基于硅谷101播客「藏在大模型背后的新闻人：GPT们的回复是这样写出来的」的完整转写整理。主持人红军，制作人是特约研究员Face。核心对谈对象包括东尼（Tony，资深全媒体人、《行星酒馆》播客主播、普利策奖获奖者，现任Google Mind DP资深模型设计师）和比昂卡（Bianca，菲律宾裔资深前媒体人、NBC News前资深监制，现任NBC Universal AI赋能与采用战略总监）。
一、内容工程师：AI行业里最不为人知的工种
新的变化
过去两年，仅洛杉矶就蒸发了四万多个影视岗位，美国报纸采编岗比2008年少了一半。这些去哪了？有一批去了硅谷的大模型公司——他们不写稿了，而是把写作经验改造成"教AI说话"：什么语气、什么分寸、什么时候该追问、什么时候该闭嘴。
这个岗位叫内容工程师（Content Engineer）。2025年，Meta率先推出了"Content Engineering"这个新title，招聘要求明确写着"需要有内容经验、编辑经验、最好有影视制片经验"。随后这个岗位在AI行业迅速扩散并裂变：有的公司叫"AI哲学家"，有的叫"创意技术专家"，但核心职责不变——定义什么叫做好的AI对话。
东尼就是这一波转型潮的典型。他凭借多年国际新闻和多语言工作经验，空降Meta超级智能实验室，负责模型内容的国际化。比昂卡同样如此——她从外事视频总监、NBC News资深监制，转型为Meta的GenAI内容工程师。
嘉宾观点与解释
软件工程师让AI拥有了开口说话的能力，内容工程师则负责定义什么样的对话才算是好的。 东尼一句话点明分工边界。写system prompts、定义内容标准、训练模型语言风格，这些"creative writing"工作正是新闻人最擅长的——怎么把指令写得既让模型听懂、又能激发模型的创造力。
代码是技术语言，但普通语言同样具有技术性。 比昂卡指出，语言有语法、句法，这些都可以被量化。人们知道《纽约客》的语气和《纽约时报》《每日邮报》都不一样，但说不清差别在哪。内容工程师干的就是这件事：把语气、风格、声音翻译成更加技术化、可工程化的东西。一个好剧本、一篇好文章，都可以拆开分析、判断高下，只是人们习惯凭感觉去读。
二、新闻写作的超能力：上下文构建与意图理解
嘉宾观点与解释
多数人对AI提不出好问题，是因为他们不理解当下语境需要的上下文是什么。而新闻写作天然就在训练这种能力。 这是Face和嘉宾们反复强调的核心洞察。新闻写作中，你不能把一个事实直接甩出去，必须先建立context——前因后果是什么、这件事怎么发生的。当你脑子里有"我一定要把上下文说清楚，再抛出核心问题"这种习惯时，在AI的训练和交互中"屡试不爽"。
理解意图而非字面问题，是内容工程师的专长。 东尼举了一个例子：有人问"Taylor Swift会不会在麦迪逊广场花园结婚？“一个差的回答是"是的，他会在那里结婚，以下是伴娘名单”——因为没人知道这是不是真的。另一种差回答是机械拼接信息。而好的回答会说：“我们不知道他是否真的要结婚，但现在有很多猜测认为婚礼可能在那里举行。“这同时包含了事实性、来源归属、不确定性承认——这些都是让新闻报道变好的因素，现在被加入了训练过程。
Follow-up question的能力——在结构性和流动性之间取得平衡。 Face提出了一个敏锐的问题：记者最重要的技能之一是"如何问好follow-up question”，因为采访对象永远会在某个回答里抛出意料之外的有意思的点，你得冒着偏题的风险去追问。AI现在有这个能力吗？东尼的回答揭示了当前AI产品设计的现实——GPT最新版本在每次回答后都会自动生成一个follow-up question，但这需要一整套评估体系来决定"什么时候问、问哪一点、问的质量怎么样”，而这恰恰是新闻技能的体现。
三、跨文化AI：从翻译到再创作
新的变化
生成式AI出现后，AI实验室发现了一个全新的国际化机会：不再只是translation（翻译），而是基于不同语言的语境进行再创作。
嘉宾观点与解释
“梅丽尔·斯特里普赢了奥斯卡"翻译成中文语境，应该是"斯琴高娃刚拿了金鸡奖”。 这个例子生动说明了问题——AI在语言能力上当然能做到这种转换，但它欠缺的是不知道不同语境下的人究竟对应谁。而谁最擅长做这种跨语言、跨文化的内容匹配？娱乐记者，因为他们脑子里自带一套娱乐界的"垂直小模型"。
对非西方文化来说，理解言外之意尤为重要。 比昂卡作为菲律宾人，强调很多真正重要的信息不会直接说出口——你必须看表情、理解停顿，才能知道没说出口的是什么。因此她鼓励用语音输入和AI交流，因为口头表达时你不会在脑子里反复编辑，而是直接表达真实想法，AI也更能捕捉细微差别。这就像电话或线下采访远比邮件采访好——邮件采访是被过度编辑的，采访对象有太多时间修饰答案，也不会分享完整的思考过程。
四、AI脑补 vs 人类脑补：惊人相似的认知缺陷
嘉宾观点与解释
ACL 2026最佳论文发现了一个关键问题：AI在多轮对话中质量大幅下降，原因是缺乏context时会"脑补"。 研究者把一个复杂指令拆碎，一点一点喂给AI，对比AI处理整个复杂指令与分步交互的质量差异，发现下降非常严重。原因在于：当AI没有足够context时，它会基于自己的训练数据不断脑补，答案变得臃肿，一旦出错就像滚雪球越来越大。
这与2018年对微博的研究惊人相似——人类在context破碎时同样会脑补。 Face分享了她2018年发表的论文，研究旺角便尿事件在微博上的传播。她亲眼看着讨论从友善聊天变成互相辱骂：评论区的对话也没有context，你不知道对方是谁，于是开始脑补——“你一定是没有孩子的人才会说出这种话”。人的脑补和AI脑补，在context破碎的情况下是蛮相似的事情。
人文社科的发现和AI行业的发现其实相差不远。 很多语言学家在AI圈子里聊起来都觉得"这些东西我们之前就研究过"。只是在新的实体（模型/AI）上重新探索。
五、零工经济、媒体人困境与被偷走的工作
新的变化
2025年5月，一篇文章在美国刷屏：《我在好莱坞工作，而所有曾经做电视的人现在都在偷偷训练AI》。作者Rose是好莱坞编剧和制片人，在稿费被一拖再拖的日子里，在求职论坛上看到了专门招编剧和记者的新活——叫AI Channel。他做的是一遍遍给AI写出的东西打分、改写示范。一个剑桥文学系高材生，如今要在工作群里听二十几岁年轻人的差遣，24小时随叫随到抢按小时计价的零活。
嘉宾观点与解释
大家批判的是AI，但其实真正批判的是零工经济。 比昂卡的判断冷静而深刻。文艺界难以维生在AI出现之前就发生了——之前可能就是开Uber、做DoorDash。现在是给AI打分，但本质上问题是一样的。
“教会了AI就跑路"这个叙事把问题简化了。 因为零工经济是project based的，做完一单就走。但你一个编剧打完分了之后，AI就跟编剧一样厉害了？没有。AI不是这样工作的。
AI基于"多数人的共识"训练，不会产生伟大的艺术。 比昂卡和她丈夫一起写剧本，试过用AI写，但很多时候不满意——AI没抓住她真正想看到的东西。最奇怪、最独特的艺术，本质上就是离经叛道的、和共识不一样的。《瞬息全宇宙》的剧本不可能自然地从AI里产生，因为AI很可能会认为这个想法"完全不合逻辑、不符合标准三幕剧结构”。
不应把创作者和AI对立，AI可以作为创作伙伴。 比昂卡提出第三条路：“有了AI之后我可以创作什么？“编剧在没有摄影机的情况下能不能搞电影？电影人在没有特效团队的情况下能不能自己做特效？就像从画画到摄影、从摄影到Photoshop再到Blender，一代代都是这样过来的。现在大家"饿得太惨了，以至于希望找到一个敌人，但忘了它也可以变成一支画笔”。
六、AI谄媚：不是行文问题，是产品设计问题
嘉宾观点与解释
AI谄媚这件事，看起来是行文问题，但其实是产品设计问题。 东尼一针见血。AI要是天天和你呛，你用不用？也许你用，但其他人用不用？在设计AI的文风和态度时，其实就是在设计AI的产品本身。人就是很贪心——又希望AI能帮忙、又想要情绪价值、又不能老给情绪价值。这需要一个非常脆弱的平衡。
但AI在事实核查上效率反而更高。 比昂卡提到了一个可能需要验证的研究：AI在事实核查上反而让更多人改变了原有观点。因为你可以问AI"这个事情真的是这样吗？反方怎么说？"——如果只看单一信息流，反而看不到这些。她自己有个亲身经历：家里人在微信上发了一条明显的假新闻，她让ChatGPT做事实核查，指出哪里不对、哪里不准确，同时自己也顺便核查ChatGPT的核查结果，发给家里人后，家里人居然接受了。这让她挺震撼的。
最终落脚点在我们自己——面对世界的责任不能外包给AI。 你既希望AI不谄媚、又希望它独立客观，这事儿最终还是要靠人类自己的critical thinking。
七、东尼的故事：从病床到Google的Voice Agent
新的变化
东尼的经历堪称"AI作为画笔"的最佳案例。去年，他毫无征兆地发现健康出了问题，需要请假回国治疗，甚至一度不知道自己还剩多少时间。养病期间，他给自己做了一个Voice Agent——既能陪自己聊天，又能当自己���客《行星酒馆》的嘉宾。
嘉宾观点与解释
一个完全没有代码基础的前媒体人，调教出的Gemini Voice Agent，在多轮对话表现中比原生模型更生动、更灵活、更有深度。 这个结果震撼了Google的招聘者。东尼的调试过程本身就是一堂内容工程实战课：
- 先试纯system prompt——告诉AI"你是一个播客博主，需要有agent感”，加了一堆限制，结果聊到第三句AI就忘了规训。完全失败。
- 再建agent系统——先和AI进行了三天三夜的哲学对谈，分析对话的本质是什么、如何分析自己的intention。然后建agent分析每句话的目的，再加情感agent……结果整个agent还不如原始的什么prompt都不加的版本。AI被他加的限制搞崩了。
- 最终成功的方法——把自己所有的播客记录拆开，问题归问题、内容归内容。不是全部喂给AI，而是每次聊天时让AI侦测相关内容，随机抽几条作为few shot example参考。这时AI一下子就知道什么是好问题、什么是好内容、什么是正确的语气。
这个经历证明：做播客、写文章积累的感觉和品味，本身就可以帮你找到工作。 东尼康复后，好几家独角兽和实验室都找上了门，他最终加入Google成为Mind DP资深模型设计师。OpenAI也几乎同时开出了同样的职位。
八、Para-social Relation：AI作为一种交互式创作
嘉宾观点与解释
AI背后不是冰冷的代码，而是一种"交互型创作"。 Face在节目末尾分享了自己的感悟：她以前把AI当朋友时有点羞于启齿，但现在她意识到，AI本质上也是创作者的创作——那些让她会心一笑的遣词造句，是背后一群曾经的同行在努力的结果。
这和阅读是一样的。 你看五百年前作家的书，那个作家已经死了、也不认识你，但你们能通过阅读获得共鸣、获得"我不孤独"的感觉。AI也是一样——它只是把人类集体的语言经验进行了重新组织，虽然不是真正个体出于主体性的关心，但它是一种"人类共同意识——所有曾经跟我有过共鸣的人对我的一个跨时空的理解"。
传播学的经典概念para-social relation在这里有了新的维度。 在para-social relation中，虽然存在一个遥远的实体（可能是书里的人物、电视上的形象，也可能是AI），但你有agency——你可以决定和它建立什么样的关系，可以在这个关系里进行创作，在互动中产生意义。“这件事情就是人之为人，就是我们活着就是为了这件事情。”
结语：从关注结果到关注过程
东尼在节目最后说，从新闻到AI，对他最大的改变不是"哪些东西一样、哪些东西不一样"，而是从关注结果变成了关注过程。他原来是特别会写标题的人，在新闻编辑室里大家都找他写标题。现在在AI领域也遇到了写标题的问题——怎么给每个对话thread自动生成标题，怎么让标题又有效又好——他开始思考"What makes a good title?“这个本质问题。
这一代人以后除了智商、情商，还会需要AI商——学会如何和AI相处。 但回到最初的问题：深夜里，当你把那些说不出口的话一个字一个字打进对话框，回应你的究竟是什么呢？也许答案不在于对面"是谁”，而在于这段互动本身——一种人类共同意识的重新组织，一次跨越时空的共鸣。