探讨 AI、DAW 与音频技术：AI 从何而来，影响几何？

在本系列的开篇中，格雷格·西蒙斯（Greg Simmons）抛开了过去那些虚构的末日AI叙事，为AI在音频领域的发展探明前路。

“扫描选中区域，将对话与背景画面进行映射，去除房间声……”她戴上AirPods，Saganai的处理标志——一颗旋转的小球，渐渐褪成淡蓝色，随后隐没在像素之间。第一遍处理并不完美，但那些瑕疵会被新的环境音掩盖过去。

“去除飞机噪音……”

Saganai的处理标志隐入像素背后，飞机噪音消失了。

“很好。我要一段澳大利亚丛林环境音。夜晚。在画面正中，与对话同等距离的位置，添一堆篝火声；在前方约3米处，添一条从左向右流过的小溪。第一句对白后，右声道来一只蟋蟀；第二句对白后，左声道再来一只。最后一只蟋蟀之后，正中央来一声猫头鹰的啼叫。猫头鹰和蟋蟀都必须是吉普斯兰（Gippsland，位于澳大利亚维多利亚州东南部）地区能听到的物种……”

Saganai的处理标志隐入像素背后，环境音从AirPods中流淌出来。随着声音响起，屏幕上逐次浮现出它们的物种名称：两只灌丛蟋蟀（bush-crickets），一只南方布布克鹰鸮（Southern Boobook）。

“篝火再压低一点，像是要烧尽了；溪流也放慢些。蟋蟀一只放在这里，一只放在这里［轻点背景画面左右两侧的灌木丛下方］。猫头鹰放到这边的树上［再次轻点屏幕］。猫头鹰的声音延长一秒，超出这个区域；它得延续到下一场景……”

Saganai的处理标志隐入像素背后，新的环境音从AirPods中流淌出来。

“很好，这个可以用。每个部分都导出为沉浸式双耳音轨，48k／24-bit W。前后各留三秒余量，载入对应区域的轨道，标记好通道。”她拖动光标选中下一段区域，同时给下游的工作人员发着语音。“快好了。要是跟你们的音乐有冲突告诉我；有必要的话我可以微调猫头鹰和蟋蟀的声音……”

（译者注：上文的“Saganai”是本文作者虚构的一款概念性的AI工具，类似于科幻作品里常见的智能助手。）

图 1这张图反映了上一段文字里的工作场景。（来源：Audio Technology）

大概一百万年前，我在《先驱与每周时报》有限公司（The Herald & Weekly Times Ltd）工作，那是一家大型报纸出版商，当时位于墨尔本弗林德斯街（Flinders Street）。我作为学徒，被分派到一支电子技术员和工程电工团队，负责安装和维护当时南半球最大的电子出版系统。价值数百万美元的设备——数十台Prime小型机（每台都是和门框一样高的19英寸EIA机架）、带有“请勿用剩下的那只眼睛直视激光”这种简短警示的高强度溴化银激光打印机（high-intensity bromide laser printers）、像在湿滑训练场上左右猛打的方向盘一样旋转的磁带驱动器、以及迷你吧台大小的硬盘（四张12英寸盘片加起来总共提供80MB存储空间）——全部安装在一间温湿度严格受控的计算机房内，房内装有烟雾传感器，一旦触发，哈龙（Halon，一种工业用灭火剂）灭火口会在数秒内排尽室内氧气，无需灭火器即可灭火。显然，所有涉及（免不了会冒烟）的维修都必须在机房外进行……

（译者注：本章标题原文是“A Song from Under the Floorboards”。这是英国乐队Magazine推出的一首后朋克（post-punk）歌曲的名字，收录于专辑《The Correct Use of Soap》，具有划时代的意义。）

地板之下

记者、编辑和排版师（layout artists）通过键盘和屏幕访问这些小型机，整栋大楼都用同轴电缆串联起来。我在职级和体格上都人微言轻，于是花着大量的时间穿着工装、戴着头灯和防尘口罩，用肘和脚尖一寸一寸地在地板下爬行，活像安迪·杜弗兰（Andy Dufresne）越狱逃离肖申克监狱，专挑最直的路线和最宽的转角，身后拖着电缆导管，一路搅起积存数十年的、墨汁般漆黑的印刷粉尘。

图 2这张，大致再现了作者Greg当年维护大楼设备的场景。（来源：Audio Technology）

我们安装的技术会让很多人丢了饭碗；首当其冲的是校对员（readers）和排字工（compositors）。校对员负责校对记者和编辑敲出来的所有东西［还记得打字机吗？］，用红色笔迹标出拼写错误和语修改，那些潦草字迹只有印刷流程更下游的人才看得懂——具体来说就是排字工，他们把文字和图像拼成一页“版面”，方是将字母数字字模（即“字体”，fonts）和半色调蚀刻版（即）夹进一个叫做“活字盘（galley）”的木框里，最终制成印刷机的印版。新技术自带高级纠错和语检查能，对校对员的需求锐减。它还能直接蚀刻整页的半色调印版（halftone plate），于是排字工和他们的活字盘也就一并被淘汰了。

多亏了工会的力量，加上如今难得一见的雇主的良知，每一名工作可能受影响的人都得到了一笔遣散补偿，或是接受公司内部其他岗位的再培训——其中也包括新技术创造出的岗位，在那些岗位上，他们先前的工作经验和对业务的理解，对软件工程师来说具有实实在在的改进和调试价值。当再培训的谈判还在进行时，记者和编辑们联合游说，因为他们每天要用VDT而非打字机工作八小时，于是成争取到了加薪——理由是可能造成眼疲劳。VDT是什么？这是视觉显示终端（VisualDisplay Terminals）。我们现在叫它们“屏幕”，而且我们很多人心甘情愿每天花上远不止八小时盯着它们，每周七天。我现在正用着屏幕写这篇文章，而你现在正用屏幕读着它。

歌声

除了白天当电子技术学徒，我晚上还在给现场演出做混音。那时我开着一辆卡罗拉厢式货车，后厢里摆着一台TEAC A-3440和一台6进4出的调音台，提供小型四轨录音服务；同时又在切尔滕纳姆（Cheltenham，位于英格兰中部）的一间仓库里，搭建一座专业录音棚。我花大量时间钻研手动切入切出（dropping-in and out）（一种需要预判的操作）、用剃刀（razor）刀片剪辑、清洁和消磁磁头、调整偏磁（bias）与均衡，以及所有跟模拟磁带打交道的手艺。我心甘情愿把无数时间倾注在这些技能上，去理解这份工作的门道，因为与校对员和排字工不同，我深知音响工程师永远不会被计算机取代。

永远……

图 3作者当年使用的4轨磁带录音机：TEAC A-3440。图为同型号的设备。（来源：EBay）

上文对《终结者（Terminators）》系列的引用显然过于戏剧化，而这正是它的用意所在……

当AI最终以ChatGPT的形式向大众，它收获了极为两极分化的反应。

一端，是那些“活在未来”的追捧者，他们一厢情愿地相信AI完美无缺，尽管它对2021年9月之后的世界一无所知，而他们自己也对其“幻觉（）”（见下文“AI幻觉”部分）一无所知。（译者注：ChatGPT等大模型的训练数据有截止时间。2022年11月推出时，其采用的知识库数据截至2021年9月。）

另一端，是硅中的卢德分子（Luddites，详见文末），他们恨不得将它放逐到玉米地里，盼着它就此消失，同时又大肆散布恐惧，担心它会接管一切——就像鼓机取代了鼓手（并没有），音序器取代了键盘手（并没有）。那么他们对AI究竟在抵触什么？咱们这样想……

在ChatGPT出现之前，普通大众对AI的所有认知都源自虚构，这是一个世纪以来主流科幻娱乐熏陶的结果，从《大都会（Metropolis）》（1927）到《造物主（TheCreator）》（2023）及此后的作品，无一例外。大多数情况下，这些AI题材的虚构叙事都沿着玛丽·雪莱（MaryShelley）《弗兰肯斯坦（Frankenstein）》的轨迹展开——造物终将反噬创造者。“抱歉，戴夫。恐怕我不能那么做。”

面对新事物，我们的反应常常基于过往的经验。而关于AI，那些经验完全是虚构的，可我们却偏偏拿这些虚构经历当作参照，因为它们是我们仅有的参照，而且我们一生都在被灌输这些观念——尽管这世上本就没有勺子（there is no spoon）。

译者注：

• “抱歉，戴夫……（I’m sorry De. I’m afraid I can’t do that.）”是《2001：太空漫游》中的台词。这是片中的超级电脑HA3000拒绝为主角De Bowman打开舱门时的经典对白。
• “There is no spoon”是《黑客帝国》（1999）的标志性台词，出自片中一名拿着汤匙的男孩。

在深入探讨之前，我们必须先弄清AI的当前处境——它被归为三类：狭义AI、通用AI和超级AI。

狭义AI（Narrow AI），又称人工狭义智能（Artificial Narrow Inligence，ANI）或“弱AI”，专为高效完成特定任务而设计。它只在有限的约束条件和应用场景中运作。语音助手、面部识别系统（这类系统处于机器学习与AI的模糊边界）、Siri、流媒体平台的推荐算，都是典型例子。狭义AI在自己擅长的领域表现优异，却无跨越程序设定的能边界。眼下所有能接触到的AI，本质上都是狭义AI，从照片编辑软件里那些酷炫的生成操作，到ChatGPT里调研并撰写完整文章，做的都是一板一眼的具体活儿。

通用AI（General AI），又称人工通用智能（Artificial General Inligence，AGI）或“强AI”，具备理解、学习并将知识运用于各类任务的能力，认知水平可与人类比肩。AGI能够自主推理、解决问题、做出决策，无需人类从旁干预。尽管目前仍停留在理论层面，但它代表着一种终极目标：造出能执行任何人类智力任务的机器。

超级AI（Super AI）则是一种假设形态的AI，在方方面面——创造力、解决问题、决策制定，甚至情商——都凌驾于人类智能之上。它几乎能在所有领域超越最优秀的人脑。围绕超级AI的讨论，往往涉及伦理考量，以及因其超凡能力而可能给人类带来的潜在风险。

通用AI和超级AI目前仍是虚构的产物，却也正是人们对AI产生恐惧的催化剂：因为它们就是和电视剧里那种“全知全能”的AI形象。至少眼下，它们纯属虚构。

图 4在《2001：太空漫游》里出现的超级电脑HAL 3000，体现了“超级AI”的形象。（来源：Audio Technology）

在本系列余下的篇幅中，我们将聚焦于狭义AI——这是当前唯一真实存在的AI形态。有三种狭义AI正在渗透进我们的创意产业和工作流程：“大语言模型（LLMs）”“生成式AI”和“基于规则的AI”。它们之间有何区别？

大语言模型（LargeLanguage Models，LLMs）是一种先进的人工智能系统，专门用于理解、处理并生成接近人类表达习惯的文本。它们依托深度学习算构建，在海量文本数据上接受训练，从而能够识别语言模式、预测词汇走向，并在不同语境中给出连贯的回应。LLM可以胜任翻译、摘要、内容创作（比如本段文字）和问答等任务。随着处理的数据越来越多，它们也在持续精进，展现出极强的适应能力。像ChatGPT这样的模型就是典型代表，它擅长生成自然且贴合语境的表达，从而提升了各类应用中的交互体验。

生成式AI（Generative AI）旨在仿照人类的创造方式，创造新的内容——文本、图像、音乐或代码。借助海量数据集和复杂算，这些模型学习其中的模式、风格与结构，从而能够产出原创内容。常见的例子包括聊天机器人、图像生成器，以及照片编辑应用中的生成式填充。生成式AI已得到跨行业应用，为内容创作、设计、娱乐和问题解决赋能。它的潜力是巨大的，但也引发了关于真实性、偏见和负责任使用的伦理考量。

基于规则的AI（Rule-Based AI）按照人类预设的规则和逻辑语句运行。它通过“如果-那么”（if-then）条件来做决策，据此处理数据并产出特定结果。在任务可预测的结构化环境中，比如自动化客服或数据校验，它表现尤为出色。与机器学习不同，基于规则的AI不从数据中学习，而是完全依赖编程逻辑，这让它简单直接，却也了其适应能力。

有些系统会把几种狭义AI混搭着用。Apple Inligence就是个典型。它用大语言模型来提供“写作工具”——在Pages、备忘录、日历、提醒事项这些需要打字输入的应用里，你都能在编辑菜单看到这个选项。它在照片应用里动用生成式AI，能抹掉画面中多余的物体，再把腾出来的地方补上（也就是生成式填充），还能修图（比如把粗糙的皮肤磨平），另外也在Image Playground应用里生成图像。至于面部识别、语音识别、手写识别、触控板／键盘／电池使用情况这些用户交互，它则交给基于规则的AI和机器学习去处理。

对棚内音乐人（recording musician）和作曲家而言，Logic Pro有一点格外值得关注：它借助Apple Inligence的生成式AI、基于规则的AI和机器学习模型，打造出了“SessionPlayers”（棚录乐手）——目前内置了鼓手、贝斯手和键盘手。这些狭义AI系统以人类棚录乐手（session players）为训练样本，通过分析歌曲结构、进行，最终生成一段细腻的伴奏，模仿人类演奏者的质感、乐句处理和演奏技。乐器类型、演奏风格、音色等参数均可由用户调节，演奏与动态（dynamics）也能修改，而且全部都是可编辑的MIDI形式——这意味着最终生成的演奏可以套用到Logic Pro中的任何软音源上。

但我内心最璀璨的宝石，却因自己的愚蠢而闪烁着愉悦的光芒。

—— 霍华德·德沃托（Howard Devoto），1980年

图 5 LogicPro内置的智能分析能。（来源：AudioTechnology）

鼓机没有取代鼓手，音序器没有取代键盘手，Logic Pro的Session Players也不太可能取代人类棚录乐手——至少在有报酬的工作这层意义上不会。大多数在成品混音中使用这些AI Session Players的音乐人／作曲家，本来就是那些根本请不起人类棚录乐手、或者本来也不会在这方面花钱的人：这意味着，实际上，人类棚录乐手只是失去了他们从未拥有过的工作，以及从未能拿到手的报酬。

相比之下，专业作曲家可以先用Logic Pro的Session Players把想要的声部打磨好，然后打印出乐谱供人类棚录乐手照奏，甚至在此基础上加以润色，无论是录音还是现场演出都能这么做。作曲家不需要他们来做那些耗时费力的作曲苦差事，而是需要他们为一段已有的AI Session Players音轨注入人类独有的东西。真正的音乐人由此变成了高端产品；他们仍能为一次录音时段收取同样的总费用，但花在等待编曲调试上的时间少了，花在为声部增添创意亮点上的时间多了，而且有可能以同样的报酬更快收工。

例如，澳大利亚音乐家协会（The Australian Musicians’ Union）建议的棚录乐手费率，是以最少三小时录音时段为起点的。如果作曲家先用Logic Pro的Session Players这类工具把声部的基本框架搭好，再召唤人类棚录乐手来注入创意灵性，那么人类棚录乐手可能只需要干一小时，但在工会认可的时段里，照样能拿三小时的报酬。随着AI进入棚录乐手这个领域，全球音乐家协会定下的规矩想必也会随之调整。

Logic Pro之所以能轻松提供Session Players能，是因为AppleInligence完全在设备端运行；它深度整合于设备的操作系统、硬件和应用程序之中，无需联网，也无需任何外部设备。不过，其他DAW厂商，尤其是那些提供跨平台应用的厂商，想必用不了多久就会摸索出将AI融入自家应用的门道。我们将在本系列后续文章中探讨他们可能如何实现，但首先……

正如科幻作家威廉·吉布森（William Gibson，代表作《神经漫游者（Neuromancer）》）一针见血地指出的，眼下AI干了太多创意性的活儿，苦差事却干得太少——这一事实强化了硅卢德分子的恐惧，而且在很大程度上是那些极客们的错：他们拿AI炫技，只为换取那句令人安心的“你真是个聪明孩子”的摸头赞许，而这曾照亮了他们蓝色LED映照着的青春期。

在DAW中内置基于AI的Session Players（如上所述）就是一个有趣的例子。从负面看，正如吉布森所说，AI干了太多创意性的活儿，苦差事却干得太少。从正面看，它对录音音乐人和作曲家来说是一个出色的协作能。

但它提供的那些“聪明孩子”能，是否真的无可否认地有用，而且恰恰是没人真正要求过的？

（译者注：蓝色LED灯是电子设备（电脑主机、硬盘、调制解调器、游戏机等）最常见的指示灯颜色。作者用“被蓝色LED照亮的青春期”来指代那些技术宅（nerds）在青少年时期整天窝在电子设备前、在幽幽蓝光陪伴下度过的成长岁月。）

我们的道德责任不是阻止未来，而是塑造未来。

—— 阿尔文·托夫勒，1970年

我们正站在一场期待已久的智能进化的起点，AI正在加速催生更好的AI。我们从未见识过智能进化（inligent evolution），因此也不知该如何应对，但有一点是肯定的：它的速度将远超预期。正如我多次引用的那句话：“技术像压路机一样碾过社会。如果你不是机器的一部分，你就是道路的一部分。”一台由智能进化驱动的压路机，每天都在加速前进，碾过的距离也越来越远。如果你不想被碾成道路，就得尽快登上这台机器，抓紧扶手，并尝试影响它的行进方向——记住前文提到的那些校对员和排字工的真实历史，同时践行一种健康的消费者达尔文主义（consumer-level Darwini）（即：不要为你不想要的产品或能买单）。或许我们可以将这场智能进化引向一个对音乐人、音频工程师、专业人士和其他内容创作者更有利的结局。那些“聪明孩子”显然对此毫无头绪。

阿尔文·托夫勒（Alvin Toffler）在1970年的著作《未来的冲击（Future Shock）》中写道：“明天的文盲不是不会阅读的人，而是没有学会如何学习的人。我们的道德责任不是阻止未来，而是塑造未来……”我想不出有比现在更合适的时候，能让这句话掷地有声。

AI开发者应该把心思从那些没人求着要的工具上移开，转向户的真实需求；去问问人们需要什么、想要什么、又愿意为什么付费。我对成为“房间里最危险的人”毫无兴趣（多么荒唐的营销口号，好像AI能给我核密码似的）。我也对什么AI女友不感兴趣——她号称能满足我所有，说到底不过是困在“玻璃铝材三明治”里的口袋版叮当小仙女（Tinkerbell）。她还能怎样？在我裤兜里兴奋地嗡嗡振动？再怎么揉搓也不可能让那个精灵从瓶子里出来。那些“聪明孩子”显然都是非自愿单身者（incels）……

译者注：

• “玻璃铝材三明治”指的是，因为结构好比夹层三明治，有钢化玻璃的屏幕和后盖、以及铝制的中框和外壳。
• 叮当小仙女是《彼得·潘（Peter Pan）》中的角色。

你在本文中读到的灰色文字，均出自AI之手，使用的是Apple Inligence的“写作工具（Writing Tools）”，该能位于Pages文字处理应用的编辑菜单下。每个部分从指令输入到生成内容再到粘贴进文档，耗时不到10秒，无需我事先做任何调研。事后我做了一些事实核查（包括排查幻觉），随后像编辑任何其他人的来稿一样对这些文字进行了润色，使其贴合《AudioTechnology》的文风。在每一处，我都在借力AI的优势（信息收集），同时回避它的短板（判断与观点）。

（一）危险人物

“成为房间里最危险的人（Become the most dangerousperson in the room）”——这句荒唐的“非自愿单身者（incel）”级别营销口号，经常在社交媒体推销AI技能课程的广告里冒出来。那种故作权威的坚定口吻，我发现它主要就两个效果：一是锻炼我划屏跳过广告的手速，二是强化"AI将会很糟糕"这种印象。想出这句口号的人，活该被房间里最危险的人照着罗杰·冯·奥赫（Roger von Oech）说的那样，给脑袋侧面来一下。

（译者注：罗杰·冯·奥赫是美国演讲家、。）

AI幻觉（AIHallucinations）

“AI幻觉”指的是AI系统（特别是使用大语言模型或生成式AI的系统）产出事实错误、荒谬不经或完全凭空捏造的结果。即便AI以高度自信且流畅的方式呈现这些信息，这类错误仍可能发生，令人防不胜防。

幻觉往往源于AI模型只是基于训练数据中的规律生成回应，而非核实事实或理解语境。当具体信息缺失或模糊不清时，它们可能会用像模像样的细节来填补空白。这一现象会影响文本生成、图像创作和翻译工具等应用。

认识并减轻AI幻觉，对于确保AI系统的可靠性与安全性至关重要，尤其是在医疗保健、律环境和新闻传播等敏感领域。

关于卢德分子（The Luddites）

卢德分子是19世纪初的一群英国工人，主要在1811年至1816年间活跃，他们正在改变传统产业的迅速工业化。他们起源于诺丁汉郡、约克郡和兰开夏郡的区，以破坏机器闻名——特别是织袜机、纺纱机和动力织布机：他们认为这些机器威胁到了他们的工作和生计。

他们以可能是虚构人物的内德·卢德（Ned Ludd）命名，此人象征着他们的事业。卢德分子本质上并非反对技术本身，而是技术被用来削弱熟练劳动的方式。他们的行动是对工业资本主义带来的经济困难、恶劣工作条件和工资下降的反应。他们以准军事结构运作，经常对工厂进行夜间突袭。

英国政府采取了严厉回应，部署数千运动，并通过律将破坏机器定为可判处的罪行。到1816年，卢德分子起义已基本被平息。

今天，“卢德分子”一词常被贬义地用来形容那些简单技术变革的人。然而，历史上的卢德分子是复杂的人物，他们的斗争凸显了工业进步的社会代价，以及在技术进步中对公平劳动实践的需求。

本文出自《midin月刊》2026年06月第243期

可下载 Midin for iOS 应用在或平板上阅读（直接在App Store里搜索Midin即可找到，或扫描下面的二维码直接下载），在 iPad 或 iPhone 上下载并阅读。