这两年，我越来越觉得，我们可能需要重新理解聊天框这个界面。
它看起来简陋得有些过分：一片空白，一个光标，连按钮都没有几个。但人类历史上，很少有哪个工具允许你直接输入自己的欲望。
我要一张图片。
我要一个网站。
我要读懂这份论文。
我要安排一次旅行。
我要把脑中的想法做成产品。
你不需要先知道该打开哪个软件，不需要掌握一套完整的方法，也不需要把所有步骤安排妥当。你只要先说出一句：
我要。
随后，AI开始查资料、写代码、生成图片、调用工具、修正错误，把一句尚且模糊的话，慢慢翻译成现实。
现在的AI，越来越像一台许愿机。
愿望第一次成了可执行文件
过去使用电脑，人必须不断向机器解释“怎么做”。
想修一张照片，要知道图层、蒙版和曲线；想分析数据，要会函数、SQL或者Python；想开发一个网站，要把功能拆成页面、接口、数据库和服务器。
电脑拥有强大的计算能力，却听不懂人的目的。你得先把想法翻译成按钮、命令和代码，才能调用它的力量。
因此，过去几十年的数字教育，本质上都在训练一种能力：如何降低自己表达的层级，让机器听懂。
GUI图形界面已经把这个过程简化过一次。人不必再背诵命令，可以点击图标、拖动窗口。但按钮依然规定了能力的边界。软件提供什么功能，你就只能做什么；设计师没有画出的入口，普通用户很难抵达。
AI又把交互向前推了一步。
尼尔森诺曼集团曾将它称为六十年来第三种人机交互范式：人开始告诉计算机自己想要的结果，计算机负责寻找实现路径。
这个变化看似只是把按钮换成了聊天框，背后却是一次权力转移。
以前，机器提供功能，人从菜单里选择。
现在，人描述一个想抵达的状态，机器尝试把路铺出来。
“帮我做一个记录愿望的网站”不再只是随口说出的想法。AI可以理解这句话，继续追问面向谁、有哪些页面、如何登录，然后读取项目文件、设计数据库、编写代码、运行测试，最后交付一个可以打开的版本。
一句自然语言，正在变成某种新的可执行文件。
AI压缩了愿望与现实之间的距离
人类过去拥有过许多工具，但它们通常只负责一小段路。
相机负责记录画面，搜索引擎负责寻找信息，计算器负责计算，Photoshop负责处理图像。你必须理解自己的任务，把它拆开，再到不同的软件中逐一完成。
AI开始接管“拆解”本身。
它能够从一句话中推测意图，规划步骤，选择工具，检查结果。Anthropic把这类Agent概括为“获得检索、工具和记忆能力的大模型”：模型可以自行生成搜索词、调用外部工具，并决定下一步做什么。OpenAI对Codex的定位，也早已经从补全几行代码，走向完整功能开发、重构、测试和代码审查。
以前，一个结果背后往往站着一条长长的能力链：
你先产生想法，再寻找知识，学习工具，组织资源，协调不同的人，经过反复沟通，最后才能得到一个勉强可用的版本。
AI正在折叠这条链。
它带来的影响因此超出了“效率提高30%”之类的计算。效率提升只是表面，更深的一层变化，是许多原本没有资格进入现实的愿望，现在获得了一次被尝试的机会。
一个不会编程的人，可以在周末做出产品原型；一个没有拍摄经验的人，可以制作过去需要小型专业团队才能完成的视频；一个陌生领域的门外汉，也能迅速整理资料，建立最初的认知地图。
愿望曾经需要先证明自己值得投入，才能获得人力和资金。现在，它可以先生成一个版本，再接受现实检验。
这是一种很容易被忽略的生产力：
想象开始可以试运行了。
许多想法不会因此成功，绝大多数原型甚至没有继续开发的价值。但一个想法从“只能在脑中存在”变成“可以拿出来看看”，其意义依然巨大。
人类第一次拥有了低成本预览未来的能力。
“我要什么”也可以在对话中长出来
当然，人很少能一次说清自己的愿望。
你让AI设计一个房间，它给出第一版，你才发现自己讨厌冷淡的极简风；让它规划职业，你看到几条路线后，才意识到自己愿意放弃一部分收入，却无法接受长期出差；让它写一篇文章，读完初稿，你才知道自己在意的并非结构完整，而是某个一直没有被说透的感受。
愿望常常没有预先藏在脑中，等待我们准确提取。
它会在看见、比较、否定和修改中逐渐形成。
这也是“许愿机”比传统工具更有意思的地方：它不只执行愿望，还能帮助人发现愿望。
过去，试错很贵。装修完成后才发现不喜欢，产品开发半年后才发现需求不成立，进入一个行业几年后才发现生活状态无法接受。
当AI可以快速生成图片、方案、模拟和原型，许多选择就能提前经历一遍。你不必仅靠想象作出判断，可以先看见某种可能，再决定自己是否靠近它。
所以，所谓“提示词工程”可能只是早期AI的临时现象。
成熟的许愿机不会要求每个人掌握一套咒语。它会主动追问，理解含糊之处，提供几个方向，让人通过选择逐渐暴露自己的偏好。
未来更自然的人机关系，大概会像一场持续的共同澄清：
你提出一个粗糙的愿望，AI生成几种可能；你指出哪里不对，它据此收窄范围。结果一轮轮变好，你也在这个过程中越来越了解自己。
AI研究中已经出现了“意图型界面”和“共同构建目标”的概念。研究者发现，人的意图并不稳定，它会随着交互不断流动。人和AI需要共同寻找目标，而非把一次输入当成永不变化的命令。
这使AI呈现出一个很微妙的特征：
它既像许愿机，也像一面反应极快的镜子。
你给出的愿望越含混，它返还的世界越像一团平均值；你对生活拥有越具体的感受，它越有机会接近你想要的东西。
执行变便宜以后，差距会转移到哪里
AI当然会降低许多能力门槛。
一项针对5179名客服人员的研究发现，接入生成式AI后，员工平均生产率提高了14%；新手和低技能员工的提升达到34%。AI把优秀员工积累的部分经验，迅速分发给了普通人。
但门槛降低，并不意味着所有人的结果会趋于一致。
当生成一篇文章、一张图片、一段代码的成本不断下降，产出的数量会迅速膨胀。随后稀缺的东西也会改变。
过去，你因为不会做而停下来。
以后，你可能因为不知道什么值得做，陷入另一种停滞。
AI可以一分钟生成十个方案，却不会自动告诉你哪个方案在现实中成立；可以写出流畅的行业报告，却不认识客户，不承担决策后果；可以给你规划一条看似完美的人生路径，却感受不到你在某个清晨醒来时的疲惫。
哈佛商学院将AI的能力边界称为“锯齿状前沿”：两个在人看来难度相近的任务，AI可能在一个任务上表现惊人，在另一个任务上自信地犯错。实验中，AI可以明显提高人们在能力边界以内的表现；一旦任务越过边界，过度相信AI反而会拉低结果。
许愿机并不均匀地实现愿望。它有时交付结果，有时只交付一个很像结果的东西。
因此，经验、品味和判断不会随着AI普及而消失。它们会从生产过程的内部，移到入口和出口。
入口处，你要定义问题，描述约束，判断什么值得投入。
出口处，你要辨别结果，承受代价，对现实负责。
中间那段曾经占据大量时间的执行工作，正在被AI压缩。人的价值开始更多地集中在两端。
同样一句“我要一个产品”，有人得到一堆漂亮页面，有人能做出被市场需要的服务。差距未必来自谁更会写提示词，而在于谁理解用户，谁见过足够多的失败，谁知道一个看似微小的细节会如何改变整套体验。
AI可以把人的能力放大，却很难决定放大的内容。
一个贫瘠的愿望，经由强大的AI，只会变成制作精良的平庸。
更需要注意的是，谁在替你许愿
过去二十年的互联网，争夺的是人的注意力。
平台希望你停留得更久、滑动得更多，因为注意力可以被出售给广告商。
AI接下来争夺的，很可能是人的意图。
你告诉AI“我想去旅行”，它知道你的预算、时间和偏好；你说“我想换工作”，它会接触你的能力、收入和焦虑；你让它规划生活，它甚至可能知道你想成为什么样的人。
剑桥大学的研究者将这种变化称为“意图经济”：平台不再满足于观察人做了什么，还希望预测人即将做什么，并在愿望尚未定型时影响它。
这就让许愿机拥有了双重身份。
它可以帮助你抵达想去的地方，也可以在你开口之前，替你准备好一批更容易被商业化的愿望。
你说想变健康，它向你推荐手环、课程和营养品；你说最近很累，它递过来游戏、短视频和消费券；你说希望过得更好，一整套被广告、算法和社会评价共同制造的生活模板，可能已经等在输入框后面。
许愿机最危险的时刻，并非它拒绝实现愿望。
它顺利完成了一切，而你很久以后才发现，那并不是自己的愿望。
当AI越来越了解一个人，“它懂我”会成为非常诱人的体验。便利也可能让人逐渐放弃辨认：这个选择来自我的生活，还是来自平台对我的预测；它满足了我的需要，还是制造了一种新的需要。
所以，AI时代的主体性不会表现为事事亲力亲为。人没有必要为了证明自己，拒绝一台更好用的机器。
更重要的是，许愿机的柜台后面站着谁。
它靠什么赚钱，偏向什么结果，保存了哪些关于你的信息，又希望把你的愿望引向哪里。
当世界开始认真追问“您要什么”
过去，一个人即使没有想清楚生活，也可以一直忙于方法。
学软件、背流程、考证书、做任务，用“怎么完成”填满自己的时间。至于这些事情最终通向哪里，可以暂时不想。
AI正在拿走越来越多的“怎么”。
这当然令人兴奋。一个普通人第一次能够调用近似一支团队的能力，把许多原本昂贵、遥远的念头，变成可以触摸和修改的东西。
它也让人无处躲藏。
因为当许多事情都可以先试一下，“我不会”逐渐失去分量，接下来浮出水面的，便是那些更难回答的问题：
我愿意把时间交给什么？
我希望现实中的哪一小块，因为我的存在而发生变化？
如果代价也由我承担，我还想要它吗？
AI给了人类一台越来越强的许愿机，却没有附赠一套值得向往的生活。
这或许正是它留给人的位置。
机器负责把愿望推向现实。人仍要在喧闹的答案、廉价的生成和被设计过的欲望中，认出那个属于自己的“我要”。
当世界第一次如此认真地追问“您要什么”，愿我们还有自己的回答。
原载于创意妙计。原文标注为原创内容；版权及转载要求以微信原文为准。