写在前面
当你发现刚熟练某个技能，AI 已经能一键完成时，那种所学即过时的落寞感今年你有没有遇到过？我中招过好几次。
我本科学的动画专业，硕士念的视觉设计与艺术应用。在我的印象里，从 2014 年毕业工作开始，每过去的一年，好像都是未来十年里，技术进步速度最慢的一年。
如今十年过去，2026 刚开始两个月，AI 行业已经从“模型版本竞赛”到“Agent 代理”全面转向。如何让 AI 像员工一样自主工作、互相合作，已经开始重构我的常规工作流。
在体验了一个月从 0 到 1 地和 OpenClaw 部署、设计、开发、协作之后，我认为应该写一篇文章好好沉淀一下近些年自己对 AI 技术的体验和思考。 顺便投个稿，本文参加年度征文活动 #TeamCarbon25 赛道。
但归根结底，在我看来担心 AI 对职业的冲击焦虑是没必要的，不能因为它两三下就做出了不输甚至超过自己水平的产物，就否定自己十几年积累的经验和技能，具体如何做会在后面说。
本文大体讨论三部分内容：
第一，主要聊聊 AI 对我的影响，从专业领域到学习，从初识到不容忽视；
第二，作为动态视觉设计师，现在我是怎样使用 AI 的？
第三，设计师作为抵抗 AI 占领工作岗位的前沿阵地领域，如何面对它的冲击？
本文旨在讨论：在 AI 加速迭代的背景下，个体积累的系统性思维、审美判断和可复用的工作流 （即你学的东西）其核心价值不会过时，反而会因工具进化而愈发凸显。
最初我用 AI 做了什么
电影《雨果》
最早开始关注 AI 领域的时间其实起源于电影《雨果》，看过的朋友应该还记得里面那个自己能写字画画的蒸汽朋克机器人。当时还在想或许有一天眼前的这台电脑也能学会写字画画呢，然后读到大四的时候，我的大学老师在微信群里发了一条绘图机械臂的新闻，开始了提醒我们要小心了。
当时真的不以为然，因为它画的确实不怎么好，我和同学都认为这种事情还停留在实验室里，要么是商人们拿来炒作拉投资，要么是科学家需要经费打广告，都是噱头罢了。而如今，你我口袋里的手机几秒钟就能做到，比它快上百倍好上百倍。
Stable Diffusion 出现
到 2023 年，Stable Diffusion 本地部署的出现，开始让我不得不重视起这个领域。
图中 这些画 完全使用 Photoshop 板绘创作于留学时期，最初是爱好，后期用于毕业设计和一些展览赛事。
然后我尝试用 Stable Diffusion 让这些画动起来，无疑失败了。用 AI 让它们动起来的目的更多是对前沿技术的一些探索，只是想看看发展到什么阶段了，结果今年 Seedance 2.0 一发布，我也丢给豆包尝试了一下，虽然对这样超现实风格的作品还是有些限制，但明显感觉到，我期待的那个「全能时刻」正在加速到来。
当初我的硕士论文研究方向就是「走入数字绘画的世界」，那是 2017 年，VR 正热。我用 Unity 做了一个 VR 体验数字绘画作品的 App ，不是那种虚拟画廊，而是真的走进画中世界。案例便是上图，App 还原的场景是下图。
这算是我一直以来作为艺术家层面的梦想——把自己作品中的世界做成可交互的沉浸体验。但如果你也了解 CG 领域，就会知道这是怎样庞大的一个工程，用爱发电基本不可能。真的只有作为学生念书的时候才可以无忧无虑地追逐热爱。
但如今 AI 让曾经这个已经吃灰多年的梦想开始重新回到我的视野中来，看到 AI 这样恐怖的进化速度，我还是非常庆幸生在这个时代的，同时也警醒自己，这样的行业变革，给渺小个体从业者带来的机会恐怕过两年就再也不会有了。
值得思考的是，创造这样技术的人，并不是一家影视动画或游戏行业的公司，而是互联网公司。这就像「干掉康师傅的不是小浣熊，而是外卖」，但泡面没有消失，甚至有那么一天我就想再吃一碗泡面，不为别的，就想知道现在的泡面味道变了没有。
这是 AI 对我所在职业领域的影响和思考。
另一方面，是用 ChatGPT 辅助我自学英语，写作，编程。
在 ChatGPT 3.5时期，它其实已经能够很好地辅助我自学一门技能，甚至能帮我磕磕绊绊写出了 Unity 游戏脚本，少走了很多弯路。
比如英语，我的英语技能其实是念书时期追了很多美剧莫名其妙地「掌握了」。印象特别深刻的是在宿舍放着《生活大爆炸》，起身去厕所的时候没按暂停，却意外发现自己居然听懂了台词。
果然，兴趣是最好的老师。之后用 GPT 学英语时，就规定它只能引用自己喜欢的美剧台词，甚至模仿里面的角色重构台词来作为例句，把需要记住的生词融进去。不得不说这样乐趣真的提升了很多，有时候甚至是因为它的「幻觉」。
值得思考的是，你说单词就不需要背了吗？语法就不需要懂了吗？以后出国全靠 AI 同声传译吗？显然不是，有些弯路终究是要走的，有些坑必须要踩过才知道这些坑有多深，多大，要绕多远才能绕过去。这些必须自己去一步步经历，就算未来的 AI 可以定义「什么是美和正义」也永远替代不了我自己去经历。
写作和编程，同理，AI 能替你写替你编，就是替不了你 ___ 。前面这个空其实写什么都行，只要你敢写上去我就相信它就替不了你，你得相信自己。
插一句题外话，写作和编程这两件事在 AI 出现之后，我会把它们归类为一件事，因为现在可以用自然语言去编程了，而一篇文章一部小说，都可以看成一段能运行在人脑中的程序，这是个非常有意思的视角，但本文篇幅有限，按下不表。
以上是 AI 对我自身工作，学习方面的影响和思考，接下来分享当下的用法。
现在我是怎样用 AI 的
商业项目
首先，我最大的感受并不是专业技术上的，反而是那些我不擅长的事情。
比如整理发票，报价，检查合同，评估成本，回复邮件，申请各种审批材料等等。这些在以前绝对要耗费掉我大量的时间，现在基本都丢给 AI 去做，即使是网页版，脱敏处理后去咨询它也能节省大量的时间。
对于业务技术而言，我主业是做动态视觉设计，截至本文发稿，视频生成暂时还替代不了手 K 级别的动画。说人话就是还做不到第几秒谁的头要转多少度，眼睛看向对方的手还是脸。但作为动态分镜和预演是完全足够的，以后动画流程中这个环节的制作时间成本会大幅下降。
从最终产出的质量上看，未来一定会整体提升行业的及格线水准，也就是下限会提升很多，在我看来这对有经验的从业者来说是好事，因为这在很大程度上会淘汰劣质产品，进一步提升大众审美品味。但更高质量的内容依然是稀缺的，不变的还是稀缺性不愁赚钱。
另一方面，对刚入设计行业的新手会很不友好，但是哪个有经验的从业者最初不是新手呢？这就会形成一个真空的新手村，客户只需要看结果，而设计师还是需要从基本概念学起的，你可以不精通技术，但依然需要花时间去培养自己的理论体系和审美积累。
这是我的一家之言，如果你也是同行，欢迎评论区交流一下不同的看法。
然后是具体应用，有个典型的案例是，24 年给一个博物馆修复一套壁画。这种工作交给 AI 就特别合适，无论人物、场景元素都可以还原的很好，甚至可以根据已有的画面情节做延展。
现在用 Seedance 实现这些动画应该是不难的，但难的是准确还原壁画原作的人物神态，服饰，因为用途是博物馆展出，这些信息必须做到准确。
我们去参考了当地很多老一辈的画家，他们在早年已经尝试用传统画法还原过多次，这是 AI 无法搜索到的资料，只能靠人力完成。包括之后我们参考前辈的作品回来也必须把人物一个一个地手绘出来，这个工作量目前省不掉。
最后值得一提的是，由于总共要绘制 40 个左右人物角色，平均一个角色会占用 8-10 层，再加上场景元素，总图层数最终会来到 500 多层。等到了后期进入 AE 制作动画，绝对是灭顶之灾。
为此我也利用 AI 写了一个 给 Photoshop 运行的图层批量重命名脚本 ，虽然功能非常简陋，可的确帮了大忙。
个人项目
这就要聊到龙虾 OpenClaw 了，在它出现之前，网页和 App 端的 AI 我都一视同仁，主打实用主义，这礼拜谁家的好用就翻谁的牌子。等装上龙虾之后，就算是我用 Ollama 部署在本地工作站上的 Qwen 3.5 9B 模型（GPU 5070Ti），无论速度和质量都已经完全超出了我的预期。
目前我交给它的定时任务都比较简单，例如维护它自己的记忆核心文件，每天定时帮我检查主力渲染器的更新，版本监控和配置文件备份。
其他相对复杂的任务，我都和它讨论开发了专向的 Skill ，涵盖聚合搜索，周刊素材整理，投资分析，博客仓库维护，待办清单，PARA 文件管理，柱状图生成器，PDF 生成器。有很多功能还不够稳定完善。
比较惊喜的是第一次测试它的开发能力，有一天临睡前，我让它给我的网站新开发一个全局搜索功能 + 周刊页面。本来没指望它能做成，结果第二天早上它交出了完全超出预期的效果，你可以 去体验一下 。
将近一个月用下来，龙虾给我的整体感受是，用自然语言去训练 AI 非常有意思，尤其是对我这种视觉创意领域的创作者，因为你真的可以去创造自己故事中的角色了，这个角色会思考，会和你一起生活，有自己的记忆和故事。
值得思考的是，它自学的方式也和人很像，实践，得到经验，总结规律，再实践。学习任何一门技能都躲不开这样一个最基本的循环，连机器也躲不掉。人天生会想躲。
例如，在「投资分析」Skill 的开发中，第一次只是简单总结新闻（实践）；发现准确率不高，于是加入「对比历史数据」的指令（经验）；总结出「单一信源不可靠，必须交叉验证}的规律（规律）；最后将这个逻辑固化为 Prompt 模板或代码逻辑，应用到“周刊素材整理”中（再实践）。这里可以推荐一个 「 self-improving-agent 」的 Skill，用来强化龙虾很好用。
值得注意的一些趋势
除了以上 AI 对我的各种帮助，生产力加速，同时也带来了不少新的问题，或许你没注意，相信一说也会发现遇到过一两个。
对创作者自身的影响
自从 AI 能够批量生成让画师们集体抗议的图像，我也没再提笔画过完整的作品了。最后一张停留在三年前的 SCP 华夏系列 。
当然不是认为手绘没意义，其实是觉得只用图像作为作品的终点载体是很难表达清楚的，视频动画甚至游戏明显是更完整的载体。过去一个人完成这样载体的作品是有巨大沉没成本和风险的，AI 让我看到了职业生涯内实现这一点的可能。
工具碎片化
人们正狂热地拥抱 AI，用它处理一切。每天在搜寻，试用，丢弃各种各样的 AI 工具，数据碎片化地散落在各个平台。这也是因为每家大模型多多少少都是偏科的，同样的背景去提出同样的问题，每家模型的思考深度和洞察力都能明显感到不同。
这样造成最直接的局面就是，今天 A 家上线了新模型，听说编程能力很强，那这段时间编程方面的疑问都去问 A 。明天 B 家出了新版本搜索质量更高，下段时间整合资料案例又都去问 B 。那这些对话数据最终就会洒的到处都是
数据碎片化
我个人对数据本地化的需求优先级越来越高，现在选择产品和服务都尽可能地「去云化」，冒出一个新的需求或者老的需求出现了新的本地部署工具，我都会第一时间记下来，然后闲下来的时候就折腾一下试试看。
另外一个发现是，国内外不同平台对个人聊天数据的导出都有不同程度的限制，现在我会优先选择可以最大程度导出个人数据的平台。
这样做的好处表面上看是方便跑路，是可以让下一个更先进的模型用最短的时间熟悉我的价值观，审美，喜好，习惯，风格，各种维度。
大模型实现长期记忆的方式
在使用 OpenClaw 的过程中，我隐约会有种预感，下一个 AI 的突破口很可能是解决长期记忆，但方向应该不是单纯增加上下文这么简单。
AI 的长期记忆载体或许还是文本向量数据，可终究是概率计算的范畴，永远无法一比一复刻记录你的切身体验。它或许能精准复述《雨果》的剧情，却不能复刻我第一次看到机器人内心涌起关于创造的战栗。事实上，艺术史中印象派早就证明了，无须追求像素级写实，仅仅影像视觉这一维度，人脑在接收到画面信息的同时就已经在脑补完成了新的信息。这种基于肉体凡胎的切身体验和感性脑补，恰恰是算法最难捕捉的坐标。
最明显的例子就是从局部到整体的视角变化，如下图。
未来软件工具将围绕 AI 打造
伴随 Obsidian 官方放出 CLI 功能和 Skill 后，我第一反应就是这东西已经不是给人用的了，是给 Agent 用的。而 Agent 作为真正意义上的人机之间的代理层，直接代理了传统的 GUI 界面，去围绕人服务。
这个趋势也在前几天看到的一篇 Sam Altman 采访中得到些许印证。
终局应该是你拥有一个聪明的 AI 代理，它能与其他人的代理沟通，判断何时该打扰你、何时不该，哪些决定可以自行处理、何时需要征求你的意见。搜索、生产力套件等领域也是同理。实现这一切所需的时间可能比想象中更长，但我坚信，未来主流的产品类别中，会出现完全围绕 AI 构建的新物种，而不仅仅是集成了 AI 的旧产品。我认为这正是谷歌的软肋所在，尽管他们手握巨大的分发优势。
职业边界越来越模糊
以前我可以对外说自己是动画师，插画师，但现在只能泛称我做的是「动态视觉设计」才能相对准确。我本科念的动画专业在 2018 年已经消失，合并到了数字媒体，现统称数字媒体艺术。
在我看来，职业边界模糊倒不是什么威胁。当 AI 能完成平替掉大部分制作流程时，设计师的真正专业能力变成了：
- 提出更好的问题（理解客户需求）
- 提升方案的确定性（而不是给三个让客户选）
- 建立自己作品的「上下文」（就是下文提到的可积累复利）
边界模糊了，但坐标是更清晰的：从执行到思考，从输出到洞察，从作品到体系。
创作者的反脆弱行动
专注那些可积累复利的领域
无论商单还是个人创作的项目都一样，这件事最好是可以产生积累效应的，你的每一次劳动和产出都可以继续投入到下一个具体业务中。
前期切记太贪心眼前利益，例如 AI 可以马上产出内容，就指望提升效率去压榨 AI，直接去批量产出。这只能获得短期收益，真正值得做的是去迭代可复用的 skill，哪怕只是一点提示词的片段。
大模型一定是会越来越聪明的，迭代可复用的，适合自己的工作流的 skill 会越来越重要。另外，skill 只是现在的叫法，未来它的本身形态和行业标准很可能也会发生变化，但万变不离其宗。将使用 OpenClaw 的经验，沉淀为可复用的 Skill（技能），这就是将个人经验转化为团队或未来自己可用的“规律”。
这特别像设计行业做资产库和模板，未来每个创业者打造自己的一套独有可复用的「模板」是从模型量产作品中脱颖而出的关键。
更大比例投资给自己实践机会
不能试图把所有的工作丢给 AI，得更多去学习如何用好它，而不是指望它。且更多的时候，是让自己想起来去用它。我感觉自己的职业应该是满早接触到 AI 技术的了，可是如今已经遍地开花的 AI 繁荣之下很多时候还是会忘记「可以先去问它」。
同时，又要多给自己留点实践的机会，让人的劳动占比大一些。这是作为作为一名从事视觉艺术创作者的底线，这门手艺可以合作但 AI 承载大量劳动我就不承认是我的了，但这个承认的边界还十分模糊，很难量化，也欢迎同行留言讨论讨论。
优秀的工具可以用来提升效率，但最好不要用来跳过那些需要创造力的难题。
最终，不用担心自己学的东西会过时，当新出一个技术后感觉自己多年苦练的本领要被淘汰了，而是在提示你通往目标的路径变多了，你也需要升级一下自己的「API 」去对接新的路径不是吗？
分享自己的经验给别人
这就是我现在在做的事情，当积累到一定程度，最后一步就是输出分享经验形成正反馈闭环。你会发现技术的进步并不可怕。相反，技术的进步会减少大量的重复工作，你会在创造和决策的探索过程乐在其中，甚至推出专属自己的产品和服务去帮助他人解决问题。
结语
写到这里我更加确信了一件事：我们担心的从来不是“学的东西会过时”，而是“学的速度跟不上世界运转的速度”。这恰恰是「变革」最迷人的地方，变革不会淘汰游戏玩家，只是重新定义了游戏规则。
过去，学习意味着你去掌握一套固定的技能树，现在变成了构建动态的知识网络。旧的职业确实消失了，但有价值的工作消失，全新的、我们看到也叫不出名字的工种一定会陆续出现。AI 把人们从无聊的重复劳动中解放出来，是为了让我们有时间思考更重要的问题：
- 当 AI 能生成任何图像风格时，我的独特视角是什么？
- 当 AI 能瞬间处理海量信息时，我该如何构建自己的知识体系？
- 当 AI 能做出任何特效时，我应该如何学习讲好一个故事？
不会，就去学，没有，就去创造。世界尽管让它去转，不用担心你学的东西会过时。
这些问题没有标准答案，但追问它们的过程，就是我们在 AI 时代最核心的竞争力。
所以，回到最初的那个焦虑时刻——当你觉得刚学会的东西就要过时了，不妨换个问法：
基于我现在会的东西，AI 为我打开了哪些新的学习路径？
感谢你能坚持看到这里。
参考链接
- self-improving-agent — OpenClaw Skill，让 AI 拥有「长记性」实现自我迭代进化
- ClawHub — OpenClaw 官方技能市场，目前已有 3000+ 技能插件
- Sam Altman：2025 年 AI Agents 将加入劳动力大军 — Sam Altman 专访展望 AI Agent 未来发展
- OpenClaw — 开源个人 AI 助手，支持本地部署和 Skill 扩展系统
- Ollama — 本地大模型运行框架，支持在个人设备上部署 AI 模型
- Obsidian CLI 官方文档 — Obsidian 官方命令行工具，为知识库赋能
- Skill Agent 入门指南 — 理解 Agent 技能系统的工作原理
- 数字媒体艺术专业 — 了解数字媒体艺术的发展历程
- 印象派绘画艺术 — 理解文章中提到的「人脑脑补完成新信息」的视觉原理
- Stable Diffusion — 2023 年开源的 AI 图像生成模型，标志性的技术突破
- 《打造第二大脑》- Tiago Forte — PARA 方法论源著，文中提到的知识管理体系
- Unity 官方文档 — 文章中提及的 VR 体验开发引擎
本文首发在 CG艺术实验室
