昨天我看到两张美国地图。

不是常见的行政区图，也不是遥感底图，而是像乐高积木一样的美国地形图：山脉是一层层凸起的小方块，平原铺成绿色和黄色的棋盘，整个国家像摆在桌面上的模型。

我第一反应不是“这个图有什么用”，而是：

我也想做一张中国的。

这个念头很”无聊“。它不是一个研发需求，不是甲方任务，也不是工作 KPI。就是看到一个东西，心里动了一下：这个好玩，我能不能也试试？

不会做咋整？和AI配合呗！十分钟的事儿，做出来了。

这两张图不完美，但当它出现在屏幕上的时候，我产生了一个很强的感受：未来人和 AI 的配合，不应该只停留在“任务型”，更应该转向“乐趣驱动型”。 有了这层感受，我也不想迭代了，能出来结果，就是让人开心的。

以前我们总说 AI 提效，好像它的价值就是把工作更快做完。但这次体验让我觉得，AI 更大的价值可能是：它能把很多原本让人望而却步的尝试，重新变成一件有趣的事。

一、很多探索，都是从现实里突然冒出来的

创意不是坐在桌前憋出来的。

很多时候，它来自一个很具体的场景：刷到一张图，看到一个展览，路过一条河，翻到一张旧地图，或者在朋友聊天里听到一句话。

这些东西会在脑子里点一下火。

比如我看到那张美国乐高地图，就自然想到：中国的地形如果做成乐高，会是什么样？

青藏高原会不会像一整片抬起来的棕色积木台地？东北平原是不是会变成绿色大块？四川盆地、黄土高原、东南丘陵、台湾、海南，会不会在一张桌面模型里同时出现？

这类想法很珍贵。它不是“需求分析”出来的，而是从现实里长出来的。

问题在于，过去很多想法刚冒出来，就被技术压力摁回去了。

二、传统技术流程，常常让人还没开始就累了

如果按传统方式做这张图，事情并不轻松。

你需要先准备全国 DEM，也就是数字高程模型。它记录了每个位置的海拔。然后还要准备年土地分类数据，最好是最新的，比如耕地、林地、草地、水体、建设用地等。

接着要统一投影。中国这么大，直接用经纬度做面积和距离会变形，所以要把数据转到等面积投影里。

然后生成网格，比如 20 公里或 50 公里一个格子。每个格子要去问两个问题：

这个格子里的平均高程是多少？

这个格子里占比最高的土地类型是什么？

这一步在 GIS 里叫 zonal statistics，中文常说“分区统计”。它的意思很朴素：把一张栅格数据，按一组空间区域切开，再统计每个区域里面的值。

比如，一个 50 公里积木块覆盖了一片山地，那么它里面可能有很多 DEM 像元。我们要从这些像元里算出一个代表高程。另一个积木块覆盖城市边缘，它里面可能既有耕地，也有建设用地，还夹着水体，这时候就要判断哪一种类型占比最高。

听起来简单，做起来却容易劝退。

全国 DEM 很大，土地分类也是几十个省级 TIFF 拼起来的。你要查 GDAL 文档，写 gdalwarp、gdalbuildvrt，处理 NoData，调重采样方式，还要避免把几十 GB 的栅格硬扫一遍。后面还要把统计结果变成三维模型，写 Blender 脚本，设置材质、倒角、灯光、相机，最后再导出图片。

如果是以前，我可能会在第一步就停住。

不是不会，而是会觉得太麻烦。一个“好玩”的念头，突然变成了一串沉重的技术负担。

但和 AI 配合之后，体验变了。

我不再需要把所有细节一次性想清楚。我只需要不断看进度、判断方向、提出审美要求：

这张太像像素图了。

颜色有点像鬼火。

台湾必须看清楚。

美国那张更可爱，是不是因为块更大？

然后 AI 去查代码、改流程、跑脚本、重渲染、生成预览。我关注的是：它有没有跑偏，图有没有变好，故事有没有出来。

这不是把人排除在创作之外。恰恰相反，人终于可以把注意力放回判断、趣味和方向上。

三、做出来，写出来，发出来，会反过来鼓舞你

很多兴趣真正有力量，是从“完成”开始的。

脑子里想一百遍，不如真的把图做出来。

当那张中国 LEGO 地形图出现在屏幕上时，我能很直观地看到：西部像一整块高起来的积木墙，青藏高原厚重，塔里木和柴达木带着干旱的棕黄色，东部和南方逐渐变绿，海南和台湾也作为小小的积木岛出现在画面里。

它当然还可以继续打磨。块的尺度、颜色、相机角度、图例、标签、故事线，都还有空间。

但这不重要。

重要的是，一个现实中偶然看到的灵感，已经变成了一个可见、可分享、可继续改进的作品。

这件事会给人很直接的成就感。然后你再发布一下，看看有没有人点赞。

简单描述一下方法：

再来点小细节：

而成就感不是虚的。它会鼓励你继续往下走：既然能做乐高地形图，那能不能做土地分类乐高图？能不能做黄河流域的积木剖面？能不能做三国时期的关隘地形？能不能做一个“山河如何塑造城市”的系列？

探索一旦完成一次，就会自己长出下一次。

四、兴趣驱动，会让人重新变得好奇

很多人工作久了以后，最大的问题不是不会学习，而是不再好奇。

不是没有能力，而是太多事情被包装成任务。

任务会催你交付，兴趣会引你靠近。

当一件事是任务时，你会问：多久做完？有没有必要？领导要不要？能不能复用？

当一件事来自兴趣时，你会问：还能不能更好看？还有没有另一种讲法？如果换一个尺度会怎样？如果把数据换成年份会怎样？如果把地形和历史叠起来会怎样？

这两种状态完全不同。

AI 最有意思的地方，是它降低了兴趣变成作品的摩擦。

过去你可能需要为了一个灵感准备很久，学很多工具，踩很多坑。现在你仍然需要判断，需要审美，需要基本知识，但很多脏活、累活、重复活，可以交给 AI 一起扛。

于是兴趣不再只是收藏夹里的截图，也不再只是“以后有空做”。它可以很快进入试验状态。

这会让人重新变得贪玩，也重新变得敏锐。

五、对于 GISer 和地图工作者，这里面有巨大的空间

对 GISer、地图工作者、遥感和空间数据从业者来说，这种变化尤其明显。

因为地图天然就适合创意。

同一份 DEM，可以做成写实地形、铜版雕刻、暗黑山脊、宝石蓝水系，也可以做成这次的 LEGO 模型。

同一份土地分类，可以讲城市扩张、退耕还林、湿地恢复、农田流失、绿地增加，也可以讲“一个省为什么在这里长成这样”。

同一条河流，可以是水资源地图，也可以是文明通道、边界线、城市骨架、交通走廊。

地图从来不只是数据展示。地图本质上是一种叙事方式。

过去很多地图创意卡在技术实现上：数据太大、工具太杂、流程太长、样式太难调。现在 AI 可以一起处理这些中间层，让地图工作者把更多精力放在问题意识和表达方式上。

这不是说技术不重要。

恰恰相反，技术会变得更重要。因为当 AI 能帮你写代码、跑流程、查文档时，你更需要知道什么是对的，什么是错的，什么是好看的，什么是有意义的。

AI 会放大人的判断力。

你的地理直觉越强，审美越清楚，对数据越敏感，它能帮你放大的东西就越多。

六、玩出来的东西，会反哺工作

很多人会把兴趣和工作分得很开。

工作是严肃的，兴趣是放松的。

但我越来越觉得，未来这两者会互相流动。

一次看似“玩地图”的探索，可能会让你学会一个新的 GDAL 处理办法，理解一种更快的栅格采样策略，熟悉 Blender 的低模渲染，积累一套配色经验，甚至发现一个适合正式项目的表达方式。

这次做 LEGO 中国地形图时，就遇到一个很现实的问题：全国 DEM 太大，直接平均重采样会非常慢。后来改成先用 CLCD 建网格，再按格心抽取 DEM 高程，用较粗尺度做视觉模型。

这个处理并不是“偷懒”。它提醒我：不同目标需要不同精度。

如果是严肃的面积统计，要做完整 zonal statistics。
如果是全国尺度视觉表达，合理抽样和视觉概括反而更清楚。

这种判断，以后会进入工作。

还有样式问题。20 公里格网在数据上更细，但放到全国尺度就像密密麻麻的像素，不够可爱。50 公里格网反而更像玩具模型。这个经验也会提醒我：地图不是越细越好，尺度感才是表达的核心。

兴趣探索会把这些经验悄悄攒下来。下一次遇到真正的工作难题时，它们会自己冒出来。

七、未来的工作范式，可能会越来越像这样

我现在越来越不喜欢只用“任务”来理解 AI。

任务当然重要。写报告、改代码、查资料、做表格，AI 都能帮忙。

但如果只把 AI 当成任务工具，我们会把它用得很窄。

未来更有生命力的模式，可能是：

发现兴趣 → 与 AI 协作 → 促进技能 → 更多的兴趣。

人从现实里发现一个可以探索的东西。
AI 帮人跨过技术门槛，把想法推到可见状态。
作品带来成就感，成就感激发新的好奇心。
新的探索又带来新的技能。
技能变多以后，人能看见的世界也变多。

这是一种循环。

它不只是适用于 GIS，也适用于写作、设计、编程、影像、教育、研究和很多未来工作。

真正重要的变化，不是 AI 帮我们少做了多少事，而是它让我们更愿意多试一些事。

有些事一开始没有明确价值，只是好玩。

但很多真正有价值的东西，最初都是从“这个好玩，我想试试”开始的。

所以我想，未来与 AI 配合，最好的状态也许不是每天冷冰冰地派任务。

而是保留一点孩子气，保留一点动手的冲动，保留一点看见新东西就想试试的心。

让 AI 帮我们把兴趣做成作品，再让作品把我们推向更大的世界。

上一篇文章《当 Agent 能自己绘地图了，GIS 专业还怎么教？》写 GIS 报志愿，核心意思其实很简单：
如果今天还把“学会软件操作”当成专业安全感，那这份安全感已经不太牢靠了。

AI 进展太快。四年以后，哪些岗位还稳定，哪些技能还值钱，现在谁都不好说。家长当然会关心就业，这很正常。但如果所有选择都只围绕“以后好不好找工作”转，最后很容易落到一个很尴尬的地方：大家都在猜未来，谁也没有真正触摸专业本身。

所以这篇文章，我想换一个说法。

不先讨论 GIS、测绘、遥感、空间信息科学到底值不值得报。
先给有兴趣的孩子一个小任务。

用一个周末，做一张“2026 高校预算空间地图”。

这也是为自己增加点信息，哪个学校有钱，你是不是要先考虑。做完以后，再问自己：
我到底喜不喜欢这种事？

这比看十几个专业解读视频，可能更诚实。

一、从“大学的钱往哪儿流”开始

这个题目，来自马江博老师在得到《政经参考》里的一篇文章：《看清一所大学的势头，关键要看清背后钱的流向》。

文章里提到，2026 年一些头部高校的预算很值得看。清华大学预算总经费超过 400 亿，仍然排在最前面；浙江大学、上海交通大学、北京大学也处在第一梯队。更值得注意的是哈尔滨工业大学，预算达到 258.84 亿元，较上年增长明显，和后面高校的差距也在拉大。

这些数字放在新闻里，容易被读成高校排名。

但对想学空间信息的孩子来说，它可以变成一个很好的练习题。

大学预算不是一个孤立数字。它发生在某座城市，落在某片土地上，连接着产业、科研、交通和国家战略。

这正是 GIS 值得训练的地方。

GIS 不是只把数字做成图。
更关键的是，把一个现实问题放回空间里，看看它和谁有关，离谁更近，被什么边界限制，又被什么资源支撑。

二、第一步：先把数据找出来

任务的第一步很朴素：找数据。

你可以先做三张表：

一张表放部属高校。
一张表放地方高校。
一张表放职业本科院校。

每张表里，包括这些字段（最好有数据来源链接，方便你去抽查）：

学校名称、主管部门、预算总额、预算年份、数据来源、备注。

你可以用豆包、Kimi、千问、秘塔，或者任何你顺手的 AI 搜索工具。工具不重要，关键是你怎么用。

我用的是kimi code。 这里有一个硬要求：
AI 给出的每一个关键数字，都要回到原始来源核对一次。

这一步不能省。

很多人第一次用 AI 做研究，会有一种错觉：答案来得很快，事情好像已经完成了。其实没有。AI 给你的，往往只是一个“候选答案”。它可能混入旧数据，也可能引用二手转述，还可能把不同口径的数据放在一起。

空间信息专业里，最基础的一种能力，就是对数据保持警惕。

你要问：

这个数字是哪一年？
是预算数，还是决算数？
是学校本部，还是包含附属单位？
是部属高校口径，还是地方财政口径？
同一所学校在不同来源里数字不一致，该以谁为准？

这些问题看起来烦，但很重要。

如果你不愿意核数据，只想要一个漂亮结论，那么你可能并不适合做空间信息，或者你不喜欢数据工作。

这句话有点伤人，但我觉得对报志愿的孩子反而是好事。早点知道自己烦什么，比上了大学以后才发现要好。

三、第二步：给学校找到位置

有了学校名单和预算数据，下一步是找坐标。

这一步开始进入 GIS 的基本训练。

学校名称只是文本。
坐标才让它落到地面上。

你可以先用高德百度找到每所学校主校区的位置，记录经纬度。刚开始不必追求完美，但要把规则写清楚：你取的是主校区、行政办公区、招生页面中的校址，还是地图平台上的默认位置。

做这一步时，你很快会碰到问题。

比如，一所大学可能有多个校区。
有的学校在一个城市里分布很散。
有的学校还有异地校区。
有的大学本部和产业园、科研院所、高新区关系很近。

这时，你会发现一个很具体的困难：
到底哪个点代表这所大学？

这个困难很好。

因为专业训练就从这里开始。

空间数据从来不是“找到一个点”这么简单。它背后有定义、口径和取舍。

如果你把哈工大只看成哈尔滨一个点，那威海、深圳怎么办？
如果你把浙江大学只看成紫金港一个点，那玉泉、西溪、华家池怎么办？
如果一所职业本科院校有多个实训基地，你该不该纳入？

这些问题没有唯一标准。
但你必须给出自己的标准。

坐标！这就是空间建模的起点。

四、第三步：试着找校园边界

坐标是点数据。

校园边界是面数据。

这一步会让任务变得更像真正的 GIS 练习。

你可以尝试从高德地图数据里找到学校 AOI，也可以在地图平台中观察校园边界。如果拿不到可靠边界，也可以先手动画一个粗略范围，但一定要在备注里写清楚：这是估算边界，不是官方范围。

这句话很重要。

一个合格的地图制作者，必须知道自己的数据靠不靠谱。

点数据和面数据的差别，很多教材都会讲。但真正理解它，最好还是亲手做一次。

一个点可以表示“这所学校在这里”。
一个面会告诉你“这所学校占了多大范围”。
再往后，你还可以继续叠加地铁、高铁站、产业园、科研机构、城市新区、医院、河流、山地、行政边界。

你要是能让AI 将高德的这个边界获取下来，那你绝对是爬虫高手了。挑战一下自己。即便不行，也可以试试别的方案，你听听AI的建议。

到这个阶段，你已经不只是在做高校预算表了。

你开始处理一个空间问题：
资源集中在哪些城市？
这些高校和哪些产业空间相邻？
哪些学校预算高，但空间上相对孤立？
哪些学校预算未必最高，却处在区域发展的关键位置？

这时候，地图会开始说话。

但也要小心。

地图说话，不等于地图说的都对。

五、第四步：做一张交互地图

接下来，把表格、坐标、边界放到一张交互地图里。

技术路线可以很简单。
你可以用现成在线地图工具，也可以用 QGIS、极海的Heycloud，但大概率这些信息，你还不掌握，就试试与AI对话，最好能找一个CLI的工具，开始让AI直接在本地写代码。

先别追求复杂功能。

最小可行版本可以这样，直接就用简单的语言布置任务：

点的大小代表预算规模。
颜色代表学校类型。
点击学校后，显示学校名称、预算金额、主管部门、所在城市、数据来源。
如果有校园边界，就叠加边界。
如果没有，就只显示点位，并在说明里标注数据限制。

这一版做出来，已经有价值。

因为它把一个抽象话题变成了可观察的空间分布。

你会看见：钱并不是平均流动的。
你也会看见：大学和城市之间，不是简单的“学校在城市里”，而是彼此塑造。

有些城市靠大学增强科研厚度。
有些大学靠城市获得产业外溢。
有些学科方向，背后对应的是国家长期投入。
有些地方高校，预算不如头部学校耀眼，却承担着非常具体的区域任务。

这些东西，只有放到地图上，才更容易被看见。

GIS 的价值，不在于让数据变得更漂亮，而在于让关系变得可讨论。

这是我希望准大学生们通过这个小任务体会到的第一件事。

kimi给我交付的第一版也挺“丑”的。但毕竟出来地图了，不是吗？

六、第五步：写一段发布文案

地图做完以后，不要只存在电脑里。

试着写一段小红书文案，或者发到朋友圈、公众号草稿、学校社群里。

标题可以很直接：

我用 AI 做了一张 2026 高校预算地图
从一张地图看大学的钱流向哪里
报志愿前，我把高校预算做成了地图

正文不要装专家。

你就写清楚几件事：

我找了哪些数据。
我用了哪些工具。
我核对了哪些来源。
我遇到哪些麻烦。
哪些学校让我意外。
哪些城市的高校资源让我意外。
这张图还有哪些不准确的地方。

这一步看起来像运营，其实也是专业能力。

很多 GIS 成果最后不是坏在分析，而是坏在表达。

图做出来以后，别人看不懂。
图例写得含糊。
颜色暗示过强。
数据限制没有说明。
结论说得太满。

这些都会让一张图变得危险。

空间表达不是把地图发出去，而是让别人知道这张图能说明什么，也不能说明什么。

这正是 AI 时代更需要人的地方。

AI 可以帮你生成底图，帮你整理数据，帮你写代码。
但它不会替你承担判断后果。

这六张图，是经过几次迭代，我的文案。

七、这个实验真正测试的是什么

这个周末任务，表面上是在做高校预算地图。

其实它测试的是几件更底层的东西。

你是否愿意找数据。
你是否愿意核来源。
你是否能忍受数据不完整。
你是否会因为一个坐标不确定而继续查。
你是否愿意把一堆零散信息组织成一张别人能看懂的图。
你是否会在图做出来之后，继续追问它有没有误导。

这些东西，比“会不会点某个软件按钮”更接近空间信息专业的真实能力。

当然，一个高中毕业生不可能一下子做得很专业。
这没关系。

你可能会把边界画得很粗。
你可能会漏掉一些学校。
你可能会发现不同来源的预算数字对不上。
你可能会被坐标、AOI、GeoJSON、投影、图层这些词弄得有点烦。

都正常。

真正要观察的是：
你在烦的时候，是想关掉电脑，还是想再查一下？

这个差别很关键。

兴趣不是坐在房间里想出来的。兴趣常常是在做一件具体事情时，被自己的身体反应识别出来的。

有的人看到表格就痛苦。
有的人看到地图就想放大。
有的人喜欢查错。
有的人喜欢找规律。
有的人会对“学校、城市、经费、产业”之间的关系产生好奇。

这些反应很诚实。

八、为什么这个任务适合报志愿前做

现在的专业介绍太多了。

每个专业都能说得很漂亮。
交叉融合，前景广阔，服务国家战略，面向未来需求。
这些话不能说错，但听多了也很难帮助孩子做选择。

孩子真正需要的，可能不是更多介绍，而是一次低成本试做。

过去这件事不容易。
没有数据，不会软件，不懂代码，没人带，很多孩子根本摸不到专业的边。

现在 AI 至少把门槛压低了一点。

你可以让 AI 帮你找数据。
让 AI 帮你整理字段。
让 AI 帮你写一个地图页面。
让 AI 帮你改文案。
再由你去核对、判断、取舍、解释。

这个过程很适合准大学生。

因为它能让孩子建立一种很重要的东西：自我效能感。

所谓自我效能感，说得朴素一点，就是：

我发现自己可以靠工具、靠搜索、靠试错，把一个原本陌生的问题往前推进。

这件事对年轻人很重要。

尤其在 AI 时代，很多孩子会产生一种无力感：
机器这么强，我学什么还有用？

这个问题不能靠鸡汤回答。

最好让他亲手完成一个小项目。

做完以后，他会更清楚：
AI 很有用，但它需要人提问题。
AI 很快，但它需要人核真假。
AI 能生成结果，但它需要人解释边界。
AI 能帮你走很远，但方向仍然要自己判断。

这比空讲“拥抱 AI”要扎实得多。

九、回到 GIS 和测绘本身

所以，如果今年有孩子问我：

GIS 还能不能报？
测绘还能不能报？
遥感还有没有前途？
空间信息以后会不会被 AI 替代？

我可能不会先回答结论。

我会建议他先做这张高校预算地图。

做完以后，再来看这个问题。

如果你在这个任务里感到兴奋，说明你可能对空间关系、数据证据、地图表达有天然兴趣。
如果你愿意把一个模糊问题拆成数据、坐标、边界、图层、交互应用和公开表达，那你已经摸到了一点专业核心。
如果你在过程中开始怀疑数据，怀疑边界，怀疑图上的颜色会不会误导别人，那更好。

因为这正是未来空间信息专业最值钱的部分。

软件会变。
平台会变。
AI 工具会变。
但现实里的空间问题不会消失。

城市怎么扩张。
老人怎么就医。
洪水怎么预警。
物流怎么布点。
学校和产业怎么相互支撑。
矿山、耕地、道路、河流、社区、医院、工厂，怎么被记录、被计算、被遗漏。

这些问题都在地上。

只要问题还在地上，空间信息就还有价值。

只是它不能再满足于训练操作员了。

它要训练的是一种人：
能把现实问题翻译成空间问题，能识别数据里的漏洞，能组织证据，能用地图说清楚，也能提醒别人不要轻信地图。

十、最后说给孩子，也说给家长

报志愿这件事，当然要看学校层次、专业实力、城市资源、家庭条件。
这些都现实，不能假装不存在。

但在这些之外，我建议再加一个动作：

让孩子在报志愿前，亲手做一个和目标专业有关的小项目。

想学 GIS、测绘、遥感，就做一张高校预算地图。
想学计算机，就做一个能真实解决小问题的工具。
想学建筑，就去观察一条街的空间使用。
想学医学，就认真读一个疾病诊疗路径。
想学财经，就跟踪一家公司从收入到现金流的变化。

不要只听专业介绍。
要让孩子碰一下专业的真实材料。

因为一个人适不适合某个方向，往往不是听出来的，是做出来的。

如果这个周末，有孩子真的把高校预算数据找出来，把学校坐标标上去，把边界试着画出来，再把交互地图发布出去，哪怕做得粗糙，我都会觉得挺好。

Ta至少完成了一次从问题到数据、从数据到地图、从地图到表达的闭环。

这个闭环，比一句“我对 GIS 感兴趣”更可靠。

做完以后，再问自己一句：

我愿不愿意继续把这张图做得更准，更好看一点？

如果答案是愿意，那就可以认真往下走。

很多专业选择，真正开始的地方，可能不是录取通知书。

而是一个孩子第一次发现：
原来我可以把世界上的一件事，放到地图上，看得更清楚一点。

昨天开始，全国各地陆续公布 2026 年高考分数。志愿填报群和家长圈子里很快会出现同一类问题：什么什么专业还能报吗？当然 ，肯定有 GIS 专业还能报吗？

要是朝着为选工作而报专业的思路去盘算，要我说：四年以后，学啥专业都不见得能找到“好工作”。咱们就粗鄙的把好工作定义为：稳定、挣钱哈。

你就瞅瞅这 AI 的进展吧，一日千里一点都不夸张，更何况四年？想四年以后工作的事儿，真的——想多了。

说句实在的，现在选大学，选专业，分数够了，能好点的学校就去；专业上，就挑孩子自己感兴趣的得了——简单。哪些算是有兴趣的？我提个建议，读下面这本书，看看里面的案例，哪个让孩子觉得有意思，就先作为候选池子。

但我担心的是，没有几个准备报志愿的年轻小伙小姑娘能沉下心来看完一本书，更让人担心的是：Ta对什么都不感兴趣，什么都没有意思。

还是说GIS大学教育

不说那些难受的选择了。聚焦咱们GIS。过去十几年，GIS 至少有一套清楚的许诺：学会 ArcGIS、会配投影、会做缓冲区、会写一点 Python，找工作总归有个门槛在（工作不一定好找）。门槛一旦存在，专业就有安全感。家长放心，老师也放心。

可这两年，门槛在垮。很多老师心里其实已经有数了，只是不好明说。

我听过一个场景。专业课布置作业，用 ArcGIS Pro 做一套基础空间分析。以前学生要折腾半天，坐标系错了，字段乱了，步骤漏了，做完一身汗。现在有人把任务描述扔给 Agent，五分钟出流程，十几分钟把结果交了。图未必完美，但已经像样。教室里最尴尬的，不是学生偷懒，是老师忽然发现，自己花一学期反复训练的东西，正在快速贬值。

这才是今年报志愿时，GIS 面前真正的问题。问题不在于这个专业有没有用。问题在于，如果最容易教、最容易考、最容易量化的那部分能力，机器已经比人便宜，GIS 还要拿什么吸引一个18岁的学生？

曾经值钱的本事，正在变成基础电力

GIS 这行有个老传统：把熟练操作软件，当成专业性的主要证据。

这件事放在过去是成立的。因为软件复杂，数据脏，流程长，很多活确实要靠经验一点点攒。你会不会裁剪栅格，会不会批处理影像，会不会处理坐标转换错误，这些都能拉开差距。一个实验室里，老师最器重的，常常就是那个“能把软件跑通”的学生。

可 Agent 出现以后，这套价值排序变了。

它最先吞掉的，偏偏就是这类流程化技能。菜单路径会忘，人会慌，Agent 不会。字段映射容易错，人会卡，Agent 可以反复试。过去那些“学会就很像专业人士”的动作，越来越像开车前学会调后视镜：当然还得会，但谁也不会因为你调得熟练，就认定你是个好司机。

这会带来一个很难受的关系变化。学生和课程之间，开始出现一种新的不信任。学生会问：我花四年学的，为什么网上一个工具十分钟就能做出七成？老师也会问：如果考试还在考操作步骤，我到底是在筛选能力，还是在筛选谁更像说明书？

很多专业的危机，不是因为知识没用了，是因为课程还在奖励已经变便宜的东西。

GIS 现在就走到这一步了。

真正变贵的，是把现实翻译成空间问题的人

但老师们，先别急着给 GIS 判死刑。软件操作变便宜，不等于这个专业变便宜。

恰恰相反，真正稀缺的那部分，价格在往上走。

举个很现实的例子。一个县城想知道，为什么新建公交站点后，老年人就医依然不方便。这个问题看起来像交通问题，扔给工具也能生成热力图、服务区、多时段可达性分析。可图出来以后呢？你要决定用什么时间尺度，选步行还是骑行，医院分级怎么算，老年人的真实出行半径取多少，数据里没记录的人怎么办。

这些判断，Agent 不替你负责。

也就是说，GIS 里最值钱的能力，慢慢从“会做图”变成了“知道为什么做这张图，知道这张图哪里靠不住”。

这是空间问题建模的能力。它听起来有点抽象，落到现场其实很具体：业务部门说的是堵车、选址、外卖覆盖、学区焦虑、洪水风险，你得把这些话翻译成空间关系、变量、尺度、约束条件。翻得不对，后面所有精致分析都白搭。

还有一种更稀缺的能力，很多课程现在几乎没认真教过：数据批判。

地图给人的错觉太强了。只要颜色铺上去，边界画出来，很多人就自动相信它。可做 GIS 的人应该知道，地图从来不是事实本身，它是一次压缩、筛选和取舍。底图更新到哪一年，POI 漏了哪些街边诊所，遥感影像被云遮了多少，行政区划一改，时间序列还能不能接上，里面全是坑。

以前大家忍这些坑，是因为做图本身已经够难。现在工具把出图门槛压低了，“看穿地图”的能力反而比“生成地图”的能力更少见。

这也是我觉得 GIS 还值得报的地方。前提是，你报的不是一个“教你怎么把软件点熟”的 GIS。

GIS 教育最该改的，不是课程名称，是师生之间那层默认关系

很多专业改革喜欢从目录开始：新增 AI 导论、遥感智能解译、空间大模型应用。加几门新课当然有用，但我总觉得，这还没碰到最疼的地方。

最疼的地方，在师生关系。

过去默认的关系是这样的：老师掌握软件和流程，学生通过模仿获取专业身份。你跟着我做，你就入门了。这套关系能成立，是因为老师手里确实握着一部分学生短时间拿不到的技能。

可今天，这层关系在松动。学生不再天然依赖老师教“怎么做”，Ta们更快会去问工具。老师如果还把自己放在操作守门员的位置上，迟早会碰到那种沉默时刻：你刚讲完一个工具箱，下面已经有人用 Agent 生成了三套替代方案。

这不是学生不尊重老师，是分工变了。

以后真正站得住的老师，可能更像导演，或者说编辑。Ta不靠垄断步骤赢得权威，Ta靠三件事立住：第一，逼学生把一个模糊现实问题说清楚；第二，逼学生解释每个数据假设从哪来；第三，逼学生对图的表达负责。图例为什么这么分级，底图为什么这么淡，为什么这张图让人误解，为什么这张图值得做。

说白了，课程应该少一点“把结果做出来”，多一点“把判断讲明白”。

期末作业也一样。以前常见要求是交一张专题图、一份分析报告。以后更该追问的是：你为什么选这个问题？你的数据遗漏了谁？如果把尺度从街道换到社区，结论还成立吗？你做的不是图，是一个关于空间现实的判断。判断要能经得起人追问。

工具越聪明，课堂越不能装作没变。

当然，我最最期待的是，老师能为没个学生心中埋下一粒种子：这个世界，还有一个空间问题等着我，甚至只有我去解决。

今年报志愿，GIS 仍然值得。只是得先问一句：你想学的是哪一种 GIS

如果一个专业还把主要精力放在软件操作背诵、流程重复训练、标准答案式出图，那它对今天的考生吸引力会越来越弱。这不是 GIS 一家的问题，很多应用型专业都会撞上这堵墙。

可如果一个专业愿意承认现实，愿意把训练重点挪到空间建模、数据判断、表达能力、跨学科协作上，GIS 反而会重新变得锋利。因为城市治理、物流网络、灾害预警、环境评估、商业选址，这些问题都还在，而且越来越依赖空间视角。地图没退场，退场的是那种把地图当成软件熟练度证明的年代。

所以，高考出分这天，如果有人问我 GIS 还值不值得报，我不会劝退，也不会热情兜售。我只会多问一句：

你想去学一个会不断把人训练成操作员的专业，还是去学一个逼你理解现实、怀疑数据、组织空间证据的专业？

这两个都叫 GIS。

差别很大。

再过几年，真正让一个 GIS 毕业生拉开差距的，可能不是Ta会不会做缓冲区分析。是开会时，别人都盯着图看，Ta先问了一句：这张图里，谁没被算进去？

碰到 GitHub 上一个项目，叫 GeoCode。看着不算复杂，就是把 GDAL、QGIS 和 Google Earth Engine 这些原本分散的能力，塞进了一个对话框里。开心的是，这个项目是中国地大的三人小团队制作的。

但让我真正起反应的，不是这个项目“能干什么”，而是它正好尝试了新型 GIS 的形式。

我多次写文章表达，以前做 GIS，工具像一道门。你得会脚本、会处理环境、会应付报错、会折腾数据。谁能熬过这套流程，谁才算入门。工具不是为你服务的，你得先向工具证明自己。

现在不一样了。你说一句话，它去调数据、写脚本、出图，再按你的要求返工。过去那条很长的入门路，被压缩成了一个对话框。

这不是简单的效率提升，而是专业门槛在挪地方。

被压缩的不是工作量，是入场券

我拿这个项目做了个大活：调用 Google Earth Engine，找到 CLCD 数据集（武大黄昕教授团队发布的跨 40 年 30m 分辨率土地覆盖），提取广东省不透水层作为建成区范围，再统计广东哪个村建成区增长最多。

40 年的 tif统计，与广东所有行政村（剔除社区，街道）做交叉。

按老办法，这大伙儿怎么也得折腾个大半天的。找数据、写脚本、改参数、统一投影、做统计、再把图调顺眼，中间随便错一个字段名，都得重来。

这次，前面的 GeoCode 自己的配置我用的是免费的 DeepSeek flash，后面的数据分析和制图用的是 pro。我主要做两件事：下指令，挑毛病。

开始出来的图，确实很普通，像个能交差的草稿：

我继续让它改。颜色不行，重配；重点不够，强化；版式太平，重做。最后一路调成这样，而这个过程中，根本没打开 QGIS，没有访问 GEE，没有看 GDAL 的代码：

这里最有意思的，不是“AI 帮我省了时间”，而是另一件事：过去决定你能不能做的，是你会不会写；现在决定你做得好不好的，是你会不会嫌。

以后最稀缺的能力，未必是出手，而是挑错。

专业没有消失，只是从手上移到了眼里

很多人看到这种工具，第一反应是：那 GIS 专业人员是不是要被替代了？

我觉得没那么简单。还是那个感觉，被替代的，更多是机械操作、重复劳动、环境配置这类活。真正难替代的，是你知不知道该问什么问题，能不能看出结果哪里不对，能不能把一张“正确的图”，改成一张“有判断的图”。

AI 能很快做出地图，但它不知道哪张地图值得做。

这才是关键。

过去很多人的专业感，其实一半来自洞察，一半来自门槛。门槛高，所以显得专业。可一旦门槛被打穿，真假专业就会被重新分层。会点命令的人，未必还能保持优势；真正懂空间关系、数据质量和表达逻辑的人，反而更容易被看出来。

说白了，工具普及的终点，不是专业消失，而是滥专业消失。

新门槛，已经不是“你会不会”

我最后甚至有点黑色幽默地觉得：你离专业 GISer，难度可能真就只差一张能注册 Google Earth Engine 的信用卡。

听着像玩笑，其实很现实。旧门槛是“你不会”。新门槛则变成了：账号、权限、算力、模型费用、数据治理能力，以及最重要的一点——你有没有判断力。

AI 没有取消差距，它只是把差距从技能差，改成了接入差、判断差和组织差。

所以问题已经不是：“AI 会不会替代 GIS 专业人士？”

而是：当工具开始会说人话，专业人士还能拿出什么，是工具拿不出来的？

答案大概不太体面，但很清楚：

以后最容易被淘汰的，不是不会的人，
而是只会旧门槛的人。

在极海微信公众号后后台收到私信：“你好，有没有施展《山河》的高清地图？”

我很纳闷啊。我们极海主营是做品牌监测和商业选址，又不是星球研究所。难倒是我们公号中的地图做多了有吸引力？

但这个需求，也说到我心坎中了。拿到施展老师的《山河》，读的时候，脑子里确实会冒出一幅一幅的地图：山脉像骨架，河流像血管，帝国、贸易、战争、族群，都在上面移动。虽然书中已经配了插图了，但是太少了啊！谁都想要一张张的大图，把这些关系一眼看透。书中的每个故事都值得配一张高清大地图！

天天用 AI，都已经盲目自信了。我当时的第一反应是：这事交给AI，半天搞定。

DEM数据是现成的，配色方案网上一搜一大把，施展老师书里的地名都是明确的。甚至这些都不用，直接跑 OpenAI 的 Image2 不就完了吗？我甚至已经在心里想了测试提示词——“请生成一张以Robinson投影为基础的全球地形图，突出亚洲山脉走势，配色参考NASA Blue Marble……”

然后 Image2 给了我一张图。

说实话，做的挺好的。

山在那里。水也在那里。但真要它落实做河山中的故事时，怎么都做不好，标注的不准确，输出的山和水，很多是瞎编的位置。

是不是煞有介事的胡说位置？

真正的问题不是"生成"

上面这张图乍一看，山和水都在，配色不算难看，地名标注也有模有样。但你一旦拿它去对书里的故事，问题就涌出来了——标注位置非常不准确，山脉河流很多是瞎编的，它在用一种"看上去很对"的方式胡说八道。地图最怕的不是丑，是假。一张假地图比一张丑地图危险十倍，因为你可能信了它。

但用生图的方式制作地图，毛病还不止于此。不是差在渲染，不是差在数据准确性，是差在判断。

哪座山该亮，哪条河该暗。平原应该安静到什么程度，山脊应该锐利到什么程度。长江和黄河不能用同一种颜色渲染，因为它们在书里承担的角色完全不同——一条是分界线，一条是发动机。

AI能画出一百座山，但它不知道哪座山该站在前面。这些东西，提示词里写不出来。不是AI不够聪明。是我自己没想清楚。但，施展老师肯定是想清楚了。

AI最容易给你一张图，最难给你一套判断。而我一直以为自己有判断，直到被迫把它说出来。

笨办法才是脚手架

我退回去，还是走 GIS 专业软件的老路线。做图这事儿，还是一步步来。

我曾经买过晨辰老师（也是我esri 原来的老同事）的课程 （https://mp.weixin.qq.com/mp/appmsgalbum?action=getalbum&__biz=MzkxOTYwMDgxNw==&scene=1&album_id=2913035794280628225&count=3#wechat_redirect）

让 AI 阅读PDF教程里的"宝石绿地图"做法，将过程细致的拆出来。不是让AI"复刻风格"，而是逐个追问：DEM怎么读？色带怎么映射？海洋和陆地怎么分层？阴影怎么叠压？高山为什么发红？水面为什么不能抢掉陆地的层次？

原教程在ArcGIS Pro里做。我让AI配合，把整套流程用 CLI-Anything 迁移到QGIS和命令行工具里。只要给了大模型必要的知识，比如CLI-Anything QGIS 的 skill， GPT 5.5 这样的模型几乎不会出问题。

但有时候你又要和 AI 互动。比如阴影。学过 GIS 的，谁都知道"hillshade"这个词。但当AI问我"光源角度设多少，混合模式用正片叠底还是柔光，不透明度要不要随海拔变化"的时候，我发现自己判读不出来哪些参数设置回更好。

这就是脚手架的意思。

不只是搭给AI的。也是搭给自己的。

你不能跟一个摄影师说"拍出那种感觉"，然后期待Ta读心。你得说出光从哪来、景深要多少、主体在画面的什么位置。说不出来，不是摄影师的问题，是你的眼睛还没有被训练过。

晨辰老师的教程就是我制作漂亮地形图的第一副眼镜。没有它，AI和我都在黑暗里乱撞。

后来我把宝石绿改成了宝石蓝。准确说，不是把整体意向涂蓝，而是让水体承担"宝石蓝"的视觉记忆，陆地保留绿色、橄榄色、暖红色。平原安静，山地站出来。其实这个效果还是不如晨辰老师的宝石绿好（大洋底的地形没出来），但这只是个阶梯，让GPT 5.5 熟悉这个任务应该迈过去的第一个台阶。

安徽这块试金石

接着我们拿安徽做实验。

安徽不是一张平板。淮河分南北，皖南有山，巢湖有水，长江擦境而过。它足够复杂，又没有复杂到失控。

我要将安徽的水系加入地形图中，充当宝石那个蓝。技术上最麻烦的事，说出来有点搞笑：HydroRIVERS数据里，有些河流中心线会直接穿过湖泊。在数据表里这只是一行坐标，但画到图上，就像有人拿蓝色马克笔在湖面上硬划了一道。

AI不觉得这有问题。它忠实地渲染了每一条线。

我觉得不对劲。 但"不对劲"不是一个参数，没法写进代码里。我只能告诉AI：这条线穿过了湖泊，需要裁掉。AI说好的，然后裁掉了。下一张图里，另一条线又穿过去了。

到后来我意识到，这才是真实的协作关系：AI把所有可能性摊开，人负责说——要这一个。

关系的反转

说到这里，一个有意思的事情发生了。

项目刚开始，我和AI的关系很像甲方和外包。我下单，它交活。不满意，打回去。再不满意，换个提示词重来。几轮下来双方都疲了——当然AI不会疲，疲的是我，以及我对这段关系的耐心。

但当我开始拆解晨辰老师的教程，事情变了。我不再下单，我开始教。教的过程中，我发现自己也是那个需要学习的人。这就有意思了。

我以为我在训练AI做地图。

实际上，AI在逼我承认：我从来没有真正想清楚一张好地图长什么样。

这个反转是整个项目里最值钱的东西。它不是技术收获，是认知收获。过去我卡在软件按钮上——ArcGIS Pro怎么点，QGIS怎么配，GDAL怎么写参数。现在这些可以交给AI。人腾出来的注意力去了哪？不是去偷懒了，而是被推到了一个更难的位置：你到底想要什么？你的标准是什么？你能不能把那个模糊的"感觉"变成一句清晰的话？

大多数人期待AI是一个替你跨越终点的工具。把书丢进去，高清地图出来。但真正发生的是：AI把终点推远了，同时把通往终点的路照亮了。你走不走，它不管。

山脉不是山脉

搭了前面的脚手架（AI 有了上下文），我试试把《河山》序言中的故事一股脑塞给 GPT 了。

做康熙、乾隆的山川叙事图，这才真正走到最智能的一步。

不是画山画水。是把文本里的历史关系拆成空间关系。长白山、泰山、冈底斯、天山、黄河、长江——在地理数据库里，它们是坐标点。在施展老师的叙述里，它们是角色。

山制造差异。水打开通道。叙事把差异装进共同秩序。

这套东西不能从提示词里长出来。它需要人先读懂书，把书翻译成空间语言，再把空间语言翻译成AI能执行的任务清单。每一层翻译都会丢东西，每一层都需要人把丢掉的东西找回来。而 AI 要从读懂，到用 QGIS 完整的制作出地图来。

但这图是现在我中国的范围图景啊，不是大清时代。复现大清帝王的地理观，世界观，好办，上提示词，改。顺便修修颜色，地形夸张度啥的。

黄河上游的河道清晰了，放大了看，也能明白为啥叫做“太行八径”。

这时候你回头看，整个项目不是一条流水线，而是一圈一圈往上绕的楼梯。简单地形图→水系图→地形水系叠加→从文章里抽取地图故事→故事打磨图。每绕一圈，AI记住一点东西，人也长出一点品味。

这是一个新启发，在与 AI 协作的时代，被训练的不只是AI。

高清不是分辨率

所以如果今天再有人问我：你有没有施展《山河》的高清地图？

我不会回答有或者没有。

我会说：可以做。但它不是一张图的问题。它是一连串判断的问题——哪座山要亮，哪条河要暗，哪些地名必须出现，哪些故事不能靠一张图硬塞。这些判断不在任何数据库里，也不在任何大模型的参数里。它们只在一个地方：在你愿不愿意老老实实搭脚手架，然后一层层把模糊的东西磨清楚。

地图最后会出现。山会起伏，水会发光，故事会落在地形上。

但在那之前，最难的那件事已经发生了——不是AI学会了画山河，是你终于知道自己想看见什么。

最近我和 Codex/Cola 协作，有一个很微妙的体会：单个任务的效率变高了，但总工作时间反而变长了。

以前做一个 GIS 项目，比如抓链家的小区数据、清洗边界、接地铁、做板块分析，我知道这事不可能一天搞定。做到晚上某个时间点，心里会自然出现一个暂停键：算了，明天再说。

AI 助手也可以有这个暂停键，但我不舍得停。

我说“帮我把瑞幸门店接到北京板块上”，它一分钟就跑完了；我又说“那再加地铁覆盖率看看”；它又跑完；我再说“如果加小区、房价、教育指数，会不会能看出开店机会？”它继续往前推。

于是一个原本很小的任务，慢慢滚成了一个大货。

这件事危险，也迷人。危险在于容易停不下来；迷人在于它真的淌出心流。你不是在刷短视频等刺激，而是在不断提出更好的问题，马上得到反馈，再把反馈变成下一个问题。大脑里那种期待之乐和征服之乐交织起来，时间感会变淡。

刚好我在复习万维钢老师的现代思维工具100讲，其中《主动高认知负荷：注意力的 Pro 模式》正好解释这件事儿。他讲了一个很关键的观点：真正的专注，不是靠意志力硬扛，而是让任务本身调用足够多的注意力资源。外在负荷要降，真正带来学习和产出的是增益负荷。换句话说，快乐不是来自“轻松”，而是来自你主动把世界变成一道刚好够难的题。

AI 助手最有意思的地方也在这里：它不是替你少想，而是替你卸掉杂活，让你有余力想更复杂的东西。

我有一个真实的小项目示范：如何从“瑞幸在北京开在哪儿”这个小问题，一步一步进入 GIS 与品牌位置分析的心流。

这次数据里还有一个重要主角：极海品牌监测的集店圈。除了集店圈，瑞幸门店、兴趣点、地铁线路和站点都来自极海品牌监测生产的数据，坐标是高德的gcj02。

北京小区、链家板块是百度坐标。我为了可以自定义底图的样式，选择了 WGS84坐标的OSM 。咱们专业GISer干活，得让地图真的是在 GIS 中工作，而不是几层数据粗暴叠上去，我用QGIS中的geohey 坐标转换插件将所有的数据转成 WGS84，再做空间连接。

任务 0：先别宏大，从一个小问题开始

我的第一个提示词很简单：

把北京瑞幸门店按链家板块归属统计一下。先别建分析模型，只告诉我哪些板块已经很密，哪些没有店。

这一步用到本地数据：

• • 极海品牌监测生产的瑞幸咖啡门店表，数据日期 2026-05-30，北京 1536 家门店；
• • 极海品牌监测生产的北京集店圈，15048 个微片区；
• • 极海品牌监测清洗的北京兴趣点，用于观察商业、餐饮、办公和生活服务；
• • 北京链家板块边界，255 个板块；
• • 北京小区边界，7473 个小区；
• • 板块地铁覆盖率、教育指数、房价和二手房活跃度等已处理指标。

第一张图不再只是把门店点上去，而是做成一个 GIS 监测视图：底图、地铁、板块、门店和高机会微片区同时出现。

这张图的价值不在于答案多高深，而在于它把注意力预加载起来了。

看到地图后，你开始看到问题：中心城密度很高，通州、回龙观、望京、CBD 一带明显被点亮，但有些轨道条件不错、社区也不弱的板块，瑞幸并没有那么多。

这时候最容易发生心流的入口出现了：不是“我完成了”，而是“我还想再看一眼”。

任务 1：加一个变量，问题立刻变聪明

第二个提示词：

把板块地铁覆盖率和 1km 站点数接进来，看看瑞幸是否更偏向轨道交通友好的地方。

这一步开始从“点位统计”进入“城市机制”。

咖啡店不是随机落点。瑞幸尤其依赖通勤、办公、学校、社区复购这些高频路径。地铁不是全部，但它是一个很好的入口变量。我们不需要一开始就完美，只需要让问题多一层结构。

AI 的价值开始显现：它帮我做空间关联、字段合并、异常检查、导出结果。我不用把注意力花在重复操作上，可以一直停留在判断层面。

这就是万老师说的“降低外在负荷”。真正让人上头的不是复制粘贴字段，而是追问：为什么这个板块地铁很好，门店却少？

任务 2：再加居住底盘，模型开始有解释力

第三个提示词：

再把小区数、二手房挂牌量、均价接进来，区分办公流量和社区复购可能。

这一步加入了社区规模和房产活跃度。一个板块有没有开店空间，不能只看地铁，也要看周围是否有足够稳定的生活半径。

于是问题变成了：

• • 这个板块有没有足够多小区？
• • 二手房活跃度是否说明它是成熟生活区？
• • 地铁是否能带来通勤流量？
• • 现有瑞幸数量是不是已经过饱和？

注意，任务此时已经变难了。你需要同时托举多个变量：板块边界、门店点、小区、多指标、现有密度、潜在需求。

但这不是坏事。恰恰是这种难度，把走神挤出去了。

任务 3：先做一个粗糙但可讨论的机会分

第四个提示词：

不要追求完美，先用社区规模、二手房活跃度、地铁覆盖、板块复合分做市场底盘，再扣掉现有瑞幸饱和度，给我一个机会差。

我让 AI 先做一个演示模型：

市场底盘 = 社区规模 + 二手房活跃度 + 地铁覆盖 + 站点数 + 板块复合分 + 教育指数

当前饱和度 = 现有瑞幸门店数 + 单位面积门店密度

机会差 = 市场底盘 - 当前饱和度

这个模型当然不等于真实开店决策。真实决策还要看租金、竞品、楼下动线、外卖半径、合同条件、商场招商、消费券、品牌策略。

但它已经足够让讨论进入下一层。因为我们终于不只是在说“感觉哪里不错”，而是在说“为什么这个地方值得看”。

第二张图就是机会差。

这一步的快乐很强。因为你能看见一个抽象判断被压成了地图。

任务 4：先从地图回到候选清单

第五个提示词：

把机会差最高的板块列出来。每个板块给我现有瑞幸数、小区数、地铁覆盖率和一句模型解释。

坐标修正后，板块层 候选包括：

• • 军博：板块底盘强，地铁覆盖约 90%，现有瑞幸覆盖低；
• • 永定门：小区约 75 个，地铁覆盖约 82%，社区底盘很厚；
• • 甜水园：轨道友好，且现有瑞幸覆盖低；
• • 看丹桥：小区和地铁条件都进入观察区；
• • 西罗园、卢沟桥、石佛营、六铺炕、马家堡、三元桥等也进入候选。

看到这里，任务已经从“做一张图”变成“做一套品牌位置分析样机”。

但这还不是最有意思的地方。

板块适合讲故事，却不适合直接指导实地动作。一个板块可能很大，里面有办公区、老社区、学校、商场、断头路和纯居住片。真正去看店，不会说“去望京看看”，而是要问：“望京里的哪一个微片区值得先走一遍？”

于是我加了一个更细的数据：geohey block.gpkg，也就是最小单元的商圈。

任务 5：从板块下钻到集店圈

第六个提示词：

用极海最新版的北京集店圈做微片区模型。每个商圈接入瑞幸数、小区数、600m 地铁站数和所属板块分，给我实地验证候选。

这一步把分析粒度从 255 个链家板块，下钻到 15048 个北京集店圈。

模型逻辑也稍微变了：

• • 板块负责“底盘”：这个地方大方向是否成熟；
• • 集店圈负责“落点”：这个微片区附近有没有小区、地铁和低覆盖；
• • 瑞幸现有门店负责“饱和度”：如果已经有店，就降低优先级；
• • 最后输出的是“可以去实地验证”的微片区，而不是宏观板块。

这个下钻动作很有心流感。

因为你会感觉自己从一张概念地图，进入了城市的毛细血管。结果不再只是“马甸、和平里、望京、广安门这些板块值得关注”，而是“马甸和和平里里的某几个集店圈，周边小区、地铁和 兴趣点 都强，但瑞幸覆盖仍低，可以作为下一轮街景和实地验证对象”。

比如马甸-和平里这张放大图，读者终于能看见“为什么”：高机会微商圈贴着地铁线、小区和商业 兴趣点，周边已经有城市生活密度，但绿色瑞幸点并没有把所有微片区填满。

望京则是另一个典型：它不是“没有瑞幸”的地方，而是成熟通勤区里仍有局部微片区缺口。全北京图看不出来，放大到街区尺度才有感觉。

广安门这张图，则把高房价小区、地铁走廊、商业/生活 兴趣点 和候选微片区叠在一起。它让“高底盘低覆盖”不再只是一个分数，而是一组肉眼可见的城市关系。

这就是小任务滚成大货的典型时刻：我本来只是想画一张瑞幸地图，最后却拿到了一个“板块方向 + 微片区候选 + 下一步实地验证”的工作流。

最后把所有的故事再整理修改一下，增加飞行到前20个潜力集店圈位置的功能，完整的WebGIS 应用可以发布了：

这就是 AI 协作的滚雪球效应：每一步都不大，但每一步都给你一个新的问题。

任务 6：把过程写成一个可复用提示词链

如果你也想试，可以照着这个节奏来。

第一步，只做归属：

读取品牌门店经纬度和城市板块边界，做空间连接，输出每个板块的门店数、门店密度和无门店板块清单。

第二步，加一个城市机制：

接入地铁站和地铁覆盖指标，分析品牌门店与轨道交通的关系。请区分“门店数多”和“单位面积密度高”。

第三步，加生活底盘：

接入小区数量、房价、二手房活跃度，构造一个社区复购潜力指标。先用百分位标准化，不追求商业完美。

第四步，做机会差：

构造市场底盘分和当前饱和度分，输出机会差。请列出 前 15 个候选，并解释每个候选的风险和下一步验证方式。

第五步，画图：

输出公众号可用地图：先给全北京监测总览，再给重点区域放大图。地图要有 GIS 图层感：底图、地铁、小区、兴趣点、品牌门店、集店圈边界和标签。

第六步，下钻：

接入集店圈边界，把板块机会分传导到微片区。每个微片区统计品牌门店数、小区数、600m 地铁站数，输出 实地验证候选。

第七步，坐标质检：

检查各图层坐标系。瑞幸、集店圈、兴趣点是 GCJ-02；小区、板块、地铁是 WGS84。请统一到 WGS84，再重新做空间连接和地图。

第八步，复盘：

把这次分析过程写成一篇分析报告，重点不是品牌结论，而是分析师如何借助 AI 探索品牌门店的分布规律和潜在机会。

真正的收获不是地图，而是注意力的重新分配

这次模拟里，AI 做了什么？

它做了空间连接、字段检查、模型计算、地图输出、结果整理。它很快，很耐心，不怕重复，也不会抱怨我临时多加一个变量。

我又做了什么？

我决定问题往哪里走。我判断哪些变量有意义。我决定粗糙模型能不能先用。我看着地图提出新的疑问。我把结果放回真实商业语境里。

这就是我觉得最值得分享的地方：AI 不是把人从思考中解放出来，而是把人从低价值负荷中解放出来，让人更容易进入高价值负荷。

万老师说，主动高认知负荷就是手动开启注意力的 Pro 模式。我的理解是：

AI 帮你把“找资料、接字段、画草图”的外在负荷降下来；你把省下来的注意力，投入到建模、解释、质疑、迭代这些增益负荷里。

于是工作不只是工作，它会变成一种探索游戏。

这也解释了为什么我会停不下来。

以前一个复杂 GIS 任务，中间有太多等待和卡顿：数据跑不通、字段对不上、图出不来。卡顿会自然打断我，让我明天再说。

现在 AI 把这些卡顿变短了。一个任务刚出结果，下一个更有意思的问题已经出现。多巴胺来自“它马上就能跑出来”，内啡肽来自“我终于把这个问题拿下了”。

这确实能提升幸福感。

但要补一句：不要把心流误用成熬夜。

高认知负荷是快乐的源泉，不是无限加班的借口。最好的做法是给 AI 协作加一个收束提示：

现在不要继续扩展任务。请帮我整理今天已经完成的结果、明天最值得继续的 3 个问题，以及一个可以放心停下来的保存点。

这句话很重要。

因为真正成熟的 AI 工作流，不是让你永远停不下来，而是让你知道：今天已经有了一个阶段性大货，明天还能从一个清晰的上下文继续进入心流。

我的结论是：幸福感不一定来自少工作一点。有时候，它来自更少空转、更少内耗、更少无聊等待，以及更多主动建模、即时反馈、持续征服。

当 AI 把世界的摩擦降下来，我们要做的不是把脑子也交出去。

我们要把自己的注意力，调到 Pro 模式。

前天在GISTC 2026 空间智能软件技术大会现场，几位院士（包括欧亚）反复说同一个意思的话：AI 不能替代 GIS 决策者。空间规划审批不能出错，灾害模拟更不能靠幻觉。

这句话你没法反驳。国土空间审批、水利工程、山洪预警，哪一样能让大模型拍脑袋决定？一个参数错了，一条路的选线可能就偏了；一张风险图错了，一个村庄的转移时机可能就耽误了。

但我坐在会场里，觉得很不对劲。GPT都5.6、DeepSeek都V4，Codex都接管桌面了，咱们专家们在专业领域使用AI还和日常跟豆包对话一样吗？

我们说的，真的是同一个 AI 吗？

专家脑子里的 AI，是一个坐在审批桌后面的"电子局长"：看一眼图，读几条政策，上网找找案例，啪地盖章。

我脑子里的 AI，是一个永远不困的审查员。它不签字，不拍板，不承担行政责任。它只是把项目红线丢进"一张图"，把永久基本农田、生态红线、城镇开发边界、现状地类、规划用途、灾害风险区一层层套上去，然后把每一个风险点、每一条依据、每一个坐标、每一次计算过程摆到桌面上。

真正的问题不是 AI 能不能替代专家。

真正的问题是，AI 能不能把专家过去藏在经验、软件、报告和手工流程里的判断过程，变成一条可复核的证据链。

这个问题才值得认真讨论。

老专家怕的不是机器

专家为什么警惕 AI？

表面看是怕幻觉。AI 会编，会错，可能从网上抄一段代码，从 GitHub 扒一个库，临时拼一套权重，还能说得头头是道。这在灾害分析里确实危险。

传统 GIS 不是乱来的。水文模型、坡度坡向、汇流累积、地质条件、降雨阈值、历史灾点、空间统计、权重叠加——这些东西跑了很多年，进过项目，写进报告，有出处，有共识，有责任体系。

专家真正想说的是：这套东西不是你一个 AI 说改就能改的（咱们排除那些AI抢了专家寻租权力的场景哈）。

这句话不能嘲笑。它背后有一种工程世界的底线感。

但有个容易被忽略的反转。

传统模型之所以被认为"科学"，不只是因为它老，也不只是因为它写进了教科书，而是因为它理论上可以被复现、被检验、被比较、被追责。

如果一个模型只是因为"大家一直这么用"，它就不天然科学。它只是形成了惯性。

共识不是科学的终点，共识只是科学在某个时期的临时停靠站。

AI 真正要挑战的，不是传统模型本身。它挑战的是传统模型被使用时，那些不可见的手工过程。

同一个山洪沟，换一个工程师，DEM 预处理方式可能不同。换一个项目组，参数解释可能不同。换一个软件版本，工具链可能断掉。换一个地方，历史灾点更新了，但模型还在沿用几年前的阈值。

这些不叫幻觉。但它们同样会制造风险。

风险穿着"传统流程"的衣服，看起来更像科学。

AI 该追问模型，而不是自创模型

要反驳专家，我不想说"AI 比你们的模型更聪明"。这句话既不准确，也没必要。

更合理的说法是：AI 不该绕开传统模型，它该把传统模型从低频工具变成高频能力。

在水利、山体滑坡、泥石流、应急管理这些场景里，AI 第一阶段根本不需要发明新模型。它应该先学会尊重已有模型，然后追问这些模型有没有被正确调用。

这次分析用的是哪个经过审定的模型？参数来自哪份规范？DEM 分辨率是多少？降雨情景是 10 年一遇、20 年一遇，还是极端暴雨？历史灾害点有没有进入校准样本？土地利用数据是不是最新？同一套模型上一次运行是什么结果？这一次结果变化，是因为降雨变了，地形数据变了，还是参数被人调过？

这不是让 AI 天马行空。这是让 AI 变成一个模型审计员。

过去专家跑模型，很多工作发生在软件界面、个人习惯和项目经验里。最后报告很完整，中间过程未必总是完整留下。

智能体可以把这些过程重新拉到光下。它能检查数据缺口，记录参数版本，调用既有模型，跑多个情景，比较结果差异，标出参数敏感区，最后把"稳定结论"和"需人工判断的边界情形"分开。在这里面都是可以检验的程序代码，AI没有幻觉。

专家仍然拍板。但 Ta 看到的不再是一张孤立的风险图，而是一组带着假设、参数、版本、对比和不确定性的证据包。

这比单纯相信某个软件按钮更科学。

科学不是按钮。科学是可证伪、可追溯。

一张图审批，别让 AI 拍板

把这套逻辑放到国土空间规划"一张图"审批里，看得更清楚。

一个项目红线来了，传统审查要看它是否压占永久基本农田，是否涉及生态保护红线，是否突破城镇开发边界，是否占用耕地，是否进入水源保护区、地灾风险区、历史文化保护范围，是否符合规划用途。

老专家担心 AI 直接说：“这个项目可以批。”

当然不能。

但智能体真正该输出的，是这种东西：

项目范围与永久基本农田交集为 0；与生态保护红线交集为 236.4 平方米；涉及图斑编号 X、Y、Z；最近红线距离为 8.6 米，建议做缓冲复核；项目西南角疑似与已批供地范围重叠；引用政策条款如下。。。；空间查询过程如下。。。；图层版本如下。。。；需人工复核事项如下。。。。

它不是在替人做决定。

它是在把决定之前的黑箱拆开。

这时候，AI 的价值不在于"判断得像专家"，而在于"比人更不容易漏掉机械性检查"。

人审到第十个项目会累，AI 不会。人可能忘记叠某个图层，AI 可以按清单跑完。人赶会的时候只来得及做一个方案，AI 可以先跑三组情景对比。人把关键判断留在脑子里，AI 能把过程写进日志。

“空间审批不可出错"这句话，推不出"不要 AI”。

它只能推出：越是不可出错，越不能只靠人眼、人脑和手工流程。

关系变了

这才是我在大会现场感受到的关系变化。

过去，专家和模型的关系是：专家掌握模型，模型证明专家。有经验的工程师知道该点哪个工具，调哪个参数，看哪个结果，最后写进报告。模型像一枚印章，盖在 Ta 的经验上。

智能体出现后，关系会慢慢变成：专家审查模型，AI 记录模型，系统复跑模型，证据约束模型。

这不是专家被替代。

这是专家第一次被迫面对一个问题：过去那些"我一直这么做"的部分，能不能被清楚说出来？能不能被别人复跑？能不能在数据更新后重新验证？

这会让一些人不舒服。

AI 改变的不是权力表面，而是解释权的分配。

以前，一个项目为什么这样判断，可能只存在于专家的经验里、会议的口头意见里、报告的几句结论里。

以后，系统会追问：你依据的是哪个版本的数据？调用的是哪个模型？为什么选这个参数？为什么忽略那个异常图斑？为什么没有跑极端降雨情景？

这不是机器冒犯专家。

这是工程世界终于有机会把"经验"翻译成"证据"。

真正成熟的专家，不怕被 AI 追问。Ta 怕的是自己多年的经验，永远只能停留在一句"我觉得"。

政府 AI 最难的不是模型智商

政府 AI 落地最大的障碍，可能并不是大模型还不够聪明，或者偶尔胡说八道。

更硬的问题在政府自己的系统里。

哪份数据算权威？三调、年度变更、专项规划、历史审批成果、地方补充图层、项目单位上传红线，它们不一致时听谁的？关于这部分，部信息中心丁主任在会上表达得非常到位。

哪条政策能被机器执行？“原则上不得占用”“确需占用”“依法依规办理”，这些词在人类会议里可以讨论，在系统里必须被拆成硬禁止、条件允许、人工复核、上级审批、材料补正。

谁对 AI 结果负责？AI 生成报告，规则引擎给出预警，审批人员签字，厂商提供工具。出了问题，责任链怎么划？

系统之间怎么打通？一张图平台、审批系统、遥感监测库、项目库、公文系统、档案系统、地图服务、空间数据库，如果没有工具调用和权限审计，AI 最后只能停留在聊天窗口里，写几段漂亮材料。

这才是政府 AI 的真实难题。

别再做大屏，别再接问答框。我们最需要做的，是把权威数据、业务规则、模型工具、权限边界、审计日志和人工签批重新接起来。

没有工具调用的政府大模型，只是更会写材料的 OA。

有证据链的智能体，才可能进入审批现场。

现在能做什么

如果你在这个行业里，现在可以做的事其实不多，但都很具体。

把你最常用的那个模型，参数来源、数据版本、运行记录整理成一张表。不要等 AI 来做，先让自己能回答"为什么选这个参数"。

把你审批或分析过程中的机械性检查列出来。哪些图层每次必须叠？哪些距离每次必须量？这些是最该交给 AI 的。

如果你管数据，先把权威数据版本管起来。三调用哪一版？年度变更更新到哪一年？不要让 AI 自己去猜。

如果你管系统，别急着做大屏。先想清楚一个场景：从 AI 输出结果，到专家签字确认，中间需要经过哪些环节？每个环节留下什么痕迹？

它不是来抢章的

AI 不是来抢章的。它是来照亮盖章之前那段黑暗的。

一张图审批里，它照亮项目红线和控制线之间到底压了多少。灾害模拟里，它照亮模型参数从哪来、数据是哪一版、情景有没有跑全。应急管理里，它照亮三套方案各自的不确定性在哪。政府治理里，它照亮过去藏在经验、流程和文件缝隙里的责任链。

老专家当然还要坐在那里。越是高风险场景，越需要专家坐在那里。

只是 Ta 面前不再是一张孤立的图、一份厚报告、一个软件跑出来的结果。Ta 面前会是一条证据链。数据从哪里来，模型怎么跑，参数怎么选，风险在哪里，哪些结论稳定，哪些必须复核，系统都已经摆出来。

那时，专家和 AI 的关系也许会变得简单一点。

专家不用把 AI 当成越权的年轻人，AI 也不用装成无所不能的专家。会前，它把所有该量的地方重新量一遍，该查的依据重新查一遍，可能漏掉的风险重新摆到桌上。

然后专家看一眼，说：“这份报告，拿到会上。”

这就够了。

AI 不是来替人负责的。它是来让责任终于有迹可循。

上周写完 Esri 那篇(《当地图不再是地图，Esri 为什么开始像所有软件公司一样焦虑》)，我心里留了一个尾巴没收。

那篇讲的是软件公司怎么从舞台中央被挪到一块能力。结论冷，但还隔着一层——讲的是别人家的事，大公司的事。我想做一个更近的验证:如果软件公司在失重，那坐在软件前面的我，会不会也跟着一起失重？

这周正好赶上一件小事，顺手把那个尾巴接上了。

事情的起点很普通。我在 X 上刷到一个帖子。QGIS 插件 Stereo MPI-RRIM Creator 的作者，做了一个小网站，把日本 300 座名山一张张做成了"血色"地形图，挂在上面供人观赏。

我看着挺手痒，想自己也复刻一份。

但只要稍微估一下工作量就头大：装插件、点菜单、配 MPI 半径；再换另一个插件去日本国土地理院切高清 DEM，中间涉及断点续传；下完还要做栅格投影变换。虽然这些都是 GIS 工作者的标准技能。做一张还好，做 300 张，机械重复到怀疑人生。

按以往，如果好奇心上头了，这种活我闷头就开干！十年下来，这套流程已经长在手指上。

这次不一样。我打开 QGIS，手指悬在插件菜单上方，三秒。

然后我关掉了它。

这是一个很小的动作。但这三秒里，我把自己从一个位置挪到了另一个位置。

过去十年，我打开菜单、写 PyQGIS、调投影、处理断点续传、跑栅格变换。这些动作连起来，叫"会用 GIS"。这一次我没做这些。我打开终端，敲了一句话:

“调用cli QGIS的插件DEM Tools - PngTile2Dem （Multi-Source Integrated） 去下载最高清的dem， 目标位置在：26.2744°N， 127.7564°E，扩出来周围一个合适的范围，尽量看清全貌，但要考虑数据的大小。然后用这个插件，生成默认的normal 2D， 红色风格渲染的图像，输出为高清的图片结果。”

QGIS 自己启动，自己下 DEM，自己解决断点续传，自己做重投影。还不太稳定的 QGIS 4.1中间闪退了三次，AI 重启QGIS，自己接上任务。我偶尔看看任务进度。

这是我的电脑、我的项目、我熟练了十年的软件。但好像没人需要我在场。

我以为自己是平地上的 100 米丘陵，原来是半山腰的小山包

得插一段算法解释，因为它和后面要说的东西意外贴合。

传统山影问的是一个问题:光从西北 315° 打过来，这个坡面有多亮？它眼里只有受光量。所以一座 100 米的小丘和一座 3000 米的主峰，只要坡向一样，灰度就一样。

MPI 换了一个问法:你比你的邻居高多少。

同样 100 米。立在平原上，邻居都是平地，它就鹤立鸡群，深色，醒目。坐在 3000 米山体的半山腰呢？周围全是山，它一点都不突出，浅色，几乎看不见。

我盯着这套算法的简介看了一会儿，然后意识到一件不太舒服的事。

过去十年，我以为我是那座立在平原上的 100 米丘陵。 会写脚本、会调QGIS插件、会从各种知名不知名的网站下载 DEM、会做断点续传和重投影、会处理一堆别人嫌烦的多步骤——稀缺，所以突出，所以"专业"。

AI 进来之后，我才发现自己一直坐在 3000 米山体的半山腰。我会的每一样，都是它的标配能力。我不是不行。我是不再突出。

这是第一次关系位移。“会"和"突出”，过去是一件事，现在被掰开了。

软件还有一张脸，只是不再为人保留

桌面软件这四十年，一直长着脸。

按钮、菜单、对话框、向导——这是它的五官。这张脸的成本由两边花钱:软件公司花在 UX 上，用户花在学习上。一张脸，两边平摊。GIS软件还是个复杂的脸，我们GISer们看着好看，别人看着真烦躁！

这周，CLI-anything(把任何桌面软件都转成命令行操控)在 GitHub 上的星标来到 3.8 万。我顺手装了一下，也就有了这次操作的流畅性——CC + Kimi Code+CLI-anything。Anything 啊，虽然现在才支持 76 个软件，居然第一批就有 QGIS，将来呢？不用很远的将来，几周几个月，就差不多覆盖常用软件（类似功能）了吧？给传统界面工具软件丧钟，敲的一天比一天响，一天比一天近。

以后都是这个模式吧：skill 装好，开唠。不动鼠标，不翻菜单，只是把要做的事说出来。

好玩的是QGIS（GIMP 甚至不需要启动） 自动启动，自动跑流程，自动出图。我说"换个颜色，好看点还有创意的，我也不知道什么算好看，你自己挑"，它就给出了下面这版海洋色:

注意，这中间 QGIS 还闪退过几次，有个目标网站的 DEM 还不能下载。AI 自己处理掉了，没问我。

CLI-anything 这一下，把那张"脸"取消了。

QGIS 还在那里，菜单还在，按钮也都在。可这张脸不再是给人看的。它变成了 AI 和软件之间的内部接口——一个保留下来的器官，用途已经迁移。

软件保留了脸，但不再为人保留。

上周文章中说 Esri 的事儿，更显的诡异。诡异在哪？诡异在软件公司还在认真做新版本图标、调更顺滑的工作流。可 UI 已经悄悄换了观众。我们以为是我们在使用软件，其实软件早就在和它另一个用户打交道——一个不眨眼、不迷路、不会忘记菜单藏在哪一层的用户。

我说软件公司最怕的不是竞争，是被降格成一个功能按钮。这周我看清了另一面：功能按钮也不再是软件公司的脸，而是 AI 的指法。

按钮没死。它只是换了使用者。

而坐在按钮前的人，也悄悄换了角色。

知道的人不用做，做的人不用知道

这件事还有最让我自己后背发凉的部分。

GIS 工程师过去引以为傲的，是"知道 + 做到"的合一。知道为什么这里必须重投影，也亲手敲完那段命令；知道 MPI 半径为什么取这个值，也亲自跑完那个脚本。这两件事在一个人身上合二为一，叫专业。

现在它们分家了。

知道的人不用做。做的人不用知道。

中间那个曾经叫"工程师"的人，发现自己成了递话筒的——把模糊的需求翻成精确的提示词，把客户的意图喂给 AI。翻译这件事，AI 比人快，而且 AI 还能替你想清楚你没想清楚的部分。

我也试着做个“不用知道的人“。调用Blender，做个三维的效果。我的Blende的使用经验可没有半点，做出来的样子还挺惊艳的！

30 个美军驻日本的基地，我没盯过任何一张的批处理。剩下能做的事，只是看看 token 消耗速度。最后还是和 kiro 配合了一下，让她也做个“帅气”点的网站，展示一下成果。从做网站到发布，那更是啥也不用管了：usbasesinjapan.kowa88.net

谈 Esri的时候，我说软件公司从"舞台中央"被挪到"一块能力"。这周轮到软件用户:专业工作者从"知道 + 做到"被拆成了"只剩知道"或者"只剩描述"。 两边在同一个浪头上同时失重。

会有人安慰自己：AI 替你做了重活，你正好做更高维的事。这话不算错。但请允许我冷一点。你引以为傲的那种"我亲手做出来"的踏实感，那种在终端里敲完最后一行回车的笃定，正在被悄悄拿走。它不会大声告别。它只是某天你伸手去开菜单，发现自己其实不需要开。

最后再想想，这个阻力是真的吗

我得反问自己一次。

专业身份真的在被拆掉吗？还是只是它原来借住的那张脸——那些菜单、那些脚本、那些没必要的多步骤——在搬家？

MPI 半径取 250 米还是 100 米合适、30m DEM 为什么这次不够、什么时候必须做重投影、为什么"血色"配色比"海洋"配色更适合这片山——这些判断，AI 暂时还做不漂亮。它知道一切答案，但不知道哪个答案适合此刻眼前这片山。

所以专业没消失。它只是不再长在按钮上。它退回了更深的地方：退回到"为什么"，而不是"怎么做"。

那张被 CLI 取消的脸，本来就不是专业的脸。它只是软件给专业临时借用的那张脸。借期到了，要还。

回到开篇那三秒。我关掉菜单时，丢掉的不是手艺，是手艺曾经必须借用的那种仪式感——那种"看，我会用这个复杂工具"的微小骄傲。

仪式没了。手艺还在。

只是你得自己重新认得它。不靠菜单认。

早晨看好友推荐的 Jack 写的一篇文章（https://www.forbes.com/sites/esri/2026/05/11/a-new-operating-system-for-the-whole-world/）。标题叫《全世界的新操作系统》 “A New Operating System For The Whole World”。
这句话很猛，但我觉得猛到有点露怯。

如果一个行业真的站在浪头上，它通常不用反复解释自己“其实不只是一个工具”。只有当旧身份开始不够用了，企业才会急着改口：我不是工具，我是平台；我不是平台，我是基础设施；我不是基础设施，我是操作系统。

Jack 代表Esri 这篇文章，我怎么就有点感觉，是这种口气呢？

它当然没说错。地图确实能承载传感器、影像、人口、气候、资产、风险。空间维度也确实能让一堆分散的数据突然“站起来”。问题不在真假，而在分量。当一篇文章不断说对的话，往往不是为了告诉你新事实，而是为了掩盖旧故事已经讲不动了。

所以，我是没细想文中那些风电、奥运、城市治理的成功案例。更值得看的，是这篇文章里隐约浮出来的一种关系变化：地图公司和世界的关系，正在变。

过去，客户对 Esri 说的是：“你帮我看清世界。”
现在，Esri 更想让客户说：“你替我运行世界。”

这不是修辞升级，这是身份焦虑。

真正发生的，不是 GIS 变强了，而是它不再天然站在舞台中央

Jack Dangermond 反复强调，现代地图不是描述世界，而是在“运行世界”。这句话听起来像技术进步，实际上更像一种争位。因为今天的问题早就不是“地图有没有价值”，而是：地图还是不是那个不可替代的入口。

十几年前，GIS 是一门专门手艺。数据进来，要投影、清洗、叠加、建模，门槛高，圈子也小。专业，意味着稀缺。稀缺，意味着话语权。

现在不一样了。云平台能做空间分析，BI 工具能挂地图图层，开源栈能撑起一整套地理工作流，行业 SaaS 里也开始内置位置能力。以前必须走 GIS 的路，现在很多业务只需要“带地理能力的数据系统”。

关系就在这里变了。

以前是客户围着 GIS 转。
现在是 GIS 得想办法嵌进客户已经在用的系统里。

这不是功能问题，是地位问题。
一个技术一旦从“中心工具”变成“可被集成的能力”，它就很难再靠术语建立威严。

所以 Esri 必须把“地图”说大，说到操作系统，说到 AI，说到数字孪生，说到协作，说到全行业决策。因为如果它还只是地图，它就会被重新定价，被重新放置，最后被重新命名。最危险的时刻，不是别人说你没用，而是别人说：“你这个能力，我们系统里也有。”

软件行业最怕的从来不是竞争，而是被降格成一个功能按钮。

这篇文章最有意思的地方，是它暴露了成熟软件公司的共同困境

表面上看，Esri 在讲愿景。往深一点看，它讲的是整个软件行业的共同处境：过去靠专业壁垒活下来的公司，今天都在被 AI 和平台化改写关系。

先看一个很微妙的变化。

以前软件公司和客户之间的关系，接近“师徒制”。厂商掌握复杂工具，客户为专业付费，也接受培训、实施、认证、咨询这一整套秩序。那是一种不平等，但稳定。客户知道自己不会，厂商知道自己不可替代。

AI 一进来，关系就开始松动了。

客户会问的，不再是“这个系统能不能做”，而是“为什么这件事不能直接被一句提示词完成”。这句话很伤人。它等于把几十年积累的专业流程，翻译成一句更残酷的话：你到底是在提供能力，还是只是在守着复杂性收费？

别急着替专业软件喊冤。很多复杂性当然是真实的，坐标系、数据精度、治理、时空分析，都不是一键生成。但客户的怀疑也是真的。因为 AI 最先摧毁的，不是专业本身，而是专业的仪式感。

这就是今天很多成熟软件公司最尴尬的处境：
它们依然有价值，但它们赖以维持权威的表达方式，开始失效了。

于是我们就看到一种熟悉的场景。每家公司都在说自己不是旧软件，而是“智能平台”；不是辅助工具，而是“决策引擎”；不是某个部门的软件，而是全组织的操作系统。说法越来越大，落地越来越重。因为现实是，大多数高价值案例还是集中在政府、能源、基础设施、制造这类实施周期长、组织成本高、数据治理重的领域。

这不是失败。
只是它和“整个世界的新操作系统”之间，隔着很远。

说得再尖一点：愿景越像宇宙，商业越依赖大项目，这种反差本身就是信号。

Esri 的不安，不只属于 Esri

如果只把这篇文章看成品牌宣传，它其实没什么意思。可如果把它看成一个行业切片，就有意思了。

Esri 想解决的问题，不是证明地图有用。这个问题十年前就已经解决。它真正想解决的，是另一件更难的事：当地图不再稀缺，地图公司该如何继续占据解释现实的权力。

这才是“操作系统”这类大词背后的真实用途。它不是单纯描述产品能力，而是在争夺组织里的站位。谁是入口，谁就有资格定义问题；谁定义问题，谁就不只是卖软件，而是在分配预算、影响流程、塑造组织想象力。

可麻烦也在这里。
AI、云平台、数据中台、行业 SaaS，都在抢这个位置。每个人都想做入口。每个人都说自己连接一切。每个人都说自己让决策更聪明。

结果是什么？结果是软件行业进入了一个很拧巴的阶段：技术能力还在增长，叙事信用却在下降。

客户听多了“平台”“生态”“智能”“协同”，耳朵已经起茧。厂商嘴里的未来越来越像，采购桌上的问题却越来越硬：你替代了什么？节省了什么？谁愿意每天打开你？如果不用你，业务会不会照样跑？

这些问题没有宏大答案，只有冷答案。

所以我读完《福布斯》这篇文章，最大的感受不是地图多先进，而是一个成熟软件行业的中年时刻：它还没老，但已经不再年轻；它仍然赚钱，但很难再让人兴奋；它知道自己的东西有用，却越来越难证明自己仍然处在故事中央。

软件行业真正的危机，不是技术落后，而是“关系失重”

很多人把这种焦虑理解成产品危机，我倒觉得没那么简单。
更深的一层，是关系危机。

公司和客户的关系，变了。
工具和工作的关系，变了。
专业知识和普通用户的关系，也变了。

最难受的不是有人来挑战你，而是世界突然换了一种提问方式。你还在解释“为什么我很专业”，对方已经在问“为什么不能更直接”。你还在兜售系统性，对方已经习惯在一个聊天框里索要结果。

技术不会先杀死老公司，新的交互习惯会。

这也是 Esri 文章真正让人警觉的地方。它越想告诉你地图能运行世界，越说明它知道：今天真正运行世界的，未必是地图，而是那些能更快占据工作流、占据入口、占据用户耐心的东西。

地图不会消失。GIS 也不会消失。
消失的，可能是它们曾经那种“天然居中”的位置。

而对所有成熟软件公司来说，真正的考题也许不是如何把自己说成操作系统，而是当自己不再是舞台中央时，还能不能接受只做一块能力，而不是整套叙事。

很多公司嘴上谈愿景，心里怕的，其实是这句话：

“你当然有用。只是没有以前那么像主角了。”

五一前，整理老硬盘，我翻出来当年写的Python脚本——调ArcPy做缓冲区分析、叠加POI、输出热力图——遥想那个“落后的时代”，为了写这些脚本，学习 Python2.7，还要先用 modelbuilder 跑一跑，折腾了好几天。

放假的时候，儿子随便用了点 kimi 的 token，说了几句话，比我那个脚本还要复杂的多的一段处理流程，十分钟就复现并优化了。他甚至不知道EPSG:4326和 3857 的区别在哪儿。

我没有什么情绪。我想说的是："几乎所有的软件工程师在今天突然不知道自己这些年练的到底是什么了。"

这不是一个关于效率的故事。这是一个关于身份坍塌的故事。当一个人和他赖以安身立命的技能之间的关系，从"我驾驭它"变成"它不再需要我驾驭"——这种失重感，比裁员通知更致命。

上个月，Karpathy在红杉资本的年度分享里，用一个冷静的技术框架解释了这件事的底层逻辑。我翻出来听了听 Karpathy 的视频。他没有说出口的是：这个框架正在重新定义一整个职业群体和他们与工具之间的关系。

可验证性：一把把人劈成两半的刀

Karpathy的核心论点极其简洁：AI沿"可验证性"这条线进化。能被自动判定对错的能力飞速提升，不能被判定的原地踏步。

代码能编译就是对，不能就是错——所以AI写代码像神。地图好不好看？分析结果有没有"意义"？没有编译器能告诉你——所以AI画地图像鬼。

但等等。这个框架套到GIS工作流上，劈出来的不是两类"任务"，而是两类人。

一类人的日常是：坐标转换、投影校正、批量裁剪、脚本调参、跑模型出精度报告。每一步都有标准答案。每一步都可以被一个奖励函数捕获。每一步都正在被AI以月为单位蚕食。

另一类人的日常是：跟规划局的人吵这条红线该不该往东挪五十米，跟甲方解释为什么他要的"交通热力图"其实解决不了他的问题，在三个互相矛盾的数据源之间做出一个"说不清对错但最合理"的判断。

第一类人和工具的关系是操作者与被操作物。这种关系正在被取消——不是工具升级了，而是工具不再需要操作者了。

第二类人和工具的关系是导演与道具。道具可以换，导演不能换。因为导演决定的是"拍什么"和"为什么拍"，而不是"怎么按快门"。

你和你的GIS技能之间，是操作者关系还是导演关系？ 这个问题的答案，决定了你在这场静默洗牌中站在哪一侧。

"苦涩教训"的真正苦涩之处

Karpathy反复提到的"苦涩教训"（Bitter Lesson）来自强化学习之父Rich Sutton：所有基于人类巧妙规则的方法，最终都会被暴力计算+端到端学习碾压。

特斯拉的自动驾驶是活教材。早期版本：神经网络识别车道线，然后人工规则决定转向角度。后期版本：端到端，摄像头输入直接到方向盘输出。效果飙升，人工规则全部废弃。

GIS行业今天还停留在前一个阶段。用深度学习提取建筑轮廓，然后用规则引擎做拓扑修正。用神经网络分类遥感影像，然后用人工设定的阈值过滤噪声。

所有人都以为这些"后处理规则"是专业经验的结晶，是人类智慧不可替代的部分。

但苦涩教训告诉你：不是的。你精心设计的规则只是计算力暂时不够的权宜之计。 一旦模型足够大、数据足够多，它会连你的规则带你一起跳过。

这里真正苦涩的不是技术判断，而是心理事实：你以为你在积累的"经验"，可能只是一堆即将被废弃的patch。你和"经验"之间的关系，从"我的护城河"正在变成"我的沉没成本"。

那些在ArcGIS里积累了十几年的快捷键肌肉记忆、对各种报错的本能反应、对工具链每一步的精确把控——这些东西曾经定义了"资深"。现在它们定义的是一种特定的脆弱。

问题定义者：唯一不会被验证掉的角色

所有人都在说"要做AI不能做的事"。但这句话太空了。具体做什么？

Karpathy的框架给出了一个精确的方向：做那些连"什么算对"都无法定义的事。

一个城市选址分析。AI可以跑通所有算法：交通可达性、人口密度、地价模型、竞争分析。但谁来决定这些因子的权重？谁来判断"这个地方居民三年后的消费能力"这种根本没有数据支撑的变量要不要纳入？谁来在甲方说"我就是觉得这个位置不对"的时候，听懂他没说出口的政治考量？

这些不是"更高级的技能"。这些是完全不同性质的能力。 它们不在同一条进化树上。你不是通过"把GIS学得更深"来获得它们的。你是通过理解业务、理解人、理解决策逻辑来获得它们的。

Karpathy用了一个词：agentic engineering。不是你去操作工具，而是你去编排一群AI agent完成任务。你的工作从"执行分析"变成"定义问题+验证结果是否有意义"。

"有意义"——这三个字就是人类最后的阵地。因为"有意义"这件事本身不可验证。它取决于语境、取决于谁在问、取决于这个答案将被用于什么决策。没有任何奖励函数能捕获"意义"。

至少现在还不能。

窗口正在关闭

有一个很多人不愿意面对的事实：Karpathy并没有说"不可验证领域永远安全"。他说的是"几乎所有领域最终都能实现某种程度的可验证"。

品味可以被学习。情境判断可以被数据化。甚至"意义"这种东西，当训练数据足够多的时候，模型也许能模拟出足以乱真的版本。

所以这不是一个"找到安全区然后躺平"的故事。这是一个窗口期的故事。

窗口期里你要做的不是防守，而是利用AI还不能做的事来建立只有你能建立的东西：对特定领域的深度理解网络、对特定客户决策逻辑的熟悉、对特定城市空间肌理的身体性认知。

这些东西不在简历上，不在证书上，不在你会操作多少种软件的技能列表上。它们在你和真实世界的关系里。

放假期间，我盯着天花板，傻躺，突然想通了一件事：我那些年积攒的最值钱的不是Python脚本，而是知道用哪些脚本在哪些客户面前演示就有好的售前效果。 这种知识没有任何AI能从训练数据里学到。但它只有在主动把自己从"工具操作者"的身份里拔出来之后，才能被看见。

你可以把思考外包给AI。但你不能把"知道该思考什么"外包给AI。

这两件事之间的距离，就是你还剩下的全部时间。

钉钉CEO陈航说：“软件时代已彻底终结，软件正在变成日抛品。”

这句话在 2026 商界木兰年会上落地时，台下坐着的是中国最会做生意的一批人。Ta们脸上没有震惊，也没有反对。我猜大部分做软件的人心里都明白：那种固定形态、按周按月迭代的传统软件范式，确实要被拆成碎片了。

但别着急——如果你问一个刚花一小时 vibe coding 出某个城市路网对比图的人，这个软件Ta还会不会再用一次？Ta大概率会说：“用一次就够了，扔了就扔了。”

可Ta的手已经点开了 Replit，开始往里面加 API 接口。

这就砸开了一条给软件续命的裂缝了。日抛品这件事，理性上成立，情感上犯规。人类做工具，从来不是为了只用一次。

我跟着儿子刷到一个小红书 UP 主的作品——建成区范围对比。几张图，干净利落，把城市的范围（硬地面）范围比较的清清楚楚。我忽然想：如果换成路网来比呢？而且要大规模，不是几个城市，而是全球上万座城市，中英文随便搜，自动匹配投影，截图各种尺寸。

以上三张图引自小红书up主——查理看世界

这种事搁在五年前，得找公司小朋友扯一扯，立个小项、看谁闲排排期、画个界面啥的，费多少口舌啊。现在呢？打开 Replit，把想法扔进去，十分钟，搞定了。用不用Replit无所谓，我看中它的是自带云。能干这事儿的AI不要太多。

https://worldcitymap.replit.app/

标准的日抛。为了一个突然奇想的需求，搭出一个完整的前端，发布上线。将来大概率不再打开，就像一次性饭盒那样，用完就放进回收站。虽然功能还不少呢。上万个城市的中英文搜索，我就不会做。

所以我就没忍住日抛了。

人类对“作品”的执念，几乎是刻在骨子里的自毁程序。 明明说好当天用完就扔，手却不争气地点进了配置。我开始给它加 API：城市、坐标、地图样式、缓冲区大小、输出尺寸都可以被外部程序调用。API 给谁用？给 Agent 用。

即便是写文章的现在，我也觉得这一步微妙极了。原本为自己做的一次性玩具，一旦被拆成零件，就变成别人可以反复装配的积木。

我买了一个叫 Taio 的剪贴板工具。它不光能存文字，还能用动作做处理，像迷你版快捷指令。我设计了一条命令：只要把任意一段文字交给大模型，它从里面揪出地名，转成 GeoJSON——再推送到我刚刚加的那套 API，自动出图，存在 Cloudflare 上，最后吐回一个图片链接。

截图的链接放到Taio支持的markdown文档中，只要![]就可以显示地图了，多好。一段文字，自动变成了若干张地图。

到这里，日抛软件被偷偷续了命。它从“我用一次就扔”的玩具，进化成了“别的 Agent 随时能用”的器官。我是扔不掉了，在我的日常App中，默默的延续着它的生命。

这才是陈航那番话真正刺中的地方：软件消失的不是形态，而是它在人和技术关系里的老位置。

过去几十年，软件是人用来解决问题的工具。人想清楚需求，软件被写出来，然后迭代、维护，关系稳固得像夫妻。人离开软件不行，软件离开人没意义。

但现在，硅基 Agent 成了中间商。人把想法抛给 Agent，Agent 去找服务、拼装结果，再还给人类。软件退到第二排，变成被 API 封装起来的能力块。它不露面，甚至不被人直接操作。就像 QGIS 躲在防火墙后面，外面一个 Agent 想画图，它就把结果递出来——中间没有任何传统意义上的软件界面。

我试着让 Kimi Code 直接对话式操作 QGIS MCP，一步步说“导入这个数据”“设投影”“输出”，一直到最后截图。还是重复刚才的那一套需求。Kimi 没让我失望。它甚至主动想到要再包一层 API，让内网的 QGIS 能被外部调用，而不是每次都要人坐在桌面电脑前用某某code 调用MCP。还去点鼠标做地图？那更算了吧。

今儿中午小米送了 2亿token，我就拿它的 mimo 2.5 试了一把：从一张 DEM 入手，输出按中国哨兵底图 Lambert 投影的地形图。代码是 Claude Code 招呼着mimo写的，地图也算作小米绘制的吧，我做的事情只是多说了一句“好看点儿”。

这一刻我更明白了：当软件变成日抛品，真正被日抛的其实是“人必须亲手操作”的古老契约。

但这个结论推下去，会出现一个尴尬的矛盾：如果软件彻底工具化、组件化、服务化，那人类创作者的位置在哪里？

我的经验给了一个反直觉的答案：越是日抛的技术，越需要人这种“舍不得扔”的物种来给它定锚点。

你看，我本可以做完城市路网对比就离开。但我给它加了 API。本可以让 Agent 自己玩，但我亲手设计了一条从剪贴板文字到图片链接的链条。本可以让mimo自己生成地形图，但我非要它按中国哨兵底图 Lambert 投影输出——这个投影不是 Agent 选的，是我的认知。

人在这里的角色变了。从唯一的创作者，变成了意义的守门人和方向的投票者。碳基 Agent 不再亲自下地干活，但它决定什么值得干、用什么坐标、画给谁看。

这有点像你和一位极聪明的助手合作。你不需要手把手教它每一个动作，但你必须在那张图纸上点一下：“从这里开始，用这个视角。”

所以日抛型软件没有杀死人。它反而逼着人重新回答一个问题：既然什么都可以自动生成，那你究竟在乎什么？

这个问题不技术，却很要命。

最后说句实话。在实验过程中，GPT 5.5 给了我一个惊喜。Taio 比较小众，Sonnet 4.6折腾一个多小时没搞定，GPT 5.5 十分钟收工。那一刻我意识到，工具越来越像人，而人越来越像那个给工具递台词的人。

我们的合作不再是“人用软件”，而是“碳基提要求，硅基给结果”。当中那个界面，真的不重要了。

陈航说软件时代终结了。但我觉得，终结的只是软件必须有人类界面的时代。而那些被扔掉的日抛代码，正被无数双看不见的手捡起来，拼成新的基础设施。人站在更上游的地方，负责决定什么时候说一句：

“就从这张 DEM 开始吧，投影用 Lambert，这张还是不行，要更好看的。”

一个每周都在发生的场景

周一例会，老板问：

"古茗最近在我们周边新开了多少店？有没有在核心商圈蚕食？"

你打开几个 App，搜了一圈，勉强凑出几个数字——但说不清趋势，说不出对比，更画不出地图。

会议室里，安静了三秒。

或者你是连锁品牌的拓展负责人，手上压着十几个城市的选址任务。每次做一个城市的竞品分析，都要花大半天：下数据、筛门店、标地图、做图表、写汇报……

做完一个城市，下一个城市又在催了。

这不是你不够勤快。是工具还没跟上你的思维速度。

而真正的问题，往往不是"数据在哪里"——

而是你那个灵光一闪的想法，在你找数据的过程中，已经消失了。

两种 Agent，一个时代

我们正在进入一个新的协作时代。

人类是碳基 Agent——有直觉、有经验、有对行业的深度感知。一个做了十年连锁拓展的人，走进一个商圈，三分钟内就能感受到这里的人流质量、消费层次、竞争张力。这种判断力，是数据给不了的。

AI 是硅基 Agent——有速度、有记忆、有跨数据集的关联能力。它可以在几秒内处理数百个品牌、数万家门店的分布规律，生成图表，标注趋势，完成对比。

但很长时间以来，这两种 Agent 是割裂的。

专家在自己的脑子里转，数据在系统里睡觉。

人花了大量时间在搬运信息，而不是在思考信息。

ACE：为两种 Agent 设计的助手

这正是极海推出 ACE（品牌门店智能分析助手） 的原点。

ACE 不是要替代你。

ACE 是要把你从信息搬运工，变回真正的专家。

在极海的品牌监测页面，点击品牌旁边的 ACE 按钮，一个新对话页面会打开。

你不需要导出表格，不需要建模，不需要写公式。

你直接说出你的问题就好。

你说，它就动

"沪上阿姨目前在全国有多少门店？主要集中在哪些城市？"

"和蜜雪冰城相比，沪上阿姨在三线城市的渗透率有什么差异？帮我画图。"

"最近半年，古茗在上海新开的门店集中在哪些区域？"

"我们旗舰店附近 3 公里内，有哪些竞品？各自密度如何？"

ACE 不只是回答你——它会同步生成图表和地图：饼图、趋势折线、城市热力图，一屏呈现，截图即可放进 PPT。

数据是日更的，不是上个月的快照，是昨天的实况。

真正发生的事情：专家被激活了

这是我们观察到的一个有趣现象。

当 ACE 承接了数据整理的工作之后，使用者并没有"什么都不做"——

恰恰相反，他们开始问更深的问题了。

• 拓展经理不再盯着 Excel 数格子，开始问："为什么古茗在这个区开了那么多店，但我们进去却不好做？"
• 品牌分析师不再手动画地图，开始问："这个品牌在新一线城市的开店节奏，和它融资时间线有没有关系？"
• 加盟顾问不再翻报告找数据，开始问："这个空白区域，是真的没人进来，还是已经有人试过失败了？"

这才是 ACE 想要发生的事：

硅基 Agent 把信息处理速度拉满，碳基 Agent 的专家直觉才得以充分涌现。

那些只有做过十年、二十年的人才能问出来的问题，才有机会被真正提出——然后被真正回答。

这是属于每一个连锁从业者的技术时刻

① 品牌战略团队

季度复盘时，5 秒出图，不再熬夜整理竞品数据；战略会上，你带来的不是数字，是洞察。

② 拓展 / 选址团队

进城之前，先把竞品格局问清楚。现场踩点，你已经有了整张战场地图——你的时间用来判断，不是用来找信息。

③ 招商 / 加盟顾问

谈判桌上，实时调出区域分布与空白机会，数据支撑你的每一句话，成交的底气来自事实，不来自说辞。

④ 投资 / 研究分析师

研究一个品牌，从门店数量到开店速度到区域密度，所有维度一次问完。你的时间留给判断，不留给整理。

为什么 ACE 的数据是可信的

极海做连锁品牌门店监测已历多年。

覆盖维度不只是"这家店在哪里"，还包括：

• 开业 / 关闭状态（实时跟踪，日更）
• 所在商圈业态（购物中心 / 社区 / 街边 / 写字楼）
• 城市 / 区县 / 商圈分布密度
• 时间序列上的开店趋势与关店规律

这些结构化数据，全部接入 ACE 背后的 AI 分析引擎。

你问的每一个问题，都有真实数据支撑——不是 AI 的推测，是真实发生过的事实。

现在可以直接体验

不用注册，不用申请。

打开下面的链接，问 ACE 一个你最近正在思考的品牌问题：

👉 点击体验 ACE × 沪上阿姨品牌分析

最后，我们想说的

这个产品做出来，不是为了炫技。

是因为我们相信：

最好的 AI 工具，不是让人变得更像机器——
而是让人更像人。

当硅基 Agent 把数据处理的重复工作接管，碳基 Agent 才真正得以释放：去感知、去判断、去产生那些只有人类专家才能涌现出来的微小但关键的决策。

那个在脑子里一闪而过的想法，不应该消失在找数据的路上。

它应该被 ACE 接住，被你说出来，被数据验证，被决策采纳。

这是极海的价值观：
为碳基 Agent，也为硅基 Agent，设计更智能化的助手。
让两种智能同步前进，让这个时代的每一位行业专家，都能在自己的领域里走得更远。

我听到一个故事。

去年秋天，某省级自然资源厅（规划口下属单位）的一场采购评审会上，发生了一次安静的僵局。

供应商演示了一套AI规划评估系统——输入地块参数、天气数据、物流半径，三分钟生成最优仓储选址方案，附带风险热力图。在场的技术人员眼睛亮了。但采购处处长翻完材料，问了一个问题："这个结论的准确率是多少？"

"大约70%到80%，视数据完整度而定。"

处长把文件合上了。"我没办法为一个'大约'签验收单。"

没有人做错什么。技术人员需要更快的洞察，采购处长需要可验收的确定性。这两个需求都完全合理——但它们指向相反的方向。

这个会议室里的三秒沉默，浓缩了整个软件工业正在经历的一场结构性撕裂：我们正在用采购锤子的财务口径，去采购谋士的建议。

你买一把锤子，它能敲钉子。今天能敲，明天能敲，对张三能敲，对李四也能敲。功能有就是有，效率提升30%就是30%，写进采购需求文档，ROI前置计算，审计无死角。这是确定性的生意，也是过去四十年软件工业赖以为生的地基。

但AI卖的不是锤子。它更像一个谋士——今天给你出一个奇招，明天可能给了一句废话。同一份分析，懂行的人如获至宝，不懂的人觉得说了等于没说。这笔交易缺少一个买卖双方都能接受的验收边界。 没有验收边界，就没有定价锚点；没有定价锚点，就没有续费逻辑。

而ArcGIS/QGIS还在大张旗鼓地发新版本，核心卖点依然是界面交互更顺滑、操作效率再提升。铺天盖地的"AI颠覆一切"声浪中，这个事实让很多人困惑。但专业工作者不困惑——Ta们需要ArcGIS，就像木匠需要工作台。不是因为它聪明，而是因为它稳在那里，从不意外晃动。

所以问题不是"AI好不好用"，问题是：谁来为"好用但不确定"买单？

确定性容器里的概率幽灵

先别急着选边站。这个矛盾之所以让人头疼，是因为双方都对，而且双方都在变得更对。

纯确定性工具正在撞天花板。你把GIS的界面优化到像素级完美，该找不到的洞察还是找不到。一个规划师用ArcGIS做缓冲区分析，手动调参数、手动叠图层、手动写报告——准确，但慢；稳定，但盲。他看到的永远是自己已知维度上的东西。

纯AI服务正在撞信任地板。你的结论再惊艳，用户无法验证就不敢用。更致命的是——不敢用，不是技术问题，是组织行为问题。那个采购处长不是不懂AI的价值，他是不能在审计面前为一个"大约"承担责任。

所有人都以为出路是"让AI更准确"。但真正发生的事情更有趣：市场正在进化出一种双层生物——确定性的壳，概率性的核。

以GIS领域正在出现的产品形态为例。底图层依然是铁板一块：地图渲染不会错位，投影转换不会出错，空间拓扑不会报错。该稳的纹丝不动。这是专业工作者的肌肉记忆，也是付费的底线保障。

但在这块铁板上方，长出了一层"透镜"。用户用自然语言提问——"分析这三个地块在极端降雨情景下的洪涝暴露度"——Agent不直接给一个结论，而是生成一段带注释的分析代码、一组多维度交叉方案、一份标注了置信区间的报告。

中间那层才是关键：不确定性包装器。AI必须把自己的"思考路径"摊开在桌面上——不是给你一个答案，而是给你一条可追溯的推理链。结论不确定，但推导过程的透明度是确定的。

这就像审计的逻辑：我们从不要求每一笔判断都绝对正确，但只要审计程序是透明的、可回溯的，结论就可以被接受。过程可控，结论开放。

那个采购处长真正需要的，从来不是"100%正确的AI"。他需要的是：当审计来查的时候，他能指着一条清晰的决策链路说——"我们的流程没有问题。"

你自己炒的菜，咸了也不会摔碗

这里藏着一个被严重低估的变量。

传统软件是"我给什么你用什么"。结论不对，用户的第一反应是：软件有问题。关系很清楚——我是消费者，你是供应商，产品不达标就是你的责任。

但在新的双层架构里，事情起了微妙的变化。用户自己用自然语言构建了分析路径，自己设定了维度和权重，自己选择了要交叉验证的变量。Agent的建议是在用户的框架里长出来的。

"我参与了探索"这个心理事实，会大幅改变用户对不确定性的容忍度。

这不是什么高深的行为经济学——你自己做的菜即使咸了，你也不会摔碗骂厨子。因为你自己就是厨子的一部分。不确定性不再被感知为产品缺陷，而被接纳为正常的专业探索过程。用户和工具的关系，从"买卖"悄悄滑向了"共谋"。

这也解释了为什么纯Agent服务——那种"你问我答"的独立AI顾问——很难独立活下来。它缺少用户参与的锚点。用户没有投入，就没有宽容；没有宽容，60%的置信度就是不及格；不及格，就没人续费。

而嵌在确定性工具里的Agent，天然拥有这个锚。用户在工具里构图、调参、设边界，每一步操作都在积累心理投入。当Agent的建议从这个框架里生长出来时，信任成本指数级下降。

这或许是整件事中最反直觉的部分：让AI变得值得付费的关键，不是让它更准确，而是让用户更深地参与它的不准确。

当"快速排除错误"本身成为商品

回到那个采购评审会。如果供应商换一种说法呢？

不说"我们的系统能给出最优选址方案"，而说："你的团队过去评估一个选址方案需要三天。用我们的系统，一天可以排除十个不靠谱的选项。最终拍板的还是你的专家，但Ta们不再需要把时间浪费在显而易见的盲区上。"

这句话改变了交易结构。采购标的不再是"一个正确的结论"，而是"一种探索能力"。财务口径也随之转换——从CapEx（买一个确定的功能）滑入OpEx（买一种持续的认知带宽）。同样一笔钱，走"咨询与研发预算"而非"软件IT预算"，审批逻辑和容忍度截然不同。

更聪明的组织已经开始把不确定性本身制度化。不是买一个"给出唯一真理的Agent"，而是部署一套对抗式网络：一个Agent负责乐观假设，另一个负责悲观证伪。决策者采购的不是答案，是一场内部沙盘推演。正如法庭——我们无法事先确定真理，但只要控辩程序是确定的，裁决就能被接受。

快速排除错误选项，本身就是一种巨大的确定性价值。 当决策者意识到这套"不确定"的系统能让试错成本降低一个数量级时，结论本身不确定这件事，就变得可以接受了。

锚与帆

你不会买一艘没有锚的船——那是危险的漂泊。也不会买一艘没有帆的船——那是昂贵的停滞。

未来的软件不是工具，也不是谋士。它是一艘船。确定性为锚，不确定性为帆。 锚让人敢掏钱，帆让人真获益。

但我这篇文章真正想说的，可能不是软件形态的演化，而是一种更深处的关系变化——用户和工具之间的关系，正在从"我买你的功能"变成"我和你一起探索"。这个位移一旦完成，付费悖论就不再是悖论。

因为人们从来不会拒绝为自己参与的冒险买单。Ta们拒绝的，只是为别人的黑盒承担后果。

上周我写了一篇文章，说GIS从业者面对AI时的那种茫然感，本质上是认知层面失去了坐标参考系。文章发出来之后，收到两份私信：

一个说"你写得对，但你没给解药"。

另一种更直接："道理我都懂，你给我看个具体的。"

想想也是，大道理说了一箩筐，不如来点实在的。罗胖老师常说：一具体就深刻。这周我就给具体的。

今天下午发生的事

上周末我打开QGIS，准备做一张全国地级市GDP分级地图，一张霸王茶姬全国分布图，还有几家门店的辐射范围图（简单buffer）。手边有几样东西：一份整理好的全国345个地级市十年GDP的Excel表格，一份地级行政区矢量底图，还有霸王茶姬门店的分布列表，同样也是Excel的。

这种活儿我做过无数遍了。流程烂熟于心：加载矢量图层，转换Excel，再导入CSV，字段关联，设置分级渲染，选色带，调断点，出图。每次大概要二十分钟到半小时，取决于数据脏不脏、要不要重投影。

但这次我换了一种做法。

我写了三个脚本，让本地跑着的大模型替我干了三件事。整个过程，从写脚本到地图渲染完毕，没有打开任何一个工具箱对话框。

这不是什么"AI重构工作流"的宏大叙事。就是三件小事，三步台阶。

第一步：别再手查EPSG了

GIS从业者有一个共同经历：你拿到一份经纬度数据，要做缓冲区分析，第一件事是什么？

投影转换。从WGS84转到一个以米为单位的投影坐标系，否则buffer出来的是个椭圆。

问题是——转到哪个投影？

如果数据在北京，你可能条件反射地知道是UTM 50N，EPSG:32650。但如果数据在乌鲁木齐呢？在昆明呢？在海口呢？

大多数人的做法是打开搜索引擎，输入"昆明 UTM zone"或者"EPSG 云南"，然后在一堆结果里找到那个六位数编号，复制，粘贴到QGIS的重投影对话框里。

这件事每次花两分钟。一年做一百次，三个小时就这么没了。

现在的做法：脚本里嵌了一个本地大模型调用。你只需要告诉它"这份数据在云南"，模型返回一个EPSG编号，脚本自动验证这个坐标系是否有效，然后直接执行重投影。

整个过程三秒钟。其实关键就是把那些拿不准的，没有提前准备好的答案转给一个大模型的API。实在是简单（模型随便，我选了个免费的）：

代码只有一个函数。它问模型一个问题："这个地区最适合用什么投影坐标系？只输出EPSG编号。"模型回答，正则提取，验证，完事。模型不可用？兜底用UTM 50N，也不会崩溃。

这就是上周文章里说的"低惊讶闭环"。你不需要理解Transformer架构，不需要知道什么是temperature和top_p，你只需要知道：有一个东西能帮你查EPSG，而且比你自己查更快。

第二步：一键从Excel到地图

第二个场景更日常。

假设你手头有一份品牌门店数据的Excel，里面有经纬度、营业状态、门店名称。你想把它加载到QGIS里，按营业状态过滤，在地图上显示为彩色散点。

传统做法是什么？

打开Excel，另存为CSV。加载CSV到QGIS，设置X/Y字段，选坐标系。然后打开图层属性，进入符号设置面板，选一个颜色——等等，这个品牌的主色调是什么？瑞幸是蓝色还是灰色？霸王茶姬是红色还是棕色？打开浏览器，搜索"瑞幸咖啡品牌色"，找到一个十六进制色值，复制，粘贴到颜色选择器里。

现在的做法：脚本从Excel文件名自动提取品牌名，调用本地大模型获取品牌主色调，自动匹配经纬度列，自动过滤营业状态，一键生成带品牌色的点状符号图层。

模型在这里做的事非常简单：你告诉它"瑞幸咖啡"，它告诉你"#0078D4"。就这样。脚本里预置了二十个常见品牌的颜色缓存，命中缓存连模型都不用调。只有遇到不认识的品牌才会问模型。

以及是不是做Draw Effect，stroke的line多粗多细，你都可以设置默认或者自动智能化的。

有人可能会说，这不就省了查颜色那三十秒吗？

不只是三十秒。关键在于流程连续性。原来从"拿到Excel"到"看到地图"之间有六七个手动步骤，每一步都可能被打断——列名不对、坐标系没选、颜色不满意。现在是一个入口进去，一张图出来。你的注意力始终在 "数据本身"，而不是在"工具怎么操作"。

第三步：让AI帮你挑色带

第三个脚本是这次折腾时间最长、但效果最好的一个。

做分级色彩地图时，每个GIS从业者都面对过这组选择题：

• 分几级？5级？7级？10级？
• 用什么分级方法？自然断点、等间距、分位数？
• 用什么色带？红黄？蓝绿？光谱色？

这些选择没有标准答案。取决于数据分布、取决于你想表达什么、取决于审美偏好。大多数人的做法是反复试：选个色带，看看效果，不满意，换一个。有时候调到凌晨三点，就为了让深色底图上那些面状色块既能区分，又不刺眼。

现在的做法：脚本先统计数据的分布特征——均值、中位数、偏度、四分位数——然后把这些统计量丢给本地大模型，附带一句你的偏好，比如"绿色系，10级，等间距"。模型看完数据后，输出一个分级方案，包含方法、级数、色带名称和一句理由。

我测试了一下2024年全国344个地级市的GDP数据。数据偏度3.53，极度右偏——少数城市GDP极高，大量城市集中在低区间。

当我什么偏好都不给的时候，模型推荐了Jenks自然断点、5级、黄到红色带。理由是"右偏分布适合自然断点，暖色调渐变适合单一指标的量级展示"。

当我输入"绿色系 10级 等间距"的时候，模型直接尊重了我的要求，选了Greens色带、10级、等间距。理由是"尊重用户明确要求"。

当我什么都不说只选了2025年的时候，模型推荐了Jenks自然断点、7级、紫色系。理由是"数据呈右偏分布，Jenks算法能识别数值聚类特征，配合7级紫色系色带可清晰展示层级差异"。

三次都不一样。三次都说得出道理。而且整个过程里，我没有打开过一次"符号"面板。

台阶，而不是天梯

回到上周的话题。

上周说的是，GIS从业者面对AI时的阻力，不是因为懒或者固执，而是因为认知落差太大——那个空白输入框，就像一个没有坐标参考系的空间。

这周做的三个脚本，本质上是在做一件事：把那个空白输入框变回GIS从业者熟悉的操作面板。

不需要你知道怎么写prompt。不需要你理解模型背后的原理。你只需要运行一个脚本，它问你两个你本来就知道答案的问题——数据在哪个省？你想要什么颜色？——然后帮你把从前需要手动操作十分钟的事情在三秒钟内完成。

这就是我说的台阶。

不是从地面直接跳到楼顶的天梯，是一步一步、每步都踩得到的台阶。你脚下踩的还是GIS——QGIS还是那个QGIS，投影还是那个投影，分级渲染还是那个分级渲染——只不过中间有些步骤被模型接管了。

而且是本地模型。跑在你自己机器上的，不传数据、不用付费、甚至不要联网（Ollama本地模型测试也都OK）。QGIS的Python控制台就能运行，不需要装任何额外的软件。

一个更深层的变化

不过我觉得最值得说的，不是效率提升本身。

是使用过程中出现的一种微妙的变化：你开始用自然语言思考GIS操作了。

以前你的思维路径是：打开工具箱 → 找到"重投影"工具 → 选源图层 → 选目标坐标系 → 运行。这是一个工具驱动的路径，你的思考跟着界面走。

现在的路径是：我想把这份数据转到适合云南的投影。说完这句话，事情就发生了。

这个变化看起来很小。但它意味着一个根本性的转向：从"我要怎么操作工具"变成了"我想对数据做什么"。

工具在退向后台。意图在走向前台。

上周文章的结尾，我说分水岭不在"会不会AI"，而在"面对不确定性时能不能用最小成本迈出一步"。

这三个脚本，就是最小成本的那一步。

它们不完美。匹配算法遇到"巴音郭楞蒙古自治州"和"巴音郭楞州"的时候需要查找表兜底。大模型有时候思考太久、JSON被截断，需要把超时时间拉长。数据缺口需要额外一轮搜集。

但它们跑起来了。地图渲染出来了。而且下一次再做同样的事情，不需要重新开始——脚本在那里，模型在那里，你只需要改一个Excel路径。

上周结尾我说，试着今天就问AI一个你工作中的小问题，只一个就够了。

这周我想把这句话说得更具体一点：那个"小问题"不用找，它就在你每天的琐碎工作里。

你每次查EPSG编号的那两分钟，是一个小问题。你每次从Excel另存CSV再手动加载的那五分钟，是一个小问题。你每次在色带列表里反复切换、对比、拿不定主意的那十分钟，也是一个小问题。

这些小问题太小了，小到你从来不觉得它们是"问题"——它们只是工作的一部分，是你早就习惯的操作成本。

但它们加在一起，就是你和AI之间最短的那段距离。

因为它们足够小，所以试一次不会有任何风险。因为它们足够日常，所以你不需要专门腾出时间"学AI"——下次做这件事的时候，顺手试一下就行了。

不需要全部三个脚本。就从最简单的那个开始。

然后你会发现，原来这件事真的没那么复杂。

霸王茶姬的2025年报，看起来真不亮眼，已经有很多分析师看的比较悲观了。

有个数字，可能会超出大多数人的预期。

根据极海品牌监测的数据，截至2026年3月，霸王茶姬的正常营业门店，覆盖了全国356个城市（含海南的县级市/兵团师/湖北和河南的直管市），几乎穿透了中国城市体系的每一层。要知道，传统意义上中国总共也就333个地级行政区。霸王茶姬没覆盖的地级城市唯五：三沙、临夏、黄南、海北、果洛。

这意味着，如果你打开地图，在中国地图上随便点一个能叫出名字的城市，大概率能找到一家霸王茶姬。这已经不是一个"网红品牌"可以解释的规模了。更像是一张毛细血管网络，悄悄地长进了中国城市体系的每一层。

扩张：一道陡峭的数学题

先看速度。2021年，霸王茶姬全年新开了439家门店。到了2024年，这个数字变成了3184家。

三年，扩张倍率7.3倍。

如果把月度开店速度拉出来看，更直观。2024年有几个月，单月新开超过350家——差不多每天12家。这个密度，在整个新茶饮赛道里都算头部水平。

但速度只是硬币的一面。真正有意思的是，这些新店开去了哪里。

下沉：不是一线的游戏

很多人的印象里，霸王茶姬是写字楼和商场里的品牌。但数据讲的是另一个故事。

在6896家正常营业门店中，新一线城市占了25%，二线城市22%，三线城市18%。一线城市只占11%，排在第五位。

更值得注意的是三线及以下城市的渗透——三线、四线、五线加起来，占全部正常营业门店的40.8%。

这个比例说明了什么？霸王茶姬的主战场，不是北上广深的精品咖啡馆隔壁，而是中国的腰部城市。成都、杭州、重庆、苏州、武汉、昆明——这些新一线和二线城市才是它的核心根据地。它的根，扎在中国消费市场最厚实的中间层。

均衡：32个省都有它

不止是城市级别均匀，地理分布也出奇的均衡。

全国32个省级行政区都有霸王茶姬的门店。广东、浙江、江苏领跑，但云南、贵州、广西这些西南省份同样进入了前列。这和很多连锁品牌"东强西弱"的格局不同。霸王茶姬从云南起家，西南市场的基因一直很深，而它同时又成功地在东部和华北市场站住了脚。

这种"既能打发达市场，又能深耕下沉市场"的均衡布局，在茶饮行业里并不多见。

头部城市：密度够深

看一个结构性指标——头部城市的密度。

上海302家、成都217家、杭州195家、重庆185家、深圳170家——TOP5城市合计1069家，占全国15.5%。TOP10城市合计1771家，占25.7%。

这个集中度比较健康。它没有像一些品牌那样把大量门店堆在一两个城市里（比如Popeyes 95%在上海），也没有过于分散到无法形成品牌密度。头部城市有足够的密度撑起品牌势能，同时尾部的356个城市又保证了全国性的覆盖。

这种"头部密、尾部广"的结构，是连锁品牌最理想的门店网络形态之一。

存活：88%仍在营业

快速扩张的品牌，最容易被问的一个问题是：开得快，活得久吗？

数据给出了一个还不错的回答。

在全部8045家历史门店中，6896家正常营业，219家暂停营业，930家已关闭或移址。存续率88.4%，关闭率11.6%。

过去24个月的存续门店增长曲线几乎是一条持续上行的线。即便考虑了关店的影响，净增依然是正向的。对于一个三年内开了近6000家新店的品牌来说，能保持近九成的存活率，本身就是门店模型可复制性的证明。

而且，2026年以来，关店速度明显放缓。前一年（2025年）关了608家，但今年截至3月只关了56家。如果这个节奏持续，说明最激烈的"换血期"可能已经过去。

不是结论

这篇分析没有讲霸王茶姬的利润，也没有讨论它在价格战里的姿态。因为这些数字讲的是另一个维度的事情——

一个品牌，用了不到五年的时间，把门店网络铺到了全国356个城市，覆盖了从一线到五线的每一个层级，在32个省份都站住了脚，并且在这个过程中保持了近九成的存活率。在海外的门店，什么时候能拓展到世界的各个角落，也值得期待。

这不是一个关于"卖奶茶"的故事。这是一个关于"如何用门店网络占领一个国家的消费地图"的故事。至于这张地图最终能值多少钱，得看下一步——它能不能把扩张阶段烧掉的弹药，变成每一家店的持续盈利能力。