AI和dysto-utopian这个词放在一起时很多人第一反应是写一个“坏的未来”或者“好的未来”。我更愿意把它理解成一个重叠态同一个AI系统让早餐配送变快了也让一个普通人的行为数据被换算成信用分数同一个城市里有人觉得世界秩序井然有人正被规则挤压到边缘。这种“同时又好又坏”的叠加体验才是值得认真构建的世界观。这篇内容适合科幻写作者、概念设计师、游戏世界观策划也适合做AI产品方案的人。核心不是教你用AI一键生成设定而是讲清楚怎样在AI辅助下搭建一个有内部逻辑、能经得起追问、又不落俗套的dysto-utopian世界。先说结论AI可以做草稿生成、矛盾发现和文档整理但它不应该决定你的价值立场、叙事主题和人物处境。整个创作过程中人负责判断AI负责排列组合。1. 先理解“dysto-utopian”不是二选一而是叠加态1.1 乌托邦和反乌托邦并不是对立面很多人把“乌托邦”理解成美好的未来把“反乌托邦”理解成可怕的未来。但dysto-utopian要讲的不是两个极端而是两个方向同时存在的状态。一个设定可以既方便又压迫既治愈又控制既解放又剥夺。这在现实思考里并不陌生。一个城市使用AI调度公共交通整体通行时间缩短了这是好处但偏远线路可能因为“数据量不足”被削减班次这是代价。AI医疗诊断能覆盖更多偏远地区这是利好但资源有限时系统必须决定谁先看病、谁延后、谁被建议“居家观察”这就是代价。两件事不是先后发生而是同一套系统带来的两面。写这种世界比单纯写一个“算法统治人类”的故事更有余地。因为读者不会简单站队他们会开始问这个系统到底公不公平谁在维护它我能不能退出1.2 为什么AI题材特别容易滑向两极几乎所有和AI相关的讨论最初都会陷入两种模板一种是技术乐观派认为AI能解决效率、医疗、教育、交通问题另一种是悲观派认为AI会带来失业、偏见、监控和社会原子化。这两种模板本身没有错但直接拿来用会削弱故事的世界观。一个关键事实是现实中的AI系统并不是单一的、全知的“万能智能”而是不同机构、不同目标、不同数据条件下运行的软件系统。交通系统追求效率医疗系统追求公平税务系统追求合规教育系统追求统一标准。四个系统各自运行规则互相冲突用户要同时面对四套不同的边界。这个区分非常重要。如果AI在故事里是一个统一的意志世界观就会简化成“好人对抗AI”或者“AI拯救人类”。但如果你把AI拆成几十个系统每个系统都有自己的开发者、维护者、预算限制和失败模式那么场面会复杂得多也更接近真实。1.3 判断“混合”还是“拼贴”的三个问题我刚开始做这类设定时最容易犯的毛病是“缝合”。把赛博朋克霓虹、反乌托邦分数、技术乌托邦地标全塞进同一个城市表面上很丰富实际没有任何机制把它们连接起来。后来我习惯用三个问题来判断。第一这个设定能不能从同一个社会机制推导出来。如果AI调度效率提升同时导致部分岗位被压缩那这就是机制内部的因果。如果只是把霓虹灯、无人机、分数并排放在一起没有因果那就更像拼贴。第二受益者和付出代价的人是否重叠。最有张力的情况是同一个普通人既受益又受害。他享受AI推荐带来的便利又被推荐算法限制在信息范围里他认可系统节省时间又对数据流向感到不安。第三这个世界是否存在中间状态。如果所有人都是完美的受害者或者绝对的压迫者故事会脸谱化。真正可信的dysto-utopian世界应该充满观望者、妥协者、受益者和反对者。2. 用AI搭世界骨架先定问题再生成候选2.1 给世界找一个锚点问题开始正式创作前我一般会先在一张纸上写下一个问题这个世界最大的公共问题是什么不要写“AI太强了”这种大而空的描述要写具体问题。比如医疗资源分配权由AI算法承担老年人的记忆依靠AI辅助保存城市交通必须服从统一调度劳动岗位由自动化和人工混合完成。锚点问题最好只选一个。原因在于AI并不知道你真正想讨论什么它只会忠实地把输入里的所有线索揉进输出。如果你同时给它三个方向它就会输出一个混合体最后你很难判断世界观的逻辑到底由什么驱动。先选一个问题把一个世界的基本命题定下来再慢慢扩展。2.2 给AI的提示词骨架我常用的方式是给AI一个结构化任务而不是简单说“帮我写一个反乌托邦故事”。提示词需要包含背景区间、核心问题、输出格式、排除项。下面是一个示例不一定适合所有场景但可以作为起始参考请帮我生成一个虚构世界的初始设定。 背景近未来城市AI参与医疗资源分配。 核心问题在资源有限的情况下谁来决定治疗优先级 要求 1. 给出三种不同的社会制度选择 2. 每种制度写清楚受益者是谁代价承担者是谁普通人一天中的一个具体场景 3. 每种制度给出两个潜藏矛盾 4. 不要使用“全民监控”“统一分数”“黑暗地下反抗军”等常见模板 5. 排除赛博朋克风格的视觉关键词。为什么要写“排除项”因为AI的默认知识里塞满了大量反乌托邦模板。你不提排除项它会倾向于给出最熟悉的套装。排除项是让输出离开舒适区的关键。2.3 生成后的人工筛选标准AI生成候选之后不要直接挑一个最酷的而要做筛选。我筛选时会用四条标准。第一可解释。这个设定能不能用一两句话讲清楚如果必须解释三个自创术语才能成立说明它还在绕弯子。第二可验证。放置到具体场景时它能不能被观察到比如“算法决定优先级”在急诊室里可以怎样体现第三有代价。任何好处都要有对应代价不能只有单向福利。第四有张力。世界不能马上进入僵局也不能完全稳定要留有可被事件打破的缺口。遇到不符合标准的候选我不会直接删掉而是先问AI“这条设定的边界条件是什么”让AI补一轮说明。如果补完之后仍然抽象就放弃。这个过程看起来慢但能省掉后面改设定的很多时间。2.4 四张设定表每张都要写好处和代价我习惯把AI生成的素材整理成四张表技术表、制度表、资源表、日常表。以“AI医疗分诊系统”为例设定表核心设定带来的好处付出的代价可冲突的点技术表AI医疗分诊系统诊断效率提升偏远地区可远程初诊系统误判时缺乏申诉通道分诊结果由谁监督制度表治疗优先级由算法和医生共同确认减少人为插队算法规则不透明特殊病例无法套用规则资源表医疗算力按城市等级分配中心医院效率高边缘医院排队时间长算力跨区调度是否开放日常表居民通过手机端查看分诊建议便利减少等待信息焦虑老人和低数字技能人群被边缘建议出错时责任归属填写表格时有一个规则如果某一行填不出“代价”说明这个设定还是单向的需要继续追问。AI擅长提供“好处”一侧的内容但要把“代价”这一列补完整通常需要人带着现实感去追问。3. 破除同质化识别模板制造矛盾感3.1 AI生成的反乌托邦模板有哪些AI在描述“坏未来”时会重复使用一些常见设定。最典型的有四类。第一分数系统。所有人被评分分数低就失去机会。这个设定本身有张力但用多了会变成机械化的“淘汰游戏”。第二记忆删除。用手术或者程序抹掉痛苦记忆看起来解决了情绪问题实际容易变成为冲突而冲突。第三数字永生。一个人把意识上传到云端从此不再死亡。这个概念很吸引人但如果不讨论复制体权利、自我同一性和算力成本就只是一个术语。第四全知AI支配一切。一个无所不知的系统制定所有规则所有人物都在跟它对抗。问题在于系统越全知人物选择就越不重要。这不是说这些设定不能用而是不能用得太轻。我使用AI生成初稿时会有意标记“这个设定属于模板”先把模板识别出来再想能否注入新机制。比如分数系统如果被保留可以追问评分由什么数据构成数据是否可以申诉分数会不会被黑市交易一旦开始追问模板也能变得立体。3.2 用“代价与反例”检验设定我判断一个设定是否立得住一般会问四个问题。第一谁是受益者他们平时在哪、做什么、怎么感知到好处第二谁在付代价代价发生在哪个具体的日常场景不要写“自由被剥夺”这种口号要写“老人无法使用手机端申诉只能跑去人工窗口排三小时队”。第三系统到了边界会不会失灵比如AI医疗分诊在患者人数超出算力上限时会发生什么会不会自动选择更保守的路线第四有没有人反对、妥协或者利用规则反抗者不一定正义顺从者不一定愚蠢。这四条是压力测试的雏形。每写一个设定就配一个反例在什么情况下这个设定会制造不公平或者不稳定。没有反例的设定往往经不起推敲。3.3 把视角降到普通人的日常构建世界观时很容易关注大画面社会结构、技术架构、权力冲突。但真正让读者产生代入感的反而是普通人的一天。一个社区维修员可能依赖AI排班系统安排每天的工作也因为这个系统在周末被优先排班失去陪家人的时间。他认可AI急救调度让社区诊所更快但一次系统误判让他被扣除绩效且申诉流程极其漫长。他不是反抗军也不是系统拥护者他只是每天在便利和代价之间做选择。普通人视角的价值在于它不会让世界变成善恶分明的战场而会让设定落在具体的吃饭、工作、排队、缴费场景里。AI在这里不是宏大反派而是一整套已经融入日常的规则。这个规则有好处也有让人烦心的裂缝。3.4 在提示词里加排除项而不是只加形容词想让AI输出不那么像模板常见的错误做法是堆形容词比如“更黑暗、更复杂、更真实”。这些词对生成质量帮助不大。更有效的做法是给出排除项告诉AI不要用什么比告诉它“要更复杂”更能收敛方向。例如可以这样写不要使用分数系统 不要让主角通过发现世界真相然后立刻觉醒 不要出现地下的霓虹市场 不要用记忆删除作为关键情节。排除项写清楚之后AI必须绕过这些老路重新组合设定反而可能生成更有新意的结构。如果AI还是滑向模板就在输出里标记“这是模板”然后重新要求它提供一个不同版本的替代方案。4. 给世界做压力测试规则、一致性与排查链路4.1 硬边界决定冲突质量一个虚构世界要让人信服至少要有几条硬边界。硬边界指的是资源不无限、规则不万能、系统会出现例外。具体到AI题材常见的硬边界包括算力有限数据时效有限训练成本有限维修人力有限监管与执行之间存在延迟。这些边界看起来像限制实际上是在帮叙事积累冲突。如果AI可以立刻算完所有可能故事的很多决策会失去分量。如果AI算力不足系统就必须排队排队就会暴露优先级优先级就会引发争议。冲突不是从天上掉下来的而是从边界里长出来的。4.2 事件模拟测试我完成第一批设定后会做一次事件模拟测试。也就是把几个关键场景抛给设定看它能不能自洽回答。城市断电24小时哪个系统先瘫痪是交通调度、医疗分诊还是社区安防某个人拒绝AI给出的治疗建议会发生什么是默许、记录、提醒还是强制措施如果系统说“为了降低整体风险需要调取更多个人数据”哪些人会支持哪些人会反对一个边缘地区的数据延迟达到三小时患者会不会被系统遗漏这些问题不需要一开始全部写进正文但它们能检验世界观规则之间是否连通。如果每个问题都要临时补一条新规则说明规则是孤立的如果多数问题能从已有设定推导出答案说明骨架是完整的。4.3 人物视角测试另一种压力测试是人物视角测试。我会从同一个世界挑三个角色让AI分别生成他们的一天。比如一个城市管理者、一个外卖配送员、一个老人。三个人面对的是同一套AI系统但体验完全不一样。对比这些体验时要特别关注三个点。第一规则是否一致。同一个功能在不同人那里不能有不同的解释。第二信息是否对称。管理者能看到更多数据普通人只能看到结果这种落差就是故事张力。第三情感是否自然。不要让所有角色都同样恐惧AI也不要让所有人都崇拜AI。如果三个视角读起来像三个互不相关的世界通常说明世界观被人物带偏了。这时候要把共同的底层规则抽出来重新写一份设定摘要再回到人物细节里验证。4.4 设定不一致时怎么排查我遇到世界观读起来很别扭的情况一般会按这个顺序排查。先看视觉元素是否冲突。比如你既写了“灰暗的管制城市”又写了“色彩丰富的AI广告屏”它们不一定矛盾但要确认是否来自同一套社会机制。再看规则是否冲突。AI可以调用哪些数据、不能调用哪些数据前后要有统一边界。再看信息差。一个人物知道的内容和另一个人物知道的内容差异是否合理。如果所有人都拥有完全相同的信息会显得空如果信息差过大读者又会觉得角色在故意犯蠢。最后看目标冲突。人物的目标和世界规则是否匹配。如果一个人物的目标明显与系统相悖又没有给出理由世界观再完整也会被角色行为拉低可信度。5. 把设定转成故事从规则到情节的转化5.1 规则必须在具体场景里“落地”有了世界观设定之后最关键的一步是把规则翻译成情节。一个世界观设定不能只停留在文档里它必须在一个具体场景中被人感受到。比如“AI决定医疗优先级”这条规则可以转化成一个急诊室场景一个医生收到分诊结果他同意、怀疑还是反对如果医生反对他需要走什么程序能不能绕过系统他会不会承担风险这个场景不需要大场面但它能把抽象规则变成看得见的选择。我一般会要求AI先写出场景的“客观规则版本”再人工加入角色的具体处境。AI擅长描述规则人擅长判断这个规则在具体人物身上意味着什么。5.2 用“小选择”承载“大主题”不是每个情节都要推翻整个系统。更多时候一个小的选择就能让读者感受到世界的重量。比如主角是一个社区工作人员他是否替邻居老人提交一个更高的优先级申请如果提交他破坏了自己认可的公平规则如果不提交老人可能要等很久。这是一道典型的dysto-utopian选择题规则本身既不是完全正义也不是完全邪恶它只是在两个不完美结果之间做选择。这类小选择很难用AI自动生成因为AI理解的是逻辑不一定理解“代价”在人身上的具体感受。这时候作者要做的是把选项摆出来让AI提供可能的后果再人工选择最能让读者犹豫的那个。5.3 用AI生成场景变体但加“同一规则”约束设定转成情节时可以用AI生成不同的场景变体但需要加一个约束所有变体都来自同一条核心规则。否则画面会发散最后又变成拼贴。我常用的方式是给AI一个场景和一个约束让它生成多个变化。比如“系统给A患者更高优先级但A患者本人主动放弃了”或者“系统给A患者更高优先级但A患者不知道自己的优先级为什么这么高”。这些变体都会围绕“优先级规则”展开但落到不同人物关系里产生的情绪完全不同。人工要做的是评估每个变体的扩展性哪个变体能引出一连串新问题哪个变体只解决了一个瞬间冲突优先选择扩展性强的那个。5.4 打破“发现真相然后觉醒”的模板AI在生成情节时很容易滑向“主角发现秘密→觉醒→反抗”的经典结构。这个结构不是不能用