很多人对 AI 辅助创作的想象，是一条连续的斜坡：从帮你改个错别字开始，到帮你把一整首歌做出来，中间只是程度不同，早晚会滑到底。
不是。它至少是两层，而且这两层的成本曲线正在分叉——一层快塌到地上了，另一层几乎没动。你脑子里那条斜坡，只存在于第一层。
这篇想给你一个够用的切法：以后任何一次"AI 帮我做了个东西"，先问两个问题——这东西对不对，谁说了算；这次要什么，是谁给的。问完这两个，你大概就知道自己省掉了什么，没省掉什么。
九月底 DEV 上有首歌，正好把这事演了一遍。Anna Villarreal 发的《Bleeding Knuckles》，词是她自己写的，人声和配图交给 AI。她说写词和画画是那天把她从床上拽起来的东西。评论区一边倒地共鸣，有人想起印刷厂赶工的时候，有人说精疲力竭的时候能做出点东西就够撑过一天了。这条我看了两遍，不是因为歌，是因为那个分工的切法——切得几乎精准地踩在分界线上。
第一层：采样
说人话就是——模型生成的时候，真正做的动作只有一个：给定前面已有的内容，猜下一个 token 是什么。写一首歌、画一张图、补完一个函数，都是这一个动作滚了成百上千遍的结果。它没有"先把整体想好，再落笔"这一步，那个看起来像整体的东西，是滚完之后自己长出来的。
形式上就是在算一个条件概率：给定前面所有 token，下一个 token 的概率分布长什么样，然后从这个分布里抽一个。整篇故事的所有后果都从这一句里长出来——分布是谁定的，签是谁抽的。
这一层的成本为什么在往零掉？因为这层里的活，绝大多数可以被写成"给定输入，产出一个输入能决定的东西"——也就是判据能写出来。判据能写出来，就意味着这件事存在一个可以优化的方向，梯度有地方落。这一点比模型本身有多大更要命。
那首歌的 AI 人声就是这一类。歌词已经定死了，要什么很明确：唱出来、在调上、情绪别崩、风格对路。这些判据客观上可以验，验不了的也能拿大量样本对齐。有个评论说这首听着像 Evanescence——这句话的重点不在夸。它说明听众的第一反应是"这是一首工业标准的歌"，而不是"这是 AI 唱的"。判据清晰的活，就是会被这么吃掉，而且是静悄悄地吃掉，吃到你都懒得说这是 AI 做的了。
那温度调高，是不是就能让它写出不一样的东西？也不会。temperature 做的事只是把采样点从众数附近挪到长尾附近，长尾里走的路径仍然是训练数据里出现过的路径，只是没那么高频。随机性给你的是噪声，不是新东西。这条后面还会用到。
第二层：条件
采样不会自己知道该生成什么。它得先拿到一段东西，让分布的形状变一下。这段东西就是条件。
"prompt"翻成"提示词"翻得挺误导的，听起来像在提建议，其实是在改分布。这里最容易被搞混的是：prompt 不是指令，是坐标。
举个例子。你按下这个条件：
写一首关于 burnout 的歌
采样出来的大概是：倦怠、循环、燃烧、麻木、无声的喊、觉得自己被困住。谁拿这个条件按下去，出来的都是同一批词，因为这就是 burnout 这个词在语料里的高概率邻域。它不是不好，它是平均。平均的意思是，你从里面读不出任何一个具体的人。
所以那首歌的歌词不是这么来的。它从一个更靠外的坐标来：压力、反胃、什么都掏空了、早上睁眼的那一下、把墙一圈一圈筑起来。这些东西不在"burnout"这个词的邻域里，是有人拿自己当天的真实处境当条件，才落得到那个位置。
那为什么条件必须由人来给？很多人以为这是"模型还不够强"的暂时状态，我倾向于不这么看。模型的知识是训练语料里已经出现过的模式的形状，它给的是"过去出现过的合理选项"。一个人某天下午的处境，不在语料里。这不是"太稀有了所以没学好"——稀有度能靠数据量补——是"一次性的所以不可学"。它在训练数据里没有对应物，也没办法有。
所以条件这一层的成本，过去两年基本没动。甚至更难了，因为现在更容易被"反正 AI 能生成个差不多的"劝住，直接跳过给条件这一步。而给条件这一步，恰好是那首歌里唯一不能从别处来的部分。
两个被塞进同一个词里的动作
写到这里我得往回退一句：我刚刚把"创作"当成一个统一的东西在讲，这么讲不严谨，应该反过来说——创作不是一个动作，是至少两个被塞进同一个词里的动作，一个是选，一个是渲染。要判断哪个能交出去，只看一件事：这件事的"对不对"能不能写在纸上给别人看。
渲染这一类，判据在外面，能写、能测、能对齐，交给模型，成本趋近于零。选择这一类，判据在你自己身上，"哪个词才是今天"这件事没有真值，交不出去，交出去也是别人的判断。
拿同行更熟的场景过一遍。让模型写个排序函数，判据在外面，随便写，跑测试就完了。让它写"按我们组上周定的那个口径排序"——这个口径不在语料里，不给上下文它一个字都写不出来，给了上下文它也只是在复用你喂进去的东西。同一件事，差的就是判据在不在模型看得见的地方。
这个切法很干净。干净也正是它的缺点。真实世界里这两者是混着的：挑哪个 take、选哪个 seed，也是选择，遣词造句的过程里也有一大半是纯生成。切成两半是为了让你先抓住形状，边界其实是渐变的。而且条件这一层到底该怎么界定、上下文里哪些信息是模型真的在用、哪些只是摆着占位置，业内也没完全达成共识。我讲的是相对主流的那个理解，别当成定论。
用这套框架再看一遍那个分工：她做的是条件那一层，AI 做的是采样那一层。这不是"各做一半"那种平均分配——这两层的成本曲线是分叉的，一层塌了，另一层一点没动。
她说是写词和画画把她从床上拽起来的。这里面有一半交给了 AI，那另一半是不是就是让她能起来的那个东西？机制上我讲不清情绪和创作之间到底怎么转，这不在我的射程里，不敢下这个结论。能讲清的是：那首歌里唯一不能从别处来的东西是词。人声可以换个模型再生成一版，图可以重画，词换不了，因为它记的是某个具体的下午。
这次的条件，语料里没有别人给过。所以这首歌不管人声是不是合成的，它撞不上别人的歌——撞不上，因为出发的坐标就不一样。
所以说到底，这事一句话就是：生成的成本塌了，条件的成本没塌，这两件事之间的差，就是现在这套工具全部的价值和全部的坑。
再往下就是同质化那个问题——大家的条件给得一样，采样自然收敛到同一块高地上，写得越多越像。这是同一套机制的另一面，坑我先留着，改天填。
懂了这层，你下次看到"某某工具能自动生成 XX"的时候，先问一句：那 XX 的条件是谁给的。答案基本就告诉你了，能省掉的是哪一半。