别被 AI 的灵光一现给骗了，它其实在用统计学模拟创意

很多开发者和运营在用 Google 的大模型做内容产出时，经常会被它偶尔蹦出的一个“神来之笔”给惊艳到，从而产生一种 AI 具备真实创造力的错觉。但作为一名长期与 Prompt 打交道的工程师，我必须泼一盆冷水：绝大多数所谓的“创意”，本质上只是模型在海量数据中捕捉到了一个高概率的“创意模式”，然后通过统计学分布把它复刻了出来。

简单来说，AI 并不是在思考如何打破常规，而是在计算什么样的答案最像一个“有创意的人”会写出来的东西。

这种“伪装”在实际办公场景中极其明显。当你要求 AI 给出一个大胆的营销方案时，它最常用的套路就是把三个当前最热门的关键词强行拼接，再套上一层华丽的修辞外壳。对于不了解业务背景的审核者来说，这看起来像创新；但对于真正执行的人来说，这种东西充满了典型的“AI 味儿”——空洞、宏大且缺乏落地支撑。

这其实揭示了大模型的一个底层逻辑缺陷：预测下一个 token 的机制决定了它天然倾向于“共识”。而真正的创意，往往是对共识的背离。如果一个模型的目标永远是追求最大概率的正确，那么它产出的结果永远会在平均值附近打转，很难产生真正的突破。

为了在实战中避开这种概率陷阱，我尝试了几套 Prompt 调优方案，把 AI 从“概率模拟”状态中强行拉出来，效果显著：

首先是强制限制常用词汇。AI 喜欢用一些看似高级但毫无意义的词，比如英文里的 "Unlock"、"Revolutionize" 或 "Tapestry"，中文里的“赋能”、“维度”、“底层逻辑”。我在 Prompt 中明确列出禁用词表，强迫它去寻找更具体、更生僻的表达方式，这样能有效降低内容的“塑料感”。

其次是引入冲突维度。不要直接问“怎么做才更有创意”，因为这样它会给你一个它认为最像创意的平均值。你应该给它设定两个截然相反的约束条件，强迫它在矛盾中寻找切入点。例如，我尝试过这样一个指令：
“请为这款产品设计一个推广方案。要求：1. 必须使用 19 世纪的工业风语言；2. 目标受众必须是 00 后 Z 世代；3. 禁止使用任何关于‘智能’或‘高效’的形容词。”
在这种极端的约束下，AI 不能依赖常规的概率分布，必须在逻辑上进行强行适配，此时产出的方案往往会有意想不到的惊喜。

最后，也是最核心的一招：要求提供反直觉的推演过程。我习惯在 Prompt 中加入一个强制环节，要求它在给出最终结论前，必须先列出 3 个最平庸、最容易被想到的常规答案，并详细解释为什么这些答案在当前场景下是无效的。

通过这种“自我否定”的推演流程，AI 被迫在逻辑链条上向深处挖掘，而不是在表面层进行概率拼接。只有经过这种筛选，最后剩下的那个方案才具有真正的参考价值。

总而言之，我们面对的不是一个创作者，而是一个极其擅长写公关稿的概率机器。想要它产出高质量的创意，不能靠运气，而要靠通过严苛的约束条件，强行把它的输出路径从“共识区”推向“边缘区”。