从高达模型到 Codex：亲手造出想要的东西

小时候拼过第一台高达模型。那是中学时代，屏幕里动起来的机器，居然能拿在手里，那种冲击到现在都记得。那台模型还放在父母家。

后来我越拼越多。一开始只是照着说明书做，做完总觉得离盒子上的样品差一截。有些地方没分色，我就买了笔刷和颜料。给推进器内部涂红，再后来整台都涂。涂出界、没干透就碰，常有的事。但正是这些不完美，逼着我一点点想清楚自己要什么。

我开始拿其他套件的剩余零件做替换。慢慢发现，有些关节件尺寸接近，可以跨型号复用。然后我开始对老套件感兴趣。它们的关节简单，有的还要上胶，结构看着比新套件粗笨，但那正是趣味所在——你能看出当年的设计师怎么解决机械问题，也能看到模型技术怎么演变。

我不是先学再做，而是想做，才开始学。

到了高中，我迷上了变形机。尤其喜欢后期高达系列里的精神力高达MK-II。但想买的套件当时买不到。于是我想：买不到，那就自己做。我没有3D建模技能，就用纸巾盒的纸板做装甲，用其他套件的流道和关节件搭内部结构。想关节放哪，变形时装甲会不会撞，两种形态撑不撑得住。

那不是完美的复刻，但在材料和技术都有限的情况下，它是我自己的版本。而且它能变形。

从照着说明书装配，到自己设计一个市面上不存在的东西，中间隔着一连串小小的尝试。

中学时拼的第一台高达模型，现在还放在父母家。它的意义在于，让我能亲手检查和摆弄一台原本只存在于屏幕里的机器。作者供图。

生成式AI：既是套件，也是说明书，还是帮手

今天，我用ChatGPT、Codex（我私下叫它“Codex君”）和其他AI智能体来做软件、AI系统，以及一些连接AI和物理世界的小项目。

起点常常不是详细需求，而是一句含混的话：

“我想要一个这样的东西。”

“这个任务太烦了，能自动化吗？”

“我以前试过类似的，没成。”

“其实我也不确定自己要什么。”

把这些话丢给生成式AI。ChatGPT帮我厘清思路，Codex帮我写代码、改文件、搭出最初的原型。这个意义上，生成式AI既是模型套件，又是说明书，还是坐在旁边一起拼的人。

但第一版几乎不可能是最终版。

用了AI做出来的东西，我才发现缺了什么：少一个必要功能，界面比预想难用，行为跟想象不一样。有时候，我会意识到当初提的需求根本不是真正想要的。

于是回去找AI：

“这部分改一下。”

“我试了，出了这个问题。”

“能不能换个思路？”

“现在能跑了，但我还需要这个。”

这个过程和拼模型很像。拼完对照脑海里的形象，然后买漆、换零件、打磨。

先做出来，再看出差距，然后补上知识、工具、修改。一个平平无奇的第一稿，就在循环里变成适合我的东西。

关键不是AI一次给出完美答案，而是它给了我一个具体的东西，让我去用、去质疑、去试、去改。原型的功能不只是验证想法，它还能帮你发现，自己到底想要什么。

AI没有消灭学习，只是改变了学习的起点

过去学技术，路径常是：先学编程，再学电子，掌握工具，然后开始做。这条路依然有效。但对圈外人来说，从零到能跑的结果，中间的距离大得吓人。

生成式AI给出了另一条路：

从一个模糊的愿望开始。请AI给个思路或原型。用一下，发现缺什么。补上当时需要的具体知识。改，再试。

目的先于课程。

学习因此变得具体。我不再为“将来可能有用”而学抽象知识，而是因为眼前这东西跑不起来而学。AI解释得晦涩，我可以追问：

“这一步为什么必要？”

“能不能讲得更简单？”

“接下来我该做什么？”

“这里可能出什么错？”

这不意味着理解和责任会消失。塑料模型可以只是架上的私人物品，但用AI做出来的系统可能处理数据、影响别人、在现实世界运作。如果交给别人用，或投入实际使用，就要考虑测试、安全、隐私、维护和责任。

体力活也还是体力活。AI没法穿过屏幕帮你裁纸板、接每根线、修机器。但它可以帮你找材料、对比方案、解释陌生工序、排查错误。

最重要的是，它能帮我们开始。

第一稿不必精巧，只需要把脑海中的念头挪到一个可以端详的形态里。哪怕做得不完美，可能性的范围已经变了。“如果这个我能做，那个也许也能做。”这样的小成功，会引出下一个问题、下一次修改、下一件以前不敢想的东西。

动手的爱好，在AI时代可能更重要

如果AI能讲清做法、写代码、出原型，那模型套件、乐高、手工、烹饪课、艺术课、音乐练习和科学社团，会不会变得无关紧要？

我反而觉得，可能更重要。

生成式AI能把愿望变成方案，但愿望本身总得有人先有。对我而言，起点是屏幕上那个很酷的机器。高达模型给了我把那种“喜欢”变成实体的渠道。拼装的过程把我引向涂装、改造、机械结构，最后做出买不到的东西。

同样的模式，哪儿都能开始。尝到一道菜，想自己做；听到一首歌，想弹出来；看到一幅画、一个机器人、一件家具、一套戏服，或一个科学实验，心里冒出“我也想试试”。

重要的不只是工程经验，而是被什么东西打动，然后朝它动手。

有人做了东西，另一个人看了产生好奇，也试着做，他的作品再启发下一个人。生成式AI并没有发明这个循环。它和这一切共享同一个根：欣赏、好奇、行动、失败、学习、创造。

AI只是把路拓宽了。它站在那些本来会停在“我肯定不行”的人旁边，帮他们迈出第一步。

所以我希望那些能催生“我想试试”的文化和场域不要消失。AI越能干，我们可能越需要它们。

这对孩子尤其重要。光教他们操作AI工具不够，他们还需要机会去迷上什么东西，去尝试做出来，去失败，去发问，再去试。结果不一定要有用，不一定要好看，梦想甚至不必完全实现。想要、然后朝它走，这个经历本身就值钱。

也许你曾试过又放弃了一个东西。

也许有一个任务一直让你烦躁。

也许你想过“要有这个东西就好了”，但没想过自己做。

你不需要从完美的提示词或完整的设计开始。你可以先去跟AI说：

“这种东西能做出来吗？”

“我之前试过，在这里失败了。”

“我这项活儿特别恼火。”

“我不知道从哪开始。”

第一个答案可能是错的，第一个原型可能残缺。把它当成从盒子里拿出的第一台模型，而不是你想象中的成品。

试试。换个角度看。发现缺什么。再问。加上你自己的笔刷、颜料、备用零件。

我做东西的第一张图纸，从来不是工程图。

而是我看见古夫（Gouf）时心里那句：

“好帅，我想把它抓在手里。”

后来我做的东西，从塑料模型变成软件和AI智能体。但起点没有变。

---

作者注：我用了生成式AI来帮助重构和编辑这篇英文版。文中的回忆、经历和观点都是我自己的。