AI不会让所有人成为创造者。但当一个普通人的小念头可以迅速变成原型，人的好奇心、判断力和学习欲，也可能在协作中重新长出来。

AI不会把所有人变成创造者。

它只是第一次让一个普通人的小念头，不必死在"我不会代码"这件事上。

技术可以降低创造的门槛，却不能替人产生"我想做点什么"的愿望。

但有趣的是，当一个模糊的想法第一次真的变成游戏、工具或者作品，人的好奇心、判断力和学习欲，也可能从这里重新长出来。

这可能是AI最值得关注、却也最容易被忽略的一种力量：

它改变的不只是我们完成任务的效率。

它也在改变一个人如何成为自己。

PART 01

能力门槛降了，欲望门槛还在

过去，一个没有系统学过编程的人，如果想做一款小游戏，通常会先遇到一连串门槛。

要学编程语言，要理解开发环境，要处理报错，还要知道怎样把程序运行起来。

许多念头还没有真正开始，就已经死在"我不会"这三个字上。

现在，一个人只要能描述自己想要什么，就有可能借助AI编程工具，先做出一个简单的游戏、网页或者小工具原型。

它未必足够稳定，也未必能够立刻上线。

但一个原本只能停留在脑海里的想法，已经可以先变成能够运行、能够体验、能够继续修改的东西。

这种变化的重要性，不只是节省了多少时间。

它让人的身份开始发生变化。

以前，你想玩一个游戏，通常需要去寻找、购买和消费别人创造的产品。

现在，你可以说："我想要一个这样的游戏。"

你开始决定它有什么规则，人物怎么移动，画面应该是什么样子，哪里有趣，哪里不好玩。

AI可以生成代码，但它不能替你判断什么值得留下。

AI可以提供十种方案，但它不能替你决定哪一种更像你真正想要的东西。

在一次次选择、否定和调整中，你已经不再只是一个消费者。

你开始成为需求的提出者、结果的判断者，也是作品的共同创造者。

图片由AI生成

PART 02

从消费者到创造者，改变发生在哪

AI还改变了一件事：学习发生的顺序。

过去的学习路径往往是，先掌握足够多的知识，才有资格开始做一件事。

你要先学语法、框架和工具，再等待某一天终于能够独立完成作品。

但人与AI协作的路径可能恰好相反。

你可以先做出一个粗糙的原型，然后在修改它的过程中，发现自己需要学习什么。

当程序报错时，你开始想知道错误来自哪里。

当AI反复误解需求时，你开始学习怎样更准确地表达。

当一次次尝试消耗调用额度时，你开始研究如何组织上下文、拆分任务和减少无效沟通。

这些知识不再是一份与自己无关的教材。

它们开始与一个具体的问题、一件想完成的作品，以及一次真实的失败联系在一起。

于是，一个新的循环出现了：

一点好奇，带来一个原型；

一个原型，带来真实反馈；

反馈迫使你作出判断；

判断暴露出知识缺口；

为了继续做下去，你开始主动学习；

新的能力，又让你产生更大的好奇。

在这个循环里，学习不再只是创造之前的准备。

学习本身，就是创造留下的副产品。

图片由AI生成

当然，这并不意味着所有人都会因此成为创造者。

有人只想用AI搜索资料、修改文案、安排旅行，这没有任何问题。

消费并不比创造低级，工具也没有义务把每个人都改造成创业者或者程序员。

真正的问题是：一个人是否对世界还保留着一点好奇，是否还有一个想尝试、想改变、想亲手做出来的东西。

AI无法凭空制造这种愿望。

但它可以降低一个念头获得第一次反馈的成本。

而内驱力未必只存在于行动之前。

有时，它也会在行动之后才出现。

一个人可能不是因为拥有强烈的创造欲，才做出了第一个原型。

也可能是因为第一个原型真的运行了，他才第一次意识到：

原来我也可以。

PART 03

AI会突破康德吗

之前和写作群的朋友讨论过一个问题：AI能否突破康德？

如果把这个问题说得严谨一些，答案可能是否定的。

康德讨论的核心，是人的认识受到自身感性与认知结构的限制。我们能够认识的是经验中的现象，而不是直接通达"物自身"。

AI并没有证明自己越过了这条边界。

它更像是在经验世界之内，把人能够处理的信息规模、关系密度和探索速度向外推了一层。

所以，如果把它当作一个隐喻，AI或许像是人类新长出的认知器官。

望远镜让人看见肉眼无法看见的远方，显微镜让人进入感官原本无法抵达的尺度。

AI则让人能够在海量信息中发现关系、生成假设、模拟路径，并把一个模糊的想法迅速转化成可验证的东西。

但器官不会替主体决定方向。

AI可以延伸人的能力，却不能替人回答为什么要创造、什么值得创造，以及应该为创造的后果承担什么责任。

欲望、判断和责任，仍然属于人。

AI越强，这些东西反而越重要。

PART 04

真正会生长的AI生态，终点是人

因此，我理解的AI生态生长力，至少包含三次转换。

第一次 · 把技术转换成网络

一个封闭系统即使拥有再强的模型、再多的数据和再丰富的功能，也未必能够形成真正的生态。

生态意味着不同的人、工具和组织能够彼此连接，并在连接中产生新的组合。

MCP可以被看作这种开放连接的一个早期样本。它试图用开放标准，让不同的AI应用连接外部数据、工具和工作流。当能力不再被封闭在单一产品里，技术才更有可能形成可以持续扩展的协作网络。

第二次 · 把网络转换成价值

连接本身不是价值。

只有当连接开始解决真实问题，让一个想法变成原型，让一种能力进入工作和生活，让不同的人能够交换、协作和共同创造时，网络才开始产生价值。

第三次 · 把价值重新带回人

国际劳工组织2025年的研究显示，全球约四分之一的劳动者所从事的职业，在某种程度上可能受到生成式AI影响。

但"受到影响"并不等于岗位即将消失。由于多数工作仍然需要人的参与，更可能发生的是任务和岗位的重塑，而不是人被直接取代。

这意味着，AI生态的价值不能只用模型参数、连接数量和自动化比例来衡量。还要看它有没有让人获得新的行动能力，有没有让原本沉默的人参与创造，有没有让人在使用技术之后，长出更多判断力、学习力和主体性。

真正能生长的AI生态，不是拥有最多资源的系统。

而是能够把技术转换成网络，把网络转换成价值，再把价值回归到人的共同体。

它最终留下的，不应该只是一个更强大的AI。

还应该是一个能力边界被扩展、创造欲被重新唤醒，也更愿意为自己选择负责的人。

图片由AI生成

所以，也许我们不必先问，普通人能不能成为创造者。

可以先问一个更小的问题：

你有没有一个曾经想做，却因为"我不会"而放弃的东西？

它可能只是一款自己想玩的小游戏，一个解决生活麻烦的小工具，一张地图，一套记录方法，或者一个很难向别人解释的奇怪念头。

不必先学习所有知识，也不必保证它一定成功。

先让它长出一个最粗糙的版本。

因为很多时候，不是我们准备好了，创造才会开始。

而是创造开始以后，一个新的自己才会慢慢长出来。

资料参考

国际劳工组织：《生成式AI与就业：2025年更新》

Model Context Protocol官方介绍

斯坦福哲学百科：康德