分类： AI资讯

Fender 现任 CEO 爱德华·“巴德”·科尔（Edward “Bud” Cole）今年五月接受过英国媒体 T3 的一次采访，主题是 Telecaster 诞生七十五周年。采访里他顺带聊了几句 AI 和音乐，当时基本没激起水花。最近这段话被人翻了出来，在吉他玩家的圈子里迅速传开，然后炸了。

时机是这件事最要命的地方。就在不久前，Fender 刚给一批独立琴匠寄了律师函，主张自己对 Stratocaster 的琴身轮廓拥有版权，等于把整个手工吉他社群得罪了个遍。几位有影响力的吉他类 YouTuber 已经公开表态，以后不再买 Fender 的东西。风口浪尖上，老板这番关于 AI 的言论被挖出来，效果可想而知。

“翻唱一直是某种模拟版 AI”

科尔的基本立场是：AI 在音乐里根本不是新鲜事。他说，“我觉得只要有录制音乐存在，AI 就存在了。”在他看来，学吉他的第一道门槛是时间成本，第二道门槛是写歌，而 AI 能在第二道门槛上帮上忙。

“我其实认为，翻唱音乐长久以来就是一种模拟版的 AI。”——Fender CEO 巴德·科尔

他的意思是，还写不出自己的歌的人，可以先去弹偶像的作品。他拿自己举例：当年听 R.E.M.、U2、The Smiths、The Cure 听到腻，就想自己弹出来，于是学了吉他。这段本身没什么毛病，问题出在他接下来把这套逻辑推到了哪儿。

连乐队队友也被算成了“模拟 AI”

科尔说，刚开始尝试写歌的人还能依靠第二种“模拟版 AI”——你的乐队队友。你手里可能只有一段副歌或者一个 riff，鼓手和贝斯手往上加点东西，一首歌就成型了。而在他看来，AI 也能扮演这个角色。

“我真的认为，我们正处在一个临界点上，可以把人从翻来覆去弹那几首老翻唱里解放出来，让他们真正进入那种和乐队一起干活的状态。”

把人类队友和聊天机器人放在同一个功能位上，这句话让不少乐手直接破防。The Verge 的记者 Terrence O’Brien 写得很直接：如果你当面告诉自己的鼓手，他跟一个 AI 模型没什么区别，对方生气是完全合理的。

这套类比站不住的三个地方

把“人学翻唱”和“模型吃版权音乐”划等号，听上去顺，细想漏洞很大。

• 量级根本不是一回事。没有任何一个人能学完一个生成式音乐模型的训练集。以 Suno 为例，外界估计其训练素材是以百万首计的，这跟一个青少年翻弹几十首歌不属于同一种行为。
• 它抹掉了创作里成千上万个细小决定。写歌过程中，有的选择来自情绪反应，有的来自将错就错的意外，有的干脆是为了绕开自己的技术短板。这些决定加起来才构成一个人的辨识度，而不是一次 prompt 加一张数据点网络的输出。
• 身体性没法复制。被称作 Samurai Guitarist 的 Steve Onotera 提到一个细节：演奏者的身体条件，以及人必然会犯的那些微小失误，让任何人都无法完美复刻别人的演奏。恰恰是这种偶然性，大模型给不出来。

队友的例子同理。人身上带着自己那份独一无二的“训练数据”，那是人生经历、肌肉记忆和技术局限的混合物。你那个在大学修过爵士编曲、挑剔到不行的贝斯手，有品味也有直觉，这两样东西聊天机器人目前都拿不出来。

“跨过鸿沟成为写歌大师”，问题是谁在跨

采访后半段，科尔还说了一句更大的：“我相信 AI 会催生出一整代使用它的吉他手，帮他们连接其他音乐人、变得更高产，并跨过那道鸿沟，从写歌的学生变成写歌的大师。”

越来越多的研究指向相反的方向：过度依赖 AI 工具正在造成能力退化。让 AI 帮你想一个押韵、给一个形容疼痛的比喻，跟你自己反复练习写歌不是一码事。AI 没在婚礼当天被人放过鸽子，也没为一段前副歌的过渡熬到凌晨三点。写歌这件事，重复才是核心——行业里流传的说法是，你得先写一百首（或者一千首，或者一万首）烂歌，才可能写出一首好的。跨过那道鸿沟的过程本身，就是把烂歌一首一首写完。

真正刺眼的是那层双标

抛开 AI 的技术争论不谈，这件事在吉他社群引爆的更深层原因，是一种前后矛盾的姿态：公司这边正拿着 Stratocaster 的琴身轮廓去主张知识产权，追着小作坊琴匠发律师函；老板那边却把音乐人的作品轻描淡写成“可以被学习的素材”，还顺手把这套逻辑安到了生成模型头上。

Fender 至今没有对置评请求作出回应。对一家靠乐手信任吃饭七十五年的公司来说，这种沉默的代价可能比一次公关道歉更贵。

---

Fenix Flexin 这个名字，过去主要和洛杉矶说唱二人组 Shoreline Mafia 绑在一起。最近他单飞的一首《Rubberz》冲上了 Billboard Hot 100 第58名，算是个人生涯的高光时刻。可歌一红，质疑立刻跟着来了——不少人认为这首歌大部分、甚至整首都是AI生成的。Fenix 否认了指控，但除了否认，他几乎没拿出什么能打消疑虑的东西。

先说哪部分不算证据

怀疑的起点是风格上的急转弯。Fenix 以前做的是带 trap 味道的西海岸说唱，《Rubberz》却是一股浓浓的80年代英伦合成器流行味，主旋律的唱法明显冲着 Morrissey 去，他甚至装了个英国口音。可这条其实站不住脚——歌手当然有权换风格、做实验，光凭这一点什么都说明不了。

破绽藏在声音的毛边里

真正扎眼的是录音本身的质感。仔细听会冒出一堆AI生成音乐里常见的瑕疵：hi-hat 脆得发干，副歌的和声像被压过的低码率MP3，混响的尾巴还会被生生切断。

《Switched on Pop》播客主持人、词曲作者 Charlie Harding 向 The Verge 拆得更细。

“幽灵一样的和声忽进忽出，鼓的混响里全是不自然的数字杂讯，让人想起当年从 Napster 上下载的64kbps MP3。因为大多数生成式AI公司都是拿未经授权的低质量MP3训练模型的，所以我们能听出乐器声是被明显劣化过的。”

这个解释挺有意思：训练素材本身的音质缺陷，最后原样烙进了生成结果里。

检测工具帮不上忙，周边材料却露了馅

作者把这首歌喂进五个AI音乐检测工具，结果都只给出20%到30%的AI概率，谁也没敢下结论。这类工具的可靠性本来就有限，迭代速度又远远追不上生成模型，指望它们断案并不现实。

但周边的材料就没这么客气了。单曲封面和那条庆祝上榜的社交帖，被多个图像检测器判定为AI生成，置信度超过97%。歌词丢进几个文本检测器和 Gemini，答案也一致。制作人、YouTuber Curtiss King 把歌词扔给 Claude，同样被标出多处AI特征。

歌词本身的问题更直白。押韵干净整齐得不像一个混了这么多年的说唱歌手写出来的——没有半谐音，没有内韵，整首都是规规矩矩的 AA、BB。为了押上韵，意思就顾不上了：前面还在说沉船，这个意象抛出来之后就再也没出现过；副歌单看每一行都通顺，拼到一起却不知所云。

现场是最难圆的一环

第三段主歌像是没说完就停在了“Not the jewelry”上。Harding 的评价是“完全没有 flow”。他还专门挑了标题那句 “I just let the rubber band snap”：任何一个稍微像样的说唱歌手都不会这么唱，切分怪异，重音全落在错的音节上。一堆音节挤在一起，把 the 顶到了强拍位置，rubber 反倒弱了下去，后面所有音节的重音跟着连锁错位。

几次录影棚亮相就更尴尬。头两回基本是在别扭地对口型，有时候他会被自己歌里那个拗口的 flow 绊住，像是记不清词。等他真开口唱，问题彻底藏不住——录音里的音域和口音他复现不了，很多现场片段干脆把原声铺在他的声音上，他本人的人声压得极低。DJ 试着短暂掐掉伴奏来证明是真唱，结果适得其反。

Fenix 的说法是，录音版和现场的差距来自人声处理，比如 AutoTune。Harding、King 和乐评人 Anthony Fantano 都不接受这个解释。King 打了个比方：AutoTune 更像拼写检查，可以往极端里调出机械音色，但它的本职是修错音，不可能凭空给你拓宽音域，更不会给你加一个英国口音。

---

最反直觉的一条辩护：它太差了

有意思的是，Harding 认为这首歌最像“真人作品”的地方，恰恰是它做得不好。

“我会以为这是一个从没写过歌的人，拿80年代的儿童练习键盘弄出来的。”

如果它真是AI生成的，用的显然也是相当差的模型。Harding 更在意的是另一件事：更成熟的模型早就把这些能听出来的瑕疵和别扭的节奏修掉了，而听众居然还觉得这种水平的东西有意思。

Fenix 后来晒了几段所谓 Pro Tools 工程文件的画面，但这证明不了什么。除非他公开原始录音和完整工程，AI 的帽子大概率会一直扣着——而这件事看起来不太可能发生。

更让人不安的是举证责任变了

这场争论最麻烦的地方，不在于《Rubberz》到底是不是AI做的，而在于“自证清白”现在已经没有便宜的办法。以前一首歌火了，没人会要求你出示工程文件；如今只要风格一变、混音一糙，举证责任就掉到了创作者头上。检测工具靠不住，听感上的破绽又会被下一代模型抹平，等到那些毛边全部消失的那天，争论会从“能不能听出来”变成“根本没法证明”。

而榜单照常在转。第58名那个位置，并不关心这首歌是谁做的。

• 《Rubberz》登上 Billboard Hot 100 第58名，风格从西海岸说唱急转80年代英伦合成器流行
• 五个AI音乐检测器只给出20%-30%的AI概率，但封面与社交帖被判定97%以上为AI生成
• 混响硬切、和声忽隐忽现、乐器声劣化，被指是低码率MP3训练素材留下的痕迹
• 现场对口型、音域与口音无法复现，AutoTune 的解释未被业内认可

如果你最近打算换手机、加内存条或者买显卡，可能得做好心理准备：这轮涨价短期内不会结束，而且还要更贵。

三星在二季度财报电话会上给出了一个相当悲观的时间表：眼下的内存芯片短缺不但会延续到明年，2027 年还会进一步加剧，供应紧张的局面至少要持续到 2028 年。说这话的分量不轻——三星自己就供应着全球大约三分之一的内存芯片。

AI 实验室开始直接把未来几年的需求交给三星

三星在会上透露了一个此前不太常见的细节：那些急着抢内存资源的前沿 AI 实验室，已经在直接向三星“共享它们的中长期需求预测”，目的就是提前锁定未来的供货。

需求太旺，让三星可以优先照顾那些愿意签长期合同的客户。多年期的能见度意味着它可以放心装设备、拉产能，不必担心需求突然消失。

这一点比涨价本身更有意思。内存一直是典型的周期性行业，涨一波、扩一波产、然后崩一波，几十年来都是这个节奏。现在下游客户主动把几年后的用量报上来换供货优先级，等于把这门生意从“赌行情”变成了“接订单”。三星显然乐意接受这种转变。

芯片部门创纪录，手机部门被自家芯片吃掉利润

涨价对三星来说是把双刃剑。二季度半导体业务销售额创下历史新高，但手机和电视部门的盈利能力反而缩水了——因为它们要用更贵的元器件。

三星的应对是把成本往下游传：Galaxy 手机和平板已经提价。代价也很直接，这些设备的需求随之下滑。左手挣的钱，右手在赔。

“RAMaggedon”正在给整条消费电子链条加价

这轮短缺被业内戏称为 RAMaggedon（RAM 版世界末日），受影响的远不止三星自己。

• 苹果上个月上调了 MacBook、Mac 和 iPad 的价格，iPhone 暂时没动；最新一季财报会上，苹果把下季营收同比增速的预期下调到 9% 到 11%，而此前几个季度是 16%。
• 英伟达的消费级显卡预计要涨 20% 到 30%，这会顺着链条传导到游戏本、台式机、主机等一大批产品。
• 存储厂商正在把产能从消费电子挪向 AI 数据中心，这才是价格上行的真正源头。

---

这不是短缺，是一场重新分配

把这些拼在一起看，“缺货”其实是个不太准确的说法。晶圆产能没有凭空蒸发，它只是被挪到了利润更高的地方。数据中心愿意为 HBM 和高端内存付出的价格，消费电子厂商跟不上，于是普通消费者手里的产品自然被排到了后面。

换个角度说，AI 基建的账单正在以一种非常间接的方式，摊到每一个买电脑、买手机、买显卡的人头上。你并没有为哪个大模型付费，但你多花的那几百块，确实流向了同一条产业链。

还有一个值得留意的风险：长期合同锁产能，前提是 AI 需求真的能兑现到 2028 年。三星现在按客户报上来的预测去扩产能，如果哪天这些实验室的融资节奏或者算力规划出现变化，那批设备就会在最不该的时候一起转起来。周期性行业最惨的不是缺货，是缺完之后一起过剩。眼下没人愿意讨论这一段，但它一直在时间表的另一头等着。