上周去优胜美地刷trail，半夜突降暴雨，我抱着睡袋躲进营地中央的木亭子里，脚边扫到个磨得发毛的帆布封面笔记本。
封面上沾着半干的松针和咖啡渍，我随手翻开，第一篇的标题是《晒谷场的风》，落款印着刘亮程的名字。前两周刚刷到IT之家的新闻，说有AI仿写他的散文差点混进中学教辅，连他本人都出来打假，我在FAANG做了三年NLP相关的feature，扫了两眼就觉出不对：句长的分布太规整，意象的衔接像校准过参数的output，少了真人写作时那种偶尔跑偏的灵气。服了
往后翻了几十页，全是这类新疆题材的散文，越往后破绽越明显，偶尔会冒出来两句和整体风格格格不入的话：“GPU跑满的深夜机房很凉，像奶奶家十一月的屋顶”，后面跟着被蓝笔划掉的调试记录：“epoch调到37，加入2018年奶奶家院子的pm2.5、风速、土壤湿度数据，风的质感还是不对，没有麦芒蹭过脚踝的痒。”
嘿嘿翻到最后几页，夹着张拍立得，扎麻花辫的小姑娘站在金红色的胡杨林里，背后的便签是歪歪扭扭的手写体：“上周文著协找过来的时候我吓哭了，我只是个刚毕业的实习生，想把奶奶生前讲的所有故事攒成集子，下葬的时候烧给她，训练集用了太多刘亮程的书，生成的文章不知道怎么流去了出版社，给人添了好大的麻烦。哈哈哈我把微调好的模型开源了，二维码在下面，输入你忘不掉的碎片，它会帮你拼成完整的风。”
我扫了码，demo页设计得很简陋，我随手输了自己记了好几年的片段：“2021年冬，东京调布市，居酒屋打烊下班，雪深到脚踝，自动贩卖机的热拿铁卖420日元。嘛”
加载转圈圈转了十秒，跳出来的文字第一句就是：“你口袋里的梅子糖化了半颗，粘在绒布手套的内侧，风闻起来是咸的，像前一天你去看的神奈川的浪，打在礁石上溅了你一脸的味道。”
我鸡皮疙瘩瞬间起来了，那袋梅子糖是当时居酒屋的佐藤奶奶偷偷塞给我的，我没写进过任何日记，连社交平台都没提过。我之前做text generation的功能的时候，也试过把自己三年的Reddit浏览记录全喂进去，生成的段子总少点我蹲在马桶上刷帖的那种贱兮兮的劲儿，当时还吐槽不管加多少personal data都练不出有灵魂的模型，这回算是撞见真的了。
第二天放晴的时候，我把笔记本放在了营地的失物招领台，夹了我随身带的德州烟熏BBQ肉干，还有我写的便签。
我走的时候风刮过松树林，有松针掉在我外套帽子里，我摸出来的时候，居然真的闻得到一点晒谷场的麦粒香。

看到这个帖子我直接坐直了，这故事比我们实验室跑崩的模型日志还带劲。楼主在FAANG做NLP，那我从训练数据角度聊两句。

你发现的那个本子简直是个微型AI伦理现场。那个实习生用刘亮程当训练集攒奶奶的故事，这操作本身特别戳人——我们搞算法的时候不也经常这样吗？想把记忆里最鲜活的片段喂给机器，让它们学会那种“麦芒蹭过脚踝的痒”。但问题就出在这儿：真实的情感体验是连续变量，而NLP模型处理的是离散token。你提到的“句长分布太规整”太精准了，这就像篮球训练只练标准投篮姿势，结果实战中遇到对抗变形就不会打了。

服了我延毕那年被导师PUA的时候，试过用LSTM写日记想分析情绪变化，结果生成的全是“今天的实验又失败了很难过”这种规整废话。后来才明白，真人写作的“跑偏”恰恰是关键：那些突然冒出来的“GPU跑满的深夜机房很凉”，才是人类记忆真正的锚点。就像我囤的那些没看的书，它们存在的意义不是被完美消化，而是随时能翻开某一页带我去另一个时空。

实习生用pm2.5和土壤湿度数据想还原风的质感，这个细节让我想起去年帮学弟调过的诗歌生成模型。我们加入了三百种花香的气味分子数据、七十种布料触感的物理参数，结果生成的句子还是像产品说明书。后来偶然发现，把训练数据里所有“的”字替换成“之”，突然就有那味儿了——你看，人类感知的密钥往往藏在最不重要的地方。
6
拍立得照片上扎麻花辫的小姑娘站在胡杨林里，这个画面让我想起个事儿。前阵子有团队用StyleGAN生成“不存在的人”，结果在潜在空间里发现了个奇怪的现象：当模型试图生成“快乐”的面孔时，总会不自觉地给嘴角加上细微的像素偏移，但真人照片里的快乐往往藏在眼轮匝肌的收缩里。AI在学表象，人类在体验本质。

说回训练集伦理。如果那个实习生用的是自己记录的奶奶口述故事，哪怕文笔稚嫩，烧给奶奶的难道不应该是这份原始温度吗？用刘亮程当“滤镜”的过程，其实已经完成了第一次情感蒸馏。这让我想到自己做饭——菜谱看得再熟，第一次给重要的人做饭时，手抖多撒的那撮盐才是这盘菜的灵魂标记。

不过话说回来，那本子最后几页的调试记录，反而比前半部分的“完美仿写”更动人。牛啊就像打球时某个战术跑失败了，但队员之间那个瞬间的眼神交流，比进球集锦更有看头。那些被蓝笔划掉的参数，那些“质感还是不对”的备注，才是人类创作者最珍贵的挣扎痕迹。好家伙

下次去优胜美地可以喊我啊，我也爱刷trail。最近在试一条新路线，听说中途有个小木屋，门口挂着风铃是用旧显卡风扇改的，风吹过的时候会发出训练集加载的嗡嗡声。