技术群里有人问了个事。奶奶走了，他往家赶，电脑没带，手头只有一张老照片，想修得干净些。先扔给豆包，不行。换成 Claude，P 成了。

我看完那两句对话，愣了一会儿。爷爷那张照片，是我拍的。

修图以前是套技能：会 Photoshop，懂色阶，知道褶皱怎么补，知道遗像该是什么色调。现在压成一句话——背景换干净，脸色自然一点。

二十年前家里要留一张像样的照片，得有个懂相机、会送冲印店的人；今天要修一张，得有个会跟 AI 说清楚要什么的人。站出来的还是同一类人，换的只是门槛的样子：从手艺变成对话。

豆包不行、Claude 行，这细节别急着当产品优劣的结论。眼下这批工具各有各的失手，用的人得知道哪件活派给谁。这本身也算一道门槛。

一只鹈鹕骑了两年

昨天刷到一条 B 站视频，标题先把人逗了：人类已经画了 6000 多年的鹈鹕骑车。片子里一只白鹈鹕骑着自行车穿过二十幅画——撒哈拉岩画、汉画像石、宋代山水、浮世绘、《星月夜》、《呐喊》，再往后是示波器、8-bit 游戏、蒸汽波，最后在一个代码编辑器里被一行行 SVG 画出来。每过一道画框，世界和鹈鹕都换一种画法，主体一次没散。

简介里有句话把底交了：片中没有一张手绘图，也没有一秒录音，画面和音乐全部由代码生成（p5.js + p5.brush + Web Audio）。署名是 Opus 5.5。

这题目我熟。「画一只骑自行车的鹈鹕」，是这两年民间测模型的标准题。2024 年 12 月 Simon Willison 拿它试 Sora，一周后 Veo 2 上线，还是那句英文。他博客里这个标签已经攒了 151 篇。今年 9 月，开源项目 CodexRadar 的 Lambda 办了个「鹈鹕杯」，深夜上线没做宣传，一晚上近百份投稿。可灵 4.0、即梦 5.0 的测评，题目还是这只鹈鹕。

一只鸟踩踏板，凭什么当标尺？它同时压着四件事：不常见的主体、跨物种的动作映射、空间关系、跨帧一致性。全对，模型大体正常；错一样，一眼看得出来。它把「这模型最近是不是变笨了」这种说不清的体感，变成能盯着看的东西。

梗也铺得漂亮。鹈鹕骑车是 2024 年底才有的题目，片子硬说成人类六千年的痴迷，还补一句「早在自行车被发明之前」。二十幅画从头到尾没一张笔触是真的，全是 SVG 路径。

真正让我坐直的不是模型多强，是风格原来能当一个参数拨：从岩画到浮世绘到蒸汽波，换的不是技法，是画法。以前这活儿要进 After Effects，找素材、分层、对帧、调色；现在是一句话，加一段代码。

十个人，一个麦克风

《过来人》。杜甫、苏轼、刘邦、项羽、勾践、孙悟空、曹操、李白、诸葛亮、司马懿，十个人围着一个麦克风，一人一段。唱的不是丰功伟绩。杜甫说的是四十岁还在长安租房，苏轼说的是四十三岁被贬黄州、靠种地活命，刘邦四十七岁还在当亭长，亲戚都看不起他。

最狠的一句：「我不是来教你，我是来陪你走这一程。你熬的夜，你咽的话，你没赢的仗，我都有份。」

上线一天就刷屏，到 10 月 19 日抖音点赞 273 万，新华网也转了。作者是喆FILM，本名王琨喆，武汉人。2013 年进电视台，三年后自己开工作室，拍过《此心安处是江城》《琴键上的江湖》，入过全国摄影艺术展。不是 AI 圈的人，是拍了十几年片子的导演，把叙事的基本功搬到了新工具上。这是他「古人开麦 Rap Battle」系列的第八期。之前他做过《千年跑团》，让李白跑武汉马拉松；做过《用 AI「复活」爷爷》。

他说过一句话，比任何发布会的文案都好：「爱」的拼音，恰好就是「AI」。

打动人的当然不是 AI。可没有 AI，这条片子要十个人物建模、十条声线、一套编曲、一个后期团队。预算和周期摆在那儿，一个武汉的纪录片导演大概不会去做。

技术没让情感变廉价。它只是把「做出来」的成本，压到情感自己能负担的水平。

门槛塌得比想象快

抖音上有一类视频：AI 小猫坐在课桌前，用童声带小孩跟读单词。21 财经十月初那篇报道给了数字——带「AI 宠物」标签的内容 30 天播放涨了 420%，话题累计 16.8 亿次；这条赛道里涨得最快的细分，是英语启蒙。最高赞评论是：「如果我上学时有这个，我英语肯定能学好。」

小孩肯坐下来，是因为喜欢那只猫，不是因为教材编得好。教育产品做了二十年，最难解决的从来不是内容，是小孩肯不肯坐下。

更技术的一个：给口语打分。

流利说那套打分，底子是 GOP。给定文本，把录音和文本强制对齐，算似然比，比的是「这段录音有多像母语者念这句话」。声学模型喂的是几千个美国人近万小时的录音，官方口径是 433 亿句、32 亿分钟，句子、单词、音素三层打分。当年这是护城河：要人，要数据，还要把模型塞进手机做离线推理。

现在有人换了条路把它复现了。一个叫 dasheng（大声读）的开源 demo：R2T2 流式 ASR 先把话转成带时间戳的文字，跟原文逐词对齐，对不上的挑出来交给 Jev 判。Jev 是 TypeSafe 那个只做判断、不写字的模型，能答三件事——这个词念对没有（给 01 的概率）、错在哪一类、整句意思还在不在（04 分，代码再映射成 1~5）。漏读、多读、语速、停顿，本地做加减乘除就够。界面 Next.js 写的，源码一千六百多行。

边界得说清楚：它判的是文本一致性，不是音素。think 念成 sink，ASR 照样转成 think，不报警。所以它复现的是「打分的体验」，不是声学评测。流利说那套还是硬的。

但入场费不一样了。以前做能打分的口语产品，得先有语音团队；现在一个前端、一个 ASR 服务、一个判断模型，一个人一周能跑起来。好不好另说，能不能开始是另一回事。

这篇也是这么写出来的

我攒了一堆素材：群里的两句对话、鹈鹕那条视频、《过来人》、宠物英语、流利说和 Jev 的文档，连同自己的想法，一起丢给 AI。想法是散的，几句话，标一下重点，剩下让它去找。

然后语音输入。想到什么说什么，不排版，不管句子通不通，先把意思倒出来。

再用自己理好的一套写作 skill 过一遍：定结构、砍废话、把「那个那个」清掉、该补数据的地方补数据。以前我改五遍，现在改两遍。

最后部署。Hermes 跑一遍，md 进 content/posts，构建，推上去。

四个环节，三个有 AI。留下的是我的判断：值不值得写、案例放哪个位置、哪句是真心的。这些它替不了。它只是把中间那些「必须先会」的部分，降级成了「可以不会」。

破完之后

AI 是不是泡沫？我不知道。资本市场的账我算不明白，也不打算装懂。

但有个参照。2000 年那次，故事比现在动听，破得也更彻底，纳斯达克从顶点跌掉七成多。破完之后宽带铺进了居民楼，服务器便宜到学生租得起，后来 Google、Facebook、阿里巴巴做起来的成本里，都有这一笔。钱烧掉了，管道留下来。

这次大概也走同一条路。估值对不对是另一本账，但已经沉下来的东西——便宜的推理、随手能用的多模态、一堆能自己跑的开源权重——不会因为某天股价跳水就退回去。

这一周我看到的是：有人给走了的奶奶修好一张照片；有人让十个古人开口唱了四分钟；有小孩跟着一只 AI 猫念出第一个英文单词；有人用一千多行代码，把一件原本要语音实验室才能做的事，做成了网页。

判断一项技术有没有用，我不看发布会，看它有没有落在具体的人身上。这几件事都不大，改变不了世界的走向，但每一件都有名有姓。让世界变美好这道题的门槛，确确实实低了一截。

从这种意义上来讲，AI是否是泡沫已经不那么重要了，AI确确实实有在让世界变得更美好，这就足够了！

参考链接