技能会过期
眼睛不会

结论先行：审美是一条可以训练的流水线

你担心的不是 Blender 的某个按钮会被替代，而是更深一层：如果 AI 又快又好地交出一张图、一段剪辑、一个关卡原型，你还剩什么？本报告的回答是：剩下的是你知道什么是「对」、并且说得出为什么的能力。它有名字，叫审美；它不是玄学，大部分成分可以拆开来练。

中心论点：四个因子相乘

为什么说「AI 把生产降到近零、把选择推到最大」？在一个观察了 400 多万件作品、5 万多名艺术家的平台数据里，采用文生图 AI 之后作品产量提升约 25%，每次浏览获得收藏的概率提升约 50%，但「视觉新颖度」的峰值和平均值都在下降；作者的结论是，构思与过滤（filtering）是必要的技能[24]。产量涨、同质化也涨，剩下的差异只能来自「你选了什么、拒绝了什么」。

这四个数字回答四个问题：生产变便宜了吗（是）；肉眼能靠「AI 味」把关吗（基本不能）；眼力能练吗（风格归类有扎实证据）；好坏有没有共同答案（群体均值与个人偏好是两层现象）。

你要做的 5 件事

1. 每天 45 分钟，固定四拍：看 10 + 说 10 + 做 20 + 比 5时长与频次是本报告的推断剂量（原研究多数未给）；具体做法见第 05 章，12 周日程见第 08 章。验收：12 周内至少 50 天有记录。
2. 任何作品先转灰度、眯眼看明度结构是画面的骨架，也是最便宜的检查。用第 04 章实验室 1 练；验收：能一句话说出「主体靠明度还是靠色相被看见」。
3. 把「我喜欢」拆成两栏：我看到的 / 我的判断用拆解卡（05 章模板），每周 ≥3 张；验收：「我看到的」一栏里没有「好看、高级、有感觉」这类词。
4. 每周至少一次盲选 A/B，24 小时后复盘用 05 章的盲选日志；验收：能算出自己的自一致率，并看到哪类题总是翻车。
5. 找至少一个人，问「你第一眼看到什么」不要问「好不好看」；每 4 周做一次「盲测 + 复刻」考核（08 章），用 09 章的指标判断是否在进步。

为什么审美成了瓶颈

过去，「做得出来」本身就是一道筛子：能把一个场景建出来、把一段素材剪顺，已经意味着你做过很多次决定。生成式 AI 把这道筛子拿走了，筛子后面的问题就暴露出来：做出来的东西，到底对不对？

从「做」到「选」

当一张「还行」的图只需要几秒，工作的重心就从生产移到筛选。前一章引用的平台数据显示：采用 AI 的艺术家产量增加，但视觉新颖度的峰值与均值都在下降；能成功探索更新想法的艺术家作品评价更好，作者把这归结为「构思 + 过滤」两项技能[24]。换句话说，候选项变多以后，决定结果好坏的是你拒绝了什么。

这里要克制一点。「选项多就会选择过载」是流行说法，但对 50 项实验、63 个条件（N = 5,036）的元分析发现，选择过载的平均效应「几乎为零」，只是研究之间差异很大[48]。所以本报告只说：选择成了主要工作量，且这份工作无法外包给没有标准的人；不说「人必然被选项淹没」。

Glass 的落差，在 AI 时代换了性质

All of us who do creative work, we get into it because we have good taste. But there is this gap.〔Ira Glass 视频访谈的文字转录，Numéro Cinq 页面；未核实原视频出处与日期〕[22]

Glass 描述的是：品位先于能力，所以前几年的作品总让你失望；出路是给自己设截止日期、每周完成一件作品，「只有经过足够的作品量，才能把落差合上」[22]。这段话是个人经验叙述，网上流传的措辞有多个版本，「品位早于技能」的前提也没有被检验过；而个体偏好主要由「各人独有的环境」塑造的双生子证据（仅人脸）[14]，提示品位至少部分是被经验塑造的。

但它给我们一个好用的框架。传统的落差是：我想要的 ＞ 我做得出的。AI 把右边抬高了一大截，落差并没有消失，它换了位置：

AI 之后，设计师的工作变成什么？只写有依据的

关于职业前景，很多说法听起来都对。下表只列这次调研中读到的、有实验或数据支撑的东西，并写明它们不能推出什么。

把这几条拼起来，能比较稳妥地说的是：AI 抬高了底线（对低水平者帮助最大）、压平了群体差异；专业视觉能力能迁移到 AI 的使用上；用得不好会让你固着在第一个看到的方案上；而「谁做的、怎么做的」会污染判断，所以评价要学会盲评。至于「设计师会不会被替代」，没有任何一项证据回答这个问题，本报告也不做预测。

软件会过期，语法过期得慢得多

这是一个推断，但有一个很具体的例子。Blender 5.2 LTS 手册（本次调研于 2026-10-01 读取）在色彩管理一页写明：Filmic 视图「已弃用，由 AgX 取代」，AgX 改进了对高饱和色的处理；同一页还列出 ACES 1.3 / 2.0、Khronos PBR Neutral、False Color 等视图，并说明每个视图会带来不同的外观，进一步的艺术选择要靠曝光、白平衡和合成器里的调色[45]。我们没有核实各版本默认视图何时更换，所以不写版本号。关键是：具体选项在换，而「选哪个、为什么」这件事始终是审美判断。

相反，明度怎样承载形状与深度、接近与相似怎样让元素成组，这类底层规律的证据跨度很长：格式塔分组原则的综述覆盖了一个世纪的研究[31]，Hume 讨论「趣味的标准」是在 1757 年前后[19]。「存续很久」不等于「永远正确」，所以我们说它们过期得慢，而不是不会过期。

审美是什么，科学怎么说

「审美」这个词太宽，宽到没法训练。先把它拆开：哪些部分是眼睛的事，哪些是脑子的事，哪些只是口味，哪些是习惯。拆清楚，才知道科学证据能支撑多大的训练方案，又在哪里必须诚实地说「不知道」。

先划边界：偏好、品位、审美体验

Leder 等人的信息加工模型把审美体验分成五个阶段：感知、显性分类、隐性分类、认知掌握（cognitive mastering）、评价，输出是「审美情绪」和「审美判断」两类[5]。这个模型是概念框架，不是定量预测，但它说清了一件事：评价之前还有分类和「掌握」，而这两步正是知识与训练介入的地方。

据此，本报告用一组操作性定义（◇ 推断，为训练而设，不是哲学结论）：

「说理而不证明」是康德式的：他认为审美判断带着普遍性的诉求，却无法被概念证明[20]。这给「语言」一栏提供了哲学依据：既然无法证明，就要靠清楚的理由与他人对话。

眼睛能练吗：知觉学习与专家的「看」

Goldstone 对知觉学习（perceptual learning）的综述给出四种机制：注意权重（学会关注重要维度）、印记（形成专门化的感受）、分化（原本无法区分的刺激变得可区分，"stimuli that were once indistinguishable become psychologically separated"）、单位化（把需要逐项检测的多个部件变成一个整体）[11]。这是「眼力可以练」最核心的理论依据。把它映射到你的工作：

专家真的看得不一样吗？Vogt 与 Magnussen 比较了 9 名艺术家和 9 名未受训练者：未受训者更多看人物和物体，艺术家花更多扫视时间在结构 / 抽象特征上，也记住了更多「图式特征」[16]。Perdreau 与 Cavanagh 发现，整合物体结构信息的成绩随训练年数提高，程度上大于随技能水平提高[18]。

训练「怎么排」也有证据。Kornell 与 Bjork 让被试学习多位画家的作品：同一画家连续呈现（集中）与不同画家交错呈现（交错）相比，交错在新画作的归属测试中成绩更好，尽管集中让人「感觉学得更流畅」，被试即便看到自己的成绩，仍然觉得集中更有效[43]。Brunmair 与 Richter 的元分析（59 项研究、238 个效应量）显示交错学习总体为中等效应（Hedges' g = 0.42），其中画作最大（g = 0.67），类别间越相似、材料越复杂，交错越占优势[44]。

「熟悉」常被误当成「好」

如果你要训练品位，必须先知道有四个机制会悄悄地把你的「习惯」伪装成「品位」。

「平均」是同一个故事的另一面。Langlois 与 Roggman 发现合成的平均脸比构成它的几乎所有个体脸更有吸引力，合成脸越多越明显[7]；但 Perrett 等发现，一组有吸引力的脸的平均形状比样本总平均更受偏好，而且把差异夸张后更有吸引力[8]。读法是：平均是安全牌，不是最优解；最优解往往是有倾向地偏离平均。

这些发现与 AI 的关系，部分是推断。Palmer 等整理出一些群体层面的「默认偏好」，如偏好把正面对称物体放在画面中央（居中偏好）、让朝向某侧的物体留出「前进空间」（向内偏好）[1]；Iigaya 等发现，对艺术图像的主观价值不仅在个体内、也能跨个体由低层与高层特征混合预测[15]。◇ 推断 偏好里有大量共享成分，所以模型能学到「普遍讨喜」；而且它学到的是众数，不是你的立场。第 07 章会回到这一点。

神经美学：背景，而不是依据

Kawabata 与 Zeki 的 fMRI 研究发现，眶额皮层对「美」与「丑」的画作有差异性激活，且与画作类别无关[9]。Vessel 等（N = 16，109 幅艺术图像）发现，感觉区与纹状体的活动随评分线性增加，而包含默认网络的额叶区域只对评分最高的作品阶跃式增强，作者把它与「个人相关性」联系起来[10]。

这些研究样本小、美以个人评分来定义、「默认网络 = 自我相关」是反向推理。我们只取一个很弱的启发：最强的审美体验与个人相关性相连，所以「你的立场」是品位的一部分。不要把它读成「神经科学证明美是客观的」。

共享与个人：你的领域恰好是个体差异最大的那一类

Vessel 等的两项实验发现：人脸和自然风景的评价在个体间一致性较高；建筑外观、室内、艺术品则表现出强烈的个体差异，「自然 vs 人类文化制品」是共享品位的组织原则[13]。Germine 等对 547 对同卵与 214 对异卵双生子的研究发现，人脸吸引力的群体均值高度一致（r = 0.99），但随机抽两人平均只有 48% 一致，个体偏好主要由个人独有的环境塑造，而非基因[14]。

这对你意味着：建模、关卡、平面、剪辑、调色都是「人造制品」，共同标准较弱。因此可言说的标准 + 个人立场，比「追求一个正确答案」更站得住。注意 [13] 只读到摘要、[14] 仅限人脸；它们是方向性依据，不是定论。

Hume 的「真正鉴赏者」：现成的训练框架

improved by practice, perfected by comparison, and cleared of all prejudice— David Hume,《Of the Standard of Taste》，1757 前后[19]

Hume 提出，真正的鉴赏者同时具备五项特质：强健的理智（strong sense）、敏锐细腻的情感（delicate sentiment）、经练习而改进、经比较而完善、清除一切偏见；这样的人很稀少，他们的「共同裁决」才是趣味的标准[19]。他还说，没有什么比练习某门艺术、反复审视某一类美更能增进这份细腻。Hume 自己也看到了循环性：「这样的评论家到哪里去找？」[19]。下面的映射是本报告的（◇ 推断），不是 Hume 提出的训练方案：

批判视角：品位是不是社会区隔？

社会学对「品位」的经典批评以 Bourdieu 的《Distinction》为代表，它追问：谁的标准被当成了标准？[56] 我们没有读这本书的原文，不转述它的具体论点，只借用这个提问方式。能诚实说的是：个人偏好主要来自各人独有的环境[14]，经典部分由曝光与可得性维持[12]，这些发现都说明口味深受环境塑造，但不等于「品位只是阶层符号」。

实际含义是一条自我检查：每当你断言「这个土 / 这个高级」，问一句，这是在描述可观察的特征，还是在表达我所处圈子的习惯？前者可以验证，后者只能叫偏好。

视觉底层语法 7 条

Blender 的节点、Resolve 的面板、Figma 的图层，每过几年都会换一套。但不管你用哪个，要做的决定几乎总是同一批：哪里亮、哪里暗，颜色之间是什么关系，视线怎么走，先看什么，节奏如何起伏，光怎样落在材质上，以及这一切是否服务于同一个意图。这七条就是这批决定。

每一条用同一个版式：原理 → 出处与证据 → 在你各领域的体现 → 常见错误与「AI 味」→ 一个练习（对象 · 时长 · 产出物 · 验收标准）。关于「AI 味」：凡无来源者都标「经验观察」，并且请记住，人类识别 AI 图像的正确率只有 54%–62%[51][52]，所以它们是自查清单，不是鉴定标准。

实验室：用「调色台」练眼

下面四个实验室不是为了「做出作品」，是为了把某一个变量单独拎出来、看它怎么改变你的判断。它们都是教学示意：模型有假设，数字不是研究结果；每个实验室的末尾写明了假设与边界。

实验室 1 · 明度与调色

实验室 2 · 构图

实验室 3 · OKLCH 色板

实验室 4（加分）· 缓动与节奏

四步训练法：看 → 说 → 做 → 比

前面说，审美是辨别、标准、语言、生产的乘积。训练就是把这四项各配一个动作，每天按固定节拍转一圈：看（练辨别）、说（练语言，逼出标准）、做（练生产）、比（用比较检验标准）。每天 45 分钟，看 10 + 说 10 + 做 20 + 比 5。

第一步 · 看（10 分钟）：练辨别

目标是让「几乎一样」的东西变得可区分。三个动作：

1. 交错闪卡选 5–6 个容易混淆的风格（不同的赛博朋克美术、不同摄影指导或调色师的 look、不同厂牌的关卡风格），每个收 6–8 张样本，混排，不要按作者分组。每次抽 8–10 张，先写「这属于哪类、凭什么」，再翻答案。依据：交错在类别越相似、材料越复杂时优势越大[44]；而「集中」让人感觉学得更流畅、实际更差[43]。隔天再来一轮（间隔本身是推断）。
2. 灰度 + 三值 + 眯眼每张图先花 10 秒：转灰度、画三值块面、标视线落点。（第 03 章第 1 条）
3. 反曝光样本每周强制加入 3 个你平常不会点开的风格、时代或地区。依据：曝光会把喜欢刷出来[3][12]；效果本身没有直接证据，属推断。

产出物：每天 3–5 条「看」的小抄，并入参考库（命名建议 领域_风格_来源_日期）。验收标准：每两周做一次「未见作品」归属测试，把 10 张没看过的作品混进来归类，记录正确率。不要用「我感觉记住了」当验收，因为感觉与成绩会背离[43]。

第二步 · 说（10 分钟）：把喜欢变成理由

写「拆解卡」。关键规则只有三条：「我看到的」只写可观察事实，不得出现「好看、高级、有感觉」；「我的判断」写成「因为…所以…」；至少写一条「我不确定」。这与你的卡片规范同一个精神：忠于所见、可追溯、原文与转述与自己的看法分开。下面的模板沿用了你的 YAML 字段，只做了最少的改动：

---
title: "拆解：{作品名 / 镜头 / 关卡} · {语法：明度结构}"
type: literature
source_type: image          # image | video | level —— 若你的卡片规范未列，请先在规范里补充，本报告不改你的规范
source: "{出处：片名 / 游戏名 / 站点}"
author: "{导演 / 摄影 / 美术 / 佚名}"
url: ""
created: 2026-10-02
updated: 2026-10-02
status: draft
tags: [审美]               # 必须来自你的标签表
rating: 3
---

## 我看到的（只写可观察事实，不写「好看」）
- 明度：最亮在……；最暗在……；大块面共 N 个；P5–P95 约……（可用实验室 1 / 示波器核对）
- 色彩：主导色 #……（OKLCH ……）；冷暖分布在……
- 构图：主体位置……；视线被……引向……；重心偏……
- 时间（影像）：镜头数 / 各镜头时长……；剪点落在……
- 光与材质：主光方向……；高光 / 阴影处理……

## 我的判断（因为……所以……）
- 它想让观众感到：……（依据：……）
- 做得好的一处：……（因为……）
- 我会改的一处：……（因为……）

## 可迁移的做法（一句话，下次用在我的……）
……

## 原文 / 出处片段
- 截图编号 / 时间码：……
- 创作者自述（若有，引用 ≤25 词，附出处）：……

## 我不确定
- ……

产出物：每天 1 张，每周至少 3 张完整的拆解卡。验收标准：「我看到的」一栏没有评价词；「我的判断」每条都能回扣到一条观察；一周后，另一个人只读这张卡，能复述你在这张图里看到的主要决定（你的卡片规范里「不读原文，只读这张卡」的视觉版）。

第三步 · 做（20 分钟）：约束、重构与临摹

生产不再是瓶颈，但它依然是眼睛的反馈来源：只有亲手做过，你才知道光为什么这样落、剪点为什么这样接。三类练习：

重构—对照：Franklin 的方法，图像版

Franklin 在自传里描述过他练文笔的方法：读《Spectator》的文章，对每个句子的意思写下要点，放几天，再「不看原书」把要点重新写成完整文章，最后与原文对照、找出错误并改正；他由此发现自己缺词汇储备[40]。这是个人回忆录，没有对照组，我们也没找到艺术教育里「临摹有效」的受控研究。但它的流程很清楚：隐藏原作 → 凭要点重建 → 对照差异 → 纠正。迁移到视觉属于本报告的推断：

1. 看 2 分钟只看，不动手。
2. 隐藏把参考关掉（或翻面）。
3. 凭记忆重建在 15 分钟内画出：三值明度图、构图框（主体位置与视线）、不超过 5 色的色板。剪辑版：列出剪点与意图。
4. 叠加对照把重建与原作叠起来，记下遗漏项，并归类（明度 / 色彩 / 构图 / 层级…）。

产出物：重建图 + 遗漏项清单。验收标准：按类别逐周统计遗漏项数量，下降或类别变窄才算有进步（见第 09 章）。

大师临摹：练的是决策，不是笔触

临摹练的不是手感，而是「作者在这里做了什么决定」。要避免只练手，有四个办法：① 用重构代替描摹（上面的流程）；② 每次写 3 条「我没想到作者会这样决定」；③ 用新题材重用同一组决定（迁移）；④ 每周只临一件，且选一件与你风格相反的，以对冲曝光偏差。

先手后 AI

在那项 N = 60 的实验中，用 AI 图像生成器辅助构思会增加对最初范例的固着，想法更少、多样性更低[53]。据此（◇ 推断）：先用草图或灰度块面自己定构图与明度，再让 AI 给变体，然后对比你与它的取舍点。

第四步 · 比（5 分钟 + 24 小时）：盲选、对照、反馈

标准要靠比较来检验，而比较最大的敌人是偏见：同一批画作被随机标成「人类」或「AI」，评价会随标签变化[49]。所以「比」的第一原则是盲：先选，再看来源。下面的盲选日志可以直接用，数据只存在你本机的浏览器里。

没有人帮你洗牌时怎么盲选？① 让别人把两张图随机命名为 A / B，并记下答案；② 用脚本批量改名；③ 实在没办法，就把两版并排、遮住来源，隔一天再选。产出物：每周至少 3 条日志。验收标准：能算出自一致率与参考一致率，并回答「哪类题总是翻车」。

并排比较，并强制写 3 个差异

同一主题放「好」「次好」两张，必须写出 3 个可观察差异（明度分布、边缘、层级……）。一周后用新样本复述同一差异。依据是分化与注意权重[11]；「并排比较」本身我们没有读到直接实验，属推断。

反馈从哪来：人，比 AI 更可靠吗？

本报告的取向是：人 > AI，但理由有强有弱，请分开看：

• 我们没有读到任何研究表明 AI 评审与专业判断一致（不等于不存在）。没有证据，就不该让它当裁判。
• 偏好调优会降低输出多样性，文本领域有证据[26][27]，图像领域的机制尚无定论[28]。◇ 推断 AI 的「评语」可能偏向普遍讨喜。
• 人能提供你没有的参照与「这对我有没有效」的体验，这点是常识，不是实验结论。
• 但人也有标签偏见[49]，所以要对人也用盲法：先让他描述看到什么，再让他评价。

怎么找人：同行 1–2 位愿意说真话的（给方向性意见）；外行 3–5 位（只测「能不能看懂」，用眯眼测试和阅读顺序）；社区里发带具体问题的帖子（「我想让观众先看到 X，你先看到什么？」，不要问「好不好看」）。

分领域作战手册

七条语法在每个领域里的落点不一样。下面按你的六类工作各给一页：要练的眼、练习清单（对象 · 时长 · 产出 · 验收）、AI 味陷阱、怎么用 AI 陪练。

与 AI 共练：把它当陪练，不当代笔

AI 对审美训练有两种完全相反的用法。一种是让它替你做决定（你的眼睛因此不再工作）；另一种是让它制造对照、生成反例、翻译术语，把你的判断逼得更清楚。本章只讲第二种，并且说清楚它的证据在哪里、风险在哪里。

7 个可复制的提示词

方括号里是你要替换的内容。它们不绑定具体模型；若模型支持看图，可以附上截图。不要上传保密或未发布的素材。

我在做【作品 / 镜头 / 关卡：一句话描述】，想练【明度结构 / 色彩关系 / 构图 / 层级 / 节奏 / 光与材质 / 一致性：选一个】。

请生成 4 个在这一项上有明确差异的方案（用文字或可执行的参数描述），随机打乱后标成 A、B、C、D。
要求：
1. 不要告诉我每个方案对应什么设计意图，也不要暗示哪个更好。
2. 其中 1 个方案要故意包含一个常见缺陷，但不告诉我是哪个。
等我回复「我选 X，理由是……」之后，你再依次揭晓：每个方案的设计意图、被植入的缺陷是什么，以及我的理由里哪些是可观察的、哪些只是感觉。

下面是同一主题的两个版本 A、B（文字描述或截图），以及我的选择和理由。

请按以下顺序回答，并且在第 1–3 步里不要参考我的选择：
1. 你选 A 还是 B，或者「难分」。
2. 给出 3 条理由，每条必须指向可观察的特征（明度分布、边缘、层级、剪点、色彩关系等）。
3. 写出你最不确定的一点。
4. 现在再看我的选择与理由：列出我们的分歧点；指出我的理由里哪些不是可观察特征；不要为了迎合我而改变第 1 步的结论。
我的选择：【A / B / 难分】　我的理由：【……】

下面是我最近 10 张拆解卡（每张含「我看到的」「我的判断」「我不确定」）。请帮我做一次品位审计：
1. 找出我反复出现的偏好模式（题材、色彩、构图、节奏）。
2. 哪些偏好可能只是熟悉度或曝光造成的习惯？依据是什么？
3. 哪些判断没有可观察的理由支撑，只是情绪表达？
4. 区分「偏好」与「标准」：哪些是我的口味，哪些是我能说出理由的标准。
5. 给我 3 类「反曝光样本」的方向（只给类型，不要编造具体作品名），说明每类用来检验我的哪一个偏好。
10 张拆解卡如下：【粘贴】

针对视觉语法【明度结构 / 色彩关系 / 构图 / 层级 / 节奏 / 光与材质 / 一致性】，结合我的作品【一句话描述】，生成 5 个「故意犯错」的版本描述。
每个版本请写：违反了这条语法的哪一点；在画面（或时间线）上会表现出什么可观察的特征；我可以怎样检查（灰度、眯眼、直方图、示波器、镜头长度表等）。
把顺序打乱，先只给我「版本描述」，等我回复「我认为 X 错在 Y」之后，你再给出答案和检查方法。

我对这张图 / 这段剪辑的感受是：【例如：太闷 / 发脆 / 不通透 / 节奏拖 / 没有重点】。
请先问我 2 个澄清问题。然后给出 3–5 个可能的技术成因（明度分布、饱和度、对比、色温、锐度、镜头长度、层级等），每个成因附上：我怎样用灰度、直方图、示波器或镜头长度表去验证它。
不要替我下结论，不要给最终参数；我来验证后告诉你结果。

我想做的风格关键词是【……】，我自己确认存在并看过的参考作品是【作品名 1、2、3】。
请输出 8–12 条「可检查的约束」，覆盖配色数量与彩度范围、光向与明暗比、构图习惯、镜头长度范围或运动曲线性格、材质处理等，每条附一个检验方法。
要求：明确标出哪些条目是你的推断；不要引用你无法确认的具体数字或作品细节；如果某条在这些参考作品里并不成立，请指出。

我凭记忆复刻了一张参考图（或一段剪辑）。下面是「参考的文字描述」与「我的复刻描述」，请你：
1. 列出我遗漏或改变的项目；
2. 按「明度 / 色彩 / 构图 / 层级 / 节奏 / 光与材质 / 一致性」归类；
3. 对每一类，标出你有多确定（高 / 中 / 低），并说明低确定度项为什么需要我自己回到原图核对。
不要给出修改建议，只做差异清单。
参考：【……】　我的复刻：【……】

「AI 味」识别清单：证据与经验分开写

先说一个前提：人类判断一张图是不是 AI 生成的，成绩接近随机。一项众包数据（约 28.7 万次评估、1.25 万名参与者）里总体正确率是 62%，自然与城市景观最难[51]；另一项小样本研究为 54%，重复尝试几乎无提升[52]；美、德、中三国 3,002 人的研究发现最先进的伪造品「几乎无法与真实媒体区分」，不过这些结果对应的是 2023–2025 年前后的模型[50]。所以下面的清单是自查你自己作品的工具，不是鉴定别人的标准。

同质化风险与对策

证据一致指向同质化趋势，机制尚无定论。把已读到的证据按强度排开：

对你的含义是：AI 抬高底线，对低水平者帮助最大[23]；你的水平越高，它带来的「底线收益」越小，而「被同质化」的风险不变。差异化只能来自你的立场与约束。下面的对策都是◇ 推断，没有被直接检验：

12 周计划

12 周，每周一个主题，对应第 03 章的七条语法（顺序是 1 → 2 → 3 → 4 → 6 → 5 → 7，先静态后时间）。每周 5 天 × 45 分钟，加周六 60 分钟的产出与验收，总共约 57 小时。每 4 周做一次「盲测 + 复刻」阶段考核。

每日 45 分钟

12 周日程

阶段考核：盲测 + 复刻（第 4、8、12 周）

打卡清单

勾选即保存在你本机浏览器里。勾选条件是「周验收通过」，不是「做了」。

• 第 1 周验收：7 张三值图，眯眼测试一致 ≥ 5/7
• 第 2 周验收：≥10 条预测 — 核对记录，误差较第 1 周下降
• 第 3 周验收：同色异观 2 图，数值与不知情者的判断一致
• 第 4 周验收：完成 3 色约束作品 + 阶段考核 1并记录基线
• 第 5 周验收：5 图排序表含 ≥3 人数据，有一处有意违反
• 第 6 周验收：平衡 / 失衡对照图，他人描述与意图一致
• 第 7 周验收：三级强调重排，≥2/3 读者顺序一致
• 第 8 周验收：九宫格预测命中 ≥ 6/9 + 阶段考核 2并与考核 1 对比
• 第 9 周验收：三版剪辑 / 关卡四段，能指出各版牺牲项
• 第 10 周验收：缓动 / 节拍盲选，理由全是可观察特征
• 第 11 周验收：10 个决定 + v2，任意项占比下降
• 第 12 周验收：综合作品 + 季度自评表 + 阶段考核 3，写出三次考核对比的结论

如何判断自己在进步

「眼力变好了」是最容易自我欺骗的结论：流畅会被误当成好，熟悉会被误当成品位。我们没有找到「设计师接受某种训练后审美判断提高」的随机对照研究，所以只能自己做前后测。下面的指标，每一个都写明了怎么测、往哪个方向变才算进步、以及它骗你的方式。

先定三条测量纪律

1. 题目由别人出，每次换新题自己出题会只测自己已知的维度；重复的题目测的是记忆。
2. 基线先于训练第 4 周的考核 1 是基线（第 08 章）；在此之前的进步不算数。
3. 只看趋势，不看单次样本小的时候，运气会冒充进步。20 对 A/B 里至少 15 对一致，才能大致排除瞎猜（单侧 p ≈ 0.02）。

8 个可操作的指标

复刻误差的自测方法

明度分布：用你软件里的直方图或示波器，对参考与复刻各读出 P5、P50、P95（也就是 5%、50%、95% 像素落在哪个亮度以下），三个差值取绝对值。第 06 章里调色的验收线是三者都小于 10 级（0–255 刻度），这是本报告设定的线。实验室 1 的读数栏可以练习读它。

配色距离：取参考与复刻的 5 个主色，用 OKLab 里的欧氏距离， ΔE_OK = √(ΔL² + Δa² + Δb²)，等价于 √(ΔL² + C₁² + C₂² − 2C₁C₂·cos Δh)。OKLab 是按感知近似均匀设计的，所以欧氏距离大致对应「看起来差多少」[61]（未核实原文，属本报告的解释）。下面这个小工具可以直接算，一行一对色，格式为「参考 hex 复刻 hex」。

季度自评表

对七条语法分别评四个维度：辨别、标准、语言、生产。量表是本报告设计的，没有经过效度检验；3 分必须有他人验证（盲测或读者记录），否则最多给 2 分。

反方与局限：我们可能错在哪

一份主张「审美可以训练」的报告，最该怀疑的就是它自己。下面 10 条是这份报告最容易出错的地方，包括对你原先想法的修正。读完再决定要不要开始 12 周计划，也许比先开始更好。

1. 「品位可训练」的证据边界 ◐ 中

   低层辨别与风格归类的训练有扎实证据：知觉学习[11]、交错学习（画作 g = 0.67）[44]。但「高层审美判断因训练而变好」，我们没找到随机对照研究。专家与新手的差异多为相关设计，「因果方向模糊」[17]。刻意练习对职业类领域的解释力不到 1%，且这项元分析不含视觉艺术[41]；其核心发现还有复现失败[42]。所以：本报告是一个带前后测的实验，不是保证。

2. 文化与阶层：谁的标准？ ○ 弱

   社会学的批评（以 Bourdieu 为代表[56]，本次未读原文）追问标准背后的社会位置。本报告引用的材料（Albers、Murch、Rams、任天堂的关卡结构、Hume）主要来自西方与日本的设计、影视传统；实验多为西方大学生或众包被试；Hume 自己也承认「这样的评论家到哪里去找」的循环问题[19]。我们没有做任何跨文化检验，也没有读到这方面的证据。

3. 偏好与品位的界线是操作性的 ◇ 推断

   「品位 = 学得的辨别力 + 说得出的标准 + 立场」是为了训练而下的定义。Kant 的看法是审美判断无法被证明[20]；Hekkert 等发现专家与新手在「典型性与新颖性」上的权重并无差别[6]。所以「品位更高」更像「更稳定、更能说明」，未必是「更接近正确」。

4. 流畅性与熟悉度的陷阱无法被完全消除 ◐ 中

   训练本身会让你更喜欢你练过的东西：曝光会推高喜欢[3]，经典部分由曝光维持[12]，流畅性是「也许最一般的解释」[1]。盲评与反曝光样本是缓解，不是免疫。曝光的倒 U 形修正只见二手引述[4]。

5. 速成不可能，剂量也是猜的 ◇ 推断

   12 周、每天 45 分钟、约 57 小时，是本报告凭设计给出的，引用的研究大多没有报告剂量。练习量只是杠杆之一[41][42]。把它当起点，用第 09 章的指标不断修正。

6. AI 的「平均美」可能成为新的默认，并反过来塑造你的口味 ◇ 推断

   已有的拼图：人类有共享的默认偏好（居中、向内等）[1]；偏好的大量方差可被模型预测[15]；AI 采用者的视觉新颖度下降[24]。往前一步（本报告的推断，没有直接证据）：当大家都在看 AI 图，曝光会把「AI 的默认」变成「大家的口味」。「反默认」也可能变成新的默认。

7. 同质化与「AI 味」的证据强度不足 ◐ 中

   图像领域的直接证据主要是观察性数据[24]与限定情境下的默认图像研究[55]；图像多样性塌缩的工作只见二手摘要[28]；机制上，偏好调优假说与「结构性」假说相互冲突[27][28]。选择过载的元分析平均效应几乎为零[48]，所以「选择压力最大」只能当作现象描述。人类识别 AI 图像接近随机[50][51][52]，而这些结论随模型更新很快过期。

8. 本次调研没有核实的项目 ○ 弱

   Bornstein 1989 元分析的效应量；Ericsson 等 1993 的具体主张与「一万小时」；Murch 六准则中「Story = 21%」的另一种写法（主流来源为 23%，疑为转录错误）；任天堂起承转合的原始访谈（被拦截未读）；Livingstone 书中「等亮度使太阳消失」的细节（二手）；Blender 各版本默认视图的更换时间与 ACES 2.0 的出现时间；Resolve 当前版本与培训视频是否免费；Hume 文本 1757 / 1760 的年份差异；Ira Glass 视频的出处与日期；Bourdieu、Itten、Arnheim、Thomas 与 Johnston、Csikszentmihalyi、Oklab 与 WCAG 的原文。以上只作背景，不作结论依据。

9. 本报告的推断部分，全部在这里 ◇ 推断

   四件套的「乘法」模型；七条语法的分类；所有训练剂量与验收线（5/7、15/20、ΔE_OK 0.05、P5/P50/P95 差 10 级、预测命中 6/9……）；实验室里的视觉重量公式与各读数阈值；十二周的顺序；「人 > AI」的几条理由；「AI 味」的经验清单；第 07 章的同质化对策。它们都可能是错的，且没有被检验过。

10. 对你原先观点的修正 ◐ 中

    你担心「软件技能随时被取代」。一半成立：软件的细节确实在换，例如 Blender 手册已写明 Filmic 被 AgX 取代[45]。但另一半需要修正：（a）审美与技能不是二选一。在受限的文生图任务里，职业视觉艺术家复制更准、想法更发散，专业能力迁移到了 AI 的使用上[54]。（b）审美不是脱离技能的「通用肌肉」。绘画与知觉准确度的关系因视觉特征而异、相当混杂[17]，所以要在你的六个具体领域里练具体的辨别，再抽象出来。（c）生产没有消失。重做、重构、约束练习都要亲手做。（d）「又快又好」的「好」不是中立的。评价会被「谁做的」污染[49]，所以「好」本身就需要你的标准。

结论与本周 5 件事

别把自己练成 AI 的评委，练成自己作品的编辑：看得出差别，说得出标准，做得出来，经得起盲选。— 本报告的归纳

把全文压成三句话：

1. 瓶颈换了位置AI 把生产降到近零，把选择与过滤推到最大；产量上升的同时视觉新颖度在下降[24]。差异来自你选了什么、拒绝了什么。
2. 审美是辨别 × 标准 × 语言 × 生产，前三项可以训练训练的最硬证据在低层：知觉学习与交错的风格归类[11][44]；高层判断是否变好，证据不足，要靠盲选、复刻、他人验证这些前后测自己证明。
3. 底层语法过期得慢，但需要在具体实践里长出来先在你的六个领域里练具体的辨别（明度、色彩、构图、层级、节奏、光与材质、一致性），再抽象，再迁移；把 AI 当陪练，不当代笔。

本周 5 件事

每一件都有对象、时长、产出与验收。打卡保存在你本机浏览器里。

• 今晚 · 30 分钟：取你 3 件自己的作品转灰度、画三值，各写一句「主体靠明度还是靠色相被看见」。验收：3 张三值图 + 3 句话。
• 本周 · 20 分钟：玩第 04 章实验室 1：先预测、再看读数，对比原图与「过饱和 AI 味」的直方图差异，写 3 句。验收：3 句话里每句都有一个数字（P5 / P95 / 剪切百分比 / 平均色度）。
• 本周 · 每天 10 分钟：做 3 张拆解卡（05 章模板）。验收：「我看到的」一栏没有评价词，每条判断都写成「因为…所以…」。
• 本周 · 5 分钟 × 3：存 3 条盲选日志，24 小时后至少复盘 1 条。验收：日志里有信心、理由，复盘有「当时漏看了什么」。
• 周末 · 15 分钟：找 1 个人做眯眼测试，问「你第一眼看到什么」，并把第 08 章第 1 周排进日历。验收：他的回答与你的意图是否一致已记录。

来源与证据等级

共 62 条：[1]–[55] 是本次调研中读过的来源，注明了「已打开原文 / 只读到摘要 / 只见二手引述」；[56]–[62] 是本报告用自身知识补充的经典理论与工具说明，未在本次调研中核实，只用于背景，不用于关键事实，其中没有引用具体数字或原话。

证据等级标的是「来源本身」，不等于「它支持的结论」。等级沿用调研笔记；只见二手引述的条目（[4][30][33][34][38][39]）一律按「弱」处理。

1. Visual Aesthetics and Human Preference（Palmer, Schloss & Sammartino, 2013, Annual Review of Psychology 64）作者实验室 PDF ◐ 中 已打开原文。权威综述：黄金比例偏好「仍有争议」、居中/向内偏好、个体差异大，全文检索「rule of thirds」0 次命中。局限：综述，多为简单刺激，2013 年后文献未覆盖。
2. Processing Fluency and Aesthetic Pleasure（Reber, Schwarz & Winkielman, 2004, Pers. Soc. Psychol. Rev. 8(4)）DOI ◐ 中 只读到摘要。提出加工流畅性解释审美愉悦。局限：流畅性与熟悉度易混淆，未读复现数据。
3. Attitudinal effects of mere exposure（Zajonc, 1968, J. Pers. Soc. Psychol. 9(2, Pt.2)）DOI ◐ 中 只读到摘要。奠基性综述：重复暴露增强态度。局限：以词和符号为主。
4. A re-examination of the mere exposure effect（Montoya, Horton, Vevea, Citkowicz & Lauber, 2017, Psychological Bulletin 143(5)）DOI ○ 弱 只见二手引述，未打开原文。据转述：81 篇文章、268 条曲线估计的元分析，曝光与喜欢呈倒 U 形。原论文本身为元分析，本报告因未读原文而下调等级；条件细节以原文为准。
5. A model of aesthetic appreciation and aesthetic judgments（Leder, Belke, Oeberst & Augustin, 2004, Br. J. Psychol. 95）DOI ◐ 中 只读到摘要。五阶段信息加工模型。局限：概念框架，可检验预测有限。
6. "Most advanced, yet acceptable": Typicality and novelty as joint predictors of aesthetic preference in industrial design（Hekkert, Snelders & van Wieringen, 2003, Br. J. Psychol. 94）DOI ◐ 中 只读到摘要。三项研究支持典型性与新颖性的联合作用（MAYA）；专业水平不影响二者相对贡献。局限：对象为工业产品，样本量未核实。
7. Attractive Faces Are Only Average（Langlois & Roggman, 1990, Psychological Science 1(2)）DOI ◐ 中 只读到摘要。合成平均脸比几乎所有个体脸更有吸引力。局限：后续有替代解释与争议，见 [8]。
8. Facial shape and judgements of female attractiveness（Perrett, May & Yoshikawa, 1994, Nature 368）Nature ◐ 中 只读到摘要。有吸引力脸的平均形状优于样本总平均，夸张后更有吸引力。局限：仅女性脸，样本量未核实。
9. Neural Correlates of Beauty（Kawabata & Zeki, 2004, J. Neurophysiol. 91）DOI ◐ 中 只读到摘要。眶额皮层对美/丑画作差异性激活。局限：单项 fMRI，样本小，仅作背景。
10. The brain on art: intense aesthetic experience activates the default mode network（Vessel, Starr & Rubin, 2012, Front. Hum. Neurosci. 6:66）全文 ◐ 中 已打开原文。N = 16，109 幅图像；默认网络只对最高评分作品阶跃增强。局限：样本小，「默认网络 = 自我相关」是反向推理。
11. Perceptual Learning（Goldstone, 1998, Annual Review of Psychology 49）DOI ◐ 中 只读到摘要。知觉学习四机制（注意权重、印记、分化、单位化）。局限：低层任务证据最扎实，迁移到高层价值判断较弱。
12. Gustave Caillebotte, French Impressionism, and mere exposure（Cutting, 2003, Psychon. Bull. Rev. 10(2)）Springer PDF ◐ 中 已打开原文。曝光维持艺术经典；4,232 次图像出现、980 本书。局限：Palmer 等认为最终成因更接近关键时刻的可得性。
13. Stronger shared taste for natural aesthetic domains than for artifacts of human culture（Vessel, Maurer, Denker & Starr, 2018, Cognition 179）DOI ◐ 中 只读到摘要。风景的个体间一致性高于建筑外观，艺术、室内个体差异强。局限：样本量未读、无复现信息。
14. Individual aesthetic preferences for faces are shaped mostly by environments, not genes（Germine 等, 2015, Current Biology 25）PMC 全文 ● 强 已打开原文。547 对同卵、214 对异卵双生子；群体均值 r = 0.99，随机两人一致率约 48%。局限：仅人脸。
15. Aesthetic preference for art can be predicted from a mixture of low- and high-level visual features（Iigaya 等, 2021, Nature Human Behaviour 5）DOI ◐ 中 只读到摘要（预印本版本）。主观价值可在个体内与个体间被预测。局限：与 [13][14] 有张力，刺激为特定数据集。
16. Expertise in Pictorial Perception: Eye-Movement Patterns and Visual Memory in Artists and Laymen（Vogt & Magnussen, 2007, Perception 36）DOI ◐ 中 只读到摘要。9 名艺术家 vs 9 名外行；艺术家更多看结构/抽象特征。局限：样本很小，横断面，不能证明训练造成差异。
17. Expertise in Drawing（Kozbelt & Ostrofsky, 2018, 载 Cambridge Handbook of Expertise and Expert Performance 第 30 章）作者托管 PDF ◐ 中 已打开原文。综述画家的知觉优势，同时指出因果方向模糊、强版「纯真之眼」不被支持。本身即「局限」证据。
18. The Artist's Advantage: Better Integration of Object Information across Eye Movements（Perdreau & Cavanagh, 2013, i-Perception 4）DOI ◐ 中 只读到摘要。成绩随训练年数提高，较少随技能水平。局限：准实验，物体结构整合不等于审美判断。
19. Of the Standard of Taste（David Hume, 1757；原文 PDF，引用段落 #18、#23–24）原文 PDF ○ 弱 已打开原文。哲学论证，非实证；「真正鉴赏者」五项特质。局限：循环论证与精英主义批评，Hume 自己提出了识别难题；发表年份有 1757/1760 两种标注，未核实。
20. Kant's Aesthetics and Teleology（Stanford Encyclopedia of Philosophy 词条）SEP ○ 弱 已打开原文（二手权威百科）。美的判断带普遍性诉求却无法被证明。仅作一句话级概括。
21. Taste for Makers（Paul Graham, 2002）paulgraham.com ○ 弱 已打开原文。主张「taste is subjective」常因喜欢却不知为何；Good design is redesign。经验之谈，无对照实验。
22. Ira Glass on storytelling（「The Gap」）（视频访谈系列第 3 段的文字转录）Numéro Cinq 转录页 ○ 弱 只见转录文字，未看视频；原视频日期与出处未核实，流传版本措辞不一。个人经验叙述。
23. Generative AI enhances individual creativity but reduces the collective diversity of novel content（Doshi & Hauser, 2024, Science Advances 10(28)）PMC 全文 ◐ 中 已打开原文。N = 293 的在线实验；个体更有创意、集体更同质。局限：单一文字任务。
24. Generative artificial intelligence, human creativity, and art（Zhou & Lee, 2024, PNAS Nexus 3(3)）PMC 全文 ◐ 中 已打开原文。大规模观察数据：产量 +25%、收藏概率 +50%、视觉新颖度下降。局限：观察性，平台生态混杂。
25. Homogenization Effects of Large Language Models on Human Creative Ideation（Anderson, Shah & Kreminski, 2024, Creativity & Cognition '24）arXiv ◐ 中 已打开原文。N = 36；群体层面 ChatGPT 用户的想法更相似，责任感更低。局限：小样本、文本。
26. Does Writing with Language Models Reduce Content Diversity?（Padmakumar & He, 2023/2024, arXiv:2309.05196）arXiv ◐ 中 已打开原文（预印本，发表信息未核到）。只有 InstructGPT 组多样性显著下降，GPT-3 组没有。局限：限议论文与特定模型。
27. Understanding the Effects of RLHF on LLM Generalisation and Diversity（Kirk 等, 2024, ICLR 2024）arXiv ◐ 中 已打开原文。RLHF 显著降低输出多样性。局限：仅文本，向图像模型的类比是本报告推断。
28. 图像生成「多样性塌缩 / 同质化」的几项工作（Zenodo 预印本及 arXiv:2503.00897、2512.21514、2512.04559）Zenodo 预印本 ○ 弱 只见 WebSearch 摘要转述，均未打开；Zenodo 预印本未见同行评审标记。其具体数字未核实，本报告未引用数字，只用来说明「机制尚有分歧」。
29. Segregation of Form, Color, Movement, and Depth（Livingstone & Hubel, 1988, Science 240）DOI ◐ 中 只读到摘要。视觉子系统分离模型。局限：数十年前的模型，其严格程度后续有争议（未核实）。
30. Vision and Art: The Biology of Seeing（Margaret Livingstone, 2002, Abrams；书）Harvard Magazine 报道 ○ 弱 只见二手引述（页面只在搜索摘要中见到，未打开），未读原书。「等亮度使太阳消失、产生闪烁感」是有影响力的假说，不是公认定论。
31. A Century of Gestalt Psychology in Visual Perception I & II（Wagemans, Elder, Kubovy, Palmer 等, 2012, Psychological Bulletin 138）DOI（I） ● 强 只读到摘要（权威综述，视觉科学共识层）。分组与图-底原则、Prägnanz。局限：综述；经典原则本身存在实证与概念问题。
32. Interaction of Color（Josef Albers, 1963；耶鲁大学出版社 2013 年 50 周年版）出版社页面 ○ 弱 只读到出版社介绍，未读正文。色彩的相对性、强度与温度等原理的经典教材；未见对照实验。
33. The Non-Designer's Design Book（Robin Williams；CRAP：对比、重复、对齐、亲密性）Peachpit ○ 弱 只见二手引述（搜索摘要对出版社描述的转述）。入门级经验法则，无对照实验。
34. The Visual Story（Bruce Block, Routledge/Focal Press）Routledge ○ 弱 只见二手引述（页面抓取为空）。以「对比与相似」组织空间、线形、调子、色彩、运动、节奏；行业经典，无实证检验。
35. Ten principles for good design（Dieter Rams，Vitsœ 发布）Vitsœ ○ 弱 已打开原文。设计师自陈标准（含 "Nothing must be arbitrary or left to chance"）。局限：偏功能主义，对游戏、动效、插画未必适用。
36. In the Blink of an Eye — Rule of Six（Walter Murch；节选转载页）Berkeley 课程博客转载 ○ 弱 已打开转载页，未见纸质原书（版权书籍，仅摘要转述）。六准则及 51/23/10/7/5/4 的权重；这是 Murch 的个人经验排序，不是实证。另有博客称 Story 为 21%，只见搜索摘要、未核实，多半是转录错误。
37. Murch 访谈（Art of the Cut 系列）（Hullfish 采访 Walter Murch, ProVideo Coalition）访谈全文 ○ 弱 已打开原文。Murch 自述数字是为了让「情绪大于其余之和」而调的；一手陈述。
38. Nintendo 关卡设计的四步结构（起承转合 kishōtenketsu）（MCV/DEVELOP 2015-03-18 对 Game Maker's Toolkit 视频的转述；WN Hub 译述）MCV ○ 弱 只见二手引述；Gamasutra 原访谈被拦截未读。官方说法仅限 Hayashida 经转述的一句，不能据此说「全系列都是起承转合」。
39. Flow in Games（Jenova Chen, 2006 论文；CACM 50(4), 2007）论文 PDF ○ 弱 只见二手引述（搜索摘要），论文未打开。以心流理论为基础的玩家中心难度调整。
40. The Autobiography of Benjamin Franklin（Franklin；Project Gutenberg 文本）Gutenberg ○ 弱 已打开原文。模仿《Spectator》的写作法：写要点→放几天→不看原书重写→对照。个人回忆录，无对照组；未找到受控研究。
41. Deliberate Practice and Performance in Music, Games, Sports, Education, and Professions: A Meta-Analysis（Macnamara, Hambrick & Oswald, 2014, Psychological Science 25）DOI ● 强 只读到摘要。刻意练习解释的方差：游戏 26%、音乐 21%、体育 18%、教育 4%、职业不到 1%。局限：不含视觉艺术与设计。
42. The role of deliberate practice in expert performance: revisiting Ericsson, Krampe & Tesch-Römer (1993)（Macnamara & Maitra, 2019, Royal Society Open Science 6）DOI ◐ 中 只读到摘要（被截断）。双盲重复未复现「累积练习量与技能水平对应」。局限：复现失败不等于练习无效。
43. Learning Concepts and Categories: Is Spacing the "Enemy of Induction"?（Kornell & Bjork, 2008, Psychological Science 19(6)）DOI ◐ 中 只读到摘要，样本量未读。画家风格归类：交错优于集中，尽管集中让人感觉学得更流畅。局限：测的是归类，不是审美判断。
44. Similarity matters: A meta-analysis of interleaved learning and its moderators（Brunmair & Richter, 2019, Psychological Bulletin 145）DOI ● 强 只读到摘要。59 项研究、238 个效应量；总体 g = 0.42，画作 g = 0.67。局限：测的是归纳/类别学习。
45. Blender 手册：Color Management / Displays and Views（Blender 5.2 LTS Manual，latest）官方文档 ◐ 中 已打开原文（2026-10-01 读取）。Filmic 已弃用、由 AgX 取代；ACES、Khronos PBR Neutral、False Color 等视图。局限：未核对各版本默认视图的更换时间，未核对 ACES 2.0 的出现时间。
46. DaVinci Resolve 官方培训页（Blackmagic Design）官方页面 ◐ 中 已打开原文。「Introduction to Color」含如何读示波器（scopes）。局限：未核对当前 Resolve 主版本号，未核对培训视频是否免费。
47. Refactoring UI（Adam Wathan & Steve Schoger）官网 ○ 弱 只读到首页。「Design with tactics, not talent」，行业口碑；偏 Web UI，无实证。
48. Can There Ever Be Too Many Options? A Meta-Analytic Review of Choice Overload（Scheibehenne, Greifeneder & Todd, 2010, J. Consumer Research 37）DOI ● 强 只读到摘要。50 项实验、63 个条件、N = 5,036，平均效应约为零、方差大。局限：消费选择，非创意筛选。
49. Humans versus AI: whether and why we prefer human-created compared to AI-created artwork（Bellaiche 等, 2023, Cognitive Research: Principles and Implications）DOI ◐ 中 只读到摘要。随机标签「人 / AI」改变评价；样本量未读。
50. A Representative Study on Human Detection of Artificially Generated Media Across Countries（Frank 等, 2024, IEEE S&P 2024）DOI ◐ 中 只读到摘要。美、德、中 3,002 名参与者；先进伪造品几乎无法区分。局限：模型为 2023 前后版本。
51. How good are humans at detecting AI-generated images? Learnings from an experiment（Roca 等, Microsoft AI for Good Lab, 2025, arXiv:2507.18640）arXiv ◐ 中 只读到摘要（预印本，众包数据）。约 28.7 万次评估、1.25 万名参与者，总体正确率 62%；景观类最难。局限：参与者自选，生成器版本未读。
52. We are not able to identify AI-generated images（Pavão, 2025, arXiv:2512.22236）arXiv ○ 弱 只读到摘要。165 名用户、平均正确率 54%，重复尝试几乎无提升。局限：小样本，限人像，图像精心挑选。
53. The Effects of Generative AI on Design Fixation and Divergent Thinking（Wadinambiarachchi 等, 2024, CHI 2024）arXiv ◐ 中 只读到摘要。N = 60；AI 图像生成器辅助构思→固着更高、多样性与原创性更低。局限：短时任务，效果取决于提示策略。
54. Expertise elevates AI usage: experimental evidence comparing laypeople and professional artists（Eisenmann, Karjus, Canet Sola, Brinkmann, 2025；IJHCI 2026）arXiv ◐ 中 已打开原文（arXiv v2）。预注册；50 名艺术家 vs 49 名外行；专业能力迁移到 AI 使用。局限：受限任务；预印本与期刊版本差异未核对。
55. An Exploration of Default Images in Text-to-Image Generation（Simonen, Kiviniemi, Johnston, Barranha, 2025/2026, arXiv:2505.09166）arXiv ◐ 中 已打开原文。Midjourney 上 75 万+ 图像的计算分析，不寻常提示会触发稳定的「默认图像」。局限：作者承认多数日常用户不太会遇到。
56. Distinction: A Social Critique of the Judgement of Taste（Pierre Bourdieu；法文原版 1979）条目 未在本次调研中核实 本报告只借用其提问方式；未读原书，不转述论点。链接本机无法访问，未验证。
57. The Art of Color（Johannes Itten；色彩教学经典）作者条目 未在本次调研中核实 仅作为色彩关系分类（对比、和谐）的背景提及；无引用内容。链接本机无法访问，未验证。
58. Art and Visual Perception（Rudolf Arnheim；视觉力与平衡的经典论述）作者条目 未在本次调研中核实 仅作为「视觉重量与平衡」概念的背景提及；无引用内容。链接本机无法访问，未验证。
59. The Illusion of Life: Disney Animation（Frank Thomas & Ollie Johnston；动画十二原则）十二原则条目 未在本次调研中核实 仅提原则名称（如缓入缓出、预备、跟随），不写具体论述。链接本机无法访问，未验证。
60. Flow: The Psychology of Optimal Experience（Mihaly Csikszentmihalyi, 1990）心流条目 未在本次调研中核实 仅作为「挑战与技能匹配」的常见表述背景；本次未读原书。链接本机无法访问，未验证。
61. A perceptual color space for image processing（Oklab）（Björn Ottosson, 2020, 个人博客）bottosson.github.io 未在本次调研中核实 实验室 3 中 OKLab/OKLCH 的转换矩阵即出自此类公开资料，为本报告凭知识实现；本次未核对原文，实验室为示意。
62. Web Content Accessibility Guidelines (WCAG) 2.1：contrast ratio 定义（W3C）W3C 未在本次调研中核实 实验室 3 的对比度按其相对亮度公式实现，本次未核对原文；用于教学示意，不作合规判断。