# 品味：學得會，但教不來
> 📖 本站完整內容索引（documentation index）：[llms.txt](/llms.txt)
> 作者：easyvibecoding · 發佈：2026-06-22
在前一篇〈[抽象系統工程](/blog/abstract-system-engineering)〉的結尾，我們爬完了一條把人一層層請出迴圈的抽象階梯，最後停在機器暫時跨不過去的那一格：定義「什麼叫做好」的那個人。那篇的結論落在一個詞上——taste，品味。機器可以爬得又高又快，但只要它頭頂上那個「好」還是模糊的、沒辦法便宜驗證的，它就需要一個站在迴圈外的人，告訴它：這個，才算數。
那篇停在「品味是人類最後守住的那一格」，卻留了一個更難的問題沒回答：這個被我們押上最後賭注的品味，到底是什麼？是天生的稟賦，還是練得出來的？如果練得出來，又該怎麼練？
巧的是，差不多同一時間，2026 年 2 月，整個科技圈也吵起了同一個詞。
起頭的是 Paul Graham，他在 2 月 14 日於 X 上預言：「When anyone can make anything, the big differentiator is what you choose to make.」（當任何人都能做出任何東西，真正的差異就在於你**選擇**做什麼。）兩天後，OpenAI 總裁 Greg Brockman 把話講得更像口號：「Taste is a new core skill.」（品味是一項新的核心技能。）連 Cloudflare 的技術長 Dane Knecht 也加碼：「Building is easy now. Knowing what to build, and what not to, is the hard part.」（現在「做」很容易，難的是知道該做什麼、不該做什麼。）
但這不是一場一面倒的讚美。Linear 的 Nan Yu 冷冷回了一句：「you probably don't have better taste than AI」——你的品味大概沒有比 AI 好。也有人質疑，憑什麼說品味是人類獨有的能力。
工程師為什麼突然在吵品味？因為一件事正在發生：當生成變得幾乎免費，價值就從「做得出來」退到「判斷得出哪個好」。有人把這形容得很直白——在 2026 年，「創造」已經是一種商品，像自來水、像電一樣；當創造變便宜，價值就移到了篩選（when creation is cheap, value shifts to curation）。於是那個一直被當成玄學、被當成「你做久了就知道」的東西，突然變成了一個值錢的、必須講清楚的問題：品味到底是什麼，它能不能練，又該怎麼練？
## 一、品味，是判斷方向的能力——不是表面好看
要談這個詞，繞不開一個人。
1995 年那支後來被稱為「The Lost Interview」的訪談裡，賈伯斯講過一句很傷人的話：「The only problem with Microsoft is they just have no taste. They have absolutely no taste.」（微軟唯一的問題，就是他們完全沒有品味。）他接著解釋這個「沒品味」是什麼意思——不是指介面醜，而是「they don't think of original ideas, and they don't bring much culture into their product」：他們不想原創的點子，也沒把多少文化帶進產品裡。
注意他的定義：品味不是表面的好看，而是**有沒有判斷力去把對的東西帶進來**。在同一段訪談裡，他把話說得更完整：
> You know, ultimately it comes down to taste. It comes down to trying to expose yourself to the best things that humans have done. And then try to bring those things in to what you're doing.
（說到底，這歸結為品味。歸結為盡量讓自己接觸人類做過最好的東西，然後試著把那些東西帶進你正在做的事情裡。）他還補了一句後來被講爛、但其實出處有點曲折的話——「賈伯斯引用畢卡索的說法：優秀的藝術家模仿，偉大的藝術家偷竊（good artists copy, great artists steal）」，並坦承「我們一向厚著臉皮偷最棒的點子」。（這句其實查不到畢卡索本人說過，更早的源頭是 T. S. Eliot；但賈伯斯轉述它的脈絡，恰恰點出了品味的關鍵——後面會回來談。）
賈伯斯把品味跟一件更底層的事綁在一起：經驗的廣度。1996 年《Wired》那篇訪談裡，他說創造力其實只是「connecting things」——把東西連起來；而他對自己同行的批評是：
> A lot of people in our industry haven't had very diverse experiences. So they don't have enough dots to connect, and they end up with very linear solutions without a broad perspective on the problem.
（我們這行很多人沒有很多元的經驗，所以他們沒有足夠的「點」可以連，最後只能做出很線性、缺乏宏觀視野的解法。）而在前面那支 1995 年的訪談裡，他也提過同一件事：麥金塔之所以偉大，是因為做它的人「are musicians and poets and artists and zoologists, and historians, who also happened to be the best computer scientists in the world」——是一群剛好也是世界頂尖電腦科學家的音樂家、詩人、藝術家、動物學家和歷史學家。品味的原料，是廣度。
這不是賈伯斯一個人的偏見。把設計講到極致的那群人，講的幾乎是同一件事，只是換了個說法——**品味是減法，是減到只剩本質**。Dieter Rams 的好設計第十條是「Good design is as little design as possible. Less, but better」（好設計是盡可能少的設計。少，但更好）。Jony Ive 提醒人別搞錯：「Simplicity is not the absence of clutter」——簡約不是「沒有雜亂」，沒有雜亂只是結果，不是簡約本身。John Maeda 把它濃縮成一句：「Simplicity is about subtracting the obvious, and adding the meaningful.」（簡約，就是減去顯而易見的，加上有意義的。）
把這些人放在一起，品味的輪廓就清楚了：它不是「好不好看」的審美偏好，而是一種**對「什麼是對的方向、什麼該留什麼該砍」的判斷力**。它離「鑑別力」很近——一眼看出好壞，而且這個「看出」經得起更有眼光的人檢驗。
品味，是一眼把「對的那個」從眾多裡挑出來。
## 二、為什麼它總是「說不清楚」
但只要你追問有品味的人「你怎麼知道這個比較好」，幾乎都會撞到同一道牆：他答不太出來。
這不是他藏私，是這種知識的本性。哲學家 Michael Polanyi 在 1966 年的《The Tacit Dimension》裡給了它一個準確的名字：「We can know more than we can tell.」——我們能知道的，多過我們能說出來的。他稱之為「默會知識（tacit knowledge）」：你能在一千張臉裡認出某一張，卻說不清你是「怎麼」認出來的。
「默會」這兩個字譯得很傳神——默默地會意，不必、也無法說出口。這種概念，中文一點都不陌生：我們老早就有一整組詞在講同一件事——「只可意會，不可言傳」「心領神會」「如人飲水，冷暖自知」，講白一點，就是「說不清、道不明」。默會知識說的，正是這種你心裡明明白白、嘴上卻兜不攏的懂。
品味就是這種知識的典型——你能一眼判斷一段文案到不到位、一個介面順不順，卻很難寫成一條能讓別人照著複製的規則。後來研究默會知識的學者 Harry Collins 更指出，這類知識主要靠「直接接觸」與「耳濡目染」傳遞，很難靠文件或規則轉手。
這就是品味最尷尬、也最關鍵的地方：它是真的、有高下的、判斷得出來的，卻**抗拒被寫成一套方法**。所以坊間那些「十條設計法則」「品味速成」，頂多只能逼近它，沒辦法取代它。
說到這裡，多數討論就停了——一句「品味是玄學、靠天份」把問題關起來。但這正是最該被推翻的結論。品味說不清楚，不代表它學不會。它確實有一條可走的路，只是這條路不是公式，是一個迴路。
有些懂，只可意會，不可言傳。
## 三、怎麼跨過那道門檻
把前面所有人的經驗拆開來看，會發現他們其實在描述同一條養成迴路。我把它整理成五步——這也是這篇文章真正想留給你的東西。
**第一步：先「在乎」，刻意去養你這一行的品味。** Paul Graham 在〈How to Do Great Work〉裡講得最直接：「Consciously cultivate your taste in the work done in your field. Until you know which is the best and what makes it so, you don't know what you're aiming for.」（刻意培養你對自己領域裡作品的品味。在你搞清楚哪個最好、好在哪裡之前，你根本不知道自己在瞄準什麼。）品味是那把尺；沒有尺，你連自己做得好不好都不知道。所以第一步不是技巧，是**開始認真在乎好壞的差別**——願意為了那一點點「對」去較真。
**第二步：大量接觸「人類做過最好的東西」，替自己建一座黃金樣本庫。** 這就是賈伯斯那句「expose yourself to the best things that humans have done」的實作版。你的眼光，是被你長期浸泡的東西餵養出來的。Austin Kleon 在《Steal Like an Artist》裡說得很白：「You're only going to be as good as the stuff you surround yourself with.」（你的好，頂多就跟你身邊圍繞的東西一樣好。）餵進來的是垃圾，產出就是垃圾。所以刻意去看最好的——最好的程式碼、最好的文章、最好的產品——並且看到「夠多、夠雜」，因為品味的原料是廣度（你才會有足夠的「點」可以連）。
**第三步：接受「品味會先跑在手藝前面」，然後靠產量去追。** 這是整條路上最折磨人、也最該被講出來的一段。Ira Glass 講過一段話，幾乎是所有創作者的共同經歷：
> All of us who do creative work, we get into it because we have good taste. But there is this gap. … your taste, the thing that got you into the game, is still killer. … It is only by going through a volume of work that you will close that gap.
（我們做創作的人，都是因為有好品味才入這行。但中間有一道落差……你的品味——那個把你帶進來的東西——依然兇狠……而唯一能補上這道落差的，就是做過夠大量的作品。）新手最痛苦的從來不是沒品味，而是**品味已經夠好、手卻還跟不上**。解法不浪漫，也不是等靈感：是產量。
**第四步：把你的作品擺到最好的旁邊比，拿回饋，針對弱點打。** 光是大量做還不夠，會做出「熟練的平庸」。心理學家 Anders Ericsson 研究頂尖高手時發現，「刻意練習」之所以不同於一般練習，關鍵就在回饋——你得有一套機制，能不斷讓你看到「我這裡差在哪、跟頂標的差距在哪」，然後專門去打那個弱點。把自己的東西誠實地擺到你樣本庫裡最好的旁邊，差距會自己跳出來。
**第五步：練到後來，規則會沉到水面下，變成直覺——那就是你跨過門檻的一刻。** Dreyfus 兄弟的技能習得模型描述了這條路：從新手、進階新手、勝任者，到精通者與專家，一共五階。而他們特別點出：「直覺的視角——對一個情境裡什麼相關、該怎麼做的直接感受——出現在第四、第五階。」新手只能一條一條照規則推；專家不再想規則，因為規則已經內化成身體的一部分。品味跨過門檻的操作型定義，就是這個轉變：**從「照規則做」，變成「一看就知道對不對」**。
把五步連起來，就是一個迴路：**在乎 → 大量浸泡頂標 → 大量產出 → 比對與回饋 → 規則內化成直覺**，然後帶著更利的眼光，再跑一圈。
最後還有一塊收尾的拼圖，回到賈伯斯轉述的那句「偉大的藝術家偷竊」。它常被當成抄襲的藉口，但原本的意思恰恰相反。這句話更完整的源頭是 T. S. Eliot 在 1920 年寫的：「Immature poets imitate; mature poets steal; bad poets deface what they take, and good poets make it into something better, or at least something different.」（不成熟的詩人模仿，成熟的詩人偷竊；差的詩人把偷來的東西糟蹋掉，好的詩人把它變成更好的、或至少是不同的東西。）「偷來的，要做成更好、或至少不同」——這就是品味的操作型定義。它不是抄，是**有判斷地轉化**。而這，正好帶我們回到那場 2026 年的爭論。
跨過門檻，是從「照規則做」走進「一看就知道」。
## 四、AI 時代的賭注，與一個誠實的反方
如果品味的本質是「有判斷地轉化」，那真正的問題就變成了：當 AI 把「生產」變成自來水，誰來做那個判斷？
Andrej Karpathy 在 2026 年 4 月 Sequoia 的活動上，把這件事講得很具體。他列了一張「什麼變便宜、什麼變稀缺」的清單：變便宜的是程式碼生成、樣板、初稿、重複設定；而變稀缺的，是「understanding, taste, eval design, security, system boundaries … and knowing when the model is off the rails」——理解力、品味、評測設計、系統邊界，以及**知道模型什麼時候開始胡來**。他打了個比方：現在的 agent 就像實習生，「You still have to be in charge of aesthetics, judgment, taste, and oversight.」（美感、判斷、品味和監督，還是得你來扛。）
這就是那個賭注：當人人都能生成一切，差異就退到「判斷得出哪個好」的人身上。前面整篇講的「品味無法被寫成方法」，到這裡有了現實的重量——正因為品味是最難被規則化、最難自動化的那種判斷，它才會在自動化浪潮裡反而浮上來。這道把「好」說不清楚的牆，正是我在另一篇〈[抽象系統工程](/blog/abstract-system-engineering)〉裡談的「可驗證性」那堵牆的另一面：能被明確驗證的，機器遲早接手；接不住的，留給人。
但這裡得放一個誠實的反方，否則就成了自我安慰。
第一個反方來自數據。有一份 2026 年的研究（WritingPreferenceBench）做了件很聰明的事：它蒐集一千八百組人工標註的寫作偏好，然後**把客觀正確性、事實、長度這些因素全部控制掉**，只留下純粹主觀的品質——創意、文采、情感共鳴——再看 AI 評分模型抓不抓得到。結果，RLHF 那套標準的獎勵模型只拿到 52.7%，幾乎跟丟銅板沒兩樣。它的結論很直白：「current RLHF methods primarily learn to detect objective errors rather than capture subjective quality preferences」——現行 RLHF 主要學會的是抓客觀錯誤，而不是捕捉主觀品質的偏好。換句話說，在「對不對」上 AI 很強，在「好不好」上，它目前還站在門檻外。
但同一份研究還有後半句，值得玩味：當模型被要求**講出推理鏈**、說明它為什麼覺得這篇比較好時，準確率跳到了 81.8%。能「講出為什麼」的，就接得住一部分主觀品質；只會「比對打分」的，就接不住。
第二個反方來自工程師 Shrivu Shankar。他在〈Taste Is Not a Moat〉裡潑了盆冷水：護城河是你建好一次就能守住的東西，但「Taste feels more like alpha: a decaying edge, only valuable relative to a rising baseline.」（品味更像是 alpha：一種會衰減的優勢，只有相對於一條不斷上升的基準線才有價值。）他的意思是——AI 的基準線會一路往上爬，把你今天的品味優勢一點一點吸收掉。這是個該被認真對待的提醒：品味在 AI 時代會更值錢，但它未必是一勞永逸的護城河，更可能是一種你得不斷重新賺取的領先。
那些點，要回頭看，才連得成線。
## 結語：學得會，但教不來
把三件事擺在一起看，會發現它們其實是同一件事的三個鏡像。AI 的 RLHF 只會比對打分、卻講不出為什麼，所以接不住主觀品質；Dreyfus 模型裡的新手只能照規則走、還說不出直覺；Polanyi 說純粹的默會知識最難被形式化——我們知道的，多過我們能說的。三者指向同一個標記：**能不能「講出為什麼好」，正是品味有沒有跨過門檻的分水嶺。**
而這也回答了開頭那場爭論。品味不是天生的玄學稟賦，它有一條清楚的養成迴路：在乎、浸泡頂標、大量產出、比對回饋、內化成直覺。從這個意義上，它**學得會**。但它沒有任何一套可以照抄的公式、沒有十條速成法則能替你走完那條路——從這個意義上，它**教不來**。品味是那種只能薰陶、無法傳授的東西（caught, not taught）。
賈伯斯在 2005 年史丹佛的演講裡說，當年他翹掉正課跑去旁聽的那堂書法課，當下完全看不出有什麼用，是很多年後做麥金塔時才連起來的——「you can't connect the dots looking forward. You can only connect them looking backwards.」你沒辦法向前把點連起來，只能回頭時才看懂。品味也是這樣：你浸泡進去的每一樣好東西，當下都不知道有什麼用，直到某一天，它們在你手裡連成了一眼就看得出對不對的判斷。
那一刻，沒有人能交給你，只能你自己長出來。
---
### 名詞速查
- **默會知識（tacit knowledge）**：我們懂得多過能說出口的那種知識——靠直接接觸與耳濡目染傳遞，難以寫成規則。Michael Polanyi 1966 年提出；中文「只可意會，不可言傳」講的就是它。
- **刻意練習（deliberate practice）**：以「即時回饋＋專打弱點」為核心的練習法，Anders Ericsson 研究頂尖高手所提；關鍵在回饋，不是單純重複。
- **Dreyfus 技能習得五階段**：新手→進階新手→勝任者→精通者→專家；直覺視角浮現於第四、五階——也就是「從照規則做，到一看就知道對不對」的那道門檻。
- **RLHF（人類回饋強化學習）**：用人類偏好訓練 AI 的主流方法。研究顯示它擅長抓「客觀錯誤」，較難捕捉創意、文采這類「主觀品質」。
- **decaying alpha（會衰減的優勢）**：Shrivu Shankar 對品味的比喻——相對於不斷上升的 AI 基準線，品味是會被吸收、需不斷重新賺取的領先，而非一勞永逸的護城河。
- **WritingPreferenceBench**：2026 年的主觀寫作偏好評測（arXiv 2510.14616）；控掉客觀正確性後，標準 RLHF 模型對主觀品質的判斷僅約 52.7%。
### 延伸閱讀
- [抽象系統工程：當迴圈開始自己改寫自己](/blog/abstract-system-engineering)——本文談的「什麼叫好、為什麼機器接不住」，在 AI 工程脈絡裡的另一面：那堵叫「可驗證性」的牆。
### 參考來源
主要引用（均經查證）：
- Steve Jobs：1995 年 Triumph of the Nerds 訪談（「no taste」「it comes down to taste」「good artists steal」）、1996 年《Wired》〈The Next Insanely Great Thing〉（connecting things／dots）、2005 年史丹佛畢業演說（書法課／connect the dots backwards）
- Dieter Rams（好設計十誡）、Jony Ive、John Maeda《The Laws of Simplicity》、Don Norman《Emotional Design》、Austin Kleon《Steal Like an Artist》
- Michael Polanyi《The Tacit Dimension》(1966)；Harry Collins《Tacit and Explicit Knowledge》(2010)
- Paul Graham〈How to Do Great Work〉與〈Taste for Makers〉；Ira Glass（This American Life）；Dreyfus 兄弟技能習得五階段模型；T. S. Eliot《The Sacred Wood》(1920)
- 2026 AI 圈：Paul Graham（2026-02-14）、Greg Brockman（2026-02-16）、Dane Knecht（Cloudflare，媒體轉引）、Nan Yu（Linear）；Andrej Karpathy（Sequoia AI Ascent 2026）；Shrivu Shankar〈Taste Is Not a Moat〉；Eric M. De Castro〈Taste is the Only Moat: Surviving the AI Flood〉（Medium, 2026，「創造是商品／自來水／電」「value shifts to curation」逐字出此）
- WritingPreferenceBench（arXiv 2510.14616，主觀寫作偏好評測）
說明：本文為原創評論與綜述，旁徵之引文均註明出處。「good artists copy, great artists steal」為賈伯斯轉述、非畢卡索本人原話（更早見於 T. S. Eliot）；WritingPreferenceBench 的 52.7% 係指「控制掉客觀正確性、事實與長度之後」的主觀品質判斷。
