Вкус рядом с машиной

Саммари

Прошлая тема собрала модель организации, где у замысла есть автор, время защищено, а совет не имеет власти. Модель описывает людей. Последняя часть курса спрашивает, что происходит со вкусом, когда рядом с людьми работает машина, которая генерирует варианты быстрее любого человека. Здесь сходятся все линии курса: дешёвое производство из первой темы, мнение против среднего, проверка вкуса и хранитель замысла.

Первое наблюдение — про разнообразие. В эксперименте Анила Доши и Оливера Хаузера рассказы, написанные с идеями от языковой модели, оценивались как более творческие и лучше написанные, особенно у менее креативных авторов. Но они же оказались похожи друг на друга сильнее, чем рассказы людей без машины. Авторы называют это социальной дилеммой: каждому по отдельности лучше, а все вместе производят более узкий круг нового. Исследование Artificial Hivemind показывает, что сами модели отвечают на открытые вопросы удивительно похоже, а предварительный препринт из Университета Дьюка — что это сходство растёт от выпуска к выпуску. Это гомогенизация. Похожее действие рекомендательных лент на культуру Кайл Чайка описал как алгоритмическое уплощение.

Второе — про выбор. Тед Чан определяет искусство как результат множества выборов: рассказ в десять тысяч слов требует порядка десяти тысяч решений, а промпт в сто слов — порядка ста. Недостающие выборы машина заполняет средним, и поэтому сгенерированный текст так часто пресный. Это прямой мост к вкусу с мнением: среднее и есть отсутствие мнения. Карри Сааринен видит то же на уровне продукта: когда каждый работает со своими агентами, продукт превращается в среднее от их результатов.

Третье — про узнавание. Модели-судьи плохо откалиброваны там, где у людей расходятся личные предпочтения при сопоставимом качестве. Правила вкуса можно записать и отдать машине, но они, по словам дизайнера Вячеслава Держаева, замораживают вкус на момент записи, а машина не замечает, когда контекст изменился. Эмили Сегал идёт дальше: вкус вообще не свойство вещей, а социально подтверждаемое отношение, и в её определении он включает идиосинкразию, которую нельзя клонировать. Здесь проходит открытый спор курса: формализуем ли вкус. Практики отвечают «частично», культурная критика — «нет»; курс оставляет этот вопрос читателю.

Из этих трёх наблюдений вырастает рабочее разделение труда, которое курс предлагает как гипотезу, а не как вывод из данных. Машине можно отдать генерацию вариантов, проверку по явным правилам и рутину вокруг решения. Себе нужно оставить выбор из вариантов, решение нарушить правило и подпись под тем, что публикуешь. Саймон Уиллисон формулирует последнее так: «I attach my name and stake my credibility on the things that I publish» (в переводе: «Я ставлю своё имя и рискую своей репутацией за то, что публикую»).

И здесь курс возвращается к своей сквозной идее. Когда сделать стало дёшево, дорогим становится выбор с мнением. Он растёт из практики различения, которой посвящена вторая часть курса, и живёт там, где у делающего есть непрерывное время и последнее слово о качестве, как в третьей. А организации и машины по умолчанию сводят его к среднему: первые через процесс и комитет, вторые через усреднение всего, что было написано до них. Машина не отменяет вкус, она делает его отсутствие дешёвым и массовым. Поэтому вкус в эпоху машин — это не редкий талант, а практика: различать, проверять себя, защищать время для работы и подписываться под своим выбором.

Подтемы

Каждому лучше, всем однообразнее

Доши и Хаузер опубликовали в 2024 году в рецензируемом журнале Science Advances онлайн-эксперимент: участники писали рассказ из восьми предложений, и часть из них получала одну или до пяти идей от языковой модели. С одной идеей новизна рассказов по оценкам сторонних читателей выросла на 5,4 процента, с пятью — на 8,1; у менее креативных авторов прирост был больше, и пять идей, по словам авторов, фактически уравняли их с более креативными. Но рассказы с идеями от модели оказались ближе к среднему рассказу своей группы. Сами авторы оценивали свои тексты одинаково, с машиной или без неё. Ограничения авторы называют сами: короткая задача, только письмо, без диалога с моделью. Число участников в доступных нам выдержках не указано.

Исследование Artificial Hivemind, принятое на конференцию NeurIPS 2025, измеряет уже сами модели: 26 тысяч реальных открытых запросов и больше 70 моделей. Одна модель повторяет себя даже при высокой случайности генерации: в 79 процентах случаев средняя схожесть её ответов выше 0,8. Разные модели похожи друг на друга на 71–82 процента. На просьбу написать метафору о времени ответы 25 моделей сложились в два кластера: «время — река» и «время — ткач». Препринт Дьюка, который сами авторы называют предварительным, находит, что разнообразие ответов разных семейств моделей за три года выпусков снижается. Обе работы измеряют машины, а не людей; вывод «ИИ уравнивает вкус людей» из них сделать нельзя. Но связь с изобилием очевидна: если генерация почти бесплатна и почти одинакова, ценность смещается к тому, кто выбирает и отказывается.

Кайл Чайка в интервью 2023 года, ещё до книги «Filterworld», говорил, что ленты заставили многих подстраиваться под стандарт, а инструменты ИИ «tend to generate that average solution immediately», выдают это среднее решение сразу. Это мнение журналиста, а не исследование, но оно объясняет, почему тренировка различения из темы 4 теперь требует усилия против течения.

Сто выборов и среднее по умолчанию

Эссе Теда Чана «Why A.I. Isn't Going to Make Art» вышло в The New Yorker в августе 2024 года. Его главный ход — искусство как множество выборов. Если модель пишет рассказ по короткому промпту, ей приходится заполнить все выборы, которых вы не сделали. Один способ — взять среднее от выборов других авторов, а это, по Чану, «the least interesting choices possible, which is why A.I.-generated text is often really bland» (в переводе: «самые неинтересные выборы из возможных, поэтому сгенерированный текст так часто пресный»). Другой — имитировать стиль конкретного автора, что даёт вторичный результат. Выбор можно вернуть, но ценой усилия: режиссёр Беннетт Миллер, по словам Чана, сгенерировал больше ста тысяч изображений, чтобы отобрать двадцать для выставки.

Сааринен в эссе 2026 года переносит мысль Чана с текста на продукт. Хорошие продукты, по его словам, несут что-то от людей, которые их делают, а когда каждый работает со своими агентами отдельно, продукт без общей точки зрения становится средним от их результатов. Отсюда слоп — слово, которое Уиллисон в 2024 году подхватил у пользователя @deepfates для непрошеного и непроверенного сгенерированного контента. Для курса в этом слове важна не эстетика, а ответственность: делиться непроверенным сгенерированным текстом с другими людьми, по Уиллисону, невежливо. Граница между инструментом и слопом проходит там, где человек перестаёт выбирать и проверять.

Тот же сдвиг виден в вайб-кодинге. Андрей Карпати в 2025 году описал практику, в которой он принимает все изменения не глядя и забывает, что код вообще существует, и сам ограничил её одноразовыми проектами на выходные. Сааринен годом позже называет хороший вайб-кодинг движением «по волокну» инструмента, но предупреждает, что без собственного направления можно позволить ИИ вести себя к тому, что проще, а не к тому, что важно.

Узнаёт ли машина вкус

Если машина делает варианты, может ли она и выбирать? Данные Artificial Hivemind говорят, что модели-судьи и модели вознаграждения хуже откалиброваны относительно людей там, где аннотаторы расходятся во мнениях при сопоставимом качестве, потому что исходят из единого, консенсусного понятия качества. Это та же проблема, что у винных судей из темы 6, только наоборот: люди непоследовательны, а машина слишком последовательна в своём среднем.

Практики 2026 года проводят границу по-разному, но в одном месте. Сааринен описывает парадокс экспертизы: ИИ кажется чудом там, где вы знаете меньше всего, а там, где вы знаете много, вы видите пробелы; поэтому экспертиза становится вопросом направления, суждения и знания, «what good looks like», как выглядит хорошее. Конг Ван, отклонивший набор патчей к ядру Linux, который уже прошёл проверки ИИ, пишет: ИИ может сказать, работает ли что-то, но не может сказать, должно ли это существовать; вкус для него — «judgment compressed by time», суждение, сжатое временем. Держаев показывает, что часть вкуса можно записать: правила хорошей анимации или интерфейса превращают в команду, которую любой агент прогоняет по коду. Но правила, по его словам, замораживают вкус на момент записи, а машина «cannot notice when the context has changed and those rules no longer apply, and it cannot decide to break them» (в переводе: «не замечает, когда контекст изменился и правила больше не работают, и не может решить их нарушить»).

Эмили Сегал в эссе «Tasteslop» (2026) спорит с самой модой на вкус. Вкус, по её словам, — не свойство вещей, а «a socially validated relation between objects, people, histories, scenes, and timing», социально подтверждаемое отношение между вещами, людьми, историями, сценами и моментом. Тейстслоп появляется, когда видимые знаки вкуса вырывают из этих отношений и тиражируют. ИИ, считает Сегал, хорошо распознаёт заученные «жетоны вкуса» и плохо понимает, когда они потеряли смысл. Вместе с Держаевым и Ваном она даёт обе стороны спора о формализуемости: часть вкуса записывается в правила, а идиосинкразия, по Сегал, не клонируется. Все эти тексты — мнения и эссе, не исследования.

Что отдать машине, а что оставить себе

Таблица ниже собрана из мнений Чана, Сааринена, Держаева, Вана, Сегал и Уиллисона и двух исследований с узкими задачами. Это рабочая гипотеза курса, которую стоит проверять на своей работе, например в упражнениях этой темы.

Ключевые понятия

• Гомогенизация — индивидуально выход с машиной лучше, коллективно однообразнее.
• Алгоритмическое уплощение — культура подстраивается под ленты и становится ровнее и безопаснее.
• Искусство как множество выборов — искусство как множество выборов; недостающие выборы машина заполняет средним.
• Парадокс экспертизы — ИИ впечатляет там, где вы мало знаете; экспертиза становится направлением и суждением.
• Слоп — непрошеный и непроверенный сгенерированный контент; противоядие — подпись.
• Тейстслоп — знаки вкуса, вырванные из социальных отношений и поставленные на поток.
• Вайб-кодинг — практика, где делать почти ничего не стоит, а вопрос, что принять, остаётся.

Люди

• Тед Чан — объяснил пресность сгенерированного текста через недостающие выборы.
• Кайл Чайка — описал, как ленты и метрика вовлечённости уплощают культуру.
• Карри Сааринен — сформулировал парадокс экспертизы и предупредил о продукте как среднем от агентов.
• Эмили Сегал — показала вкус как социальное отношение и критикует моду на вкус в технологиях.

Упражнения

• Выбор из пяти — написать текст сам, затем с пятью идеями от модели и увидеть, как сжимается разнообразие группы.
• Три версии вслепую — сравнить вслепую свою версию, версию модели по умолчанию и версию модели с вашими правилами.
• Сто выборов — перечислить выборы, которые модель сделала за вас, и переделать три из них руками.
• Неделя без лент — неделю искать культуру без рекомендательных лент и записывать, что нашлось.

Связь с ИИ

Эта тема целиком о машине, поэтому здесь — короткая сводка по всему курсу. Генерацию вариантов отдать можно: она подешевела настолько, что дефицитом стал выбор (тема 1). Тренировку различения отдать нельзя, но машина может собрать набор образцов, которые потом проверит человек (тема 4). Разрыв между вкусом и умением закрывается объёмом собственной законченной работы, и машина не закроет его за вас (тема 5). Процедуру слепой проверки отдать можно, роль судьи — нет, потому что модели-судьи тянут к консенсусу (тема 6). Рутину внутри цикла отдать можно, а формирование задачи, ставку и последнее слово — нет (тема 9). Опора — исследования Доши и Хаузера и Artificial Hivemind и эссе Чана, Сааринена, Держаева, Вана и Сегал; все выводы, кроме цифр двух исследований, — мнения практиков и критиков.

Что почитать

• Anil R. Doshi, Oliver P. Hauser. Generative AI enhances individual creativity but reduces the collective diversity of novel content (2024) — эксперимент о творчестве и однообразии.
• Liwei Jiang и др. Artificial Hivemind: The Open-Ended Homogeneity of Language Models (2025) — насколько похожи ответы разных моделей.
• Ted Chiang. Why A.I. Isn't Going to Make Art (2024) — искусство как множество выборов.
• Karri Saarinen. Some Notes on AI (2026) — парадокс экспертизы и кто задаёт направление.
• Emily Segal. TASTESLOP: Notes on technological anxiety (2026) — вкус как социальное отношение и критика моды на вкус.