《Organised Sound》：When AI don’t sound like AI: Negotiating aesthetic expectations in technology-mediated musical practice
编辑推荐：
本文针对技术中介音乐实践中AI生成声音的美学建构问题，以Surfing Hyperparameters项目为案例，揭示文化叙事中的“机器幽灵”“怪诞”等美学期待如何主动塑造设计决策与声音结果。研究发现AI声音美学多由文化想象“启发”而非技术直接“导致”，挑战了技术决定论视角，为理解人机共创中的社会技术集合提供了新范式。
当你戴上耳机，听到那些由算法生成的旋律时，是否会觉得其中藏着某种难以言喻的“幽灵”？在实验音乐领域，“鬼魅”“诡异”“超凡脱俗”这些词常被用来形容AI创作的声音。但这种听觉体验究竟是算法本身的固有属性，还是人类赋予技术的文化想象？这正是这篇发表于《Organised Sound》的论文试图解答的核心问题。
长久以来，音乐技术工具被认为内嵌着“阻力最小路径”——比如钢琴天然倾向于平均律，鼓机默认4/4拍——这些设计选择悄悄引导着创作者的审美走向。但当AI成为创作伙伴时，情况变得复杂起来。AI作为一个“浮动能指”，既指代具体的深度学习模型，也承载着科幻小说中自主机器的神话、模拟媒体里的幽灵回响。现有研究多关注技术如何限制审美，却很少探讨反向的文化期待如何反过来塑造技术实践。这种单向视角的缺失，使得我们难以真正理解AI音乐创作中技术与文化的动态博弈。
为了打破这种认知局限，研究团队以Surfing Hyperparameters项目为实验场，采用“彻底透明”的叙事重构方法，追踪从初始设想到最终表演的完整历程。他们试图验证一个大胆假设：AI生成声音的美学特征，更多是被文化叙事“启发”而非技术本身“导致”。
在研究设计上，团队构建了包含反馈驱动增强低音(Feedback-actuated Augmented Bass, FAAB)与AI模型组的表演系统。FAAB是一种改造过的低音提琴，通过嵌入扬声器的反馈回路实现自激振荡。系统核心是在低音提琴不同部位安装8个压电传感器，采集振动信号后输入基于Transformer架构的自编码器。这个自编码器将8通道信号压缩为4维潜空间(latent space)表示，再解码还原。研究团队使用W&B sweep工具训练了20个不同超参数配置的模型变体，构建四维超参数空间，通过模型切换算法实现演奏过程中不同模型的动态切换。
实验过程分为两个关键迭代阶段。在Iteration A阶段，团队最初期望潜空间信号能作为缓慢变化控制信号驱动模块化合成器，产生类似环境音乐的持续低音。然而实际运行中出现严重偏差：模型每0.23秒强制切换一次，导致声音特征被切换周期主导而非模型特性；更严重的是，潜空间信号并非预期的“解纠缠”声学表征，而只是输入音频的粗糙压缩，甚至能通过扬声器听到演奏者的说话声。尽管尝试通过调整触发阈值和禁用切换算法来挽救，但最终声音仍不符合预期。
Iteration B阶段转向远程协作，团队重新设计信号采集电路并录制新数据集。他们放弃直接控制合成器，转而开发多尺度谱差异(Multi-Scale Spectral Difference, MSSD)技术：通过计算输入输出信号的短时傅里叶变换(STFT)在不同窗口尺寸下的谱差异，再用振荡器组将差异谱转化为声音。这一创新带来了金属质感的滤波效果，但模型间差异仍不明显。团队进一步缩短数据集至5分钟并聚焦特定演奏技巧，最终使不同模型的声音差异变得可辨。通过添加6次方函数的长交叉淡入淡出(2.8秒)平滑处理，成功消除了模型切换时的爆裂声，最终呈现出接近初始预期的“鬼魅”美学效果。
研究结论部分揭示了三个重要发现。首先，AI声音美学并非技术直接产物，而是文化期待与技术实现的协商结果。在Surfing Hyperparameters项目中，最终声音的“幽灵”特质并非来自AI模型本身，而是通过MSSD信号处理、交叉淡入淡出等工程手段“设计”出来的。其次，实践者的叙事具有施为性(performative)——团队最初坚持用AI模型特性来解释美学效果，直到发现潜空间仅是音频压缩时才被迫调整叙事框架，这种张力反而推动了声音设计的创新。最后，研究强调了“阻力最小路径”的双向性：除了技术工具对审美的引导，文化叙事同样构成强大的审美引力，促使创作者不断调整技术方案以实现预设的听觉意象。
这项研究的意义在于打破了技术决定论的迷思，指出AI音乐美学是技术物质性与文化想象共同编织的社会技术集合。它为实践研究者提供了方法论启示：在记录技术实现的同时，更需要反思自身的审美预设如何影响创作轨迹。正如论文所言，当我们听到AI音乐中的“幽灵”时，或许听到的正是人类对智能技术的集体想象，而非算法本身的喃喃自语。
