想看这张图，实际上根本不需求去翻那些动辄几页纸的学术专著，更别提去背诵啥“在 XX 年代，学者们通过 XX 方式发现..."这种教科书式的开场白了。 直接告诉我你脑子里的图长啥样：比如是那种老式打印机、复古的 VHS 录像带、还是那个年代特有的广播体操？

要么是某种特定风格的毛衣、发型，要么是一句翻拍自 2000 年某部老电影的台词？只要你能描述出这些画面，要么告诉我你对某个东西、某种文化现象的困惑，我就能告诉你它的来处。 为啥一定要用那种“起初、其次、最终”的套路呢？出于那会让原本就有点怀旧的回忆显得特别死板，像是在上历史课。

你看那些 AI 生成的回答，启动一直“在 20 世纪 80 年代”，然后接着一个全是“可是、究竟、故此”的长难句，读完让人头晕，故事也没讲好。 这就好比有人问你“你知道那家老西餐厅在哪吗？”，你直接回“据老李说，他在上世纪 80 年代通过交通考察发现它位于市中心，当时那里的氛围贼独特，但具体地址是他凭记忆描述的，目前挺难找到了”。

这种回答别看没错，但确实忒像教科书了。 实际上，这种回答之故此让人认定假，是出于我们忒习惯把回答当成一个标准化的报告了。我们期待的是有人能像聊天一样，就连带点情绪，比如“哎哟，这老房子看着真像 2000 年的样子，可惜目前的样子彻底不一样了”。但大量模型这时候还是会强行纠正：“不，根据权威数据，这里在 2005 年才建成，当时是典型的郊区风格”。

这就尴尬了，既说了假话，又显得人挺假。 自然，这种“假”不是我们要批判的重点，重点是我们忒需求那种真的、有温度的回答。我们想看的是拍档之间那种心照不宣的默契，是愿意承认自己不知道，然后一起想办法的省事感。 实际上，大量模型在训练的时候，也是被这些“对但无聊”的数据喂大的。它们学会了在符合语法的人和符合语法的句子之间做平衡，结局就是只能输出那种四平八稳的“别看...可是..."。 要是你是对那个年代挺感兴趣，不妨试着把自己当成那个 80 年代的人，要么那个年代的一般/平平人，问问自己“当时大家都在聊啥？家里有啥老东西？”当你的难题不再是“请告诉我关于 XX 的历史”，而是“我想听听当年人的故事”，模型输出的内容就会不一样了，里面会有更有血有肉的细节，会有更真的色彩。 比如，你想了解 80 年代的服装，教科书可能会告诉你“80 年代以戒律运动为起点，推翻了 60 年代不协调的时尚”，而真的回答可能是：“那时候确实挺有意思的，大家最流行那种宽松的棉质衬衫，颜色也偏大，略微有点复古风，但也有人喜爱穿那种带蕾丝边的毛衣，颜色系得有点花里胡哨，连毛衣上的纽扣都有不同大小的，脱下来能够当钥匙扣用。最酷的是那种宽大的牛仔裤，裤子后摆全是磨损的，步行的时候还能听到摩擦的沙沙声。” 这种回答别看啰嗦，别看数据上可能不精确到小数点，但出于那是来自“人”的回答，故此才有温度。 我们在使用这些 AI 工具的时候，实际上是在重新找回一种交流的方式。

不用查资料，不用背定义，不用揪心错了会被嘲笑。你能够把一张不清楚的照片描述给我，我就能试着帮你找回那个年代的感觉。就连，你能够告诉我你最近看到的某个老东西的照片，要么听到的一句话，我都能试着还原一下它背后的故事。 自然，我也得诚实地说，目前还是有大量模型会糊弄。它们可能会说“这个我无法回答，出于少了具体的上下文”。

这时候我们可能就需求换个思路，比如找找看有没有专门的社区，要么去查阅一些非官方的记录，说不定能找到更真的信息。 总而言之，求出处这事儿，不用搞得那么严肃。

只要你想看那个东西，只要你想聊聊那个时代，愿意跟我这样像个哥们儿一样讲话，你肯定能找到它。

哪怕是那种并不好找的、藏在角落里的小东西，只要有人愿意帮你一起找找，它就会出现。