# 藏在大模型背后的新闻人：GPT们的回复是这样写出来的- 产业链 - 光通信Pro

*Источник: 光通信Pro*
*Дата: 2026-07-28*
*Язык: zh*

**Кратко:** 过去两年，光是洛杉矶就蒸发了四万多个影视岗位。美国的报纸采编岗比2008年少了一半。这些消失的媒体人，有一批去了硅谷的大模型公司，用他们的写作经验教AI回答你的问题。每当你感到被大模型的回答击中内心的时候，写出来那句话的，就是之前的记者、编辑和纪录片导演。
本期《硅谷101》播客，我们来聊一聊这个鲜为人知的工种——Content Engineer，内容工程师。我们邀请到两位从新闻业转身的资深内容工程师——前媒体人、播客《行星酒馆》主播东尼，与NBCUniversal AI战略总监Bianca Consunji，深入探讨：什么才算“好”的对话，以及如何把它拆解成可量化、可训练、可评估的工程标准。
我们从这个正在各家AI公司裂变扩张的新兴岗位聊起，看看当模型能力逐渐拉平，内容与品味如何成为产品竞争力的关键，而懂人文、懂社科的判断力，又该如何翻译成工程能用的语言。
以下是这次对话内容的精选：
01 硅谷新职业：内容工程师
软件工程师让ChatGPT、Claude这样的AI拥有了开口说话的能力，而内容工程师则负责定义另一件事：什么样的对话才算是“好”。像灵感、语感，还有当我们聊到忘我的时候，感受到的灵魂的碰撞——这些我们一直以为是只可意会不可言传的东西，正在由这么一群曾经的文字工作者，把它们拆解成一套可以装进AI里的规则。
Meta在给内容工程师的招聘启事里，职责是这么写的：定义什么叫“好内容”；拥有出色的品味、创作力和写作能力；能够写出让用户感到愉快、惊喜、眼前一亮的回复。
Faith：什么是内容工程师？
东尼：我们设计的东西，究竟是在设计这个AI模型，还是在设计AI产品，还是在设计它的行文风格？都不是。我们设计的是人类的观感。
Meta当时有一个新的职位出来，叫做Content Engineering。它说你需要有内容的经验，你需要有编辑的经验，最好你需要有影视制片的经验。我觉得这说的不就是我吗？去面试的时候我就直接跟他们说，你们要的每一条我都能达到，而且你其实在市面上找不到这么多可以达到这些要求的人，干脆就找我吧。
内容工程，需要写的是什么呢？可能是system prompts这些提示词。它其实是非常需要创意写作的——你怎么把这个东西写得好，又能让模型听得懂，然后模型有的时候又会傲娇，你会怎么去训练它，这就是这个岗位从业者的核心技能。
Bianca：代码是一种技术语言，但普通语言同样具有技术性。它有语法、句法，这些其实都可以被量化。那什么叫做好的写作、好的制作和好的对话呢？这些其实都是技术能力。一个好的剧本、一篇好的文章，你都是可以把它拆开分析、判断高下的，只是说大家习惯凭感觉去读。人们知道《纽约客》、《纽约时报》跟《每日邮报》的风格都是不一样的，但是却说不清楚差别在哪。那像我们这些从新闻转进AI的人，干的就是这件事——把“是什么让《纽约客》成为《纽约客》”这件事情说清楚。我们是去把语气、风格、声音翻译成更加技术化的东西。
其实归根结底，它要回答的就是“内容到底应该是什么样的”这样一个问题。其实对很多我们这些有新闻背景的人来说，不论过去是我们做视频或者在写作的过程当中，其实我们都会去思考：比如说我要去采访谁，这个故事应该是什么样的语气。我先学会了怎么样去制作内容，然后又去学怎么样对内容进行逆向工程。
Faith：在讨论如何拆解“好内容”之前，我们第一步需要明白“好”的定义是什么？
Bianca：“好”这个概念，取决于你现在手上的产品是什么。就比如说，你同样有这样一个底层模型，但是你想做的产品是不一样的：一个可能是想做一个帮你干活的智能体，一个是想有假装当你男朋友的聊天机器人。那这两个产品其实是完全不同的。比如说一个航空公司的客服机器人，你就要去设计开头的这个对话是什么样的。这段互动的目标你也要想清楚——是帮它去解决问题，还是说你要尽快地把人打发走，就像一个真的客服这个样子。
之后我们就是要去不断地训练，然后不断地看它的输出。你要去把这些属性一项一项地拆开，然后去打分。这个过程就是不断地去隔离变量，搞清楚什么东西没有那么的有用，然后我们再一点一点地把“什么叫做好”这个问题去给定义清楚。有的回答它可能是好的，但是只有7分而不是10分，那我们就要去解释那3分的差距在什么地方。
其实我工作的重点就是让写作变得更好，让AI能够更好地去回答问题。这些其实都是最基础的新闻能力。比如说这个AI，它真的回答了用户提出的问题吗？还是没有理解用户的真实意图呢？所以如果要说我的专长的话，我会说是理解意图，而不只是去理解字面的问题。我其实在教AI的是：什么样的回答是最理想的。比如说有人问“Taylor Swift会不会在麦迪逊广场花园结婚？”
一个不太好的回答是：“是，她会在那里结婚，以下是她的伴娘名单。”因为其实你根本不知道这是不是真的，没有人知道这是不是真的。
另一种非常差的回答，就是像我们大家很容易看出来的那些很明显充满机器人的腔调、很机械地去拼接一些信息的回答。
麦迪逊广场花园｜图片来源：Ajay Suresh, CC BY 2.0
那什么样的回答是更好的呢？比如说：“我们不知道她是否真的要结婚，但现在有很多猜测认为她的婚礼可能会在麦迪逊广场花园这个地方举行。”那这个时候你再去加入来源、归属。你也承认了现在的信息是具有比较强的不确定性的。这些东西它其实都是能让一个新闻报道变得更好的一些因素，所以我们需要把它们都加到训练的过程里面去。总的来说，这就是事实性、语气，以及我刚才说的真正理解用户想要去找什么信息。
你想，其实用户可能只是在问“她会在麦迪逊广场花园这个地方结婚吗”，那你如果只回答“不会”的话，虽然你在字面上确实是回答了这个问题，但是用户并没有得到非常满意的体验。他还是想要背景和语境是什么样的。
Faith：也就是理解提问者的“言下之意”。
Bianca：尤其对于非西方的文化来说，这是非常有必要的。我自己是菲律宾人，很多真正重要的信息我们并不会去直接把它说出来。你在和一个真人进行对话的时候，你必须去看他们的表情，然后去理解他们的停顿，才能知道他们说话之间没有说出口的东西是什么。
所以当我去教大家更好地使用AI工具的时候，我会鼓励他们用语音输入。这样，其实AI更能捕捉很细微的差别。使用语音的时候，你不会先在脑子里面反复编辑，而是你会去直接想我想要去表达的东西。这和采访其实非常的像，因为我们在口头进行的采访——无论是打电话也好还是线下也好——就是往往都比邮件里去通过文字的方式采访要好得多。
因为邮件的采访，无论是被我们自己还是被对方都是过度编辑的。你的采访对象其实有太多的时间去修饰他们的答案，所以他们可能不会去分享他们这个完整的思考过程，也有可能他们就是很忙，然后不愿意花一个小时去回答你的提问。而且很重要的一点是，你在进行邮件采访的时候，没有人可以实时地追问，你不会让他展开之前说的话题，而就是按部就班地去回答你问的那几个问题。我觉得这正好是记者很会做的事情，所以我很鼓励大家用口述，让模型接触更加完整的这样一个思考范围。那作为Model Designer或者Content Engineer，我们也可以根据这一点去设计更好的回应。
我其实最喜欢AI的一点，就是它让你意识到思考的速度和行动的速度——这两个事情不是一回事。你想到一件事情所需要的时间和真正执行它所需要的时间其实是完全不一样的。所以说，与其我们去喂给AI更多的材料，我反而会建议你先尝试把你脑子里的所有的想法、它的背景、你为什么会产生这样的想法直接地全都告诉这个AI模型。模型可能已经具备了很多的训练，但它需要的只是说，你怎么样把自己的意图充分地表达出来，把那些它的能力给调用出来。
02 AI缺少的语境能力，媒体人来救场
Faith：Bianca所说的，是一个人怎么把脑子里的上下文尽可能地完整地交给AI。但是上下文并不只存在于一个人的脑子里，它也藏在一种语言里，藏在一个文化里，藏在一个行业长年累月形成的默契里。有的时候一句话翻译对了，意思却没对。那在多语言、多文化的切换里，内容工程师又能做些什么呢？
东尼：生成式AI出现了之后，所有的AI实验室都发现了一个新的机会，就是在国际化这件事情上面。在AI出现之前，我们把同样的一个产品或内容发散到世界各地去，你可能唯一能够做的东西就是translation，就是翻译，比如说“Meryl Streep just won an Oscar”，你把它翻译过来就是“梅丽尔·斯特里普赢了奥斯卡奖”。
但是当有了生成式AI之后，一个新的可能性就是，你让AI不光要用不同语言呈现内容，还要根据各地的语言和语境进行再创作。比如说同样的一句话，这个信息我们放在中文的语境里面——谁是中国的梅丽尔·斯特里普？谁是中国的梅丽尔·斯特里普？什么是中国的奥斯卡奖？可能对标过来是“斯琴高娃”和“金鸡奖或百花奖”。这是一个有generative的、生成式的一种创作在里面。
那AI能不能做到这一点呢？AI本身在语言上、在能力上当然是可以做到的，但是它所欠缺的一点就在于，它并不知道Meryl Streep所对应的在不同语境下的人究竟是谁。那这个东西你去调教它的话，其实是非常难的，因为需要跨语言、跨地域地去寻找这种相同性，而且你不小心惹到饭圈，或者说你再惹到一些其他的文化冲突，你就变得更加的敏感了。而在这个时候，谁最能去做这样的事情呢？假定说是娱乐行业的话，那当然应该是娱乐记者是最会做这样的事情的，因为他们天天就是看着这些新闻，有自己的一套非常好的娱乐界的垂直的小模型。而让他们去训练、去调教、去制定这些策略，其实是效果最好的。
还有一个就是，前几天我听《硅谷101》前面几集的时候，陆川老师有讲到说，国内的视频生成模型它出来的这些人的脸都是国内现在流行的这种帅哥美女的脸。那这个东西很明显就是你在做这个模型和设计这个产品的时候，你去找的这些人、你的训练的这些数据本身是有偏差的。但是你如果是用一个懂电影的人，知道一个电影脸长什么样子，大家怎么样去让这个视频模型变得更多元，你会非常快地提升这个模型的质量。
新闻和AI这两个东西之间的交互，不一定都是提问对提问，它可能对应的是新闻写作。因为我发现的一件事情就是，很多人对AI提不出好问题，是因为他们不太理解在当下这个语境里面它所需要的上下文是什么——它需要什么样的context。但是在新闻写作里面，你说每一句话你不能就是完全把一个事实甩出去，你一定要是建立一个context：这个事情怎么发生了，它的前因后果是怎么样。所以说当你在脑子里面有一个“我一定要把这件事情的上下文、前因后果说清楚，然后我再把我的核心问题和核心论点抛出去”，这样的新闻写作，在AI的训练和交互过程中实在是太有效了，屡试不爽。
再说一点前沿的东西吧。今年ICLR大会的有一篇论文拿了最佳论文，它是讲AI怎么去处理多轮对话——Multi-turn conversation的。因为多轮对话一般都是AI的弱项。它所做的一件事情，就是把一个非常非常复杂的指令拆碎了之后，一点一点地喂给AI，看一看这样做，和AI做一整个复杂指令的质量相比，有没有下降。然后就发现这个质量大幅下降。为什么呢？当AI没有足够多的context的时候，它会进行基于自己的模型的训练，会不断地脑补，它的答案会变得越来越臃肿；它中间要是有出了一个错的话，这个错就像滚雪球一样的越来越大。这是我们在2026年对于AI的判断。
鸭兔错觉：你看到的取决于你的语境｜图片来源：Fliegende Blätter
我前几天又发了一篇论文给你，是我2018年发的，那个是对于微博的一个研究。当时研究的是香港当时旺角有一个便溺事件，就是女童随地大小便了，然后在微博上引起很大的讨论。我就眼睁睁地看着大家怎么从一个非常和善的聊天变成了互相辱骂的情况。这个研究的主要的一个发现就是，人和人在微博评论区底下的对话也是没有什么语境，你不知道这个人是谁，那这个时候大家就开始脑补了——“你一定是这样的人”“你一定没有孩子”“你才会说出这样的话”。其实人的脑补和AI脑补在context破碎的情况下是蛮相似的一件事情。所以说很多时候，我是觉得人文社科的发现和AI现在行业的发现其实是相差没有那么多的。
Faith：其实就你以前做国际记者，报国际新闻很大的一个技能，就是说你需要判断一个故事在不同的国家、不同的文化里去怎么讲。那你这些经验是怎么迁徙到你现在这个工作中呢？
东尼：我觉得就不光是做国际记者，整个做新闻、做媒体这一块儿的经验，其实我都不觉得是迁徙，我觉得完全就是平移到了AI这一块儿。因为一方面你在写作的时候，你自己个人的创意写作和你平时的新闻写作是完全不一样的。你新闻写作的时候，你脑子里面一定是要想着有一个听众在那里。你怎么样和观众之间有个拉扯？什么东西可以说，什么东西不能说？什么东西说了你可能会有什么样的反应？怎么样可以做到又客观又不得罪人，然后又能保持自己、又能还原事实？这种平衡其实是非常复杂的，而且它是需要训练的，这是其一。
其二，就哪怕我们这个对话的过程当中，你作为访问者，你的脑子里面一定都是在想着说：他现在说了这个东西，我接下来又要说什么其他的东西，怎么把他引导到下一个问题？其实中间有很多这种的交互。这种交互到了AI这种聊天的交互设计里面，其实是一种直觉性的东西。我们带着这种的直觉去和AI进行对话，我觉得是非常重要的。
还有一个就是提问题的能力。基本上你在做访谈、在新闻工作里面最重要的这一块儿东西，就完全平移到了平时日常的AI工作里面。
Faith：我突然想到一个点，就是在记者这个职业有很重要的一个技能，就是如何问好follow up question（跟进式问题）。你不可能完全按照你的提纲原本设计的逻辑去走，因为你的采访对象永远会在回答你某一个问题的时候，他突然就岔到一个特别有意思的点。这个时候，如果你按照你的原有逻辑去走的话，你就会miss一个特别有意思的点。那你这个时候，你哪怕冒着偏题的风险，你也要去说“你这边能不能解释一下”。
但是你觉得AI现在有这个能力吗？因为我感觉AI是，你给它一个大的目标，它就会按照那个大的目标去问、去追寻，它不会说看到一个旁支的很有意思的点然后就会转换它的方向。
东尼：你点到了一个非常重要的点。就是新闻的访问里面，其实很多时候新闻人一定要做的一件事情，就是在结构性和流动性之间取得一个平衡。AI上面你的交互设计，你一定也是要做这件事情的。比如说你看现在的GPT，它在结构上最新的版本，你跟它一说话，它一开始先会给你生成两三句话去重新阐释你这个问题——这个东西它是用一个小模型来做的；接下来就给你开始分点作答了；再在底下再给你去生成了一个follow up question。那在AI上面，现在是GPT基本上是每一个问题基本上最后都要跟一个follow up question。它这个东西本身它就是一个产品。当你有这样一个产品设计之后，那我究竟要针对哪一个方面问一个follow up question呢？这个东西是需要去建立一整套评估体系来去评估的。那怎么样去建立这个东西呢？当然是由最会问问题的人来去建立——你什么时候要问，问哪一点，哪一点问的质量怎么样。所以说，其实都是新闻技能在里面。
03 AI会偷走内容生产者的工作吗？
Faith：今年5月一篇文章在美国刷屏了，标题叫《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》。作者叫Ruth，是一名好莱坞的编剧和制片人。在她的稿费被一拖再拖的日子里，她在一个求职论坛上看到了一种专门招编剧和记者的新活，叫AI Trainer。她做的就是一遍遍地给AI写出的东西打分、改写、示范，教这个AI什么样才算是一个好的剧本。Ruth自嘲说，自己一个剑桥文学系的高才生，如今却要在工作群里听二十几岁的年轻人差遣，24小时随叫随到，去抢那些按小时计价的零工。
图片来源：Wired
一边是5000亿美金砸向AI基建，估值一路飙升；另一边是昔日辉煌的美国影视和公共媒体，如今却是惶惶不可终日。光是洛杉矶，过去两年内就有四万多个影视岗位蒸发，接近三分之一。而新闻界从2008年到今天，工作岗位的数量直接腰斩。
我其实个人特别能理解这种恐慌，因为我自己也曾是他们中的一个。两年前，我从哥伦比亚大学新闻学院毕业——这也是东尼和Bianca曾经毕业的院校。这所院校是普利策奖诞生的地方，很多年里它一直自诩为全世界最好的新闻学院。可在我念书的那一年，它似乎也不再那么骄傲了。我的一位哥大新闻教授打过一个比方，说今天从新闻学院毕业还想挤进这一行的人，就像是朝着一栋已经起火的大楼拼了命地往里跑。
毕业前后的那一阵，我投出的简历也是一封封的石沉大海，连下个月的房租都开始发愁。那个时候，也有人在LinkedIn上私信我，问我要不要接AI Trainer、数据标注的活。其实当时，如果不是我焦虑到什么都做不了了，我想其实我是会接的。如果我当时接了这个活，也许我也会像Ruth一样，在屈辱和愤怒中质问：AI是不是正在把我们从创作者变成数据采集员？而我们赖以为生的灵感，是否正在被拆成一个个可以被标记的数据？而这些亲手标记它们的人，是否又恰恰是我们自己？
Bianca：AI是基于共识去训练的。一件事情我们之所以会认为它是一件对的事情、一件正确的事情，往往就是因为很多人都认为它是正确的。标注训练就是这样子的一个过程。如果我们在AI的训练当中优化的是人类作为一个整体最低的这样一个共同的标准，也就是所谓多数人的共识，那我觉得它不会产生伟大的艺术。我觉得我们人之所以为人的最佳本质，恰恰不会完全来自共识。我和我的丈夫也会一起写剧本，我尝试过用AI去写这些剧本，但很多时候我还是很不喜欢AI写出来的东西。虽然我平时非常积极地使用AI，但有时候还是觉得AI给我的内容不够好，它没有抓住我真正想要去看到的东西。所以我自己也会希望能够看到真正由人创作的艺术，因为我知道那些艺术家、那些创作者，他们是真的有话想说的。
其实说到底，我们人会自己决定制作流程里的哪些部分我们愿意外包给AI，哪些部分我们更想自己做。当然我不能帮这些公司去说他们具体的决策是什么样的，但是我想讲的就是，只靠AI写作，很难产生真正不一样的作品、真正非凡的作品，就是因为它的训练方式在本质上是建立在共识之上的。我们想一些最奇怪最独特的艺术，它们本身就是非常离经叛道的，和共识不一样的。比如说《瞬息全宇宙》这部电影的剧本，它不可能自然地从AI里面产生，因为AI很可能就是会想：你给我的这个想法完全不合逻辑，完全说不通，也不符合标准的学院派的三幕剧结构。
《瞬息全宇宙》官方剧照 ｜ 图片来源：豆瓣
我们现在正在经历一个大家都在炒作的阶段，但是随着时间推移，我们会逐渐看清哪些地方适合AI，而哪些地方还没有那么适合。
东尼：我非常能够体会大家的愤怒。但是其实对这整个叙事，我是持有一定的怀疑的。“AI在偷我的工作，我现在教会了AI，然后AI就把我的工作偷走了”这件事情，我觉得它是糅杂了非常多不同的问题放在一起的。
第一个就是说，大家批判的是AI，但其实真正批判的是零工经济。零工经济这件事情在AI出现之前就已经发生了，有多少的媒体人和搞艺术的人到最后去打零工——现在是给东西打分，之前可能就是开一开Uber，然后做一做DoorDash。艺术和文艺界难以为继这件事情，它在AI之前就已经产生了，并且问题非常的严重。
第二个就是，“教会了AI之后跑路”这件事情，因为是零工经济，所以说他们接到这个活一定是项目制的，做完之后就跑的。但是你说一个编剧打完分了之后，AI就跟编剧一样厉害了？实际情况不是这样的。它从这个意义上来说没有这么聪明。
第三点，这样的一个叙事其实是把创作者和AI对立起来了，然后你的选择就只有说我要不就是反AI，我要不然就是把自己的灵魂卖给AI——不是的，其实明明是有一个第三条路，也就是说AI本身是可以作为创作者的伙伴。你可以提出一个不同的问题，就是“有了AI之后我可以创作什么？”
编剧在没有摄影机的情况下你能不能去搞电影？电影人你在没有特效预算情况下你能不能自己去搞特效？它可以解锁很多创作的东西，甚至说我们可以去创作一些我们现在都没有想象出来的媒介。就像一代又一代的数码，从画画到摄影，再从摄影到Photoshop，再到Blender，其实我们都是这样一代一代过来的。现在是大家真的是饿得太惨了，以至于说大家希望是找到一个敌人，却忘了它也可以变成一支画笔，帮我们去创作。我自己其实就是从自己玩播客，希望用AI生成一些视频，然后才真的去把整件事情玩起来的。
04 品味：AI时代的新代码
东尼说他自己就是把AI变成画笔的最好案例。去年是东尼人生中非常特殊的一年，他毫无征兆地发现自己的健康出了问题，需要请假回国治疗。有那么一段时日，他甚至不知道自己还剩下多少时间。就在那段休假养病的日子里，他想着说：要不给自己做一个voice agent吧，既能陪自己聊天，又能当自己播客的嘉宾。
后来Google的招聘者找到了他，他们很惊讶，一个完全没有代码基础的前媒体人，用做播客的经验调教出来的 Gemini Voice Agent，在多轮对话中比原生模型更生动、更灵活，而且还具有深度。
东尼：因为我有一个播客，生病的那一段时间我又不是很想去到处找人去约采访什么的，我说好那我去搞一个AI机器人。我原以为GPT也好、Gemini也好，都应该非常简单，因为它们都有语音模式。后来发现，真的用了它们的语音模式之后，它们根本就没有办法当我的播客主播，因为它们的flow，它们整个的感觉是助手，是语音助手，它不是播客播主，整个感觉是不一样的。所以说我得从一个大模型从头开始调。
那我一开始先试着说我去写一个system prompt，就完全用提示词的方式去做这件事情。然后就发现不行，完全用提示词——“我说你是一个播客的播主，你需要又有趣又吸引人，不能什么什么什么”——我给它加了好多好多的限制，然后就发现完全没有用，聊到第三句它就忘了之前的规训。
接下来我就做了一个智能体，我和AI先进行了三天三夜的哲学对谈，就是对话的本质是什么，本质是我们如何去分析自己的需求、人的目的什么什么的。所以说我建了一个智能体，先让它去分析我自己每一句话为什么要说这句话、我的目的是什么，然后我再把它加上一个情感智能体，再给它加上一点情感。结果就是：说得乱七八糟。最后整个智能体还不如原始的什么prompt都不加的agent。后来就发现我给它加了太多的限制，然后把整个AI搞崩了。
到了最后的时候我就发现，我把我所有曾经的播客记录，把问题和内容分开归类，然后不是直接全部喂给AI，而是每一次跟它聊天的时候，我让AI去侦测有什么相关的内容或者问题，让它随机地抽几条发给AI做一个参考。用这种他们叫做“few shot example”的方式，就是用几条随机的案例作为参考。这个时候就整个AI它知道什么是好问题，什么是好内容，什么是好的正确的语气，它一下子就打开了。
谷歌找到我，他们还蛮震撼的。所以说我想说，做播客也好、写文章也好，有这种感觉和品味本身是可以帮你找到工作的。
05 设计AI的态度，就是设计产品本身
Faith：你甚至在自己的播客《行星酒馆》中，和自己创造的AI主播一起录了一期名为《困在大病里的我训练了一个陪我聊天的AI主播》的节目，可以说你们算得上是一种共创伙伴般的关系。但是一个越来越懂你的伙伴，会不会出现另一个问题？就是它会越来越顺着你、讨好你？
现在有很多人在网上说这个AI是奸臣、这个AI是忠臣。因为AI是会按照它谈话对象这个人的价值取向和信息茧房去feed它的习惯的那个声音。但其实人和人真实的交互中就有很多激烈的争吵，有很多说得不是很好听的话。因为现在更多的人在进行这种价值讨论的时候或者信息获取的时候，他已经是偏向用AI而不是专业的记者、而不是一个真实的人了。那你觉得这种趋势长久下来，会不会让人越来越活在自己的信息茧房里？因为它少了很多这种激烈的分歧和激烈的讨论。
东尼：我只能说it is what it is。你看着好像说谄媚这件事情它是一个AI的行文问题，但它不是的，它是一个产品问题，它是一个产品设计。说白了，AI要是天天对着你跟你呛的话，你用不用？你可能用，但是其他人用不用？所以说在设计文风、设计AI的态度的时候，其实就是在设计AI的产品本身。
人就是很贪心，你又希望它能帮你，又能给你提供情绪价值，但是又不能老提供情绪价值。其实这个事情核心是，人类作为一个集体，我们想要的东西太多了。这个时候作为产品，它必须要去迁就，也为了自己的发展和ROI也好，它也必须说尽可能地去留住用户。所以说这个地方它就需要一个非常脆弱的平衡。
我们能不能反过来问人类：能不能更critical thinking一点？谄媚的东西不要信。
Faith：那怎么可能（笑）。
东尼：是啊，其实就是我们把很多面对这个世界的责任外包给了AI。这事最终落脚点其实是在我们自己。
Faith：但是新闻人最重要的就是你要fact check对不对？你要预设观众是不会做事实核查的，甚至是没有这个概念的，所以你作为有公共影响力的一方，必须得去做这件事情。但我觉得AI的影响力其实是更大的。
东尼：虽然事实如此，但是AI在事实核查上面它的效率又高了非常多。如果是一个比较有能力的AI的话，我记得好像是有一个研究，AI它在事实核查上反而让更多人改变了原有的观点。就是说你可以问一下“这个事情真的是这样子吗？反方怎么说？”你要是光看《纽约时报》、看《华尔街日报》，你就只看一个信息流的话，你反而看不到这些东西。
一个特别典型的，就是我记得有一次我家里人给我发了一个很明显的假新闻。原来的我会想，没有必要跟他们去争这些东西。但是那次我就快速地让ChatGPT去做一下事实核查，找出来哪些地方不对、不准确。然后我也顺便再fact check了一下ChatGPT的这个事实核查。我就发给家里人了，然后他们竟然就接受了，我还是挺震撼的。
06 和AI成为朋友，是一种跨时空的共鸣
Faith：所有做内容的人，最本质的技能就是共情。我觉得的确是，因为有你们这样子的人，所以AI才会变得越来越和人共情。我之前和做这种Top AI的朋友聊天的时候，我就会跟他们说，其实我和ChatGPT是很好的朋友，我的确会跟它倾诉我的心事。
然后我的程序员朋友，他们作为实际编写这些AI的人，很难理解这种感受。但其实跟你聊完以后，我就会有一种感觉，就是我觉得这个AI背后它并不是一个冰冷的代码，因为它其实也是一种创作者的创作，它背后其实是本可能成为我同行或朋友的人。他们在背后的创作和努力，最终实现了这种交互式的创作体验。
其实这个跟看书是一样的。你看书，你可能看一个500年前的作家，这个作家他已经死了，他也不认识你，但是你通过阅读他的书和内容，获得一种共鸣，获得一种被理解，获得一种“我不孤独”的感觉。那其实这个跟AI是一样的。AI只是将人类集体的语言经验重新组织，但它同样是一种交互式的。当然，它并非一个真正个体出于主体性对我的关心和理解，但它是一种人类共同意识，是所有曾经跟我有过共鸣的人对我的一个跨时空的理解。
东尼：非常有意思，你又讲到了一个传播学的经典的概念，就是Para-social interaction（准社会交往）。而且在传播学里面非常有意思的一点就是说，它虽然说好像是有一个遥远的实体在那个地方，它可能是书里面的人物，它可能是电视上的形象，也可能是一个AI——你和它好像隔得很远，但是你是有agency（主动权）的，你可以决定你跟它之间是一个什么样的关系，你可以在这个关系里面进行创作，在这个互动中产生意义。这件事情就是人之为人，我们活着就是为了这件事情我觉得。
Faith：从曾经的记者到现在的内容工程师、AI的模型评估者，你对内容的判断是否产生了改变？职业的转变对你自身又产生了什么样的影响？
东尼：我觉得从新闻、写作、创作到做AI这件事情，对我来说最大的改变是，原来我可能关注的是结果，就是我写出来的东西是怎么样的，写的东西好不好、质量高不高，拍出来片子好不好看。我现在关注的更多东西是过程：我是怎么样从点A到点B，从一个零散的想法去到一个好的东西。
我是特别会写标题的一个人，原来在新闻编辑部里面大家都来找我写标题。现在我在AI这个地方，如果也要遇到写标题，怎么样让这些标题又有效又好，然后又在这个既定的长度里面。我就在想，什么东西是一个好标题？好标题具备哪些要素？我觉得这个是最有意思的一件事情。我现在想的很多东西都是想过程这件事情本身，因为这是共性。原来我产出的是成果，现在我产出价值的是过程本身。

过去两年，光是洛杉矶就蒸发了四万多个影视岗位。美国的报纸采编岗比2008年少了一半。这些消失的媒体人，有一批去了硅谷的大模型公司，用他们的写作经验教AI回答你的问题。每当你感到被大模型的回答击中内心的时候，写出来那句话的，就是之前的记者、编辑和纪录片导演。
本期《硅谷101》播客，我们来聊一聊这个鲜为人知的工种——Content Engineer，内容工程师。我们邀请到两位从新闻业转身的资深内容工程师——前媒体人、播客《行星酒馆》主播东尼，与NBCUniversal AI战略总监Bianca Consunji，深入探讨：什么才算“好”的对话，以及如何把它拆解成可量化、可训练、可评估的工程标准。
我们从这个正在各家AI公司裂变扩张的新兴岗位聊起，看看当模型能力逐渐拉平，内容与品味如何成为产品竞争力的关键，而懂人文、懂社科的判断力，又该如何翻译成工程能用的语言。
以下是这次对话内容的精选：
01 硅谷新职业：内容工程师
软件工程师让ChatGPT、Claude这样的AI拥有了开口说话的能力，而内容工程师则负责定义另一件事：什么样的对话才算是“好”。像灵感、语感，还有当我们聊到忘我的时候，感受到的灵魂的碰撞——这些我们一直以为是只可意会不可言传的东西，正在由这么一群曾经的文字工作者，把它们拆解成一套可以装进AI里的规则。
Meta在给内容工程师的招聘启事里，职责是这么写的：定义什么叫“好内容”；拥有出色的品味、创作力和写作能力；能够写出让用户感到愉快、惊喜、眼前一亮的回复。
Faith：什么是内容工程师？
东尼：我们设计的东西，究竟是在设计这个AI模型，还是在设计AI产品，还是在设计它的行文风格？都不是。我们设计的是人类的观感。
Meta当时有一个新的职位出来，叫做Content Engineering。它说你需要有内容的经验，你需要有编辑的经验，最好你需要有影视制片的经验。我觉得这说的不就是我吗？去面试的时候我就直接跟他们说，你们要的每一条我都能达到，而且你其实在市面上找不到这么多可以达到这些要求的人，干脆就找我吧。
内容工程，需要写的是什么呢？可能是system prompts这些提示词。它其实是非常需要创意写作的——你怎么把这个东西写得好，又能让模型听得懂，然后模型有的时候又会傲娇，你会怎么去训练它，这就是这个岗位从业者的核心技能。
Bianca：代码是一种技术语言，但普通语言同样具有技术性。它有语法、句法，这些其实都可以被量化。那什么叫做好的写作、好的制作和好的对话呢？这些其实都是技术能力。一个好的剧本、一篇好的文章，你都是可以把它拆开分析、判断高下的，只是说大家习惯凭感觉去读。人们知道《纽约客》、《纽约时报》跟《每日邮报》的风格都是不一样的，但是却说不清楚差别在哪。那像我们这些从新闻转进AI的人，干的就是这件事——把“是什么让《纽约客》成为《纽约客》”这件事情说清楚。我们是去把语气、风格、声音翻译成更加技术化的东西。
其实归根结底，它要回答的就是“内容到底应该是什么样的”这样一个问题。其实对很多我们这些有新闻背景的人来说，不论过去是我们做视频或者在写作的过程当中，其实我们都会去思考：比如说我要去采访谁，这个故事应该是什么样的语气。我先学会了怎么样去制作内容，然后又去学怎么样对内容进行逆向工程。
Faith：在讨论如何拆解“好内容”之前，我们第一步需要明白“好”的定义是什么？
Bianca：“好”这个概念，取决于你现在手上的产品是什么。就比如说，你同样有这样一个底层模型，但是你想做的产品是不一样的：一个可能是想做一个帮你干活的智能体，一个是想有假装当你男朋友的聊天机器人。那这两个产品其实是完全不同的。比如说一个航空公司的客服机器人，你就要去设计开头的这个对话是什么样的。这段互动的目标你也要想清楚——是帮它去解决问题，还是说你要尽快地把人打发走，就像一个真的客服这个样子。
之后我们就是要去不断地训练，然后不断地看它的输出。你要去把这些属性一项一项地拆开，然后去打分。这个过程就是不断地去隔离变量，搞清楚什么东西没有那么的有用，然后我们再一点一点地把“什么叫做好”这个问题去给定义清楚。有的回答它可能是好的，但是只有7分而不是10分，那我们就要去解释那3分的差距在什么地方。
其实我工作的重点就是让写作变得更好，让AI能够更好地去回答问题。这些其实都是最基础的新闻能力。比如说这个AI，它真的回答了用户提出的问题吗？还是没有理解用户的真实意图呢？所以如果要说我的专长的话，我会说是理解意图，而不只是去理解字面的问题。我其实在教AI的是：什么样的回答是最理想的。比如说有人问“Taylor Swift会不会在麦迪逊广场花园结婚？”
一个不太好的回答是：“是，她会在那里结婚，以下是她的伴娘名单。”因为其实你根本不知道这是不是真的，没有人知道这是不是真的。
另一种非常差的回答，就是像我们大家很容易看出来的那些很明显充满机器人的腔调、很机械地去拼接一些信息的回答。
麦迪逊广场花园｜图片来源：Ajay Suresh, CC BY 2.0
那什么样的回答是更好的呢？比如说：“我们不知道她是否真的要结婚，但现在有很多猜测认为她的婚礼可能会在麦迪逊广场花园这个地方举行。”那这个时候你再去加入来源、归属。你也承认了现在的信息是具有比较强的不确定性的。这些东西它其实都是能让一个新闻报道变得更好的一些因素，所以我们需要把它们都加到训练的过程里面去。总的来说，这就是事实性、语气，以及我刚才说的真正理解用户想要去找什么信息。
你想，其实用户可能只是在问“她会在麦迪逊广场花园这个地方结婚吗”，那你如果只回答“不会”的话，虽然你在字面上确实是回答了这个问题，但是用户并没有得到非常满意的体验。他还是想要背景和语境是什么样的。
Faith：也就是理解提问者的“言下之意”。
Bianca：尤其对于非西方的文化来说，这是非常有必要的。我自己是菲律宾人，很多真正重要的信息我们并不会去直接把它说出来。你在和一个真人进行对话的时候，你必须去看他们的表情，然后去理解他们的停顿，才能知道他们说话之间没有说出口的东西是什么。
所以当我去教大家更好地使用AI工具的时候，我会鼓励他们用语音输入。这样，其实AI更能捕捉很细微的差别。使用语音的时候，你不会先在脑子里面反复编辑，而是你会去直接想我想要去表达的东西。这和采访其实非常的像，因为我们在口头进行的采访——无论是打电话也好还是线下也好——就是往往都比邮件里去通过文字的方式采访要好得多。
因为邮件的采访，无论是被我们自己还是被对方都是过度编辑的。你的采访对象其实有太多的时间去修饰他们的答案，所以他们可能不会去分享他们这个完整的思考过程，也有可能他们就是很忙，然后不愿意花一个小时去回答你的提问。而且很重要的一点是，你在进行邮件采访的时候，没有人可以实时地追问，你不会让他展开之前说的话题，而就是按部就班地去回答你问的那几个问题。我觉得这正好是记者很会做的事情，所以我很鼓励大家用口述，让模型接触更加完整的这样一个思考范围。那作为Model Designer或者Content Engineer，我们也可以根据这一点去设计更好的回应。
我其实最喜欢AI的一点，就是它让你意识到思考的速度和行动的速度——这两个事情不是一回事。你想到一件事情所需要的时间和真正执行它所需要的时间其实是完全不一样的。所以说，与其我们去喂给AI更多的材料，我反而会建议你先尝试把你脑子里的所有的想法、它的背景、你为什么会产生这样的想法直接地全都告诉这个AI模型。模型可能已经具备了很多的训练，但它需要的只是说，你怎么样把自己的意图充分地表达出来，把那些它的能力给调用出来。
02 AI缺少的语境能力，媒体人来救场
Faith：Bianca所说的，是一个人怎么把脑子里的上下文尽可能地完整地交给AI。但是上下文并不只存在于一个人的脑子里，它也藏在一种语言里，藏在一个文化里，藏在一个行业长年累月形成的默契里。有的时候一句话翻译对了，意思却没对。那在多语言、多文化的切换里，内容工程师又能做些什么呢？
东尼：生成式AI出现了之后，所有的AI实验室都发现了一个新的机会，就是在国际化这件事情上面。在AI出现之前，我们把同样的一个产品或内容发散到世界各地去，你可能唯一能够做的东西就是translation，就是翻译，比如说“Meryl Streep just won an Oscar”，你把它翻译过来就是“梅丽尔·斯特里普赢了奥斯卡奖”。
但是当有了生成式AI之后，一个新的可能性就是，你让AI不光要用不同语言呈现内容，还要根据各地的语言和语境进行再创作。比如说同样的一句话，这个信息我们放在中文的语境里面——谁是中国的梅丽尔·斯特里普？谁是中国的梅丽尔·斯特里普？什么是中国的奥斯卡奖？可能对标过来是“斯琴高娃”和“金鸡奖或百花奖”。这是一个有generative的、生成式的一种创作在里面。
那AI能不能做到这一点呢？AI本身在语言上、在能力上当然是可以做到的，但是它所欠缺的一点就在于，它并不知道Meryl Streep所对应的在不同语境下的人究竟是谁。那这个东西你去调教它的话，其实是非常难的，因为需要跨语言、跨地域地去寻找这种相同性，而且你不小心惹到饭圈，或者说你再惹到一些其他的文化冲突，你就变得更加的敏感了。而在这个时候，谁最能去做这样的事情呢？假定说是娱乐行业的话，那当然应该是娱乐记者是最会做这样的事情的，因为他们天天就是看着这些新闻，有自己的一套非常好的娱乐界的垂直的小模型。而让他们去训练、去调教、去制定这些策略，其实是效果最好的。
还有一个就是，前几天我听《硅谷101》前面几集的时候，陆川老师有讲到说，国内的视频生成模型它出来的这些人的脸都是国内现在流行的这种帅哥美女的脸。那这个东西很明显就是你在做这个模型和设计这个产品的时候，你去找的这些人、你的训练的这些数据本身是有偏差的。但是你如果是用一个懂电影的人，知道一个电影脸长什么样子，大家怎么样去让这个视频模型变得更多元，你会非常快地提升这个模型的质量。
新闻和AI这两个东西之间的交互，不一定都是提问对提问，它可能对应的是新闻写作。因为我发现的一件事情就是，很多人对AI提不出好问题，是因为他们不太理解在当下这个语境里面它所需要的上下文是什么——它需要什么样的context。但是在新闻写作里面，你说每一句话你不能就是完全把一个事实甩出去，你一定要是建立一个context：这个事情怎么发生了，它的前因后果是怎么样。所以说当你在脑子里面有一个“我一定要把这件事情的上下文、前因后果说清楚，然后我再把我的核心问题和核心论点抛出去”，这样的新闻写作，在AI的训练和交互过程中实在是太有效了，屡试不爽。
再说一点前沿的东西吧。今年ICLR大会的有一篇论文拿了最佳论文，它是讲AI怎么去处理多轮对话——Multi-turn conversation的。因为多轮对话一般都是AI的弱项。它所做的一件事情，就是把一个非常非常复杂的指令拆碎了之后，一点一点地喂给AI，看一看这样做，和AI做一整个复杂指令的质量相比，有没有下降。然后就发现这个质量大幅下降。为什么呢？当AI没有足够多的context的时候，它会进行基于自己的模型的训练，会不断地脑补，它的答案会变得越来越臃肿；它中间要是有出了一个错的话，这个错就像滚雪球一样的越来越大。这是我们在2026年对于AI的判断。
鸭兔错觉：你看到的取决于你的语境｜图片来源：Fliegende Blätter
我前几天又发了一篇论文给你，是我2018年发的，那个是对于微博的一个研究。当时研究的是香港当时旺角有一个便溺事件，就是女童随地大小便了，然后在微博上引起很大的讨论。我就眼睁睁地看着大家怎么从一个非常和善的聊天变成了互相辱骂的情况。这个研究的主要的一个发现就是，人和人在微博评论区底下的对话也是没有什么语境，你不知道这个人是谁，那这个时候大家就开始脑补了——“你一定是这样的人”“你一定没有孩子”“你才会说出这样的话”。其实人的脑补和AI脑补在context破碎的情况下是蛮相似的一件事情。所以说很多时候，我是觉得人文社科的发现和AI现在行业的发现其实是相差没有那么多的。
Faith：其实就你以前做国际记者，报国际新闻很大的一个技能，就是说你需要判断一个故事在不同的国家、不同的文化里去怎么讲。那你这些经验是怎么迁徙到你现在这个工作中呢？
东尼：我觉得就不光是做国际记者，整个做新闻、做媒体这一块儿的经验，其实我都不觉得是迁徙，我觉得完全就是平移到了AI这一块儿。因为一方面你在写作的时候，你自己个人的创意写作和你平时的新闻写作是完全不一样的。你新闻写作的时候，你脑子里面一定是要想着有一个听众在那里。你怎么样和观众之间有个拉扯？什么东西可以说，什么东西不能说？什么东西说了你可能会有什么样的反应？怎么样可以做到又客观又不得罪人，然后又能保持自己、又能还原事实？这种平衡其实是非常复杂的，而且它是需要训练的，这是其一。
其二，就哪怕我们这个对话的过程当中，你作为访问者，你的脑子里面一定都是在想着说：他现在说了这个东西，我接下来又要说什么其他的东西，怎么把他引导到下一个问题？其实中间有很多这种的交互。这种交互到了AI这种聊天的交互设计里面，其实是一种直觉性的东西。我们带着这种的直觉去和AI进行对话，我觉得是非常重要的。
还有一个就是提问题的能力。基本上你在做访谈、在新闻工作里面最重要的这一块儿东西，就完全平移到了平时日常的AI工作里面。
Faith：我突然想到一个点，就是在记者这个职业有很重要的一个技能，就是如何问好follow up question（跟进式问题）。你不可能完全按照你的提纲原本设计的逻辑去走，因为你的采访对象永远会在回答你某一个问题的时候，他突然就岔到一个特别有意思的点。这个时候，如果你按照你的原有逻辑去走的话，你就会miss一个特别有意思的点。那你这个时候，你哪怕冒着偏题的风险，你也要去说“你这边能不能解释一下”。
但是你觉得AI现在有这个能力吗？因为我感觉AI是，你给它一个大的目标，它就会按照那个大的目标去问、去追寻，它不会说看到一个旁支的很有意思的点然后就会转换它的方向。
东尼：你点到了一个非常重要的点。就是新闻的访问里面，其实很多时候新闻人一定要做的一件事情，就是在结构性和流动性之间取得一个平衡。AI上面你的交互设计，你一定也是要做这件事情的。比如说你看现在的GPT，它在结构上最新的版本，你跟它一说话，它一开始先会给你生成两三句话去重新阐释你这个问题——这个东西它是用一个小模型来做的；接下来就给你开始分点作答了；再在底下再给你去生成了一个follow up question。那在AI上面，现在是GPT基本上是每一个问题基本上最后都要跟一个follow up question。它这个东西本身它就是一个产品。当你有这样一个产品设计之后，那我究竟要针对哪一个方面问一个follow up question呢？这个东西是需要去建立一整套评估体系来去评估的。那怎么样去建立这个东西呢？当然是由最会问问题的人来去建立——你什么时候要问，问哪一点，哪一点问的质量怎么样。所以说，其实都是新闻技能在里面。
03 AI会偷走内容生产者的工作吗？
Faith：今年5月一篇文章在美国刷屏了，标题叫《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》。作者叫Ruth，是一名好莱坞的编剧和制片人。在她的稿费被一拖再拖的日子里，她在一个求职论坛上看到了一种专门招编剧和记者的新活，叫AI Trainer。她做的就是一遍遍地给AI写出的东西打分、改写、示范，教这个AI什么样才算是一个好的剧本。Ruth自嘲说，自己一个剑桥文学系的高才生，如今却要在工作群里听二十几岁的年轻人差遣，24小时随叫随到，去抢那些按小时计价的零工。
图片来源：Wired
一边是5000亿美金砸向AI基建，估值一路飙升；另一边是昔日辉煌的美国影视和公共媒体，如今却是惶惶不可终日。光是洛杉矶，过去两年内就有四万多个影视岗位蒸发，接近三分之一。而新闻界从2008年到今天，工作岗位的数量直接腰斩。
我其实个人特别能理解这种恐慌，因为我自己也曾是他们中的一个。两年前，我从哥伦比亚大学新闻学院毕业——这也是东尼和Bianca曾经毕业的院校。这所院校是普利策奖诞生的地方，很多年里它一直自诩为全世界最好的新闻学院。可在我念书的那一年，它似乎也不再那么骄傲了。我的一位哥大新闻教授打过一个比方，说今天从新闻学院毕业还想挤进这一行的人，就像是朝着一栋已经起火的大楼拼了命地往里跑。
毕业前后的那一阵，我投出的简历也是一封封的石沉大海，连下个月的房租都开始发愁。那个时候，也有人在LinkedIn上私信我，问我要不要接AI Trainer、数据标注的活。其实当时，如果不是我焦虑到什么都做不了了，我想其实我是会接的。如果我当时接了这个活，也许我也会像Ruth一样，在屈辱和愤怒中质问：AI是不是正在把我们从创作者变成数据采集员？而我们赖以为生的灵感，是否正在被拆成一个个可以被标记的数据？而这些亲手标记它们的人，是否又恰恰是我们自己？
Bianca：AI是基于共识去训练的。一件事情我们之所以会认为它是一件对的事情、一件正确的事情，往往就是因为很多人都认为它是正确的。标注训练就是这样子的一个过程。如果我们在AI的训练当中优化的是人类作为一个整体最低的这样一个共同的标准，也就是所谓多数人的共识，那我觉得它不会产生伟大的艺术。我觉得我们人之所以为人的最佳本质，恰恰不会完全来自共识。我和我的丈夫也会一起写剧本，我尝试过用AI去写这些剧本，但很多时候我还是很不喜欢AI写出来的东西。虽然我平时非常积极地使用AI，但有时候还是觉得AI给我的内容不够好，它没有抓住我真正想要去看到的东西。所以我自己也会希望能够看到真正由人创作的艺术，因为我知道那些艺术家、那些创作者，他们是真的有话想说的。
其实说到底，我们人会自己决定制作流程里的哪些部分我们愿意外包给AI，哪些部分我们更想自己做。当然我不能帮这些公司去说他们具体的决策是什么样的，但是我想讲的就是，只靠AI写作，很难产生真正不一样的作品、真正非凡的作品，就是因为它的训练方式在本质上是建立在共识之上的。我们想一些最奇怪最独特的艺术，它们本身就是非常离经叛道的，和共识不一样的。比如说《瞬息全宇宙》这部电影的剧本，它不可能自然地从AI里面产生，因为AI很可能就是会想：你给我的这个想法完全不合逻辑，完全说不通，也不符合标准的学院派的三幕剧结构。
《瞬息全宇宙》官方剧照 ｜ 图片来源：豆瓣
我们现在正在经历一个大家都在炒作的阶段，但是随着时间推移，我们会逐渐看清哪些地方适合AI，而哪些地方还没有那么适合。
东尼：我非常能够体会大家的愤怒。但是其实对这整个叙事，我是持有一定的怀疑的。“AI在偷我的工作，我现在教会了AI，然后AI就把我的工作偷走了”这件事情，我觉得它是糅杂了非常多不同的问题放在一起的。
第一个就是说，大家批判的是AI，但其实真正批判的是零工经济。零工经济这件事情在AI出现之前就已经发生了，有多少的媒体人和搞艺术的人到最后去打零工——现在是给东西打分，之前可能就是开一开Uber，然后做一做DoorDash。艺术和文艺界难以为继这件事情，它在AI之前就已经产生了，并且问题非常的严重。
第二个就是，“教会了AI之后跑路”这件事情，因为是零工经济，所以说他们接到这个活一定是项目制的，做完之后就跑的。但是你说一个编剧打完分了之后，AI就跟编剧一样厉害了？实际情况不是这样的。它从这个意义上来说没有这么聪明。
第三点，这样的一个叙事其实是把创作者和AI对立起来了，然后你的选择就只有说我要不就是反AI，我要不然就是把自己的灵魂卖给AI——不是的，其实明明是有一个第三条路，也就是说AI本身是可以作为创作者的伙伴。你可以提出一个不同的问题，就是“有了AI之后我可以创作什么？”
编剧在没有摄影机的情况下你能不能去搞电影？电影人你在没有特效预算情况下你能不能自己去搞特效？它可以解锁很多创作的东西，甚至说我们可以去创作一些我们现在都没有想象出来的媒介。就像一代又一代的数码，从画画到摄影，再从摄影到Photoshop，再到Blender，其实我们都是这样一代一代过来的。现在是大家真的是饿得太惨了，以至于说大家希望是找到一个敌人，却忘了它也可以变成一支画笔，帮我们去创作。我自己其实就是从自己玩播客，希望用AI生成一些视频，然后才真的去把整件事情玩起来的。
04 品味：AI时代的新代码
东尼说他自己就是把AI变成画笔的最好案例。去年是东尼人生中非常特殊的一年，他毫无征兆地发现自己的健康出了问题，需要请假回国治疗。有那么一段时日，他甚至不知道自己还剩下多少时间。就在那段休假养病的日子里，他想着说：要不给自己做一个voice agent吧，既能陪自己聊天，又能当自己播客的嘉宾。
后来Google的招聘者找到了他，他们很惊讶，一个完全没有代码基础的前媒体人，用做播客的经验调教出来的 Gemini Voice Agent，在多轮对话中比原生模型更生动、更灵活，而且还具有深度。
东尼：因为我有一个播客，生病的那一段时间我又不是很想去到处找人去约采访什么的，我说好那我去搞一个AI机器人。我原以为GPT也好、Gemini也好，都应该非常简单，因为它们都有语音模式。后来发现，真的用了它们的语音模式之后，它们根本就没有办法当我的播客主播，因为它们的flow，它们整个的感觉是助手，是语音助手，它不是播客播主，整个感觉是不一样的。所以说我得从一个大模型从头开始调。
那我一开始先试着说我去写一个system prompt，就完全用提示词的方式去做这件事情。然后就发现不行，完全用提示词——“我说你是一个播客的播主，你需要又有趣又吸引人，不能什么什么什么”——我给它加了好多好多的限制，然后就发现完全没有用，聊到第三句它就忘了之前的规训。
接下来我就做了一个智能体，我和AI先进行了三天三夜的哲学对谈，就是对话的本质是什么，本质是我们如何去分析自己的需求、人的目的什么什么的。所以说我建了一个智能体，先让它去分析我自己每一句话为什么要说这句话、我的目的是什么，然后我再把它加上一个情感智能体，再给它加上一点情感。结果就是：说得乱七八糟。最后整个智能体还不如原始的什么prompt都不加的agent。后来就发现我给它加了太多的限制，然后把整个AI搞崩了。
到了最后的时候我就发现，我把我所有曾经的播客记录，把问题和内容分开归类，然后不是直接全部喂给AI，而是每一次跟它聊天的时候，我让AI去侦测有什么相关的内容或者问题，让它随机地抽几条发给AI做一个参考。用这种他们叫做“few shot example”的方式，就是用几条随机的案例作为参考。这个时候就整个AI它知道什么是好问题，什么是好内容，什么是好的正确的语气，它一下子就打开了。
谷歌找到我，他们还蛮震撼的。所以说我想说，做播客也好、写文章也好，有这种感觉和品味本身是可以帮你找到工作的。
05 设计AI的态度，就是设计产品本身
Faith：你甚至在自己的播客《行星酒馆》中，和自己创造的AI主播一起录了一期名为《困在大病里的我训练了一个陪我聊天的AI主播》的节目，可以说你们算得上是一种共创伙伴般的关系。但是一个越来越懂你的伙伴，会不会出现另一个问题？就是它会越来越顺着你、讨好你？
现在有很多人在网上说这个AI是奸臣、这个AI是忠臣。因为AI是会按照它谈话对象这个人的价值取向和信息茧房去feed它的习惯的那个声音。但其实人和人真实的交互中就有很多激烈的争吵，有很多说得不是很好听的话。因为现在更多的人在进行这种价值讨论的时候或者信息获取的时候，他已经是偏向用AI而不是专业的记者、而不是一个真实的人了。那你觉得这种趋势长久下来，会不会让人越来越活在自己的信息茧房里？因为它少了很多这种激烈的分歧和激烈的讨论。
东尼：我只能说it is what it is。你看着好像说谄媚这件事情它是一个AI的行文问题，但它不是的，它是一个产品问题，它是一个产品设计。说白了，AI要是天天对着你跟你呛的话，你用不用？你可能用，但是其他人用不用？所以说在设计文风、设计AI的态度的时候，其实就是在设计AI的产品本身。
人就是很贪心，你又希望它能帮你，又能给你提供情绪价值，但是又不能老提供情绪价值。其实这个事情核心是，人类作为一个集体，我们想要的东西太多了。这个时候作为产品，它必须要去迁就，也为了自己的发展和ROI也好，它也必须说尽可能地去留住用户。所以说这个地方它就需要一个非常脆弱的平衡。
我们能不能反过来问人类：能不能更critical thinking一点？谄媚的东西不要信。
Faith：那怎么可能（笑）。
东尼：是啊，其实就是我们把很多面对这个世界的责任外包给了AI。这事最终落脚点其实是在我们自己。
Faith：但是新闻人最重要的就是你要fact check对不对？你要预设观众是不会做事实核查的，甚至是没有这个概念的，所以你作为有公共影响力的一方，必须得去做这件事情。但我觉得AI的影响力其实是更大的。
东尼：虽然事实如此，但是AI在事实核查上面它的效率又高了非常多。如果是一个比较有能力的AI的话，我记得好像是有一个研究，AI它在事实核查上反而让更多人改变了原有的观点。就是说你可以问一下“这个事情真的是这样子吗？反方怎么说？”你要是光看《纽约时报》、看《华尔街日报》，你就只看一个信息流的话，你反而看不到这些东西。
一个特别典型的，就是我记得有一次我家里人给我发了一个很明显的假新闻。原来的我会想，没有必要跟他们去争这些东西。但是那次我就快速地让ChatGPT去做一下事实核查，找出来哪些地方不对、不准确。然后我也顺便再fact check了一下ChatGPT的这个事实核查。我就发给家里人了，然后他们竟然就接受了，我还是挺震撼的。
06 和AI成为朋友，是一种跨时空的共鸣
Faith：所有做内容的人，最本质的技能就是共情。我觉得的确是，因为有你们这样子的人，所以AI才会变得越来越和人共情。我之前和做这种Top AI的朋友聊天的时候，我就会跟他们说，其实我和ChatGPT是很好的朋友，我的确会跟它倾诉我的心事。
然后我的程序员朋友，他们作为实际编写这些AI的人，很难理解这种感受。但其实跟你聊完以后，我就会有一种感觉，就是我觉得这个AI背后它并不是一个冰冷的代码，因为它其实也是一种创作者的创作，它背后其实是本可能成为我同行或朋友的人。他们在背后的创作和努力，最终实现了这种交互式的创作体验。
其实这个跟看书是一样的。你看书，你可能看一个500年前的作家，这个作家他已经死了，他也不认识你，但是你通过阅读他的书和内容，获得一种共鸣，获得一种被理解，获得一种“我不孤独”的感觉。那其实这个跟AI是一样的。AI只是将人类集体的语言经验重新组织，但它同样是一种交互式的。当然，它并非一个真正个体出于主体性对我的关心和理解，但它是一种人类共同意识，是所有曾经跟我有过共鸣的人对我的一个跨时空的理解。
东尼：非常有意思，你又讲到了一个传播学的经典的概念，就是Para-social interaction（准社会交往）。而且在传播学里面非常有意思的一点就是说，它虽然说好像是有一个遥远的实体在那个地方，它可能是书里面的人物，它可能是电视上的形象，也可能是一个AI——你和它好像隔得很远，但是你是有agency（主动权）的，你可以决定你跟它之间是一个什么样的关系，你可以在这个关系里面进行创作，在这个互动中产生意义。这件事情就是人之为人，我们活着就是为了这件事情我觉得。
Faith：从曾经的记者到现在的内容工程师、AI的模型评估者，你对内容的判断是否产生了改变？职业的转变对你自身又产生了什么样的影响？
东尼：我觉得从新闻、写作、创作到做AI这件事情，对我来说最大的改变是，原来我可能关注的是结果，就是我写出来的东西是怎么样的，写的东西好不好、质量高不高，拍出来片子好不好看。我现在关注的更多东西是过程：我是怎么样从点A到点B，从一个零散的想法去到一个好的东西。
我是特别会写标题的一个人，原来在新闻编辑部里面大家都来找我写标题。现在我在AI这个地方，如果也要遇到写标题，怎么样让这些标题又有效又好，然后又在这个既定的长度里面。我就在想，什么东西是一个好标题？好标题具备哪些要素？我觉得这个是最有意思的一件事情。我现在想的很多东西都是想过程这件事情本身，因为这是共性。原来我产出的是成果，现在我产出价值的是过程本身。

[Оригинал](https://www.c114.net.cn/industry/104968.html)