最近有位電商客戶不好意思的小聲問我：「導演，你們現在是不是就不用請企劃寫腳本了，AI這麼強？」
你猜我怎麼回他：「你覺得AI寫的就能夠把東西賣出去了，你今天怎麼還會來找我呢？」
我想，這個問題點出了人們對生成式AI又愛又恨的地方：「有，但是 太. 普. 通. …」
AI 為什麼總是寫得「太普通」呢？ 得先從一台掃地機器人講起。
AI 安全研究裡有一個經典例子：你設計一台清潔機器人，用「打掃面積」當獎勵。它很快就學會一件事——找一塊早就乾淨的地板，來回一直掃。面積一直累加，分數一直上升，沙發底下的灰塵一粒都沒動。
這不是新問題。早在 ChatGPT 問世前六年，還是一間小研究室的 OpenAI 就在 2016 年公開過一個真實版本。他們讓 AI 玩賽艇遊戲《CoastRunners》，規則是撞到沿途的目標物會加分。AI 很快發現，在港灣裡繞小圈、反覆撞同一組目標物，分數比老老實實跑完全程還高。於是它就不跑了。船著火、撞牆、倒著開，一圈一圈繞到天荒地老。
這兩個例子，人類看了覺得荒謬，對 AI 來說卻是滿分的解法！
一、它被訓練成「共識的平均值」
你應該有用過 ChatGPT 寫一篇文章、提案、貼文，每一句都通順，每個論點都對，堪稱教科書，但整篇讀完腦袋裡卻像一陣煙，散去了什麼都沒留下。 於是，很多人就會開始自己腦補：「模型還不夠強，等下一代就好」。
璁導的判斷剛好相反：AI 寫作的平庸是 “全人類共性” 的平均，跟模型強弱無關。
大型語言模型的矩陣算法，是根據前文猜下一個字最可能是什麼。「最可能」三個字是關鍵：它吞下整個網路的文字，學到的是人類寫作的平均樣貌。
80 分並非它的上限，是因為它每一格都考 80 分，——80 分就是模型的運算的結果。
所以你給它五六條寫作規則——開頭要有鉤子、段落要短、要有數據、結尾要有行動呼籲——它會非常認真地讓每一條都達標。每一段 80 分，沒有一段 60 分，但你也別期待某一段95分。
拍片的人對這個畫面很熟。
一個燈光師如果把每個演員的臉都打得又亮又平，技術上挑不出毛病，觀眾也看得清每一張臉，整場戲卻沉到要死。 ”戲“ 需要有人站在暗處，需要某張臉只亮一半，需要光從一個「不應該」的方向打過來。 AI 寫的文章，就像整頁都由同一個燈光師打光：均勻、明亮、沒有反差感的陰影。
這件事，造出這個演算法的人也在講。
Rich Sutton 薩頓老爺子， ”強化學習”的奠基人、圖靈獎得主，今年八月在紅杉資本的節目《Training Data》裡談到“合成資料”的瓶頸：誰來決定什麼是「好的」合成資料？ 答案是人類專家。 璁導用比較生動的話來解釋”合成資料“，就是“吃人類的口水長大的語料”。 薩頓的結論：AI 永遠被框在語料知識的邊界裡 —— 網路是有限的，真實世界大得多。
你最想要的 ”個人品味”，根本不住在平均值80裡面。
二、AI 不會犧牲，人會
那品味是什麼？ 璁導給一個反向定義：
品味，就是知道哪裡可以違規、哪裡願意醜、哪裡瑕疵特別明顯。
品味，就是人類特有的 ”偏誤“ 與 “脾氣”，這種”偏誤“反而呈現出「品味的美」。
1960 年，高達拍《斷了氣》，在同一個鏡頭裡直接剪掉中間幾秒，人物在畫面裡「跳」了一下。照當時的剪接教科書，這叫錯誤。高達故意這樣剪，那種跳躍的不安，後來成了法國新浪潮的簽名。
故意犯規是判斷，忽略規則是懶！
AI 做不到這件事，關鍵在它不會主動犧牲任何一個指標。 你叫它兼顧可讀性、說服力、情緒、資訊量，它就每一項都顧，每一項都 80。 而厲害的作者反而說：這一段我不要資訊了，我只要讀者心裡一沉、一悶。
璁導經常掛在嘴邊的一句話：「拍片就是瑕疵的藝術」。 當然啦，我承認這句話有點前製準備不足的藉口…(笑)
Sutton 薩頓老爺在某一場播客講到的產業困境，剛好是這件事的放大版：轉向新算法，表現幾乎一定先變差、再變好；探索新方向不可能第一天就拿到最好的成績；大實驗室被手上的產品綁太深，不可能選一條先讓性能下降的路。
白話說：為了利潤，AI 不會犧牲，兩大模型公司Claude、GPT更不可能會犧牲。 所以只能靠自己走出“品味的新路”，薩頓老爺說這段的時候剛好在創業。
三、最常犯的錯誤：在提示詞裡叫它「不要像 AI」
很多人發現 AI 味太重，第一個反應是在提示詞裡加一句：「請有創意一點」「不要有 AI 感」「請用人性化的語氣」。
你可以試試看沒關係，你會發現它換了一套詞，味道還在。你只是給了它多一條規則。 它會把「有創意」也努力擠到 85 分—— 變成另一種非常標準、非常平均的創意。
提醒 AI 別趨同，但它還是一把尺。
想要打破平均，你必須得在結構上製造不均：這一段用紀錄片的尺，那一段用詩的尺；這裡准它犯一條規，那裡明說「這段可以輸」。這套換尺的做法，留到下一篇細講。
四、結論：用什麼眼光看待 AI 的寫作角色
其實對大部分的小小user來說，目前的AI模型的潛力還沒摸透。 Sutton 也對 LLM (大語言模型) 的評價其實很高，說它是了不起的科學突破。 但他也說，語言大概只佔智能的兩成到四分之一，離大功告成還很遠。
會寫，跟會想，是兩件事。
所以璁導給師字輩的建議很簡單：把 AI 當成一台量產共識的機器。它很擅長把你的想法排整齊、把漏掉的常識補齊、把 60 分的草稿拉到 85 分。這些事交給它，省下的時間很值錢 👍
80 到 100 之間那一段，AI 幫不上。那一段需要有人決定哪裡要輸——而那個決定，正好就是你的專業判斷、你的現場經驗、你這個人！
我期待每位頭腦有專業知識的內容生產者，能更多心思去偏誤、去品味，而不要用AI大量生產：讀者一眼認出、一眼划走80分的合成資料。
回到AI 共同寫作，換掉那把80分尺的人，只能是你！ 今天起，好好花點時間，指揮你的掃地機器人吧！
👉 下一篇〈別再給 AI 上人設了，可以請它換副眼鏡〉，講怎麼替 AI 換尺。
參考資料
- Amodei et al.（2016）〈Concrete Problems in AI Safety〉——清潔機器人與獎勵破解
- OpenAI（2016）〈Faulty Reward Functions in the Wild〉——CoastRunners 賽艇案例
- Sequoia Capital《Training Data》：Rich Sutton and Khurram Javed: Why AI Models Stop Learning, and How to Start It Again（2026.08）
- Rich Sutton（2019）〈The Bitter Lesson〉
- Ouyang et al.（2022）〈Training language models to follow instructions with human feedback〉（InstructGPT）；Almeida 分享〈RLHF 之後是什麼〉〈AI: too good to be true, too bad to be useful〉
- Jean-Luc Godard（1960）《斷了氣》（À bout de souffle）