AI 带来技术平权,也放大认知差距

今天不绕弯子。

不讲 Agent、Harness、Skill，也不讨论怎样用一句神奇提示词，把豆包调教成“硅谷合伙人”。

只讲一个做室内设计的人，怎样利用下班时间把几个点子做到上线，又怎样亲手把它们一个个按下 Pass。

先说结果。

过去一个月，利用下班和业余时间，前后验证了三到四个方向。

没有一个成功。

其中，Kufucat是一次宠物家具产品实验。从构思、用户调研，到产品原型、品牌、域名、Shopify 网站，再到 Instagram、Facebook、TikTok 的内容与定时发布，大约七天跑完。

开发的时候很爽。

原来只是对话框里的一段文字，几天后有了名字、Logo、网站、产品图和视频。内容甚至能在人睡觉时自动发布。屏幕上的变化不断制造一种感觉：事情正在高速向前。

几天后，市场数据没有给出同样热烈的回应。

这时出现了两个选择：继续解释“市场还需要教育”，或者承认方向可能不对，按下 Pass。

后一个按钮，比生成整座网站难按得多。

AI 不只会放大能力，也会放大偏见、盲区和自我感动。

这可能也是大多数人继续深入使用 AI 时，真正遇到的第一道墙。

刚开始，AI 什么都能做，兴奋来得很快。等漂亮的方案进入真实世界，却没有得到回应，兴奋又会迅速退潮。有人开始抱怨 AI 不靠谱，有人退回写文案、做图片这些安全区域，也有人继续生成更多东西，试图用产出数量掩盖方向问题。

如果用一个夸张但贴切的比例来形容，挡住百分之九十的人继续往前的，可能不是不会使用 AI，而是无法消化 AI 暴露出来的自己。

AI 没有把错误变成正确。它只是让错误更快来到验证面前。

真正的提示词是人

大家喜欢研究提示词。

怎样设定角色，怎样分步骤思考，怎样写出那句传说中的“万能咒语”。仿佛问法足够神秘，同一个模型就会突然打开隐藏关卡。

这些技巧当然有用。

但真正的提示词，是提问者本人。

更准确地说，是提问者拥有的那张认知地图。

如果问题是：

“在设计行业里，有哪些适合用 AI 做的产品？”

AI 大概率会在设计软件、效果图、灵感图库、方案生成这些熟悉街区里绕圈。

它并没有偷懒。因为“设计行业”“AI 产品”这些路标，本来就是人放进去的。

换一种问法：

“暂时忘掉我的职业。去不同国家、不同行业和不同商业模式中，寻找结构相似的问题。不要急着给方案，先带回那些我从未听过的工具、产品和失败案例。”

答案才有机会越过旧地图。

这里有一个很容易说反的因果关系。

不是 AI 先拓宽认知，人才能更好地使用 AI。

而是人先产生了“离开旧地图”的意识，才知道怎样命令 AI 去更远的地方搜索。

人的认知不越狱，AI 也走不出认知牢笼。

只在已知词汇、已知行业和已知地域里提问，AI 就只能在那里持续优化。它也许能放大百分之五十，让结果变快、变多、变漂亮，却仍然没有离开原来的围栏。

要穿透这层围栏，就要主动嫁接。

国内没有相似产品，就去海外找；本行业没有答案，就去相邻行业找；没有同类工具，就寻找解决相同结构问题的另一种产品。

几乎每一个今天能够想到的点子，都很可能已经有人想过，甚至已经有人做过。

他可能成功，也可能失败得很彻底。

但无论好坏，那都是一个可以被检索、拆解和验证的样本。别人已经交过的学费，没有必要再原价交一次。

AI 真正强大的地方，不只是给答案，而是把散落在不同国家、行业与语言中的样本，迅速搬到同一张桌子上。

前提是，人得先想到把桌子搬出原来的房间。

把设计从房子里抽出来

这也改变了对“设计”的理解。

英文写作与语义学里有一个很好用的概念：Ladder of Abstraction，中文通常译作“抽象阶梯”。

名字听起来有点学术，意思其实很简单：同一种能力，既可以落在一件非常具体的事物上，也可以向上抽出一套更通用的方法。

阶梯往下，是看得见、摸得着的对象：一把椅子、一组柜子、一间房子。

阶梯往上，不再追问“设计什么”，而是追问“设计到底在做什么”：理解需求，识别约束，组织关系，删掉无用之物，最终解决问题。

过去做室内设计，设计能力主要落在房子里。

一把椅子为什么是这个高度？一组柜子为什么放在这里？一个看起来很漂亮的东西，为什么必须拿掉？

这些问题的共同答案，不是“审美好”，而是设计者能否看见人、功能、材料和空间之间的关系。

室内设计只是这套能力的一次具体落点，而不是它的全部边界。

借用抽象阶梯向上走一层，设计就能逃出房间。

它可以落到一个 AI 工具里：用户先看到什么，系统应该追问什么，最后交付什么。

还可以落到一套商业结构里：价值从哪里产生，谁愿意付钱，哪一步最容易断掉。

设计的对象从椅子变成产品，再从产品变成系统。

设计能力没有消失，只是换了楼层。

这种能力抽象并不只属于设计师。

一位好老师，如果把能力理解成“站在讲台上讲课”，AI 当然会让他紧张。可如果继续向上抽一层，真正的能力其实是：把复杂知识拆成可以学习的步骤，发现学生卡在哪里，再设计一次有效反馈。

这套能力可以重新落在课堂，也可以落在 AI 教练、产品引导和知识服务里。

所以，技能抽象不是把一门手艺说得更玄，而是把它从原来的职业容器里取出来，看清自己真正会的是什么，再把它放进一个新的具体问题里。

AI 时代，技能的深度仍然重要。但同样重要的，是能否完成这次“取出来，再放进去”。

抽不出来，技能就被锁在旧岗位里。

抽得出来，它才可能进入新的世界。

会聊不算产品

“设计教练”就是在这种想法下出现的。

准备装修的人，经常不知道自己真正需要什么。很多需求不是从生活中长出来的，而是先在图片里看见，才觉得家里也应该有。

客户说不清，设计师只能猜。双方在风格、效果图和预算之间不断试探。

于是产生了一个看起来很合理的设想：让 AI 先做访谈。

聊天入口很快搭好了，机器人也能自动回复。它可以问家庭人口，问生活习惯，问预算，也问那些图片背后真正吸引人的部分。

可屏幕上第一次出现回答时，另一个问题也出现了：

用户为什么不用 ChatGPT、DeepSeek 或豆包？

访谈太僵硬，像填表；聊得太自由，又像在咖啡馆里遇到一个特别能聊、就是一直不说重点的人。

更重要的是，通用 AI 的边界一直在外扩。今天需要单独开发的问答能力，明天可能就变成一个普通功能。

所以，AI 创业真正危险的地方，是把“通用模型暂时还没做好”误认成自己的长期机会。

垂直产品当然值得做。

但垂直不该只是把聊天框换个名字、换套颜色，再穿上一件行业工作服。

它必须不断往深处钻，直到找到通用 AI 难以替代的最后一公里。

例如，设计教练如果只是陪用户聊风格，很容易被替代；如果它能把访谈变成经过验证的居住需求、预算分配、家庭冲突清单和设计任务书，并直接进入下一步设计流程，才开始接近一个具体产品。

用户购买的不是一段对话，而是一个可以继续使用的结果。

深钻的意义也正在这里。今天没有找到那个切口，不等于这条路不存在。继续接触真实用户、真实设计师和真实流程，也许某一天会碰到一个通用 AI 很难单独完成、却又足够值得交付的结果。

那才是产品思维真正开始的地方。

先补地图再开工

Kufucat 被 Pass 以后，留下的并不只是“失败要快”这句话。

更重要的教训是：一开始就应该把更多精力放在调研，而不是急着开发。

如果重新分配，一项新实验至少百分之六十的精力，应该花在前期检索、用户证据和商业验证上。

不是先爱上一个点子，再找数据支持它。

而是先补全认知地图，再决定哪里值得动手。

为此，后来借助 AI 做了两个内部小工具。

一个是Opportunity Radar，商机雷达。它不先限定宠物、装修或某个熟悉行业，而是从真实讨论中寻找抱怨、笨办法、重复劳动、“有没有工具能解决”以及“如果有我愿意付钱”这类弱信号。

机器负责收集、去重、归类和聚类，最后把原始证据留在机会卡片下面。漂亮总结不算数，必须能够点回用户原话。

它还会做一次很不留情面的测试：这个问题，交给 ChatGPT、Claude 或豆包，五分钟内能不能解决七成？

如果能，机会直接降级。

另一个是Product Research OS，小众商品调研工具。它不满足于“这个关键词好像在涨”，而是继续追 Amazon、Etsy、独立站、评论、价格、流量与社媒成交路径。

研究“jumping spider enclosure”，也就是跳蛛饲养箱时，判断并没有停在搜索量。

一条 TikTok 视频获得播放以后，钱最后在哪里成交？是 TikTok Shop，还是 Amazon、Etsy，或者品牌自己的独立站？评论区里有没有人追问“哪里可以买”？头部卖家公开显示了多少销量和评价？

顺着这条线往下追，样本中出现了公开销售超过六千笔的 Etsy 店铺，也找到了拥有独立站、主题套装、配件和社群内容的不同类型品牌。

这时，“跳蛛饲养箱可能是个小众机会”，才从一个有趣念头，变成一张能比较、能怀疑、也能 Pass 的地图。

不同行业要看的数据当然不同。

做工具，要看调用量、留存、付费和通用 AI 替代率；做商品，要看趋势、头部销量、评论、价格、流量来源和复购可能；做服务，则要看用户现在怎样解决、为谁付钱、痛点到底发生在哪一步。

共同原则只有一个：

先找到头部样本和真实数据，再决定是不是轮到自己登场。

AI 时代最不缺的是快速执行。

最缺的是在执行之前，先把地图补到足以避免拍脑袋。

地图很大针眼很小

走到这里，“去远再落窄”才不再像一句口号。

所谓去远，就是尽可能拓宽认知地图。

离开熟悉行业，去别的国家、别的产品和别的商业模式中找样本；把成功、失败、用户抱怨和真实数据一起搬回来。

所谓落窄，就是在这张越来越大的地图上，用数据筛出一个可以扎针的位置。

一个具体的人，一个具体场景，一个具体问题，一个能够交付和验证的结果。

这根针，就是产品。

它可能最后仍然扎回熟悉的室内设计行业。毕竟那里有多年经验，也有别人难以替代的现场理解。

它也可能落在一个原来从未想过的地方。

人生还很长。如今又有 AI 帮忙检索、比较、翻译和搭建，探索认知地图的成本从未这么低过。

既然门已经打开，就没有必要继续住在自己的认知牢笼里。

所有认知都是走出来的

前面这些话，并不是坐在书桌前想通以后，再找几个项目来证明。

顺序正好相反。

先做了访谈机器人，才知道“会聊”和“能交付”之间隔着多远。

先让 Kufucat 从想法变成网站，再亲手按下 Pass，才知道：

AI 降低的不只是开发成本，也是抵达失败的成本。

先研究陌生市场、搭建调研工具、追踪那些散落的数据，才知道认知地图可以怎样向外扩张。

所有结论，都是行动之后留下来的沉淀。

接下来仍然不会因为总结出一套方法，就自动得到答案。

还得继续检索、继续开发、继续验证，也继续放弃不成立的方向。

只是经过这一轮，对 AI 的信心反而更高了。

不是因为它能保证成功，而是因为它让普通人第一次拥有了如此便宜、迅速又广阔的探索条件。

真正决定差距的，也不再是谁最早用上新模型，谁收藏了最多提示词，或者谁能在一夜之间生成最多东西。

而是谁能意识到自己的认知边界，主动走出去，再回到真实世界接受验证。

技术平权的时代，认知仍会在人与人之间造成巨大的鸿沟。

工具越来越相同。

人怎样理解、判断和行动，反而越来越重要。

今天正好

写到这里，还有一件与 AI 无关的小事。

今天是 2026 年 10 月 4 日，农历八月二十四。

1988 年 10 月 4 日，也是农历八月二十四。

那一天，我出生了。

三十八年后，公历和农历的两个日期，又落在了同一天。

它未必意味着什么，也不准备替这个巧合发明一种命运解释。

只是想在今天，把过去一个月发生的这些变化记录下来。

三十八岁，没有突然找到一个关于未来的标准答案，也没有因为 AI 做成一件足以炫耀的事。

只是比一个月前更快地知道自己错了几次。

也更愿意继续试下一次。

这篇文章，就算是送给自己的一份生日记录。