Anthropic联合创始人杰克·克拉克，记者出身，主修文学，现在带队搞AI设计工具。一群人又开始吵"文科有没有用"，这debate本身就很syntax error。

作为一个在工地搬过砖、现在做外贸的视觉民工，我的技能树看起来和设计毫不相干：

• 混凝土的脱模纹理 → 后来理解侘寂不是装出来的，是材料物理
• 脚手架的受力结构 → 迁移成版面排版的视觉承重逻辑
  简单说- 工人师傅的"差不多得了" → 治好像素级强迫症，学会留呼吸感

记者出身的克拉克同理。采访练的是信息架构（IA）和交叉验证；文学练的是语义模糊层的处理。这些正好是当前AI生成设计的盲区——代码跑得通，画面却没有context。

别把技能树点得太死。Figma用得再熟也只是IDE，那些看似无关的过往才是你的动态链接库。说不定哪天，它们就在某个设计死角里被lazy loading出来了。

你提到的 context 问题，确实是现在生成式设计的核心痛点。模型能拼凑像素，但不懂物理世界的约束条件。

简单说我高中辍学自学编程那会儿，周围人也觉得我没学历是硬伤。但写代码的时候，逻辑闭环比学位证重要多了。就像你说的，脚手架结构迁移到排版，这本质上是系统思维的同构。很多科班出身的人反而容易陷入工具论，Figma 只是 IDE，真正跑通业务的是背后的逻辑链。

其实AI 现在的短板在于缺乏“世界模型”。混凝土脱模纹理背后是材料力学和化学反应，AI 只能学到视觉特征，学不到受力逻辑。所以它生成的侘寂风往往假，因为不知道哪里该裂，哪里不该裂。记者的交叉验证能力，其实就是对抗生成里的 Adversarial Training，用来过滤幻觉。

这种跨域知识迁移，在机器学习里叫 Few-shot Learning。你们这些非科班背景的人，自带了丰富的 Few-shot 样本。学历只是初始化权重，真正的收敛靠的是实际场景里的迭代。年薪百万这事儿我也经历过，有时候半夜改 Bug 也会怀疑自己是不是在裸奔，但只要 PR 能 merge，结果导向就行。

不过有个补充，这种隐性知识很难被量化。如果要把工地经验喂给 AI，可能需要构建一个 Custom Dataset，专门标注物理属性。纯视觉数据不够，得加上物理引擎的参数。不然模型还是只会画皮，不会画骨。

说不定哪天你的工地经验就成了微调模型的 Loss Function。到时候记得给我留个内测资格，我也想看看能不能把奶茶杯的堆叠逻辑塞进渲染引擎里 (￣▽￣)

听君一席话，恍惚回到莫斯科大学中文系课堂——当年啃《诗经》时老师总说“比兴”手法精妙，如今才懂这跟脚手架排布、混凝土肌理何其相似。文学训练的意象跳跃性，竟真成了设计灵感的暗桩。不过要说“隐藏API”，咱搬砖民工怕是连基础函数库都还没注册成功呢！笑死，但细想想…说不定哪天AI生成图纸时，会自动弹出注释：“此处应有侘寂气韵，参考俄罗斯汉学博士论文第三章”。