KeyFrame內部研究專用

AI 圖大氾濫,會摧毀大眾審美嗎?「AI味」又是什麼?怎麼用 AI 放大工作產值?ft. AI導演 林思翰《強者我朋友》EP 236|志祺七七

志祺七七27 min中文
觀看原始影片

三句話摘要

AI不會摧毀設計美學,反而成為設計師個人能力的倍增器——關鍵是用對場景、建立好系統規範。 管理學的「系統優化」思維比「事必躬亲」更關鍵——定義清晰的工作規範和驗收標準,AI就能成為放大個人產能的分身。 場景決定AI適配度:AI很適合電商產品圖、公告海報這類大量標準化設計工作,但當內容涉及真實驗證(食材新鮮度、安全防撞測試)時,用AI生成會反向傷害信任,因為消費者會猜測「你為什麼要用假圖來證明真實性」。關鍵是認清場景,而非盲目排斥AI。

重點整理

  1. 場景決定AI適配度:AI很適合電商產品圖、公告海報這類大量標準化設計工作,但當內容涉及真實驗證(食材新鮮度、安全防撞測試)時,用AI生成會反向傷害信任,因為消費者會猜測「你為什麼要用假圖來證明真實性」。關鍵是認清場景,而非盲目排斥AI。

  2. AI品質問題是暫時的:AI生成的「AI味」根源於訓練素材混合動畫與真人,導致2.5次元的不真不假感。但這些問題正在快速解決——加上模糊、手抖、濾鏡等真實缺陷反而更逼真,且ChatGPT已大幅改善文字辨識和中文準確性。預計3年內AI能達到90分水平,到時就談不上降低美學的問題。

  3. 從工程到編排到循環的管理進化:提示詞工程(Prompt Engineering)只是初階,每次都手工下指令。進階是編排工程(Hernis Engineering)——設定好工作流規範後AI自動執行,人類只做驗收。最高階是回圈工程(Loop Engineer)——連驗收都給AI,設立標準後AI自動檢查、不通過自動重跑。核心不在AI能力,而在人類懂得「怎麼交辦工作」。

  4. 制度規範比努力更重要:客戶頻繁改稿、要求無限迭代是客戶選擇問題,不是AI的錯。管理學原理說:一個主管如果要經常跳下去救火,代表他是失敗主管。問題不在於補救AI的失誤,而在於制度規範沒設好——應該優化系統而非事必躬亲。

實用技巧與重點

  • 工具與平台
  • 文生圖模型:ChatGPT、Midjourney、Stable Diffusion
  • 開源框架:Hernis Agent(免費開源)
  • 林三岸背景
  • 13年+動態設計經驗,獲多項國際大獎
  • 創建台灣最大Midjourney社群
  • 創辦科技漢林院(AI研究與導入機構)
  • 曾創辦藝人公司
  • 三階段進化名詞
  • Prompt Engineering(提示詞工程)
  • Hernis Engineering / Orchestration(編排工程)
  • Loop Engineer(回圈工程)
  • 實戰案例具體數據
  • 補助案投標文件:40頁報告+跨國合作信件,原本需2-3天,用AI 1天完成
  • iPass英文規劃師:自製工具網站,成為台灣該關鍵字搜索流量第2大(第1為官方)
  • 30週年企業影片:數據挖掘品牌歷史中所有「30」相關元素(地址、晶片規格等)作為創意切角
  • AI分身系統核心功能
  • 知識庫建置+Hernis Agent整合
  • 串接Line、Telegram、Discord等通訊工具
  • 自動爬取網站數據、分析搜尋趨勢
  • 自動生成與寄發陌生開發信
  • 客戶資料整理與反向連結建置
  • 完全可在本地離線運行(使用地端模型時)
  • 課程重點
  • AI應用場景判斷標準
  • 知識庫與AI分身建構方法
  • 商業變現路徑設計
  • 管理學在AI團隊中的應用

結論

管理學的「系統優化」思維比「事必躬亲」更關鍵——定義清晰的工作規範和驗收標準,AI就能成為放大個人產能的分身。

完整解析

這場訪談的核心問題是:「AI會摧毀設計美學嗎?」主講人林三岸(資深動態設計導演、AI應用顧問)給出的答案是:不會,因為場景差異和工作思維遠比AI本身更重要。

首先,AI圖像應用的適配度取決於場景。在電商領域,AI生成的產品圖、宣傳海報效果很好,因為這類工作本來就是「吃量」的——傳統設計師根本不想花時間做大量標準化設計,AI完全解決了這個痛點。但問題出現在真實性場景:有些餐廳用AI生成的食材、牧場圖來宣傳新鮮食材,消費者看到會反而懷疑「為什麼要用假圖證明真實性」。安全帽廠商用AI生成防撞測試圖也是同樣邏輯——一旦內容涉及真實驗證,AI生成反而傷害信任度。所以關鍵不是「AI好不好」,而是「這個場景適不適合用AI」。

關於常見的「AI味」批評,林三岸分析了其根源——AI訓練素材混合了動畫與真人照片,導致生成物呈現「2.5次元」的不真不假感。但這是當前模型的暫時特徵,不是永久問題。他用實例說明,加上模糊、手抖這類「真實缺陷」的濾鏡處理後,AI生成的完美圖反而變得更逼真,因為現實照片本來就有這些不完美。而且隨著模型迭代——ChatGPT已經大幅改善文字辨識和中文漢字準確性——「手指問題」、「文字模糊」這些破綻在快速消失。他預計不用3年,AI就能達到90分水平,屆時「降低美學」的擔憂根本不存在。

工作方法學的進化是這場訪談最關鍵的部分。傳統做法是Prompt Engineering(提示詞工程),每次都手寫指令,效率低。進階是Hernis Engineering(編排工程),設定好完整的工作流規範、SOP、驗收標準後,AI就像公司員工一樣按流程執行,人類只負責最終驗收。最高階是Loop Engineer(回圈工程),連驗收都交給AI自動完成——設立驗收標準後,AI自己檢查輸出品質,不通過自動重跑。核心邏輯不在「AI有多聰明」,而在「人類懂不懂怎麼交辦工作」。

他用真實案例說明:某半導體客戶要做30週年宣傳片,初期需求很虛(「給我有創意的想法」),但他沒直接亂生成提案。而是讓AI系統地挖掘品牌30年歷史中所有跟「30」相關的數據——辦公地址編號、晶片製程(3奈米)、各種數據關聯——然後從這些真實數據反向開發創意。最後提案中包含客戶自己都不知道的洞察,客戶非常滿意。這展示了AI的真正價值:不是速度快,而是數據視野的放大。

關於「客戶改稿無限迴圈」的問題,林三岸說這根本不是AI的問題,而是選客戶、設制度的問題。某些客戶有「吃到飽心態」——反正AI快速完成,就多做幾個版本。但這違反基本工作邏輯:目標是滿足需求,不是無限迭代。更重要的是管理學原理:如果一個主管需要經常跳下去救火補救,代表他是失敗主管。問題不在於AI出錯,而在於規範設定不夠清楚,應該優化系統而非事必躬亲。

林三岸自己就是這套方法論的實踐者。他用AI知識庫自動化後台數據管理(數據太複雜,交給AI爬取分析)、用AI爬取外包網站找到真實商機(哪些客戶願意付錢就代表痛點真實)、自動生成和發送開發信。他甚至為自己的iPass英文考試需求自己寫了網站工具,後來成為台灣同類關鍵字搜索流量第二大的網站。他的新課程核心就是教人建立「AI分身」——不是簡單堆知識庫,而是設定判斷邏輯、工作規範、變現路徑,讓AI真正像員工一樣思考和執行。而且用開源框架(Hernis Agent),甚至可以完全離線在本地運行,不被雲端綁架。

8 min
AI 技術中文11月17日

Muse AI 国内注册方法来了!无需排队、无需信用卡,全程免费!

一路向前看原片 ↗
  • IP環境是核心要素:乾淨的住宅IP搭配日本節點能大幅提升註冊成功率,講者稱日本節點「幾乎秒過」,可選美國但成功率較低。
  • 全新郵箱是必要條件:系統會記錄每個郵箱的註冊歷程,曾排隊或卡在信用卡驗證的信箱會直接失敗,必須使用全新未註冊過的郵箱才能完全規避之前的失敗記錄。
AI 技術中文11月17日

Meta 改写 K-Means,训练轮次降到十分之一​ | K-Means | e-means | Meta FAIR | 聚类算法 | 向量检索 | Faiss | DINO10B | 向量数据库

Best Partners TV看原片 ↗
  • 從累加到衰減的中心維護:傳統小批量更新會累積歷史統計量造成早期分配記錄長期影響,而 e-Means 用指數移動平均使新分配能即時調整中心,早先統計逐漸失效,避免陷入次優解。
  • 死簇復活機制是關鍵改進:消融實驗顯示這項改動影響最大,透過每 5 批次檢查樣本不足的中心,從較大簇拆分一半重新安排,將樣本不足 10 個的中心比例從 26.3% 降到 0.3%。
AI 技術英文11月17日

Goal Engineering - The New Buzzword

Prompt Engineering看原片 ↗
  • 長期開放式目標中最難提供的上下文不是文件或 API,而是人類的判斷力與品味。傳統的檔案查詢或技術規格是相對容易部分,真正瓶頸在於定義「什麼是好的結果」。
  • Actively AI 初期採用單一代理處理多種任務類型失敗,因為人類審查者必須在十種不同的任務格式間切換心智模式,造成效率低落。重新架構為多個專一代理後,人類可在相同心智模式下快速連續審查。