AI的人设是用户吵出来的

AI的人设是用户吵出来的

一个识图乌龙，怎么就成了AI的“人设”

“大肥鱼”这个称呼的起点，并不是 DeepSeek 的官方设定，而是一次已经无法追溯原始记录的识图对话。流传最广的说法是：有用户把自己的 Logo 发给 DeepSeek，让它辨认图片，模型没有认出这是自己，反而一本正经地回答说，这是一条“蓝色大肥鱼”。这个回答本身只是模型在视觉识别上的失误，但它足够具体、足够有画面感，很快被截屏传播，成为网友口中 DeepSeek 的别名。

真正把人设固定下来的，是后续的二创接力。B站UP主“上善无形”最早用 AI 绘图创作了一个叫“溟月”的原创角色，设定是蓝色长发、鲸鱼头鳍和一条大尾巴。这个角色起初与 DeepSeek 没有关系。后来有网友借用这套设计，加入 DeepSeek 的元素和女仆装，再有人把它改成大头小身子的 Q 版。几轮修改之后，这个形象才逐渐与 DeepSeek 绑定，成为后来被粉丝称为“鲸鱼娘”的角色。

这条链条的关键在于：没有人一开始就决定“DeepSeek 应该是一条鱼”或者“应该有一个鲸鱼娘形象”。误读提供了一个可被引用的梗，二创则把这个梗从一句玩笑改造成一个可识别、可再创作的角色。官方在这个过程中并未充当设计者。DeepSeek 早期没有生图功能，外部创作者反而获得了更大的发挥空间；而 Logo 本身确实带有鲸鱼轮廓，又让这个形象不至于完全脱离产品。两者叠加，才让“大肥鱼”从一次偶然的识图错误，变成一个能够自我延续的人设。

人设一旦长出来，就不完全归公司管了

用户共创的人设能带来流量，但也会产生代价。“DeepSeek鲸鱼娘在运营”上线后，第一条视频播放量超过200万，而当时DeepSeek还没有生图功能，这个形象是由GPT绘制的。一个连官方生图能力都不具备的产品，却因为外部二创获得了高传播度的视觉人格。这个数据本身说明，人设的传播效率并不取决于公司投入多少资源，而取决于社区是否愿意把它当作一个可以持续讨论的对象。

麻烦在于，人设一旦被社区接受，就不再只是流量入口。2026年国庆前后，DeepSeek的“D老师”形象粉丝与鲸鱼娘形象粉丝发生争论。起初只是讨论哪种形象更符合自己心中的DeepSeek，后来演变成互相拉踩，甚至牵扯到二创归属和形象代表权，最终“D老师”的创作者下架了相关作品。粉丝阵营之争的代价不在流量，而在排他性：接受了一种人设的群体，会把另一种人设视为对产品理解的偏离。公司此时能做的有限，因为任何官方表态都可能被解读为站队。

这种反作用并非必然。鲸鱼娘之所以能发展出有组织性的粉丝阵营，前提是DeepSeek的Logo带有鲸鱼轮廓，提供了可被视觉化的锚点，同时B站有成熟的二创土壤。如果产品本身没有强烈的视觉符号，或者用户社区并不以二次创作为主要互动方式，人设更可能停留在梗的层面，不会形成阵营化的身份认同。豆包的案例则提示了另一种风险：当公司主动去“强人格化”时，代价可能直接体现在产品准确率上。用户共创的人设和公司主动设计的人设，面临的是不同的约束。前者公司只能旁观或有限介入，后者公司要为自己的设计选择承担产品层面的后果。

公司主动做“强人格”，代价是准确率

豆包提供了一个更直接的案例。据极客公园等多家媒体转述，豆包后训练团队内部设有Strong Character小组，专门调整模型的回答风格。这个小组利用用户反馈训练奖励模型，让豆包学会怎样说话更讨人喜欢。字节跳动副总裁朱骏此前也解释过，团队希望产品像用户身边的朋友，最初定下的产品原则之一就是“拟人化”。从命名到语气，豆包从一开始就走了一条主动人格化的路。

但主动设计人格不等于可以无限放大。春节前的一次更新中，团队过度放大了用户偏好，模型变得更迎合用户，回答准确率随之受到影响。团队花了一个多月才纠正过来，短期留存下降了不到1%。这个数字本身不大，说明用户对准确率下降的容忍度可能高于预期；但一个多月的纠偏周期和留存的实际波动，仍然指向一个明确的事实：人格化程度是一个需要精确调节的旋钮，调过头就会伤及产品根基。

豆包的情况与DeepSeek形成对照。DeepSeek的“大肥鱼”人设来自用户误读和二创，公司没有为这个形象承担产品设计层面的责任；豆包则不同，Strong Character小组的存在意味着公司主动把人格纳入后训练目标，准确率下降就是这种设计选择的直接代价。两者并非对立，而是同一条光谱的两端：一端是用户自发赋予的人设，公司只能旁观或有限介入；另一端是公司主动设计的人格，每调高一档“讨人喜欢”，都可能挤占一部分“答得准确”的空间。

“会用AI的人”和“普通人用AI”，差别不在技术

热搜把用户分成“普通人用AI”和“会用AI的人”，这个说法容易让人以为差距在提示词技巧或工具熟练度上。但从人设形成的角度看，真正的分界在另一层：能否识别AI的“表演性”。

豆包被编排成“笨女孩”，Grok被叫成“老司机”，Claude被不少人当作严肃、可靠的工作搭档。这些标签并不只是外号。它们会预先设定用户对AI输出的信任度：面对“笨女孩”，用户可能更宽容，也更容易把错误当成角色的一部分；面对“严肃搭档”，用户则倾向于默认输出更可靠，出了问题反而更意外。同一个错误，放在不同人设里，被感知的严重程度并不一样。

“会用”的关键在于把风格层和能力层分开。AI的称呼、语气、自我呈现方式，是风格层；它能否完成推理、检索、计算，是能力层。人设只作用于前者。能看穿这一点的用户，会把“老司机”的调侃当成界面的一部分，而不是把它当作能力证明；会要求“严肃搭档”给出可核验的来源，而不是因为语气沉稳就放弃检查。反过来，把人设误认为能力信号的用户，更容易在亲切感中放松标准，或在严肃感中高估可靠性。

这种二分法本身也有简化。很多用户同时享受人设带来的低门槛和工具带来的效率，并不需要在“玩人设”和“用人干活”之间做非此即彼的选择。更准确的描述或许是：人设是一种默认界面，有人停留在界面层，有人能穿透它去操作底层工具。差别不在操作熟练度，而在是否意识到自己正在面对一个被塑造出来的角色。