北京
你把今年用AI生成的十几个应用一字排开，会发现一件挺有意思的事：它们像是同一个妈生的。首页大标题居中，卡片圆角网格排列，某处总藏着一抹蓝到紫的渐变。字体是Inter或者和它差不多的那种，阴影柔和，间距宽松，连空白状态插图都长一个样。不同的产品，不同的公司，不同的提示语，最后却共享同一套视觉基因。
这些画面并不丑，多数甚至称得上合格。真正的问题在别处：你的应用本该属于你，结果一眼望去跟别人家的没差别。在应用商店列表里，设计本该是开口说“这就是我们”的第一声，现在却成了静音。
有人管这叫“AI垃圾”。这个词比那些屏幕本身尖刻得多，但设计趋同是事实，而且背后有明确的技术成因。弄清楚这个成因，才知道哪些解法有效，哪些只是白费力气。
生成模型是在庞大语料上训练出来的。大致上，它的训练集覆盖了可见互联网上的页面，还有过去十年流行的设计系统和组件库。当你让它生成一个界面时，它给出的是在那个训练基础上最可能出现的画面。最可能的画面，就是它见过的东西的平均值。模型没有风格，它只有一个引力重心。
你可以试着用提示词把结果从平均线上拽开。比如要求“粗野主义、黑白单色、信息密集”，第一个界面会乖乖照办。麻烦会在后面慢慢浮出来。提示词是对系统施加的一次性修正，这个系统却会不停地把结果往回拉，拉到它的均值附近。到第十二个界面时，圆角又回来了，渐变也悄悄还魂。我见过有人一个界面一个界面地和这种回归战斗，能奏效，但是根本没法规模化。
表面上的微调也起不了太大作用。换个主色，或换套字体，换来的只是变化，不是身份。视觉身份是贯穿整件产品的几百个决策形成的合力：字阶怎么走，留白怎么呼吸，组件之间如何关联，边界上会发生什么。随意打乱其中三个决策，不过是给平均化的底子换了层漆。
那怎么才能跳出来？值得庆幸的是，这个行业不是头一回撞见“长得都一样”的尴尬。AI并没有发明同质化问题。我从2011年就开始做应用搭建平台。早年间，大家指责无代码工具时用的词，几乎原封不动地落到了今天AI头上：所有这些应用看起来都一个样。那时候的原因不同，不是统计平均，而是有限的模板库。但屏幕上的效果如出一辙：选第4号模板，得到第4号应用。
在GoodBarber，我们很早就不把模板当模具用。我们的模板更像配方：是设计师准备好的参数组合，让你从一个协调的起点出发。然后，所有内容都可以通过参数来定义。这种做法把决定权交还给创造者，而不用每次都从头画起。
这一思路对AI生成应用的启发很直接。如果只能靠一句提示词去对抗模型的均值回归，那就像用一根橡皮筋去拉住一辆偏航的汽车。真正需要的是在系统层面搭建一套架构，让视觉身份以参数化的方式沉淀下来，而不是每次都依赖单次提示词的微调。架构，才能帮你从所有AI应用都长一个样的困局里走出来。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
