
“AI 应该让我们变成更好的自己。”
在很多关于 AI 的讨论里,人们习惯从模型、算力、编程、产业效率谈起。但当 AI 开始能说话、能创作、能陪伴、能协助我们整理记忆时,它就不再只是一个技术议题,也变成了一个人文议题。
这一期《原点Talk》,我们请到了一淼AI创新工作室主理人李一淼。
她曾是文旅规划设计师,做过景观设计、生态规划和城市更新,也曾在教育领域教授人文地理、历史和英语;如今,她把自己的方向定义为“AI 人文创新教育”。
从景观到文旅,从教育到 AI 创作,再到口述家族史。这些经历看似跨界,却都指向一个共同的核心:人如何在空间、时间和关系中理解自己。
景观是人与空间的关系,教育是人与人的连接,口述史是一代人与下一代人的记忆传承。而 AI,则成为她重新串联这一切的工具。
在李一淼看来,AI 带来了创作工具的平权,也降低了普通人表达、记录和创造的门槛。但它并不是为了替代人的思考、情感和体验,而是帮助人重新回到自己,回到与他人、社区和世界的连接。
她说,每个人都是一个“离线的 AI”。每个人的经历、家庭、记忆和生命体验,都是独一无二的数据集。当外在的职业标签被 AI 逐渐抹平,人更需要找到自己的意义,最终才能“见自我、见众生、见天地”。
【以下为本次访谈的精选内容。】
高飞:欢迎大家收看本期《原点Talk》。今天我们请到了一淼 AI 创新工作室主理人李一淼。你的经历很跨界,有景观,有教育,也有家族文化传承相关的内容。如果让你对外介绍自己,你会怎么描述?
李一淼:我会介绍自己曾经是文旅规划设计师,现在是 AI 人文创新教育的老师。
高飞:你最早学的是景观规划,当时为什么选择这个专业?
李一淼:现在回想起来,我选景观专业好像是冥冥注定。当时选大学专业时,我其实在计算机和景观之间犹豫。因为我是理科生,而在理科专业里,景观是最偏艺术和人文的方向。 我妈妈曾经来北京林业大学进修过,她跟我说,学这个专业的人每天背着画夹去画画。我后来去看学校网站上的课程表,发现里面有植物、艺术、建筑、绘画,这些都是我特别喜欢的内容,所以选这个专业是我自己心之所向。
高飞:当时学理科是比较主流的选择,但你骨子里其实更喜欢艺术和人文。家里支持你这个决定吗?
李一淼:我所有人生里的重大决定,基本都是自己做的。我是一个很自主的人,我父母也很开明,他们都会在一旁支持我,从来不会强加他们自己的想法。
高飞:真正学了景观之后,和你当时报考时想象的一样吗?
李一淼:确实是我喜欢的方向。我本科四年在北林,后来去美国继续读景观。那几年我很开心,因为每天都在做自己喜欢的事情,也真的热爱这个专业。
高飞:后来你去美国读研究生,方向有什么变化?
李一淼:我一开始去了佛罗里达大学学景观建筑,后来奥本大学给我全奖,我就转到了奥本大学。美国那边的景观理念更偏生态规划,他们很在乎生态体系,不只是把一个空间设计得好看,而是要看这块环境如何和更大的生态系统融合,让生态系统变得更好,或者进行修复。
高飞:很多人可能不太清楚景观设计和生态设计的区别。能不能举个例子?
李一淼:狭义的景观设计,比如给你一块公园、校园环境或者居住区公共空间,通过植物、材料和空间组织,把它设计得更舒适、更美观,满足人的功能需求和审美体验。
生态设计会看得更长远、更系统。比如我研究生阶段做过一个课题,是关于美国沃尔玛旧址再利用。美国很多沃尔玛店铺的生命周期大概是 30 到 40 年,之后可能因为社区变化、人口变化而搬走或衰落。那么它原来的场地怎么处理?
当时我住的社区和沃尔玛中间有一条高速公路,把两个社区截断了,人很难走过去,而且这条路也截断了原本很好的生态环境。所以我就在想,怎么用景观和生态设计把两个社区重新联系起来,沃尔玛未来搬走后,遗留下来的场地又如何与周围社区融合?
我当时的理念是“让大自然做工”。人为先给场地设计一个框架,比如在水泥地上切一些缝,让植物、杂草、雨水在时间长河里慢慢发挥作用,逐渐把水泥肢化解掉,让它演化成一个既适合人,也有生态功能的场地。
高飞:用自然的力量去疏解原来的非自然力量。
李一淼:是的。景观是一个特别综合的学科,它设计的是空间的外环境。建筑更关注建筑本体,城市规划关注城市整体结构,而景观要同时学习建筑、规划、植物和自然系统。俞孔坚老师曾提出过“海绵城市”的理念,以前我们建泄洪渠,基本是工业化视角用水泥封住河道,两岸也用水泥做成渠,但在景观设计师眼中,你可以用植物、生态驳岸和可持续材料,让它既能泄洪,也能成为游憩空间、自然景观和动植物栖息地。
高飞:原来更多考虑效率,但从景观的角度还要同时考虑人、自然和生态系统。后来你在西雅图工作了一段时间,为什么回国了?
李一淼:美国的景观行业比较成熟,我在那边会做一些小项目,比如说西雅图篮球场、华盛顿大学的场地设计等等。但当时的中国还在建设期,有一些很重大的项目,从我的专业来讲,那个时候在中国是更有发展的,在美国则是更稳定一些。
高飞:回国之后又做了几年景观设计,后来为什么会出来创业?
李一淼:我 2015 年第一次出来创业。当时正好有个客户给了我一个比较大的项目,我就借着这个项目出来了。那时候也赶上“大众创业、万众创新”的阶段。在大公司做设计,项目规模大,但很多是公共项目或者地产项目,比如居住区、公园等,没什么创意空间,更多是一个高效运转的生产体系。而我是一个很有创意的人,像文旅项目更需要创意和想象力,所以我出来创业后,就从文旅项目开始,这更符合我的兴趣和特点。
高飞:从设计师变成创业者,感觉有什么变化?
李一淼:最大的变化是要自己管理自己,也要做很多设计之外的事情。可能至少一半时间都不能只做设计了,还要和甲方沟通、跑现场、招人、管理项目。但我当时的感受是“忙并快乐着”,因为这些事情都是为自己做的。
高飞:后来你又进入教育领域,这个转变是怎么发生的?
李一淼:孩子出生后,我把很多心思放在孩子和教育上,也兼职做了一些教育相关的工作。疫情期间,文旅项目变少,我就兼职做了英语老师和 AP 教师,教人文地理和英语。因为景观本身也需要人文地理知识,做文旅更需要理解一个地方的地理现状和人文内涵,地理和人文一直是伴随我的一条线。
高飞:中国人很重视教育,你觉得怎样才能让学习变得有用,而且让孩子愿意参与?
李一淼:我的教育经历和一般老师不太一样,我带班课比较少,大部分是一对一。我觉得如果资源足够,一对一是教育效果最好的方式。因为它非常有针对性,也更容易形成亦师亦友、教学相长的关系。但一对一成本很高,AI 时代到来之后,普通人也能享受到“一对一教育”的可能性变大了。和工业时代的班课教育相比,AI 能释放每个人自学的潜能。当然,如果既有 AI,又有像真人老师这样的一对一陪伴和引导,那是最完美的。
高飞:后来AI时代来了,对你的工作有什么影响?
李一淼:我是最早一批用 AI 生图的人,我做文旅规划设计,前期策划阶段经常需要把创意视觉化。以前行业里的做法是找意向图。比如国外某个已经建好的农场、树屋、广场,把照片放进项目书里,再加一些描述。但问题是,这些图毕竟是别人的项目,和你的场地不一定融合,也很难体现你真正的创意。
如果前期策划阶段就去建三维模型、画图、导效果图,成本和工作量都太高。AI 生图出现后,它可以把我脑子里的创意很快生成一张还不错的图片,替代之前的意向图,这对我的工作帮助非常直接。21年我用 Stable Diffusion 生成图,有一次我简单设计了一个树屋,用 AI 生成效果图发到朋友圈,很多人来问我“这个项目在哪”,没有一个人意识到那是 AI 生成的。
高飞:你觉得用 AI 生图,最关键的经验是什么?很多人会觉得自己是在“抽卡”,总是生成不到想要的东西。
李一淼:我觉得还是需要设计师的经验。我能生成比较精准的东西,是因为我知道自己要什么。我可能会先把建筑体块拉准,知道建筑放在哪里,植物在哪里,再做一个比较粗略的截图,把这个骨架给到 AI,让它在这个基础上生成得更好看。在我的 AI 设计课里,最后生成图片最好看的,往往是有设计或规划功底的人。大众虽然有了工具自由,但专业人士和非专业人士之间,仍然差在对设计语言和经验的认知上。
高飞:后来你是怎么从 AI 生图,发展到 AI 创作课程和研学工作坊的?
李一淼:因为我很早就开始用 AI 做设计,所以积累了很多经验。后来有一些国企邀请我去做 AI 创作分享和培训,我就开始给别人开 AI 创作讲座和课程。后来有一次,我和 93 号博物馆的馆长聊天,他们深耕大栅栏,我就想到能不能换一种形式:先带大家做一次研学,走访大栅栏几条重要线路,比如杨梅竹斜街、琉璃厂、老字号等,然后再回到工作坊,由我教大家用 AI 进行创作。
高飞:为什么一定要先走一圈,再回来创作?
李一淼:这和我做文旅这么多年的经验有关。我一直觉得,旅游体验应该是一个闭环。你旅行完、体验完之后,最好能有一个自己的成果,哪怕是一篇日记、一段总结、几张照片。你把感受到的东西转化成自己的表达,这才是一个更高级的体验闭环。
高飞:这种研学活动面向什么样的人?
李一淼:我的理念里很重要的一点是“混龄”。这个课程不是特别专业的技术课,只要能使用手机,能和 AI 对话,就可以参与。现在像豆包这样的工具体验已经做得很好,老人和孩子都可以用它来生图和创作。我觉得 AI 带来了创作工具的平权。它释放了普通人的创作空间,只要你敢想,就有可能做出来。混龄的效果特别好,孩子可以看到老人、中年人的关注点和经验,老人也可以看到孩子新鲜的视角,接触年轻人的文化。这会让老人感到鲜活,觉得自己和这个时代没有脱节。
我特别看重 SEL,也就是社会情感学习。在一些教育理念比较前沿的地方,孩子从小就会学习如何表达情绪,如何与别人沟通情感,但我们这里还没有特别重视。我觉得现在很多孩子出现抑郁等问题,和环境单一、社会关系单一有关,一个孩子的成长,需要从和不同人的交往中获得心里支撑、经验教训和自我成长。所以我希望研学发生在一个真实社区里,让老人、孩子和不同年龄的人彼此交流生命经验,也让他们对社区的感情更凝聚。
高飞:参与者都是社区里面的人吗?
李一淼:都有。我做过一些城市更新项目。很多城市更新做得不成功,是因为大家缺少对那个地方的归属感和记忆。它把街区最有灵魂的东西去掉了,全部换新,结果大家没有根了。我后面做口述家族史,和这个也有联系。
高飞:说到口述家族史,什么是口述史?为什么家族口述史很重要?
李一淼:口述史本身是一个专业学科。我想做这件事,和我自己的经历有关。刚回国时,我爸爸第一次带我去给爷爷扫墓,他们去世得比较早,我从小和他们不在一起,所以对他们的生活经历很陌生。站在他们墓前那一刻,我突然特别想知道他们生前经历了什么,那时候就在心里埋下了一颗种子。
高飞:这个事情具体怎么做?
李一淼:以前做一个口述史项目,可能要一个团队,花几万块钱。现在借助 AI 工具,一天甚至几个小时就可以做出来。AI 能在工具效率上大幅提效,比如录音转写、内容总结、文字整理,甚至可以生成连环画、视频等不同形式。另一方面,AI 也能在采访上给普通人帮助,比如帮助生成采访问题。我现在做口述史的普及和推广,也做了口述史的AI工具。
但要注意AI没有生命体验,口述史经常会涉及家庭里的隐痛、创伤和痛苦经历。这个时候,采访者要捕捉很多细微的情感信号。AI 可以分析文字,但它无法替代线下面对面的连接感。人与人之间的信任、感受、沉默、情绪变化,很多都是隐性知识,很难完全用语言表达。
高飞:如果从人文视角给 AI 下一个定义,你会怎么说?
李一淼:我觉得 AI 是工具,它是让我们变成更好的自己的工具。我们应该借助它,让自己变得更好:更有思考能力,更有同理心,更有创造力。它不能替代我们,不能成为我们的创作者、沟通者和思考者。
高飞:但也有人担心 AI 会取代文科生,甚至取代很多人的工作。你有这种忧虑吗?
李一淼:我觉得这是必然会发生的事情。AI 像一个潘多拉的盒子,当它的智能远高于人类时,人类想完全控制它,我觉得很难。但这是更宏大的问题。作为普通个体,我更关心未来十几年里,我们怎么和 AI 相处,怎么把自己安顿好,在这个时代不焦虑,继续做自己感兴趣的事情。我现在做的事情,其实就是通过课程、活动和体验,帮助人回归自我,找到自我的意义和方向。
高飞:最后一个问题,你是如何以OPC得身份被注意到的?你怎么理解 OPC这件事?
李一淼:当你做自己真正想做的事情时,会有很强的主观能动性。你会主动链接别人,推广自己。我有一个观念:每个人其实都是一个离线的 AI。你过去所有的经历、家人、记忆、教育和生命体验,都让你成为一个独特的模型。所以当你一直跟随自己的热爱,最后找到自己想做的事情时,你自然会显示出独特性。
高飞:但如果外部评价没有给你正反馈怎么办?
李一淼:这确实不容易,是一个修炼的过程。工业时代里,很多人的身份感和意义感都被外在评价体系牵着走。比如你的职业标签、公司标签、头衔标签,这些标签构成了别人对你的判断,也构成了你对自己的认同。但 AI 时代到来后,这些外在标签可能会被慢慢抹掉。到那个时候,你自己在哪里?你的意义在哪里?我觉得这可能是比失业更大的危机。所以我现在做的事情,其实也是在为那个时刻做准备:帮助人重新回到自我,发现自己的意义。
高飞:AI 时代,也许更重要的是,我们要把人重新放回生态链里看,每个个体都有自己的独特价值。感谢李一淼老师做客《原点Talk》,我们下期再见。
好文章,需要你的鼓励
本文介绍了由南方科技大学等机构于2026年4月发表的研究(arXiv:2604.08865),提出了名为SPPO的大模型推理训练新方法。该方法将推理任务重新建模为"序列级情境赌博机",用一个轻量级价值模型预测题目难度,以单次采样替代GRPO的多次采样,解决了标准PPO的"尾部效应"问题。实验显示,SPPO在数学基准测试上超越GRPO,训练速度提升约5.9倍,配合小尺寸价值模型还能显著降低显存占用。
这项由香港科技大学数学系完成的研究(arXiv:2604.10465,2026年ICLR博客论文赛道)提出了一种从朗之万动力学视角理解扩散模型的统一框架。研究指出,扩散模型的前向加噪和逆向去噪过程,本质上是朗之万动力学这一"分布恒等操作"被拆成了两半。在这个视角下,VP、VE-Karras和Flow Matching等不同参数化的模型可被精确互译,SDE与ODE版本可被统一解释,扩散模型相对VAE的理论优势得以阐明,Flow Matching与得分匹配的等价性也得到了严格论证。
中国人民大学高岭人工智能学院等机构联合开发了AiScientist系统,旨在让AI自主完成机器学习研究的完整工程流程,包括读论文、搭环境、写代码、跑实验和迭代调试,全程无需人工干预。系统核心设计是"薄控制、厚状态":由轻量指挥官协调专业代理团队,通过"文件即通道"机制将所有中间成果持久化存储,使每轮工作都能建立在前一轮积累的基础上。在PaperBench和MLE-Bench Lite两个基准上,系统表现显著优于现有最强对比系统,论文发布于2026年4月。
这项由字节跳动发布的研究(arXiv:2604.13030)提出了生成式精化网络(GRN),一套模仿人类画家"边画边改"直觉的视觉生成新框架。其核心包括两项创新:层级二进制量化(HBQ)通过多轮二分逼近实现近乎无损的离散图像编码,以及全局精化机制允许模型在每一步对整张图像的所有位置重新预测并随时纠错,从根本上解决了自回归模型的误差积累问题。配合基于熵值的自适应步数调度,GRN在ImageNet图像重建(rFID 0.56)和生成(gFID 1.81)上均创下新纪录,并在文本生成图像和视频任务上以20亿参数达到同等规模方法的领先水平。