很多朋友会让 AI 帮忙起名。刚开始看，十个名字各不相同，好像一下子多了很多选择；看着看着，却会觉得怎么总是同一批名字：不是“汐、涵、清、沁”，就是“昕、晴、彤、熙”。完整名字一直在换，熟悉的字和味道却没有怎么变。
这不一定是 AI 完全没有听懂要求。很多时候，是我们给它的要求本来就很接近。
如果只提供出生日期，再说一句“结合五行、清雅、好听”，AI 能抓住的差异其实很有限。它很容易先落到某个五行方向，再围绕这个方向寻找一批含义正向、容易解释的字。要求没有拉开，选字自然也很难拉开。
为什么总会看到同一批字
偏水的方向里，AI 经常使用“汐、涵、泓、清、沁、澜”；偏火的方向里，常见的是“昕、晴、彤、熙”；到了金相关的方向，又容易出现“钰、瑶、瑜”。
这些字本身没有问题。“涵”可以让人想到涵养，“清”有清澈、清朗的感觉，“昕”带着天色将明的意味。它们意思好懂，画面也清楚，用在名字里很容易说出一段听起来合理的解释。
可一旦每次都从这些字里选，变化就主要发生在组合上。上一轮是“汐”配“瑶”，下一轮换成“涵”配“钰”；名字没有原样重复，读起来却还是像从同一片水光、晨色和玉石里取出来的。
我们实际测了一次，结果很直观
圆桌起名的 AI 起名研究测试了 Qwen、GPT、Grok 三个模型，用“林”和“欧阳”两个姓氏，再分别设置水金、水木、水火、木火、火土、土金、金水七组条件。每组连续生成 10 轮，每轮 10 个名字，总共得到 4200 个推荐名。
把不同条件下的名字放在一起比较，完整双字名的平均重合程度只有 0.12%—0.67%。换句话说，条件变了以后，AI 确实会换名字，所以不能说它完全不看要求。
但把名字拆成单字以后，平均重合程度上升到了 11.28%—16.61%。有一个例子尤其直观：GPT 给林姓分别按“水金”和“金水”两个条件起名，完整名字一个都没有重复；可把名字拆开，两组用字的重合程度达到了 43.28%。
这就是那种“明明都不一样，又好像都差不多”的来源：AI 换了完整名字，却没有完全离开原来的元素字池。
当然，这次实验只测了三个模型、两个姓氏、女性双字名和七组指定条件。它能告诉我们这些模型当时怎样选字，不能证明某个字客观上一定属于哪种五行，也不能代表所有 AI 起名结果。
想让名字不一样，先让要求不一样
看到结果太像，很多人的第一反应是让 AI“再来十个”。可如果要求没有变化，新一轮很可能仍是在同一批字里换位置。
比起继续增加数量，不如把需求再往前说一步：
- 不只说“清雅”，还要说明是安静克制、明朗舒展，还是温和但有力量；
- 直接列出不想再看到的字、偏旁和常见意象；
- 补充方言、连姓读感、家人名字和必须避开的谐音；
- 喜欢清润感，也可以明确不要三点水字；喜欢明亮感，也不一定非要继续写晨曦和晴日。
要求有了真正的差异，AI 才有理由离开原来的字池。拿到新结果后，再把名字拆成单字去重，连着姓氏多读几遍，也要看看所谓独特是不是只靠难认、难写的生僻字换来的。
同样的需求，也可以从不同角度思考
一个名字不只有五行。读起来顺不顺，字形是否协调，含义能不能经得住解释，出处是否可靠，日常称呼是否自然，家里人是否接受，都会改变最后的选择。
这也是圆桌起名让多位 AI 起名老师协作的价值。同一份出生信息和家庭需求，不同老师会分别从八字五行、音形义、文化出处、自然意象、日常使用和重名情况等角度展开，再根据反馈继续比较和调整。这样做不是单纯多给几个名字，而是让几套方案从不同的地方出发。
圆桌起名还会对重复名字做程序级过滤。在同一宝宝的连续多轮起名中，系统会把此前推荐过的完整姓名加入回避名单；新候选生成以后，只要命中历史完整名，就会被直接移除，不只是提醒 AI“尽量不要重复”。对于反复出现、又不是用户明确指定的高频字，系统也会默认回避。即使需求暂时没有变化，下一轮也不会只是把此前相同的完整名字继续推荐回来。
