7.6
深览指数
科技Bestblogs·硅谷101··AI 生成
藏在大模型背后的新闻人：GPT 们的回复是这样写出来的
通过与两位从新闻业转型为「内容工程师」的从业者深度对谈，文章揭示了AI高质量对话背后，是将人文品味、叙事逻辑与语感拆解为可量化工程标准的过程。核心观点是：AI时代的竞争不仅在于模型本身，更在于如何定义「好对话」，而擅长上下文梳理与意图挖掘的新闻人，恰好具备将这种感性经验转化为训练规则的关键能力。文章也讨论了AI训练基于共识的特性与艺术创作追求非共识之间的内在张力。适合对AI产品设计、人机协作范式及内容产业变革感兴趣的读者。原文 ↗
核心观点
- ▍内容工程师的核心价值在于将人类对「好对话」的品味，转化为可量化的工程标准，这比模型参数本身更能决定AI产品的体验上限。
- ▍AI训练数据基于多数人共识，这决定了它难以自然产生颠覆性的、非共识的艺术创作，人类创作者应将其定位为协作伙伴而非替代者。
- 01受访者之一、前《好奇心日报》记者刘阳，其团队的工作是「逆向工程」ChatGPT等模型的回复，从语料中拆解出语气、风格、意图等维度，并制定训练与评估的规则。
- 02另一位受访者范阳，其团队为AI模型编写「few-shot example」，即结构化的对话范例，来引导模型在不同场景下的输出风格，这类似于影视行业的编剧与导演工作。
- 03文章指出，AI在多轮对话中容易「脑补」和逻辑断裂，而新闻人擅长的「前因后果梳理」与「意图挖掘」能力，是解决这一问题的关键。
- 04文章提及，内容工程师的工作方式从「产出最终内容」转变为「设计产出内容的流程和标准」，例如，将一次头脑风暴转化为结构化的输入，引导AI生成高质量草稿。
反方 / 局限
- — 文章承认，AI训练依赖的「共识」机制，可能使其在追求独特性和先锋性的艺术领域表现平庸，这是其底层逻辑与艺术创作本质之间的根本冲突。
- — 作者暗示，当前「提示词工程」的热潮可能被过度神话，真正决定AI输出质量的，是背后更系统性的内容工程和训练数据构建，而非几句精巧的咒语。
3 分钟 · 4 卡片 · 12 资料
读原文 →