09.09.24: 英雄之旅，AI 的好奇时代，垂直整合者

Playground and Trail

这份通讯的名字叫 Platform Thinking，老实说，我对这个名字越来越不满意了。起初，我是受一本书的启发才取的这个名字，可是我从未读过那本书。我以为我懂了：无非就是些关于网络效应和如何管理市场双方的老生常谈。然而，很多现实已经证明这个概念并非如想象中那般可扩展——负面因素往往比正面效应增长得更快，最终让整个平台陷入停滞。曾经的热潮，如今不过是一场破灭的泡沫。

在寻找替代品的过程中，我重新发现了两个词：Playground 和 Trail——以 P 和 T 开头。

我家楼下就有一个 Playground，它是我从窗子望出去的一个学校的操场。学生们出来升旗、做操、上体育课，这么多年，也没有太大的变化。让我想起小时候和操场的关系，大概有两种：

一种就是大家做广播体操，整齐划一，都跟着前面领操的人在做。其实大家都不开心，虽然也是一种锻炼，但是没有人想要去做广播体操，只能说靠这个学校的老师严加要求赶着去做。还有一种情况，就是大家上体育课或者放学后自由活动的时候，可以去踢足球、丢沙包，女生可能会去跳皮筋等等。那是我们每周最期待的课。

其中一种特别的玩法是，我们会发明一些角色扮演的游戏，一个人是这个游戏的主持人，负责设置剧情走向，其他人每个人扮演一个角色，在主持人的带领下共同完成这个故事。每个角色在故事发展的过程中会做出不同的选择，主持人会依据这些选择再去延展新的剧情，剧情反过来会影响角色的成长，最终走向意想不到的结局。如果是比较会讲故事的主持人，游戏可以玩很长时间，也有的游戏可能只玩一下，就不玩了，小伙伴就会去选择别的游戏。

我发现，那些更吸引人的、生命力更长的游戏往往会在剧情中做出二难选择，通常要牺牲某个角色才能推进剧情，但为了不至于让角色早早死光，被牺牲掉的角色又会在合适的时间点复活，并获得更强大的能力。这种劫后余生的惊喜让游戏再次走向高潮。

这就很像《千面英雄》里面的「英雄之旅」：英雄会经历严峻考验，经历死亡和重生。

Trail 有一些含义是和 Playground 共通的。我把 On Trails: An Exploration 这本书的读书笔记丢给 Claude，问他：如何理解 Trail 的意思。它这样写道：

小径是一种动态演变的路径，通过反复使用而形成，既作为实体路线，又作为信息传递的渠道。小径是集体创造的产物，由个人或群体为达到共同目的地或目标而自然形成。它们代表了耐久性、效率性和灵活性之间的平衡，能够适应不断变化的环境，同时保存关于地形及其穿越方式的有用信息。

小径的主要特点包括：源于集体行为，而非自上而下的设计随时间推移具有优化和精简的能力既是物理路线，又是文化/环境知识的载体在结构性和适应性之间保持平衡反映使用者的欲望、需求和价值观能够塑造跟随者的行为和体验与周围环境相互作用并产生影响在简化复杂地形和减轻旅行者认知负担方面发挥作用体现了关于高效和可持续穿越空间的累积智慧

有趣之处在于，小径虽然是自下而上形成的，但是它是有目的的：一群人在完成各自的目的的过程中，不自觉的走出了一条路，就是所谓的 Trail。有意思的是，人们的目的甚至都不同，只是碰巧都需要经过这样一段路，比如说翻过一座山，就会在途中不自觉的留下印记，这些印记又被后来的人发现，进一步强化，逐渐踩出一条路来。

看起来，Playground 的目的性弱一些，或许只是想要锻炼身体，或者放松精神。Trail 又何尝不是呢？它们都有着模糊的目的性，受到环境的影响，而可能改变前进的路线或节奏。而环境也是由前人塑造的：游戏剧情会走向「英雄之旅」，旅者会跟随杂草被踩倒的方向。

如果一切都是自然生长，那么环境的影响可能会过于微弱。人为放大某些信号的做法会加强模仿的行为，但也会过早的限制可能性。在 Playground 上，最流行的游戏模式会吸引最多人，也让新的游戏模式难以找到新玩家；在 Trail 上，一旦路标已经标好，那么野径就更少有人光顾，草木更加野蛮生长。

现在正是 Playground 和 Trail 还在被不断开发出来的时代。我们看到很多粗糙的产品在生长。需要一点时间——其实是好运气，我们即将看到一些特定模式释放更强烈的信号，吸引更多人选择和参与，最终成为翻过崇山峻岭的智慧。

PS：这个 newsletter 不会改名，还会叫 Platform Thinking，直到我下定决心，改变想法。

Survey

接下来的中秋和国庆假期间，相信大家都会有各种出行安排，工作、阅读和社交的节奏都会有变化。同时，我也收到一些读者的建议，会略微降低更新的频率，以期在若干主题探讨更深。

同时，我做了一个简单的读者调查问卷，如果你有 2 分钟时间，不妨帮我填写一份，不胜感激！

填写读者调查问卷

我会持续保持对 PT 的微调，思考更深，写得更好！

Linknotes

本周的推荐阅读涵盖了从人工智能与艺术创作的关系，到创意写作的技巧，再到搜索技术的革新、AI 时代的公司构建策略和企业垂直整合的重要性等多个主题。

Ted Chiang 探讨了 AI 在艺术创作中的局限，强调了人类选择和经验的不可替代性。
Curtis Sittenfeld 的实验展示了人类作家与 AI 在创作过程中的巨大差异，突出了人类创作者独特的思维过程和灵感来源。
Dan Shipper 和 Evan Armstrong 分别分享了提升创意能力和利用 AI 改变信息获取方式的新思路。
Michael Dempsey 探讨了在 AI 的 " 好奇阶段 " 如何构建公司。
Packy McCormick 则深入分析了垂直整合在不同行业发展阶段的重要性。
最后，我们回顾了 Kindle 如何重新定义阅读体验，展示了大型企业内部创新的成功案例。

这些文章或新或旧，但它们共同展现了技术、创意和商业战略在 AI 时代交织的复杂景观。

Why A.I. Isn’t Going to Make Art 为什么 AI 无法创作艺术？

Ted Chiang 最近为 The New Yorker 杂志撰文。他认为：人工智能无法创造艺术，因为艺术作品涉及大量的选择，而这些选择是人工智能无法真正理解或实现的。尽管 AI 可以生成文本或图像，但它的创造通常缺乏深度和个性。真正的艺术源于个人的经历和努力，这些是人工智能无法复制的。

其中最重要的观点是关于艺术创作本身的：

Art is notoriously hard to define, and so are the differences between good art and bad art. But let me offer a generalization: art is something that results from making a lot of choices. This might be easiest to explain if we use fiction writing as an example. When you are writing fiction, you are—consciously or unconsciously—making a choice about almost every word you type; to oversimplify, we can imagine that a ten-thousand-word short story requires something on the order of ten thousand choices. When you give a generative-A.I. program a prompt, you are making very few choices; if you supply a hundred-word prompt, you have made on the order of a hundred choices.

众所周知，艺术很难定义，好艺术和坏艺术之间的区别也同样难以界定。但让我来概括一下：艺术是做出许多选择的结果。如果我们以小说写作为例，这可能最容易解释。当你写小说时，你——有意识或无意识地——几乎在你输入的每一个字上做出选择；简单来说，我们可以想象一个一万字的短篇小说需要大约一万个选择。当你给生成式人工智能程序一个提示时，你做出的选择很少；如果你提供一个一百字的提示，你就做出了大约一百个选择。

相比来看，生成式 AI 做出的选择很少：

If an A.I. generates a ten-thousand-word story based on your prompt, it has to fill in for all of the choices that you are not making. There are various ways it can do this. One is to take an average of the choices that other writers have made, as represented by text found on the Internet; that average is equivalent to the least interesting choices possible, which is why A.I.-generated text is often really bland. Another is to instruct the program to engage in style mimicry, emulating the choices made by a specific writer, which produces a highly derivative story. In neither case is it creating interesting art.

如果人工智能根据你的提示生成了一个一万字的故事，它就必须填补你没有做出的所有选择。它可以通过多种方式做到这一点。一种方法是取其他作家所做选择的平均值，以互联网上的文本为代表；这个平均值相当于最无趣的选择，这就是为什么人工智能生成的文本通常很乏味的原因。另一种方法是指示程序进行风格模仿，模仿特定作家所做的选择，从而产生一个高度衍生的故事。这两种情况都不能创造出有趣的艺术。

这也是我在本篇开场白的地方写到的，创意过程是极度开放的流程，你可以选择下一段让一个人物死去——可能在某一刻是糟糕的选择，但后面你又可能因为让他神奇的复活而营造一个伟大的转折。创作的乐趣就在于在持续的选择困难中快速的判断，任何一种创作工具——键盘、画笔、摄像机——都旨在流畅不受阻碍的倾泻创作者捉摸不定的意图，而创作者自身的大脑也并不确定自己所有的选择都是在沿着某条路径前进，会走一些弯路，但这些弯路可能是必经之路，最终会被某个读者重新发现而重走一遍，最终形成一条很多人都会走过的小径（Trail）。

AI 给出的结果太过于「确定」，因为它与生俱来的均值回归倾向需要它按照我们所预测的那样预测自己会吐出什么。它在编写代码上的表现已经超出很多初级人类程序员，这是很好理解的一件事情：那是机器在和机器交流，人从一开始就是多余的。

图像生成和文本 / 代码生成在早期产品选择上走了不同的路径：前者（如 Midjourney）的用户很多是设计师和艺术家，因此它会提供多种生成选择，而后者（如 ChatGPT）的用户则更倾向于效率，因此只会给出一个答案（但可以提供负反馈）。一个合理推断是：开放式的艺术创作需要提供更多选择给创作者，但选项本身可能也会限制创作者的想象，干扰创作的潜意识。很多 AI 辅助创作工具的设计本意是提供更多创作灵感，但灵感很可能是内生的，而不能从外部给。

我们即将在下面的文章中看到一个真实的例子。