AI正在量产“高级的平庸”

我们似乎正处在一个由AI驱动的创意爆发前夜。它能写诗、绘画、谱曲、设计界面，其产出物的流畅与精致，常常让人产生一种与真正智能对话的错觉。

但这可能正是最大的误解。AI真正的天赋，或许不是创造力的天马行空，而是以惊人效率生产“高级的平庸”。它正在成为一个“平均值”的引擎，而这可能将我们带入一个精致却缺乏惊喜的世界。

预言家还是复读机？AI的“平均值”陷阱

想象一个无所不知的“预言家”，你可以向它描述任何实验的设置，它总能准确预测结果。比如，你设计了一艘飞船，它能告诉你飞船在发射时会爆炸。这很有用，但当你追问“为什么会爆炸”以及“如何修复”时，它却沉默了。

这个思想实验揭示了当前大语言模型的核心机制：它是一个卓越的预测机器，而非一个深刻的理解机器。它能告诉你**“是什么”（what），却无法解释“为什么”**（why）。

AI通过学习海量数据，掌握了语言、图像和逻辑的统计规律。当你给它一个提示，它会生成最有可能接续的下一个词元、下一个像素。从数学上看，这个“最有可能”的结果，就是所有数据中最普遍、最常见、最能被广泛接受的模式——即统计学上的“平均值”。

这种机制导致了AI的产出天然倾向于“平庸”，这里的“平庸”并非贬义，而是一种技术特性：它反映了数据的中心趋势。AI生成的界面设计，会是你见过最多的那种；它写的营销文案，会是最四平八稳的那种。它很流畅，很“正确”，但唯独缺少了真正突破性的洞见和离经叛道的“灵气”。

更危险的是，这种流畅性本身就是一种强大的用户界面幻觉。它让我们误以为，一个能清晰表达的系统，必然也拥有深刻的理解。就像电脑桌面上的文件夹图标，它只是一个方便我们操作的符号，其背后是复杂的电压和磁信号，图标本身并不“理解”文件系统。AI的流畅回答，很多时候也只是那个精致的图标，而非其背后的真实世界模型。

谁的“平庸”？中国市场的“水土不服”

这个“平均值”陷阱在中国市场有着更复杂的表现。AI学习的“全人类知识库”，并非一个中立的样本，而是经过互联网文化筛选、以英文内容为主导的数据库。它所生成的“平均值”，在很大程度上是一个西方语境下的“平均值”。

直接将这种“平庸”套用在中国场景，常常会显得“水土不服”。比如，让AI为一个中国传统节日设计营销活动，它可能会生成一套符合西方情感表达逻辑的方案——强调家庭团聚的温馨，但却可能抓不住春节“热闹”、“喜庆”甚至略带“攀比”的社交氛围，缺乏那种独特的“年味儿”。

同样，在产品设计上，中国互联网产品演化出了独特的生态。从微信的小程序生态到淘宝、拼多多的社交电商模式，其背后的商业逻辑和用户习惯与海外市场差异巨大。一个被“全球最佳实践”喂养大的AI，或许能设计出一个符合Material Design或Human Interface Guidelines的“标准”应用，但它很难理解为什么一个支付App里需要内嵌一个社交功能，或者一个电商平台为什么要做“砍一刀”这类强依赖社交裂变的增长设计。

这种文化和商业模式的错位，意味着AI生成的“高级平庸”，对中国企业来说，可能连“及格”都算不上。

速度压倒深度：当“平庸”成为一种武器

然而，事情还有另一面。在中国这个“快鱼吃慢鱼”的商业丛林里，“平庸”如果能与极致的速度和规模相结合，就会成为一种极具杀伤力的武器。

当竞争对手还在花一个月时间打磨一个90分的设计方案时，一家公司可以利用AI在一周内生成100个60分的方案，并通过A/B测试快速迭代，最终找到一个最能转化用户的80分版本。从SHEIN到拼多多，它们的成功在某种程度上并非源于设计的顶尖，而是源于对市场需求的快速响应和大规模试错。AI正是这种模式的完美加速器。

想象一下，在电商平台上，AI可以在一夜之间为数万个SKU生成风格统一、卖点清晰的产品描述和主图。在抖音、小红书上，AI可以量产符合平台爆款范式的短视频脚本和营销文案。这些内容或许谈不上惊艳，但它们“可用”，且生产成本极低，速度极快。在流量成本高昂的今天，用海量的“AI制造”内容去捕捉稍纵即逝的用户注意力，本身就是一种高效的商业策略。

在这里，AI的“平庸”不再是创造力的短板，反而成了效率的引擎。它将基础的、重复性的创意工作标准化、自动化，让企业能将宝贵的人力投入到更需要深刻理解和战略判断的环节。

成为提问者，而非答案的接收者

那么，我们该如何与这个“平庸引擎”共存？关键在于重新定义人与AI的关系。

哲学家罗素曾讲过一个关于火鸡的故事：一只火鸡发现，农场主每天上午9点都会来喂食。它收集了大量数据，得出“农场主是来喂食的”这一结论。然而，在感恩节那一天，农场主来，却拧断了它的脖子。火鸡的问题不在于数据太少，而在于它没有理解农场这个系统的真实模型。

一个只依赖AI提供答案的团队，就像那只火鸡。他们能看到数据呈现的模式，却无法洞察模式背后的原因。当市场环境发生结构性变化时，基于历史数据训练的AI模型可能会给出完全错误的“最佳实践”。

一个更有效的工作流应该是“生成-批判”循环：

1. 让AI“口若悬河”：利用AI快速生成大量方案、草稿、原型。把它当作一个不知疲倦的头脑风暴伙伴，产出无数个“平庸但可用”的起点。
2. 由人类“一针见血”：人的角色转变为批判者和决策者。我们的任务不再是“从0到1”，而是从AI生成的100个选项中，基于对商业、用户和文化的深刻理解，去判断：哪个方案的底层假设是错的？哪个方案会忽略掉最关键的用户群体？哪个方案在当前的市场格局下有机会胜出？

最终，AI时代的真正挑战，不是担心被AI取代，而是我们是否具备向AI提出好问题、批判性地审视其答案的能力。AI可以提供无数个看似合理的答案，但定义问题、确立原则、做出最终判断的责任，永远在我们自己手中。我们不应成为预言的被动接收者，而应成为那个不断追问“为什么”的清醒的提问者。