贝多芬和 AI：谁在说话？
隔了好几个月没有发文章了，完全是因为最近这几个月一直在忙碌项目研究。这几个月做了一个 workshop 并且进行了一些后续跟进的采访，一直到现在还在忙碌项目里的一个软件开发，今天就腾出点时间完成 Udio系列的最后一篇文章。
现在AI 生成的音乐越来越像一首完整的歌了。它可以有前奏，有副歌，有铺垫，有爆发。它可以听起来很丰富，弦乐铺开，鼓点推进，人声进入，情绪也能被做得很满。
但其实很多情况下，Suno或者Udio这种工具生成的音乐会给我们的听感留下一个很奇怪的空位。这段音乐好像什么都有，但是拼在一起就像一个木偶，外表的装饰再华丽，内部也都是中空的木质结构和吊绳。这篇通过：人类创作音乐的意图性、AI为什么不能理解乐理知识和AI创作思路与DAW思维这三个方向，讨论到底是什么导致了这个“空位感”。
复杂性不等于意图性
贝多芬交响曲的伟大，不只是声部立体，也不只是和声严谨，这些当然重要。弦乐怎么推进，铜管什么时候进入，主题怎么发展，紧张感怎么积累，都是音乐内部真实存在的复杂结构。
设想一下有一个模型允许用户用语言或者其他渠道，把一首交响乐所有的配器、曲式和声的规则步骤都输入进去，并且假设模型也能读懂你说的一切，这样生成出来的音乐就会是命运交响曲吗？
或者换句话说，生成出来的作品就能用短促的动机敲击我们的灵魂吗？
我们想象不出还没有出现发生的事物，也不能凭空想象就解决掉这个问题，但是我们可以思考这背后的原因。命运交响曲是贝多芬最为熟知的作品之一，他的音乐都是来源于他并不顺利的一生和病痛交加的身体。这才造就了这位伟大作曲家作品中那些厚重的宿命感和直击灵魂的触动。
贝多芬的音乐里，每一个声部背后都像有人的意志。它不是单纯把声音堆得复杂，而是在做取舍。田园的放松愉悦，命运的痛苦挣扎，月光的忧郁寂静。是作曲家的情感决定了音乐在哪里选择询问，在哪里选择回答；在哪里选择不解决，在哪里选择终于落地。
这里就涉及到复杂性和意图性的区别：
复杂性是“东西很多”。
意图性是“为什么这样”。
AI 生成的音乐即使听起来丰富，也更接近一种统计意义上的合理。它知道在某类风格里，弦乐、鼓点、人声、和声大概会怎样一起出现。它能做出很多听起来成立的结果。
我项目的软件开发也让我看到了一些其中的端倪。一开始coding出来的作品从头到尾都是八分音符连续不间断的旋律，没有任何的节奏韵律感或者休止符。听完仅仅八个小节就感觉有人把我的头按进水里一样呼吸不上来。一问才知道，AI会把我们认为的音符时值识别为0.5/0.75。AI只思考如何用0.5和0.75除尽这个4（一小节4拍），而不是这里是一个rest，要给听众一些听觉上的放松，或者这里是一个情绪点，需要更多的激情点燃听众的内心。
所以，在目前的AI音乐生成工具的使用中，“成立”和“有话要说”之间确实还有一段距离。未来如何消除这段距离，还需要一个新的思路。
AI 可以背下属七和弦，但它没有身体
相信很多专业学音乐的人在使用Suno或者Udio的时候都想要在提示词里添加一些专业的音乐名词，企图让工具更好地理解自己的设计，比如属七和弦。
属七和弦常常带着一种想要解决的紧张感，在听感上趋向主和弦的回归。放在调性音乐里，这就像一句话停在半空，后面还欠着一个落点。
回忆一下我们还是学生的时候学这个东西时，不只是背下那个和弦的音程关系，我们能直接听到那个紧张感。在琴键上按下这几个音，会感到手指、耳朵、身体一起参与了这个经验。老师说“这里要解决”，我们听见了解决前后的差别，也在身体里记住了那种悬着又落下来的感觉。
AI 处理的不是这种经验。它处理的是数值、概率、音频特征、上下文关系。它可以在大量音乐里学到某类和弦后面经常接什么，某类风格里某种张力如何出现。它甚至可以生成听起来很像“紧张然后解决”的片段。
但AI在物理世界没有身体和器官，没有手指按下琴键时的阻力，没有耳朵第一次听到解决时的放松，也没有人在漫长训练里形成的那种心理阈值和内在期待。
具身认知（Embodied Cognition）强调：真正的理解，往往不是只在脑子里完成的，身体也在参与理解，音乐尤其如此。节奏不是抽象数字，它会牵动呼吸和步伐。和声不是静态标签，它会在时间里制造期待。声音不是一串信息，它会进入身体。AI 可以模拟这种结果，但它并没有经历这种结果，这是AI的边界。
如果你看过我公众号之前讲过的《为什么AI会写诗，但不知道车没油了要开车去加油？》的文章就会知道，很多人都在不同的领域尝试让AI突破边界界限，让AI彻底走进物理世界。在现在AI发展如此快的环境下，相信有一天会有人思考并实现如何让AI真正“听到”音乐。
或许 DAW 思维也可能是一种局限？
我们评价 AI 音乐时，经常会默认一套 DAW 思维。
DAW 是数字音频工作站，也就是 Logic、Ableton Live、Cubase 这类音乐制作软件背后的工作方式。它把音乐拆成轨道、片段、声部、插件、自动化曲线。现代音乐制作很大程度上就是在这种界面里完成的。创作者的注意力也就很自然地落在这些控制点上：人声轨的位置，鼓轨的处理，贝斯的单独调整，和声的重写，前奏的替换。
AI 在做的可能是另一件事：绕过这些轨道，从语义描述直接跳到听觉体验。它不一定先经过轨道、声部、工程文件、混音决策这些传统步骤，而是把一句描述变成一段最终听感。
这是与 DAW 完全不同的思路。AI跟我们不一样，对我们直观的东西对于AI来说或许是复杂的。就像AI更擅长阅读Markdown文档一样，Word文档在我们看来直白清晰的字体高光加粗，在AI眼里可能是一大串乱七八糟的代码，消耗了大量的上下文token才读明白：“原来用户只是加粗了一下这个标题啊...“。所以用 DAW 的标准来评价 AI 生成音乐，有时候像是在用一套工具的逻辑去衡量另一套创作路径。两者之间的错位，可能比想象中更深。
AI 音乐生成可能正在把“创作过程”这件事重新折叠。过去我们习惯看到中间步骤，看到轨道，看到编辑痕迹。现在很多步骤被压进模型内部，只留下输入和输出。
未来的发展
所以，未来最可能出现的形态，不是 DAW 消失，也不是 AI 完全取代人。DAW 还会存在，专业制作仍然需要精细编辑、混音控制、声部管理和工程交付。AI 也会继续变强，承担更多从想法到声音的实现过程。
AI生成音乐或许会变成一种对话式引导。 AI 会主动问你问题，它会把你的模糊意图拆开：这里想要压迫感还是悲伤感；副歌要爆发还是克制；人声要靠近还是保持距离；结尾要解决还是悬着。
如果再向更远的未来畅想，或许会有模仿人类听音乐分析音乐的实体机器人？或许有能听懂乐理知识的模型？或许有新的模型思路让普通人的创作想法也能一比一被AI理解，最后创作出自己真正想要的音乐？或许还有我们现在想也想不到的新东西出现。
别急，AI生成音乐是人工智能下的发展领域之一，从Suno的出现到现在也只有3年左右。在AI指数级的发展速度下，一定会有更多更新的思路来解决我们现在遇到的各种问题。对于很多专业或非专业爱好者来说，我们只要不脱离这个领域，保持兴趣，不断尝试使用最新的技术并给出反馈和思考，一定会产生更多符合更多复杂需求的模型产品供我们使用体验。
参考文献
- Marc Leman.《Embodied Music Cognition and Mediation Technology》. MIT Press
- Embodied music cognition. Wikipedia
- Social implications arise in embodied music cognition research. PMC / NCBI
- 属七和弦. 平均律维基
- 本章涉及的乐理知识（属七和弦与解决倾向）. 三联生活周刊
- 数字音频工作站（Digital Audio Workstation）. 维基百科
- 数字音频工作站（DAW）将走向何方？ Midifan
- Universal Music Group and Udio Announce Udio's First Strategic Agreements for New Licensed AI Music Creation Platform. PR Newswire
- AI Music Settlement: Why Universal Music Group is Teaming with Udio. Rolling Stone
- Udio AI Music Generator: 2026 Review, Tutorial & Legal Update. Black Player Music
- AI 音乐版权之困：技术革新与制度演进. 中国社会科学网
- Perception of AI-Generated Music: The Role of Composer Identity and Perceived Humanness. arXiv
- Creativity in AI: Progresses and Challenges. arXiv
- Suno 不会取代人类音乐，但 AIGC 重构内容产业已成必然. 澎湃新闻
- AI Music and the Future of Creativity. Soundverse
相关案例
诗成曲不走统计生成的路子，而是把诗里的修辞格按确定性规则映射成音乐结构——上文说的「为什么这样」，在这里是可以逐条追溯的：
