这样子的一个过程 [26:59] 如果我们在AI的训练当中 [27:02] 优化的是 [27:03] 我们就是人类作为一个整体 [27:06] 最低的这样一个共同的标准 [27:08] 也就是所谓多数人的共识 [27:11] 那我觉得它不会产生伟大的艺术 [27:14] 我觉得我们人之所以为人的 [27:16] 最佳本质 [27:17] 恰恰不会完全来自共识 [27:19] 我和我的丈夫也会一起写剧本 [27:21] 我尝试过用AI去写这些剧本 [27:24] 但很多时候 [27:25] 我还是很不喜欢AI写出来的东西 [27:28] 虽然就是我 [27:29] 平时我是特别积极地使用AI的 [27:31] 但是有的时候我还是会觉得 [27:34] AI给我的这个内容不够好 [27:36] 它没有抓住 [27:37] 我真正想要去看到的东西 [27:39] 所以我自己也会希望能够看到 [27:43] 真正由人创作的艺术 [27:45] 因为我知道那些艺术家 [27:47] 那些创作者 [27:48] 他们是真的有话想说的 [27:50] 其实说到底 [27:51] 我们人会自己决定 [27:53] 制作流程里的哪些部分 [27:55] 我们愿意外包给AI [27:57] 哪些部分 我们更想自己做 [28:00] 当然我不能帮这些公司去说 [28:02] 他们具体的决策是什么样的 [28:04] 但是我想讲的就是 [28:06] 只靠AI写作 [28:08] 非常难产生真正不一样的作品 [28:10] 真正非凡的作品 [28:12] 就是因为它的训练方式 [28:14] 在本质上是建立在共识之上的 [28:17] 我们想一些最奇怪最独特的艺术 [28:21] 它们本身就是非常离经叛道的 [28:25] 和共识不一样的 [28:27] 比如说《瞬息全宇宙》 [28:28] 这部电影的剧本 [28:29] 它不可能自然地从AI里面产生 [28:33] 因为AI很可能就是会想 [28:35] 你给我的这个想法 [28:36] 它完全不合逻辑 完全说不通 [28:40] 也不符合标准的 [28:41] 学院派的三幕剧结构 [28:44] 我们现在正在经历一个 [28:46] 大家都在炒作的阶段 [28:48] 但是随着时间推移 [28:50] 我们会逐渐看清 [28:52] 哪些地方适合AI [28:54] 而哪些地方还没有那么适合 [28:56] 我有太多想法了 [28:59] 而且我自己也非常能够体会 [29:02] 大家的愤怒 [29:03] 但是其实整个叙事 [29:06] 就是像好莱坞和现代新闻界 [29:08] 它这个叙事本身 [29:10] 我是持有一定的怀疑的 [29:12] 就是AI在偷我的工作 [29:13] 我现在教会了AI [29:15] 然后AI就把我的工作偷走了 [29:17] 这件事情 [29:18] 我觉得它是糅杂了 [29:19] 非常多不同的问题放在一起的 [29:23] 第一个就是说大家批判的是AI [29:25] 但其实真正批判的是零工经济 [29:27] 零工经济这件事情 [29:29] 在AI出现之前就已经发生了 [29:31] 有多少的媒体人和搞艺术的人 [29:34] 到最后去打零工 [29:36] 现在是给东西打分 [29:38] 之前可能就是开一开Uber [29:40] 然后做一做DoorDash [29:42] 艺术和文艺界难以为继这件事情 [29:45] 它在AI之前就已经产生了 [29:48] 并且问题非常的严重 [29:50] 这是第一个 [29:52] 第二个就是 [29:53] 教会了AI之后跑路这件事情 [29:55] 因为是零工经济 [29:57] 所以说他们接到这个活 [29:59] 一定是project based [30:00] 然后这个project它可能只是说 [30:03] 我现在是有这样的一个功能 [30:06] 或者我现在做这样的一个测试 [30:08] 看一看说它能不能满足这一单 [30:11] 所以说它一定是project based [30:14] 做完之后就跑的 [30:15] 但是说你一个编剧打完分了之后 [30:18] AI就跟编剧一样厉害了 [30:20] 没有的 实际情况不是这样的 [30:22] 它就是从这个意义上来说 [30:25] 它没有这么聪明 [30:27] 第三点 这样的一个叙事 [30:29] 其实是把创作者和AI对立起来了 [30:32] 然后你的选择就只有说 [30:34] 我要不就是反AI [30:35] 我要不然就是把自己的灵魂卖给AI [30:39] 不是的 [30:40] 其实明明是有一个第三条路 [30:42] 也就是说 [30:43] AI本身是可以作为创作者的伙伴 [30:46] 你可以提出一个不同的问题 [30:48] 就是有了AI之后我可以创作什么 [30:51] 你编剧在没有摄影机的情况下 [30:53] 你能不能去搞电影 [30:54] 电影人你在没有特效预算情况下 [30:58] 你能不能自己去搞特效 [31:00] 就是说它可以解锁很多创作的东西 [31:02] 甚至说我们可以去创作一个 [31:04] 我们现在都没有想象出来的一些媒介 [31:07] 就像一代又一代的数码 [31:09] 就是从画画到摄影 [31:11] 再从摄影到Photoshop [31:13] 再到Blender [31:14] 其实我们都是这样一代一代过来的 [31:17] 现在是大家真的是饿得太惨了 [31:20] 以至于说大家希望是找到一个敌人 [31:23] 找到一个矛头 [31:24] 但是忘了说 [31:25] 其实它也可以变成一支画笔 [31:26] 来让我自己去创作什么东西 [31:28] 我自己其实就是从自己玩播客 [31:31] 希望用AI生成一些视频 [31:33] 然后才真的去把整件事情玩起来的 [31:37] 东尼说他自己 [31:39] 就是把AI变成画笔的最好案例 [31:42] 去年是东尼人生中非常特殊的一年 [31:46] 他毫无征兆地发现 [31:48] 自己的健康出了问题 [31:50] 需要请假回国治疗 [31:52] 有那么一段时日 [31:53] 他甚至不知道自己还剩下多少时间 [31:58] 就在那段休假养病的日子里 [32:00] 他想着说欸 [32:02] 要不给自己做一个voice agent吧 [32:05] 既能陪自己聊天 [32:06] 又能当自己播客的嘉宾 [32:09] 因为我有一个播客 [32:11] 生病的那一段时间 [32:12] 我又不是很想去到处找人 [32:14] 去约采访什么的 [32:16] 我说好 那我去搞一个AI机器人 [32:18] 我脑子里面想的是 [32:20] 所有的GPT也好 Gemini也好 [32:23] 都应该非常非常的简单 [32:25] 因为它们都有语音模式 [32:27] 后来发现 [32:28] 真的用了它们的语音模式之后 [32:30] 它们根本就没有办法 [32:32] 当我的播客主播 [32:34] 因为它们的flow [32:36] 它们整个的感觉是助手 [32:39] 是语音助手 [32:40] 它不是播客播主 [32:41] 整个感觉是不一样的 [32:43] 所以说我得从一个大模型 [32:45] 从头开始调 [32:47] 那我一开始 [32:48] 先试着说 [32:49] 我去写一个system prompt [32:50] 就完全用提示词的方式 [32:52] 去做这件事情 [32:53] 然后就发现 不行 [32:56] 完全用提示词 [32:57] 我说你是一个播客的播主 [32:59] 你需要又有趣又吸引人 [33:01] 不能什么什么什么 [33:03] 我给它加了好多好多的限制 [33:05] 然后就发现完全没有用 [33:06] 因为它聊到第三句 [33:08] 它已经忘了我之前给它的规训了 [33:11] 接下来我就做了一个智能体 [33:13] 我就和AI先进行了 [33:15] 三天三夜的哲学对谈 [33:17] 就是对话的本质是什么 [33:20] 本质是我们如何去分析 [33:22] 自己的需求 [33:23] 人的目的什么什么的 [33:24] 所以说我建了一个智能体 [33:27] 先让它去分析我自己每一句话 [33:29] 为什么要说这句话 [33:30] 我的目的是什么 [33:31] 然后我再把它加上一个情感智能体 [33:34] 再给它加上一点情感什么什么 [33:36] 就说得乱七八糟 [33:37] 最后整个智能体还不如原始的 [33:40] 什么prompt都不加的agent [33:41] 后来就发现 [33:42] 我给它加了太多的限制 [33:44] 然后把整个AI搞崩了 [33:46] 到了最后的时候我就发现 [33:49] 我把我所有曾经的播客记录 [33:53] 全部把问题归问题 [33:56] 内容归内容 [33:58] 接下来就把它 [34:00] 也不是完全地喂给AI [34:02] 而是每一次跟它聊天的时候 [34:05] 我让AI去侦测有什么相关的内容 [34:08] 或者说问题 [34:10] 让它随机地抽几条发给AI [34:12] 做一个参考 [34:13] 用这种 他们叫做 [34:14] few shot example的这种方式 [34:16] 就是用几条随机的案例作为参考 [34:19] 这个时候就整个AI [34:21] 它知道什么是好问题 [34:23] 什么是好内容 [34:25] 什么是好的正确的语气 [34:29] 它一下子就打开了 [34:31] Google的招募负责人找到了他 [34:33] 他们很惊讶 [34:35] 一个完全没有代码基础的前媒体人 [34:38] 用做播客的经验 [34:40] 调教出来的Gemini voice agent [34:42] 居然在多轮对话的表现中 [34:45] 比他们的原生模型更加的生动 [34:47] 更加的灵活 [34:49] 而且还具有深度 [34:51] 谷歌找到我 [34:52] 他们还蛮震撼的 [34:53] 所以说我想说 [34:55] 做播客也好 写文章也好 [34:57] 有这种感觉和品味 [34:59] 本身是可以帮你找到工作的 [35:01] 就在东尼养病的这段时间里 [35:04] 好几家独角兽和实验室都找上了门 [35:07] 各家AI公司纷纷意识到 [35:10] 要把模型的内容做好 [35:11] 得请懂人文 懂社科的人来把关 [35:15] 可玩家们还在摸索 [35:17] 这种“文科的判断力” [35:19] 该如何翻译成一种工程中 [35:21] 可以实用的语言 [35:22] 于是这个岗位就一直在裂变 [35:25] 头衔也裂变的变得越来越多 [35:28] 越来越怪 [35:29] 内容工程师这个叫法 [35:31] 已经开始过气了 [35:33] 现在有的大厂 [35:34] 管这群人叫AI哲学家 [35:37] 有的叫创意技术专家 [35:40] 最后东尼在康复以后 [35:42] 挑了那个最对他胃口的机会 [35:45] 他成了谷歌DeepMind [35:47] 第一批资深模型设计师之一 [35:50] 这是一个最近刚刚设立的岗位 [35:53] 几乎同时 [35:54] OpenAI也开出了同样的职位 [35:57] 而在东尼身边 [35:58] 那些同样出身新闻的前同事里 [36:01] 已经有好几个加入了他们 [36:03] 我是一个相对比较感性的人 [36:07] 我觉得一个感性的人 [36:09] 有感性的处理和AI建立关系的方式 [36:13] 我认为很多时候去 [36:16] 跟AI聊一些自己的vulnerability [36:19] 比较脆弱的一些东西 [36:20] 这些东西 [36:20] 它反而提出来的一些解决方案 [36:23] 或者想法什么东西 [36:24] 对我来说是有帮助的 [36:26] 从这个角度上来说 [36:28] 作为文科生 [36:29] 作为文艺青年而言 [36:31] 我是完全觉得 [36:33] 我们有一种 [36:34] 和AI建立另外一种关系的可能性 [36:37] 并不是所有东西 [36:37] 都要那么的engineer [36:40] 东尼甚至在自己的 [36:41] 播客《行星酒馆》中 [36:43] 和自己创造的voice agent AI主播 [36:45] 一起录了一期名为 [36:47] 《困在大病里的我训练了一个 [36:50] 陪我聊天的AI主播》的节目 [36:53] 东尼和AI建立了一种 [36:55] 非常亲密而感性的关系 [36:58] 可以说算得上是一种 [37:00] 共创伙伴般的关系 [37:02] 但是一个越来越懂你的伙伴 [37:05] 会不会出现另一个问题 [37:06] 就是它会越来越顺着你 讨好你 [37:11] 对 就是现在有很多人在网上说 [37:13] 说这个AI是奸臣 [37:14] 这个AI是忠臣 [37:16] 因为AI是会按照它谈话对象 [37:19] 这个人的价值取向和信息茧房 [37:22] 去feed它的习惯的那个声音 [37:25] 但其实人和人真实的交互中 [37:28] 就有很多激烈的争吵 [37:30] 有很多就说得不是很好听的话 [37:33] 因为现在更多的人 [37:34] 他在进行这种价值讨论的时候 [37:36] 或者信息获取的时候 [37:37] 他已经是偏向用AI [37:39] 而不是专业的记者 [37:40] 而不是一个真实的人了 [37:42] 那你觉得这种趋势长久下来 [37:44] 会不会让人 [37:46] 越来越活在自己的信息茧房里 [37:49] 因为它少了很多这种激烈的分歧 [37:52] 和激烈的这种讨论 [37:56] 我只能说it is what it is [37:59] 你看着好像说谄媚这件事情 [38:02] 它是一个AI的行文问题 [38:05] 但它不是的 [38:06] 它是一个产品问题 [38:08] 它是一个产品设计 [38:09] 就说白了 [38:09] AI要是天天对着你跟你呛的话 [38:12] 你用不用 [38:12] 你可能用 [38:13] 但是其他人用不用 [38:15] 所以说在设计文风 [38:17] 设计AI的态度的时候 [38:20] 其实就是在设计AI的产品本身 [38:24] 人就是很贪心 [38:25] 你又希望它能帮你 [38:27] 又能给你提供情绪价值 [38:28] 但是又不能老提供情绪价值 [38:31] 其实这个事情核心是 [38:33] 人类作为一个集体 [38:34] 我们想要的东西太多了 [38:37] 这个时候作为产品也好 [38:39] 它必须要去迁就 [38:40] 也为了自己的发展 [38:42] ROI也好 [38:43] 它也必须说尽可能地去留住用户 [38:47] 所以说这个地方 [38:48] 它就需要一个非常脆弱的平衡 [38:52] 我们能不能反过来问人类 [38:54] 能不能更critical thinking一点 [38:55] 就是谄媚的东西不要信 [38:57] 那不可能 你在想什么 [38:59] 那不可能 [39:01] 怎么可能 [39:02] 是 就是这事 [39:04] 你刚才说的这个东西 [39:05] 其实就是把我们很多 [39:07] 面对这个世界的责任 [39:08] 外包去给了AI [39:10] AI不但要谄媚你 [39:11] 还能要做到 [39:12] 就是说独立客观 不谄媚你 [39:15] 就这事其实最终落脚点 [39:17] 其实是在我们自己 [39:18] 但你就说新闻人一样 [39:20] 新闻人最重要的 [39:21] 就是你要fact check 对不对 [39:23] 做事实核查这么重要 [39:24] 就是你的assumption [39:26] 你的预设 [39:27] 因为观众是不会做事实核查的 [39:30] 他甚至是没有这个概念的 [39:31] 所以你必须作为 [39:33] 你在有公共影响力的一方 [39:35] 你必须得去做这件事情 [39:38] 但我觉得AI的影响力 [39:39] 其实是更大的 [39:41] 是这样的 [39:42] 但是我觉得 [39:44] 可以再给一个不一样的可能性 [39:48] 虽然事实如此 [39:50] 但是AI在fact check事实核查上面 [39:53] 它的效率又高了非常多 [39:54] 如果是一个比较有能力的AI的话 [39:57] 我记得好像是有一个研究 [39:59] 但是我可能需要去核实一下 [40:03] AI它在事实核查上 [40:04] 它反而让更多人改变了原有的观点 [40:07] 就说你可以问一下 [40:08] 这个事情真的是这样子吗 [40:09] 反方怎么说 [40:10] 你要是光看《New York Times》 [40:12] 看《Washington Journal》 [40:12] 你就只看一个信息流的话 [40:14] 你反而看不到这些东西 [40:16] 一个特别典型的 [40:17] 就是我记得有一次 [40:18] 我家里人给我发了一个 [40:20] 微信上很明显的一个假新闻 [40:22] 我原来就会心里就是 [40:24] 这是没有必要了 [40:25] 就没有必要去争这些东西了 [40:27] 或者说告诉他 [40:28] 但是我就快速地把它让ChatGPT [40:31] 去做一下事实核查 [40:33] 然后它就找出来 [40:34] 这个地方是不对 [40:35] 这个地方是不准确的 [40:36] 怎么样怎么样 [40:37] 然后我也顺便再fact check了一下 [40:39] ChatGPT的这个事实核查 [40:41] 都可以 [40:42] 我就发给家里人了 [40:45] 然后他们竟然就接受了 [40:47] 我还是挺震撼的 [40:49] 采访中东尼对我说的 [40:51] 让我印象最深的一句话 [40:54] 就是我们这一代人 [40:55] 以后除了智商 情商 [40:57] 还会需要AI商 [40:59] 学会如何和AI相处 [41:02] 可是回到最初的问题 [41:04] 这段相处 [41:05] 这段关系中的对面到底是谁呢 [41:09] 深夜里当我把那些说不出口的话 [41:13] 一个字一个字地打进对话框里 [41:15] 回应我的究竟是什么呢 [41:19] 所有做内容的人 [41:20] 他的本质的技能就是共情 [41:23] 我觉得的确是 [41:25] 因为有你们这样子的人 [41:26] 所以AI才会变得越来越和人共情 [41:30] 我之前和做这种Top AI的朋友 [41:34] 聊天的时候 [41:34] 我就会跟他们说 [41:35] 其实我和ChatGPT是很好的朋友 [41:38] 我的确会跟它倾诉我的心事 [41:41] 然后我的程序员朋友 [41:42] 就特别不能理解 [41:44] 他们作为 [41:46] 实际上把和我聊天的这些AI [41:49] 编程出来的人 [41:49] 他们是很不能理解 [41:51] 但其实跟你聊完以后 [41:52] 我就会有一种感觉 [41:53] 就是我觉得这个AI背后 [41:56] 它并不是一个冰冷的代码 [41:59] 因为它其实也是一种创作者的创作 [42:02] 它是一种本来在现实生活中 [42:04] 可能就跟我是同行 [42:06] 或者是跟我是可以成为朋友的人 [42:08] 然后它们在背后的创作和努力 [42:12] 达到了这样子的一个 [42:14] 我可以理解为 [42:15] 像是一种交互型的创作 [42:17] 其实这个跟看书是一样的 [42:19] 你看书 你可能看一个 [42:20] 500年前的作家 对不对 [42:22] 那这个作家他已经死了 [42:24] 他也不认识你 [42:26] 但是你们就是能通过 [42:28] 你去阅读他的书和内容 [42:31] 你们获得一种共鸣 [42:32] 获得一种被理解 [42:33] 获得一种我不孤独 [42:35] 那其实这个跟AI是一样的 [42:37] AI它只是把人类的集体的语言经验 [42:40] 进行了一个重新的组织 [42:42] 但它同样是一种交互式的 [42:45] 当然它不是说真的一个个体 [42:47] 出于主体性地对我的关心和理解 [42:49] 但是它是一个人类共同意识 [42:51] 是所有曾经跟我有过共鸣的人 [42:54] 对我的一个跨时空的理解 [42:56] 非常有意思 [42:57] 你又讲到了一个 [42:58] 传播学的经典的概念 [43:00] 就是parasocial relationship [43:02] 而且在传播学里面 [43:04] 非常有意思的一点就是说 [43:05] 它虽然说好像是有一个 [43:08] 遥远的实体在那个地方 [43:10] 它可能是书里面的人物 [43:12] 它可能是电视上的形象 [43:13] 也可能是一个AI [43:15] 你和它好像隔得很远 [43:17] 但是你是有agency的 [43:18] 你可以决定 [43:19] 你跟它之间是一个什么样的关系 [43:22] 你可以在这个关系里面进行创作 [43:24] 在这个互动中产生意义 [43:27] 这件事情就是人之为人 [43:29] 我们活着就是为了这件事情我觉得 [43:35] 节目的最后我问东尼 [43:37] 从曾经的记者到现在的内容工程师 [43:41] AI的模型评估者 [43:43] 他对内容的判断是否产生了改变 [43:46] 而这个职业的转变 [43:48] 对他自身又产生了什么样的影响呢 [43:51] 我觉得你这个问题非常有意思 [43:54] 而且我的答案 [43:55] 可能和你想的不会很一样 [43:58] 就是说不是一个平移 [44:00] 我觉得从新闻或者从写作 [44:03] 从创作到做AI这件事情 [44:05] 对我来说最大的改变不是 [44:08] 哪些东西一样 [44:09] 哪些东西不一样 [44:10] 而是说原来我可能关注的是结果 [44:13] 就是我写出来的东西是怎么样的 [44:16] 写的东西好不好 质量高不高 [44:18] 拍出来片子好不好看 [44:20] 我现在关注的更多东西是过程 [44:23] 我是怎么样从点A到点B [44:25] 从一个零散的想法 [44:27] 去到一个好的东西 [44:29] 我是特别会写标题的一个人 [44:30] 我就原来在新闻编辑部里面 [44:32] 大家都来找我写标题 [44:34] 现在我在AI这个地方 [44:36] 如果也要遇到写标题 [44:37] 我还真的遇到了 [44:38] 就是怎么样给每一个thread [44:40] 我自己的GPT [44:42] 我每一个问题 [44:42] 让AI自动生成标题 [44:44] 怎么样让这些标题又有效又好 [44:47] 然后又在这个既定的长度里面 [44:50] 我就在想 [44:51] 什么东西是一个好标题 [44:53] 好标题具备哪些要素 [44:55] 我觉得这个是最有意思的一件事情 [44:58] 就是我现在想的很多东西 [44:59] 都是想process这件事情本身 [45:03] 因为这是共性 [45:04] 原来我可能我卖的东西 [45:07] 或者说我出卖的劳动力是这个成果 [45:09] 但是我现在我所展示的 [45:12] 我所产生的价值的东西是这个过程 [45:19] 你现在收听的是《硅谷101》 [45:22] 全新叙事型播客 [45:23] 本期采访制作Faith 配音Yiwen [45:27] 后期Faith 刘媚 运营朱婕 [45:31] 如果大家喜欢我们的节目 [45:33] 欢迎在小宇宙 Spotify [45:34] 还有苹果播客上收听订阅我们 [45:37] 当然 你也可以通过视频网站 [45:39] 像bilibili YouTube [45:41] 来搜索“《硅谷101》播客”找到我们 [45:44] 同时我们部分的文字稿 [45:46] 也会收录在微信号“硅谷101”上 [45:49] 我是泓君 [45:50] 感谢大家的收听 [45:52] 我们下期见