AI 开始重做软件,原创者还能守住什么?

有人用 AI 辅助开发，把 Photoshop、Illustrator、Premiere Pro、Lightroom、After Effects、InDesign 和 Acrobat 对应的常见工作场景，拆成了七个开源项目。图像编辑、矢量绘图、视频剪辑、照片管理、动效、排版、PDF 处理，一张创意软件的版图被重新画了一遍。

这套项目来自 ArtCraft 团队。开发者 Brandon Thomas 曾在公开讨论中说，Adobe 的提前取消订阅费用是他动手的原因之一。于是他用 Rust 开始重建这些熟悉的工具，借助 Claude 编程，再把代码放到公开仓库。七个项目同时出现，本身就比一个“PS 平替”更能说明变化。

它们还远没有到可以无条件替换 Adobe 全家桶的程度。功能覆盖、旧文件兼容和专业流程的稳定性，都要逐项验证。但真正值得追问的也不是“现在能否立刻退订”：当 AI 可以帮人研究一个软件，再更快做出功能相近的版本，过去保护商业软件的那道门槛，还能维持多久？

第一条路：观察它怎样工作，再从头实现

软件的用户其实很少关心一项功能原先由哪段代码实现。修图的人想要图层、蒙版和准确的颜色；剪辑的人想要时间线、预览与导出。只要这些动作能被观察、描述和测试，另一支团队就有机会用自己的代码重新做出来。

ArtCraft 系列走的主要是这条路。PhotoCraft 的项目文档把做法称为独立重建：研究其他编辑器的行为，参考公开的文件格式与技术规范，再用 Rust 写自己的实现。看到相似的面板和操作，并不意味着拿到了 Adobe 的源码；两套程序可以让用户完成相近的任务，却由不同的代码驱动。

PhotoCraft 官方界面截图：图层与曲线工具已经出现在独立重建的编辑器中。图源：ArtCraft 团队；画作《神奈川冲浪里》为公有领域。

这类思路并非 AI 出现后才有。早期 IBM PC 兼容机面对的难题之一，就是如何在不复制 IBM BIOS 代码的情况下，让新机器表现得足够兼容。净室设计把研究行为和编写实现的人分开：前一组整理功能说明，后一组依据说明写新程序。康柏的兼容机常被拿来说明这条路径——目标是复现必要的行为，而不是把原程序搬过来。

AI 让这条老路出现了新的速度。研究一个界面、整理操作规则、把功能拆成任务、写出第一版实现、再做端到端比较，这些环节过去需要大量人力交接。现在，Agent 可以协助完成其中一部分，并在测试发现不一致时反复修改。人仍得决定什么结果算对、哪些细节必须补齐，但从观察到原型的循环确实有机会缩短。

这也是七款工具同时铺开的冲击所在。一个成熟创意软件里，图层、字体、色彩、文件格式和插件会互相牵连。AI 没有抹掉这些难题，却让开发者可以更快搭起各条产品线，再把难题逐个暴露在代码和社区反馈里。以前看起来不值得起步的重建项目，开始有人愿意尝试。

第二条路：拆开已发布的程序，寻找内部线索

另一种逆向更像是在没有图纸的情况下拆机器。研究者拿到安装包或游戏文件，通过反汇编、反编译和运行观察，追踪程序里的函数、数据与调用关系，再推断某项功能如何运作。编译过程通常会抹掉很多方便人阅读的名称和结构，所以拿到反编译结果，也不等于拿回整齐的原始源码。

《超级马里奥 64》和《塞尔达传说：时之笛》的社区反编译项目，展示过这种工作的耐心：一段段理解旧程序，整理成可读代码，再反复对照行为与编译结果。旧软件能被研究，并不代表它很容易被研究。时间、经验和验证成本，曾经就是这条路上最硬的门槛。

现在出现的 REA，即 Reverse Engineer Anything，试图把这类专业工具接到 AI Agent 的调查流程里。Agent 可以借助 Ghidra、Hopper 等工具查询二进制结构、追踪相关函数、阅读反编译输出，再把观察依据和仍然未知的部分交还给人。它让分析者更快找到下一条线索，却不能保证自动恢复原源码，更不能承诺读入任意程序就得到成熟的复制品。

REA 项目官方流程图：Agent 提问，经本地分析工具查证，再依据证据解释、实现和测试。图源：REA 项目。

从“研究”走到“重做”的距离，也开始变得更短。在卡兹克公开展示的一次尝试里，他让工具分析 Mac 清理软件 CleanMyMac 的垃圾清理、卸载和重复文件检测等功能，随后据此生成一个原生 Mac 应用雏形。这个展示的分量，在于分析和开发被串成了连续任务；一个雏形距离原产品的可靠性与完整度，仍有很长一段路。

这两条路径各有对象：一条从用户能看到的行为写新程序，另一条从已发布的程序里寻找内部线索。AI 能参与两边，压缩查找、理解、实现和比对的时间。过去因为“研究太贵、重写太慢”而无人挑战的功能，可能因此迎来竞争。

不过，“越来越容易研究和重建”与“所有软件都被迫开源”仍是两件事。原厂的源码、模型、数据和素材不会因为出现一个相似工具就自动公开。哪些行为可以合法研究，生成的新代码如何使用和分发，也有具体边界。真正发生变化的，是别人理解你的产品并做出替代功能的成本。

变化还会从软件延伸到协议。AirDrop 与 Linux 之间的兼容尝试，依赖的就是对苹果无线通信行为的研究和重新实现。开发者并没有因此得到苹果的内部实现，却能让特定硬件和系统在一定条件下互通。家电等设备的控制协议也存在类似空间：当外部行为可以被观察，原厂没有提供的接入方式，就可能由第三方补上。

当复制成本下降，软件会搬去哪里

过去，一款商业软件不一定要靠绝对无法破解来保护自己。只要别人重新理解、实现和维护它的成本高于购买成本，很多潜在竞争就不会发生。AI 如果持续把前一项成本压低，这道靠时间和人力撑起来的屏障就会变薄。

这种压力不只落在 Adobe 身上。做本地客户端、硬件配套软件、游戏工具的人，都可能遇到同一个问题：程序和行为交到用户手里，外部研究者就能获得研究对象。能观察到多少、能复现到什么程度因产品而异，但把“不公开内部实现”当成唯一优势，会越来越不稳。

一种可能的应对，是把真正关键的逻辑留在服务器。用户电脑里仍有界面，核心模型、数据和计算却在云端完成；使用功能需要联网、登录，也常常需要持续订阅。这样一来，外部即使拆开客户端，也只能看到整个服务的一部分。

这会带来一个颇有意思的反向结果：本地软件越容易被研究，厂商越有动力把能力移走；免费替代工具可能越来越多，用户真正能够离线保存和长期使用的商业软件却可能越来越少。“拥有一个软件”不再只看电脑里有没有安装包，还要看关键功能是否依赖别人的服务器。

这并不是说每家公司都会走向同一个模式。云端同样要承担运营、稳定性和用户接受度的压力。它只是揭示了这条推理的另一面：技术壁垒变薄后，商业模式与交付位置也会跟着调整，消费者未必只得到更多选择，也可能面对更深的订阅依赖。

谁来承担第一个好产品的成本

替代品变便宜，听起来当然令人高兴。原本价格高、选择少的功能，可能出现免费工具；被封闭接口挡在门外的开发者，也能做出更适合自己的版本。更多人获得工具，是这场变化里最直接的收益。

但已有产品可以被重做，不等于第一个好产品可以无成本地诞生。最早的团队要找出用户究竟需要什么，试错界面和流程，承担没人购买的风险。后来者面对的是一份已经经过市场检验的答案：哪些功能有人用、哪些操作已经成为习惯、哪些价格让人不满。AI 让后来者追上来更快，最初的探索成本却没有消失。

这就把问题推到了比“软件能不能复制”更深的一层：如果一个产品刚证明自己值得做，功能相近的版本便迅速出现，原创者能独享成果的时间会不会越来越短？并不是每个开源项目都会立刻取代成熟产品，也不能用“几天就被复制”概括所有行业；但原创者对收益窗口的担心，确实会随重建成本下降而加重。

这个困境最后指向“注意力”。代码、功能乃至方法都可能更快被模仿，一个创作者或团队长期获得多少正向、有价值的关注，反而变成较难由别人直接复制的积累。它可以让人第一时间看见新作品，愿意参与讨论，并记住是谁不断提出问题、做出东西。

注意力本身无法替代产品，也不是一张保证盈利的通行证。可当做出相似功能的门槛继续下降，最先想到谁、愿意继续关注谁、愿意把下一次机会交给谁，就会变得更重要。软件被重做得越快，原创者越需要一种能随时间积累、不能靠复制一份代码立刻拿走的东西。

七款开源工具让这场变化有了具体模样；两条逆向路径解释了它怎样发生；客户端与服务器的重新分工，展示了它可能怎样改变软件生意。走到最后，问题仍落回创造者身上：当技术越来越容易被研究和复现，什么能让人持续记得你？

也许是长期、正向而有价值的注意力。