从一张地图到一座肯德基：AI如何打开“临近可能”
前几天，我在一个三维模型网站上看到不少有趣的建筑模型。其中有道路、房屋，也有肯德基门店。
我最初只是想弄清楚一个小问题：这些模型究竟是代码生成的，还是由设计师手工制作的？
这个问题可以很快向前！让AI研究一下，然后开始自己创作，加上肯悦咖啡。
再来个夜景的：
然后，又来新的兴致了：
既然模型可以被放进网页，那么能不能把它放进我们正在建设的GIS底座？ 地图不再只有点、线、面，而是在真实位置上出现一座可以旋转、缩放、俯视的三维建筑。
再往前一步，它能不能与肯德基门店、商圈边界和选址分析发生联系？
最后，我真的把一座肯德基放进了宁德大学城的地图。
一座三维门店，是怎样进入地图的
这个项目没有从宏大的“三维城市平台”开始。
我先后看过几个肯德基模型，最后选中一个约3.89兆字节的建筑模型做测试。它包含23个网格单元、21种材质和约6.17万个三角形，不带动画，也没有外部纹理，适合先做一个小场景。
场景选择了宁德大学城商圈。
在我们使用的2026年7月份极海品牌监测的数据快照中，这个商圈包含22个真实地块，没有肯德基门店记录。最近的现有门店是福宁北路肯德基，距离商圈边界约1800.92米。
替换一下自己做的模型上线：
接下来是技术组合。
MapLibre负责地图、22个商圈地块、1公里服务半径、最近门店和关系线；Three.js负责肯德基建筑。两套技术共用同一个浏览器图形渲染环境，因此地图倾斜、旋转和缩放时，建筑能够跟随真实坐标运动，而不是悬浮在地图上方的一张装饰图片。
数据也不能直接拿来就用。原始商圈文件虽然标记为通用经纬度坐标，实际采用的是国内互联网地图常见的偏移坐标。候选点、现有门店和22个地块必须统一转换，否则建筑会与道路发生几百米的错位。
模型加载失败时，地图保留红色候选点；商圈数据失败时，建筑和文字信息仍可显示；在线底图不可用时，页面切换到本地简化背景。最后，前端16项测试、数据构建器2项测试，以及GIS底座原有的50项测试全部通过。
它还不是一个成熟的选址产品，却已经是一个真实、可运行、可继续生长的构件。
AI把一个远问题，拆成了一串近问题
过去，如果一个没有三维开发经验的人想做这样的项目，很容易先给自己划一道边界。
我不懂三维建模，不熟悉Threejs，也不知道怎样让模型跟随地图坐标运动。那就先学一门课，读一套文档，理解相机、光照、材质和矩阵。等这些都学会，也许几个月已经过去，最初的问题却还没有开始验证。
AI改变的地方，并不是让这些知识突然失去价值。它把一个看起来很远的问题，拆成了一串可以立即处理的近问题：
先检查模型能否加载；再测量模型尺寸；然后把它放到一个经纬度；接着让它跟地图共享渲染环境；再叠加商圈、半径和现有门店；最后补上失败处理、版权信息和测试。
每一步都只比当前能力多伸出去一点。
这也解释了为什么领域经验没有因为AI而变得多余。
AI可以写出坐标转换函数，却不会自动知道原始数据的坐标语义是否可信；可以生成一个红色圆圈，却不会主动区分服务半径与真实商圈边界；可以把肯德基模型放上地图，却不知道一个概念候选点为什么不能被描述成实际选址建议。
代码变得更容易获得以后，真正稀缺的东西转移到了问题选择、事实边界和结果验证。
专业人士的价值没有消失，只是从“能不能亲手写出每一行代码”，转向“能不能判断什么应该被做出来，以及做出来的东西是否可信”。
对于没有专业基础的人，AI提供了进入新领域的脚手架；对于已经身处行业的人，它则把原有经验与过去够不到的技术连接起来。
离自己近一点，不等于把目标定得更小
我后来想起万维钢老师讨论“临近可能”的文章。
“临近可能”最初由理论生物学家斯图尔特·考夫曼提出。它描述的是：一个系统在当前状态周围，总有一些只需要重新组合现有要素、再增加一步尝试就能抵达的新状态。
关键在于，新可能不会一次性全部出现。
只有进入一个新位置，下一圈可能性才会显现。
GIS离地图很近，地图离位置很近，位置离现实空间的模拟很近，空间模拟又与Three.js很近。肯德基模型、商圈数据、浏览器地图和AI原本是几样分散的东西，把它们连接起来之后，一个此前没有认真设想过的三维选址场景便出现了。
这不是凭空跨界。原有的GIS经验提供位置、数据和业务边界；开源地图提供空间底座；三维模型提供现实对象；AI承担了大量技术翻译、代码实现和错误排查。
这些要素之间都只相隔一步。
所谓突破，未必是突然去做一件与过去毫无关系的大事，也可能是把已有能力与旁边那个新零件连接起来。
“离自己近一点”因此不是降低目标，而是提高行动成功的概率。它要求我们找到一个几周内能够做成、做完后会留下真实成果、还能参与下一次组合的项目。
收藏一百个三维模型不会改变什么。看完一门Three.js课程，也未必会自动产生新的能力位置。一旦真正做出一个运行中的地图，新的问题便会自己出现：如何批量放置数百家门店？怎样让模型随缩放级别切换精度？能不能叠加地形、客流、建筑阴影和道路可达性？三维场景能否从展示工具变成决策界面？
这些问题在项目开始前并不清晰。第一座建筑进入地图后，它们才变得具体。
别急着为自己画出能力边界
AI当然不能保证每一次尝试都成功。
一个可以运行的原型，不等于完成了商业验证；一个三维场景，也不能代替实地调查、经营数据和专业选址模型。AI生成的代码同样需要测试，坐标需要核对，来源需要追溯，模型许可需要保留。
但它确实改变了一件事：我们不必等到“完全准备好”，才允许自己向外走一步。
对于空间工作者，下一步可能是把二维建筑变成立体城市，把高程数据变成真实地形，把门店点位变成可观察的街区场景；对于其他行业的人，下一步也许只是把自己最熟悉的一份数据、一个流程或一个判断，与AI提供的新能力连接起来。
不必先回答五年后自己会变成什么人。
先选择一个离自己足够近、又比昨天多出去一点的项目，把它做成，让现实中真正多出一个可以运行、可以展示、可以修改的东西。
宁德大学城地图上的那座肯德基，只是一个概念模型。但从它出现的那一刻起，三维GIS对我来说已经不再是“以后也许可以研究的方向”。
下一步该做什么，也比过去清楚了一点。