踩着 Astra 的肩膀，傅盛都敢复刻王者荣耀了

文 | 字母 AI

在 Axios 最新的采访中，奥特曼又一次谈起了 " 点子哥（idea guy）的复仇 "。

所谓 " 点子哥 "，指的是那类懂用户、有想法，却缺少技术执行力的人。在很长一段时间里，这个词都带点调侃的意思：不会写代码、没有工程团队，再好的想法也很难真正变成产品。

奥特曼认为 AI 正在改变这件事，他说：" 任何想开公司的人，都像拥有了各个专业领域的天才级员工。"

GPT-6 Astra 上线之后，这句话有了一个非常具体的表现：有人开始下载自己根本不会用的 Blender。

他们不需要先学建模、记快捷键，甚至不用搞清楚界面上的按钮分别有什么用。直接把软件交给 Astra，告诉它自己想要什么，Astra 就能把想法实现。

OpenAI 在 Astra 的演示里甚至把这条链路一路推到了 3D 打印：从一个想法，到 Blender 建模，再到导出文件、送进打印机，最后得到一个真正可以拿在手里的成品。

专业工具本身没变简单，但现在人们不用先学会它，也能把事儿办成。

踩在 Agent 的肩膀上

很多人第一次打开 Blender，就一个反应：什么鬼。

建模、材质、灯光、摄像机、渲染……每个部分都认识，但凑在一起和天书没什么差别。哪怕只想做个简单的小场景，也得先跟软件死磕半天。

但 Astra 换了个玩法——你不用学 Blender，Agent 替你去学。

OpenAI 工程师 Thomas Ricouard 只给 Astra 提了一个目标：一栋极简住宅，带精致家具与花园，且富有电影质感。Astra 随即调用 Blender 的 Python API，自主搭建出了可继续编辑的 3D 场景，从硬装到软装，一气呵成。每完成一版，它还会自行渲染预览，修正植物穿模、光影及构图等瑕疵。后期扩建完成后，Astra 又自主编写了导出导入流程，将整栋房子迁移至 Unreal Engine 5，最终做出了一个可供自由探索的实景空间。

在此之前，生成式 AI 其实已经能做出很像 3D 的东西。你给它一张参考图，它能吐出一张看起来像是 Blender 渲出来的房子、角色或者游戏场景；往前一步，也有模型能够直接生成 3D 资产和代码。

但这和真正使用 Blender 完全是两码事。

前一种方式，本质上是 AI 绕过专业软件，直接给你一个结果；Astra 展示的则是另一条路径：它会通过 API 直接进入 Blender，建模、改材质、调灯光、看渲染结果，再继续返工。需要的时候，它还会通过 computer use 进入软件界面检查场景。

Astra 发布之后，X 上很快冒出了更多实测。

Tom Krcha 拿了一张老式蒸汽火车的手绘图交给 Astra，让它在 Blender 里重建。几分钟后，Astra 做出了 3295 个彼此独立、可以继续编辑的对象，给了他一个真正的工程文件。

Krcha 甚至可以继续告诉 Astra 他想要的改进方向，让 Astra 帮他实现。

猎豹移动董事长兼 CEO 傅盛，自述完全不懂 Blender，也没有什么复杂的需求。他甚至只是把网友的推文连接和截图发给 Astra，附加一句 " 帮我复刻，尽可能还原 "，大约 40 分钟后，一个可以实际进入的 3D 游戏场景已经基本成型。

在这个过程中，Blender 依然是那套复杂的 Blender，但用它的人已经不需要再从头啃一遍了。

事实上，在 Astra 之前已经有人尝试过让 Claude 操作 Blender ——通过 Python 脚本、MCP 等方式，模型可以根据自然语言生成代码，再让 Blender 执行。只是当时这套玩法还带着很明显的 " 极客实验 " 痕迹：要自己配置连接、处理报错、来回复制代码，很多时候人还得在旁边盯着。

Astra 这次把事情往前拱了一大步，把那些原本零散的步骤包进了一个 Agent 里。它的发布口号几乎就是冲着这种场景来的：

"Anything you can do on a computer, Astra can do for you. Fast."

直译就是：凡是你能在电脑上做到的事，Astra 都能替你完成，而且很快。

Blender 只是其中最直观的一个例子，类似的变化正在更多专业工具里出现。

过去一个人想做 3D、做游戏、画工程图、处理复杂表格、搭原型，往往意味着先学会一套对应的软件。而现在，这个顺序正在被 Agent 打乱。

软件的门槛依然存在，但用户可以踩着 Agent 跨过去。

X 用户 @Alpha10six 让 Astra 参与自己的探测车（rover）项目，使用云端 CAD 软件 Onshape 设计机械零件。Astra 不仅在现有模型里调整轮组和结构件，还为这套工作流自己写了一个定制插件。

在 Unreal Engine 里，这种变化甚至已经从 " 替你操作软件 "，进一步变成了 " 替你在软件里长期做项目 "。

作为 Astra 的提前体验用户，Matt Shumer 在 Astra 正式发布前，就让它在 Unreal Engine 里连续工作了约一周的时间，搭建一个曼哈顿世界。按照他的说法，Astra 可以沿着城市一条街一条街地检查和完善场景。

这些案例当然还不能说明专业软件从此不需要学习，真正复杂的建模、工程设计和游戏开发，依然需要经验和判断。

但变化已经非常明显：过去的专业软件既提供能力，也设置门槛；现在，Agent 开始接管其中最耗时间的操作层。

不会 Blender、不会 CAD、不会 Unreal，不再自动等于做不了 3D、机械设计或者游戏世界。

真正被拉近的，是普通人与专业能力之间的距离。

从 " 斩杀线 " 到人人可行

我们在之前的文章里讨论过，Anthropic 最擅长的事情之一，就是不断把 AI 推到传统软件公司的门口。

法务、金融、编程、设计、安全、自动化…… Claude 每新增一种产品或能力，就意味着一个原本相对独立的专业赛道突然多了一个 AI 竞争者。

有时候，Anthropic 的新产品甚至还远远谈不上成熟，也没有真正替代原有公司的能力。但它只要证明一件事—— " 这事儿现在 AI 也能做了 " ——市场就会先重新给原来的公司定价。

这就是 " 斩杀线 "。

Claude Design 是最直观的案例。它出现之后，用户不必先打开 Figma，可以直接通过对话生成网页、App 原型、营销素材，再进一步交给 Claude Code 变成代码。就在 Claude Design 发布当天，Figma 股价收跌近 7%。

Anthropic 做的是一件比较 " 收敛 " 的事情：把原来属于专业软件的能力，搬进模型里去。

过去设计要找 Figma，写代码要找 IDE，做自动化要找专门的软件，而 Anthropic 不断把这些能力往 Claude 里收。

但这个方向的短板也很明显。模型要写代码，就得拥有足够强的编程能力；要做设计，就得把审美、布局和前端能力学进去。每进入一个新的专业领域，都意味着模型得先把这个领域学懂。

Astra 这次展示的则是另一条相对 " 扩散 " 的路径：它不打算自己重新发明一个 Blender，也不准备把几十年积累下来的 CAD、游戏引擎、3D 打印技术全部学进参数里。

它只需要学会使用这些工具。

想做 3D，就接上 Blender，调用它成熟的建模、材质和渲染系统；想设计机械零件，就进入 Onshape；想搭游戏世界，就打开 Unreal Engine。专业软件过去几十年的积累，如今可以直接变成 Agent 的外挂能力。

我们甚至可以认为，Anthropic 不断把专业能力从软件里搬进 AI，OpenAI 开始让 AI 反过来使用整个软件世界。

对普通人来说，第二种方式有一个非常直接的好处，那就是能力扩张得更快了。

毕竟，一个模型想真正学会所有专业工作几乎不可能，每一个领域背后，都是几十年积累下来的功能、插件、工作流和行业经验。

但如果 Agent 会用这些工具，它就不需要从头再造一遍。用户也不必等到 "AI 终于学会了某个行业 "，才能够使用这项能力。只要这个行业已经有成熟的软件，Agent 就可能先把它接过来。

也就是说，在之前，普通人能用 AI 做什么很大程度上取决于模型自己会什么；而现在，还可能加上电脑里那些软件会什么。

而且，这两条路对原有软件公司的冲击也不完全一样。相比 Anthropic 此前直接把专业能力收进 Claude、某种程度上绕开原有工具的做法，Astra 这条路线在短期内对专业软件 " 友好 " 得多。

毕竟，对收费软件来说，用户是自己点鼠标，还是让 Agent 替自己点鼠标，并没有本质区别——只要软件仍然在工作流里，权限和订阅就仍然有价值。

甚至从这个角度看，Agent 还有可能给专业软件带来一批过去根本不会成为用户的人：以前一个人因为不会 CAD，压根不会买 CAD；现在他可能因为 Agent 会用，而愿意为这套工具付费。

但麻烦也从这里开始。

当操作软件的主体从人变成 Agent，专业软件过去用来留住用户的那套东西，还能继续奏效吗？

是门槛还是护城河

对专业软件来说，门槛和护城河，本来就有部分重叠。

一个人花了五年学会 SolidWorks，熟悉了它的快捷键、建模逻辑和工作流，通常不会因为另一款 CAD 便宜一点，就立刻从头再学一遍。

Adobe 也是一样，一个团队用了十年 Photoshop、Illustrator、Premiere，积累下来的不只是几个账号，还有模板、插件、文件格式、协作方式，以及每个人已经形成的操作习惯。

软件越复杂，这种沉没成本往往越高。

所以过去的专业软件有一个看起来有些矛盾的特点：难学是门槛，但学会之后，" 难学 " 反而开始替软件锁住用户。

但这套逻辑放在 Agent 上行不通。

Agent 可没有 " 肌肉记忆 "。它不会因为从大学开始就用 PS，而对 Photoshop 产生感情；也不需要因为已经花了三年学会一套 CAD，就拒绝重新学习另一套。

只要它同时能掌握十套工具，就完全可能根据不同任务，在它们之间来回切换。

做这个零件，A 软件结果最好，就用 A；下一个任务 B 软件更稳定，就换 B；但如果 C 更便宜、接口更开放，用 C 来做也未尝不可。

于是，当真正操作软件的主体从人变成 Agent，专业软件之间原本非常高的迁移成本，就可能开始下降。

当然了，这并不意味着专业人士和普通用户之间的差距会被抹平，Agent 也许能让普通用户更容易地做出 " 像样的东西 "，但专业人士更容易把它做对、做好，并且知道什么时候不能直接相信 AI。Agent 降低的只是工具门槛，并不是专业判断本身。

但对软件来说，操作软件的主体发生了变化，软件的竞争维度也会跟着发生变化。

接口够不够开放，调用顺不顺畅，结果能不能验证，长任务稳不稳定，跨软件传文件麻不麻烦，价格合不合适——这些以前只有开发者和企业集成才需要关心的问题，未来可能直接决定一款软件的使用量。

这些专业软件以前只需要考虑怎么把用户留下，但到了 Agent 时代，它们可能还得想怎么才能被 Agent 翻牌子。

有意思的是，最早被 Anthropic" 斩杀线 " 吓到的 Figma，正在主动向 Astra 代表的这套逻辑靠近。9 月 2 日，Figma 在一篇 Coinbase 案例中直接提出了一个问题：当主要用户从工程师变成 Agent，需要改变什么？

现在 Figma 已经允许 Claude、ChatGPT 等 Agent 通过 MCP 直接读写 Figma 画布。某种意义上，它正在主动把自己从 " 人使用的设计工具 "，改造成 Agent 也能调用的设计能力。

当使用量和用户忠诚不再天然绑在一起，Agent 时代，专业软件最大的变化未必是被 AI 替代。

它们更可能从一种需要人长期学习、形成习惯的工具，逐渐变成一种模型按任务调用的能力模块。