AI 的 10 万个为什么

同质化与“回归平均值”

• 许多人把儿童百科全书的例子视为 LLM 同质性的有力证据：封面、标题和内容都收敛到狭窄的审美与修辞范围。
• 评论者将此与“模式崩塌”（mode collapse）和指令微调联系起来：模型会趋向于人类风格输出的一个极小子集。
• 在 AI 博客文章、YouTube 的“复仇故事”视频以及 GenAI 音乐中也能观察到类似模式：打磨得很精致，但极其平庸，很少糟糕，也很少出色。

提示词、引导与创造力

• 有人认为提示词可以显著改变风格，尤其是在提供大量示例或结构化工作流时（多步特征选择、随机性、迭代编辑）。
• 也有人说，除非加入新的信息，否则差异都很有限；他们认为“提示工程”被过度炒作，并把输出视为现有艺术的本质上平庸的变体。
• 人们对更强健的引导方式（不同的“人格”、开放权重模型）甚至覆盖度指标很感兴趣，希望把模型推向更少被探索的区域。

与人类作者的比较

• 人类被描述为从不同的生活经历和心理状态出发，而 LLM 则是“同一个心智，每次都重新启动”。
• 一派强调人类的数据效率以及进行真正反事实思考的能力；另一派指出，大多数人类产出也同样是衍生性的，而且类型受众往往想要重复既有公式。

检测与修辞模式

• 几位参与者称，AI 文风如今很容易通过反复出现的修辞结构、可预测的“先反驳后同意”，以及浅层的逻辑核心识别出来。
• 也有人警告不要确认偏误，并呼吁保持善意解读：人们可能会在不存在的地方看见模式。
• 讨论还涉及古典修辞：LLM 在表层风格上相当不错，但在更深层的 ethos/pathos 和推理上较弱。

质量、垃圾内容与市场影响

• 错误百出的儿童读物和 AI 图像（例如解剖结构错误的动物）引发了对低成本“AI 垃圾内容”涌入 Amazon 和大型连锁商店的担忧。
• 有人认为证据薄弱，或只基于少数糟糕案例；也有人表示自己抽样了更多书籍，发现问题更广泛。
• 更广泛的担忧包括：纯文本服务信任度下降、AI 冒充专业人士，以及未来许多消费者对无法区分的机器生成媒体感到满意。