与 AI 配合，要从任务型转成乐趣驱动型

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。