無所不能的大語言模型也講不明白電競報道？

（ from Betty）

書接上文，此前筆者曾在專欄《》中提到，自己用AI分析電競“二路解說”的過程，那是一個相對具體的應用案例。在這篇文章中，我更想整體談談 AI 在實際工作中的使用感受。

我在三個主要的工作場景中，會頻繁使用AI。

按照花費的時間長短，首先是撰寫專欄，在這個過程中會有選題、討論觀點、糾正錯別字的功能，我幾乎每天都要和AI對話，一起翻來覆去討論某個理論、某個觀點。

然后是整理過去一周的電競與游戲行業新聞并制作新聞周報，查漏補缺。

最后是偶爾翻譯來自各國的資訊和文件等。

在這三類工作中，從我個人感受到的準確度和對于AI工作的難易度來說，可以先從最基礎的翻譯說起。

我的工作以英譯中為主，百分之八十是準確的，但有些時候仍然很容易出錯。

首先是語序問題。AI在賽事名稱翻譯上經常不符合中文表達習慣。例如賽事Intel Extreme Masters Chengdu 2025，如果直接用AI翻譯，通常會得到“英特爾極限大師賽成都站2025”，但更符合中文語境的表達應該是“2025年IEM英特爾極限大師成都站”，即時間在前，賽事名稱與地點在后。

相比之下，在其他行業，例如建筑領域，翻譯則更加穩定。例如Pritzker Architecture Prize 2026通常會被準確翻譯為“2026年普利茲克建筑獎”。這背后的原因在于，建筑行業長期積累了大量統一且權威的中文語料。一方面，相關譯著數量充足；另一方面，像知名的建筑資訊網站如ArchDaily、gooood等平臺同時提供中英文版本，并由專業譯者持續維護統一表達。同一篇文章在不同平臺長期使用一致譯法，使得AI在學習時能夠獲得穩定、符合中文習慣的語料參考。

而電競行業缺乏統一的翻譯規范，甚至不同媒體之間也存在差異。這使得AI在翻譯時只能依賴直譯或高頻語境，從而產生偏差。

其次是名詞翻譯問題。最典型的例子是“player（選手）”，即使前后文在講電競比賽，但許多AI和翻譯軟件到今天還是會將其譯為“球員”。類似的情況還出現在俱樂部名稱上，例如EDward Gaming，在中文語境中我們直接稱其為“EDG”，但AI有時會逐詞翻譯，甚至出現“愛德華游戲”這樣的錯誤結果。

第二個問題出現在新聞檢索上無法完全信任AI。

直到今天，AI仍然存在更新速度慢、時效性不足的問題。尤其是在電競領域，常規賽每日進行大量對局，同時伴隨積分變化、選手轉會、陣容調整等動態更新，信息迭代極快。一旦公開文本更新滯后，AI就容易基于過時數據產生幻覺，輸出錯誤信息。

我猜測這是因為大量一手賽果信息最早以海報、短視頻或直播截圖的形式發布在微博、小紅書、抖音、B站等平臺，缺乏結構化的文本內容。AI更擅長處理文本，而在OCR或視頻轉錄方面能力仍有限，且實時性較差，這也進一步限制了其在電競新聞場景中的表現。

在時間理解上，AI同樣存在偏差。即使我明確限定“2026年4月1日至4月7日”的時間范圍，AI仍可能返回超出該區間的內容，說明其對“今天”“上周”等時間概念的實際對應并不穩定。

因此，在新聞檢索中，我更多是先通過人工渠道看到轉載新聞，確認大致發布時間，再讓AI幫助我追溯信源。例如，近期微軟宣布下調XGP價格，我會先提供相關文本，再要求AI查找最早的信息來源。通常情況下，AI能定位到最早發布該消息的海外社交媒體（如X平臺）原帖，而不是國內最早轉載的公眾號內容。

總體來看，AI更適合作為輔助，幫助我快速匯總已知事件的多方信息，或基于已有線索擴展信源。但對于快訊、賽事比分、價格調整等高時效內容，仍然不能完全依賴單一AI輸出。

第三個方面，是專欄寫作。

在我們的日常工作中，每周一都會召開選題會。幾位記者圍坐在一起，討論這一周各自想寫的題目。這是我最喜歡的環節之一，每個人拋出幾個選題，很快就會引出一連串延伸討論，氣氛往往十分熱烈。

遇到前輩們聊到不懂的問題，例如商業模式、工資帽、贊助結構等，很容易借助AI獲得參考。這些內容要么有現成案例，要么可以通過信息整理與邏輯推演得出結論，都是一些能算明白的賬。

但涉及到更深層的部分，例如道德判斷與人性經驗，情況就完全不同了。這類問題并不存在標準答案，也無法通過簡單的信息整合得出結論。它們往往需要在具體情境中反復經歷，通過時間與經驗慢慢形成理解。這恰恰也是記者職業中不可替代的一部分。尤其是寫人物的專欄，一個人是什么性格，他說的話是模板、客套話還是真心話，都需要反復看采訪視頻，結合當時那個選手的實際情況去判斷。

因此，在寫作說明性、信息性的內容時，AI是一個高效且可靠的工具；但一旦進入情感與判斷層面，它就顯得力不從心。那些復雜、微妙甚至帶有矛盾的情緒，并不是通過喂給AI許多文本就可以被理解的。

上一篇文章的結尾，我曾寫到，AI讓我們得以用新的方式，去完成那些原本熟悉的工作。但在實際使用的過程中，我反而更強烈地意識到另一件事：經驗的積累、對經驗的總結以及保留對現實世界的感受力，變得更加重要。

AI可以處理已經被表達出來的內容，卻無法理解那些沒有說出口的部分。例如在選手采訪時的那些停頓、猶豫，甚至是沒說出口的后半句話，往往才是真正的重要所在。而那些，只能由人去經歷、去判斷，也只能由人來書寫。

你給 AI工具們的電競新聞搜集能力打幾分？

（ from Nicole）

大家每天都被各種和AI有關的信息填滿，有驚喜，也有驚嚇。但更多時候，我們面對的其實是一個更具體的問題，如何與大語言模型這樣的工具相處。

AI當然有很多用處，而且它的用處還在不斷變多。但今天我只想聊聊其中一個最常見的場景，搜索。

對于日常關注電競內容的讀者來說，你們有沒有用過ChatGPT、Gemini、DeepSeek、豆包這類工具，去搜集過電競熱點、新聞或者社區正在討論的話題？

在AI似乎已經比傳統搜索引擎更擅長整合信息的今天，它在電競新聞搜索上的表現，真的有想象中那么好用嗎？

作為電競行業的從業者，我想結合近一年使用AI搜集電競信息的經歷，聊一聊自己的真實感受。

首先，過去一年中，我使用AI工具搜集電競新聞時最直觀的感受是，如果說生物之間存在“生殖隔離”，那么AI在信息來源層面，也存在某種類似的“信源隔離”。

以ChatGPT和DeepSeek為例，前者整體更偏向英文語料，后者則更依賴中文語料。如果用戶沒有明確限定信息來源或社區范圍，模型通常會優先調用其更熟悉的默認語料體系。

這就會出現一種很有意思的情況。

整體信息整合能力更強的ChatGPT，在第一手搜集我給出的中文電競內容指令時，未必比DeepSeek更好用。而DeepSeek在整理海外賽區、外網社區或英文語境下的電競內容時，也往往不如ChatGPT穩定。

換句話說，AI的能力并不只取決于模型本身有多強，也取決于它能接觸到什么信源，以及它是否真正理解這些信源背后的社區語境。對于電競這種高度依賴語境的內容來說，信源偏差往往會直接影響它對事件的判斷。

其次，無論是哪一款生成式AI工具，在搜集電競新聞時，時效性普遍都不算好，并且越是近期的新聞，準確度往往越不穩定。

我曾詢問過ChatGPT和DeepSeek，它們通常會參考哪些信源。無論是GPT還是DeepSeek，它們都更關注官方渠道和傳統媒體新聞，并傾向于將這些內容視為權威信息來源。

放在傳統行業里這樣的邏輯當然沒問題。官方公告、權威媒體、行業報告，往往是更可靠的信息來源，但電競新聞的傳播路徑很多時候并不是這樣。

無論是轉會消息，還是選手狀態、隊內變動、賽事規則調整，很多信息往往都是先從社區小道消息、粉絲討論、主播直播切片，甚至選手本人一些看似無意的表達中流出。經過一段時間的發酵、交叉驗證和二次傳播后，才可能由俱樂部、賽事方或官方渠道正式確認。

這就導致AI很容易錯過電競新聞真正發生的第一現場。

等到一件事已經被官方確認或者被傳統媒體寫成新聞稿時，它當然可以進行總結。但對很多電競讀者來說，真正有價值的部分往往發生在這之前。

尤其是電競熱點的生命周期通常很短。一個轉會傳聞、一次賽后爭議、一條選手回復，可能當天晚上還在全網討論，第二天就已經換了新的話題。AI如果無法及時進入這些討論現場，就很容易在熱點已經轉向之后，才給出一份看似完整但已經過時的整理。

更重要的是，它們給出的觀點往往也不夠深入。

很多時候，AI會從行業、內容、雙方立場等角度說一套看似完整但并不鋒利的話。對于一個熱點事件的分析，也常常落回到一些老生常談的表達。

比如我問ChatGPT怎么看待上周ZmjjKK回復粉絲的事情，ChatGPT的回答是：

“我覺得這件事本身不算負面爭議，更像是ZmjjKK從‘頂級電競選手’走向‘公眾人物’的一個信號。他認真回復粉絲，展現了真誠、脆弱和反思的一面，確實能拉近和粉絲的距離，也能強化個人影響力；但同時，這種互動也會讓選手被更多情緒化解讀和消費，職業選手與偶像之間的邊界會變得更模糊。說到底，這件事反映的不是他一個人的變化，而是電競行業正在從純競技敘事，走向更強的粉絲關系和人物敘事。”

DeepSeek的回答是：

“ZmjjKK近期在抖音回復粉絲的一系列行為，展現了一個有血有肉、極具個人魅力的年輕電競冠軍形象。他能用真誠溫暖粉絲，也能用詞鋒回應惡意，更能在日常交流中展現巧思與睿智，充滿了活力和感染力。這些互動也描繪出新一代電競明星在賽場之外的另一種光彩，其魅力早已超越了單純的‘電競高手’身份。”

這些回答當然是“行業化”的，也并非完全沒有道理。但對于真正關注這件事的讀者來說，它們又是某種意義上的無效信息，因為這些判斷幾乎都是已知的。

作為對比，我看到這件事時第一個會想到的問題是：為什么VCT觀眾對于ZmjjKK回復粉絲，和SiuFatBB回復粉絲，會有如此不一樣的態度？

當我和主編討論這件事時，他首先注意到的是：為什么康康回復粉絲時不打標點符號，只按空格？

這些角度未必一定比AI更宏大，但它們更貼近電競，也更接近讀者真正會感興趣的地方。

所以我使用AI時說得最多的一句話是：“能不能給我一個更新鮮的觀點？”

但大多數時候看完它的回答，又讓我覺得，要不還是自己再動腦子想想吧。

于是談到今天的話題，我問AI：如果把搜集電競新聞的能力和搜集其他行業新聞的能力做對比，你覺得自己處在什么樣的水平？

ChatGPT給我的回答是：

“如果和其他行業相比，我會把自己對電競新聞或熱點的搜集能力放在一個中上水平到較強水平，但不是所有電競細分領域都一樣強。”

DeepSeek給我的回答是：

“如果用0到10分來打分，我認為自己在電競新聞搜集能力上是8分，而在大多數其他傳統行業新聞，如金融、科技、時政上是6到7分。”

很抱歉，AI們的自我認知，和我的真實使用感受之間，似乎還有一些差距。

而這種差距或許會因為電競目前還沒有形成足夠成熟、穩定、系統化的知識體系，而繼續存在相當長一段時間。

也正因如此，反而更讓我感受到了在當下的電競行業里深度報道和新聞評論媒體存在的意義。

當我沒辦法從AI工具中看到一些靈魂的迸發時，我依然能在同事們的討論中，在同行們的文章中，甚至在電競觀眾的評論區里，讀到那些更有意思的觀察。

AI可以整理信息，也可以提供背景，但它很難真正替代人，尤其是那些長期身處現場的人。

而這些來自編輯部、從業者、同行作者和玩家社區里的觀察，卻可能是電競內容中更具有生命力的部分。