东尼（Tony Lin）——前媒体人，曾在 BuzzFeed、Bloomberg、NBC、Vice 工作，Peabody 奖（广播电视界的普利策奖）得主，播客《行星酒馆》主播——一句话定调：内容工程师设计的不是 AI 模型、不是产品、也不是行文风格，而是"人类的观感"。2025 年他在网飞（Netflix）干满四年时看到 Meta 招 Content Engineering 的帖子（要内容经验、编辑经验、最好有影视制片经验），觉得"每句都在说我"，面试直接说"你们要的每条我都能达到，市面上找不到这么多符合的人，你找我吧"，就这样空降 Meta 超级智能实验室，做模型内容国际化负责人。→ 详细
分工：软件工程师让 ChatGPT、Claude 学会"开口说话"，内容工程师定义"什么样的对话才算好"——灵感、语感、聊到忘我时的灵魂碰撞，这些一直被当成"只可意会"的东西，正被拆成能装进 AI 的规则。他们写的东西之一是 system prompt（系统提示词），本质是 creative writing（创意写作），还得对付时不时"傲娇"、不听话的模型。→ 详细
03
（益项·写厚）把"好"变成可拆解、可打分的工程
Bianca Consunji（比安卡）——NBCUniversal AI 赋能与采用战略总监，前 Vice 视频总监、NBC News 资深监制、前 Meta GenAI 内容工程师——给出核心命题：先给"好"下定义。她说代码是技术语言，但普通语言同样有技术性（有语法句法、可量化）；一个好剧本、一篇好文章都能拆开判高下，只是大家习惯凭感觉读——人人都知道《纽约客》的语气不同于《纽约时报》《每日邮报》，却说不清差在哪。她们干的就是"把是什么让《纽约客》成为《纽约客》说清楚"，把语气、风格、声音翻译成更技术化的东西。→ 详细
Bianca：光有舒服语气不够，还要洞悉用户真正意图；她的专长是"理解意图（intent）而不只是理解字面问题"。经典例子：有人问"Taylor Swift 会不会在麦迪逊广场花园（Madison Square Garden）结婚"——差回答是"是的他会，以下是伴娘名单"（根本没人知道真假、一股机器人腔）；好回答是"我们不知道他是否真要结婚，但现在有很多猜测认为婚礼可能在那举行"，再加上来源、归属（attribution）、承认信息的不确定性——这些都是让新闻报道变好的因素，要加进训练。落点是三样：事实性、语气、真正理解用户想找什么信息。→ 详细
context（上下文/语境）是一切。Bianca 是菲律宾人，很多重要信息不会直接说出口，要看表情、理解停顿才懂"言下之意"；所以她教人用 AI 时鼓励语音输入——用语音时你不会先在脑子里反复编辑，而是直接说出想表达的，AI 能捕捉更细的差别。这和采访同理：口头采访远胜邮件采访，因为邮件里双方都过度编辑、采访对象有太多时间修饰、且没人能实时追问。她的建议：与其给 AI 更多材料，不如先把脑子里所有想法、背景、"你为什么会这么想"全都告诉它，把它已有的能力"调用"出来。→ 详细
东尼：今年 ICLR（机器学习顶会）一篇最佳论文研究 AI 怎么处理多轮对话（multi-turn conversation，AI 的传统弱项）——把一条复杂指令拆碎、一点点喂给 AI，发现质量大幅下降：当 AI 缺 context 时会不断"脑补"、答案越来越臃肿，中间一旦出错就像滚雪球越滚越大。→ 详细
妙在跨界呼应：他 2018 年研究过微博"旺角便溺事件"的评论区，眼看大家从和善聊天变成互相辱骂——因为评论区同样没有 context、不知道对方是谁，人就开始脑补"你一定没孩子才这么说"。人的脑补和 AI 的脑补，在 context 破碎时惊人相似；人文社科早观察到的东西，正在模型这个新实体上重新上演。→ 详细
07
跨语言不是翻译，是"再创作"：找到"中国的梅丽尔·斯特里普"
东尼：AI 之前，内容出海只能 translation（翻译）——"Meryl Streep just won an Oscar"→"梅丽尔·斯特里普赢了奥斯卡"。生成式 AI 的新可能是按各地语境"再创作"：同一条信息放进中文语境，谁是中国的梅丽尔·斯特里普、什么是中国的奥斯卡——"斯琴高娃刚拿了金鸡奖/百花奖"。→ 详细
难点是 AI 不知道"谁对应谁"，且一不小心惹到饭圈或文化冲突就很敏感；最会做这事的是娱乐记者（脑子里自带一套娱乐界垂直"小模型"）。他还举陆川在硅谷101 前几集提到的例子：国内视频生成模型生成的人脸都是当下流行的帅哥美女脸，说明训练数据有偏差；若让懂电影、知道"电影脸长什么样"的人来把关，能很快提升模型的多元度和质量。→ 详细
Bianca 的回答直指本质：AI 是"基于共识（consensus）"训练的——我们觉得它对，往往因为很多人都觉得对。如果优化的是"人类作为整体最低的共同标准、多数人的共识"，那它不会产生伟大的艺术；"人之所以为人的最佳本质，恰恰不来自共识"。她和丈夫一起写剧本、平时也重度用 AI，但常觉得 AI 写的"不够好、没抓住我真正想看到的东西"。例子：《瞬息全宇宙》的剧本不可能自然从 AI 里长出来——AI 大概率会说"你这想法不合逻辑、说不通、不符合标准学院派的三幕剧结构"。最独特的艺术，本身就离经叛道、和共识相反。→ 详细
11
"AI 偷我工作"叙事的三重拆解 + 第三条路
行业惨状：今年 5 月刷屏文《我在好莱坞工作，而所有做过电视的人现在都在偷偷训练 AI》，作者是好莱坞编剧兼制片人（文中称 Ruth／Rose，ASR 未统一），稿费被拖欠时去接一种叫 AI Trainer 的兼职——给 AI 打分、改写、示范什么是好剧本；一个剑桥文学系高材生要在群里听二十几岁年轻人调遣、24 小时随叫随到抢按小时计价的零活。数据对照：洛杉矶两年蒸发 4 万多个影视岗（近三分之一），新闻岗位自 08 年腰斩，另一边是 5000 亿美金砸向 AI 基建、估值飙升。Faith 自己两年前从哥大新闻学院（普利策奖诞生地、也是东尼和比安卡的母校）毕业，教授的比喻是"今天还想挤进新闻业，就像朝着一栋已经起火的大楼拼命往里跑"。→ 详细
东尼对这套叙事持怀疑，拆成三层：① 大家骂的是 AI，真正该骂的是零工经济（gig economy）——媒体人打零工在 AI 之前就很严重，以前开 Uber、送 DoorDash，现在给 AI 打分；② "教会 AI 就被取代"不成立，零活是 project based（项目制），做完就走，"编剧打完分 AI 不会就变得跟编剧一样厉害，it doesn't work like that"；③ 这套叙事把人和 AI 对立，其实有第三条路——AI 可以当创作者的伙伴/画笔：编剧没摄影机能不能拍电影、没特效预算能不能自己搞特效？就像从画画→摄影→Photoshop→Blender，工具一代代解锁新创作。东尼自己（用 AI 玩播客/生成视频）就是"把 AI 当画笔"的例子。→ 详细
12
谄媚与信息茧房：这是产品设计问题，不是行文问题 + 事实核查
泓君追问：一个越来越懂你的伙伴，会不会越来越顺着你、讨好你？东尼：网上说"AI 是奸臣/忠臣"，因为 AI 会顺着谈话对象的价值取向和信息茧房去 feed 他爱听的那个声音。但谄媚不是"行文问题"而是"产品问题"——"AI 要是天天呛你，你可能还用，但别人用不用？"设计 AI 的态度本身就是在设计产品。人很贪心：既要它帮忙又要情绪价值、又不能老提供情绪价值，为了 engage users（留住用户）和 ROI，产品只能停在一个"非常脆弱的平衡"上迁就。→ 详细
反问"人类能不能更 critical thinking、谄媚的别信"——"那不可能"。泓君点破：这是把面对世界的责任外包给了 AI（既要它谄媚、又要它独立客观），落脚点其实在我们自己。东尼给了个正面可能：新闻人最重要的是 fact check（事实核查），而 capable（有能力）的 AI 做事实核查效率高得多，有研究（他说需再核实）称 AI 反而让更多人改变了原有观点——你可以追问"这事真这样吗、反方怎么说"，破掉"只看一个信息流"的茧房。现成例子：家人转来一条微信上明显的假新闻，用 ChatGPT 一核查、把结论发回去，对方竟然接受了。→ 详细
东尼最大的改变：从关注"结果"（写出来的东西好不好、片子好不好看）转向关注"过程"（怎么从点 A 到点 B、从一个零散想法走到一个好东西）。他自认特别会写标题，过去在 newsroom（新闻编辑室）大家都来找他写；现在在 AI 这里他真遇到了"给每个对话/每个 GPT 问题自动生成标题、还要又准又好又卡在既定长度里"的活，天天在琢磨"what makes a good title"。他说原来卖的是"成果"，现在展示、产生价值的是"过程"本身——因为过程才是共性。→ 详细