北京
一个完全不懂3D建模的人，用GPT-6 Astra在Blender里做出了一个模型。听起来像是"外行秒变专家"的故事，但作者实测后的结论恰恰相反：AI是放大器，不是许愿池。它能帮你跨过操作门槛，却没法把专业人士的判断力塞进你脑子里。
这次测试选了两个典型场景：Blender建模和Audacity音频处理。前者考验AI对专业软件的理解深度，后者考验跨工具调度的编排能力。结果很有意思——Astra确实能干活，但干得好不好，取决于你问得清不清楚。
能生成脚本，但改不动"不好看"
在Blender测试中，Astra能生成Python脚本完成建模，最终产出了一个3D模型。但问题出在反馈环节：当提示词本身模糊时，结果偏差很明显，而作为外行的用户，只能说出"不好看"三个字，却解释不了哪里不对、该怎么改。
这正是作者想强调的核心观点：专业门槛没有消失，只是从操作层移入了判断层。以前卡在不会点Blender的按钮，现在卡在不知道下一步该改哪里。模型帮你跨过了"怎么做"的坎，但"做什么"和"做成什么样"依然需要你自己的判断力。
跨工具调度比单一操作更值得关注
Audacity测试则展现了另一面：Astra展现出跨工具调度的能力。它不只调用CLI命令和FFmpeg，还编写了Lisp、Python、Swift等多种语言脚本协同处理任务。这种根据问题选择工具、让不同程序正确传递结果的编排能力，比单一软件内的操作更值得关注。
作者还通过阅读Codex源码发现，Astra与Sol的行为差异并非能力退化，而是意图判断策略不同。两者的默认reasoning和tool配置基本一致，但Astra对上下文指令更敏感，遇到缺失信息时更容易停顿确认，而不是直接执行。OpenAI为此配备了专属agent prompt，明确要求将"can you""I want to"等表达视为行动请求。
AI放大能力，也放大模糊
作者提炼出一个关键判断：AI会放大能力，有时也会放大模糊。当问题本身是糊的，模型调用再多工具，也可能只是在更卖力地跑偏。这引出一个更本质的问题——我们到底能不能定义出一个足够好的问题，给出必要的边界和反馈，让AI把能力用在更大的事情上？
文章还提到一个有意思的观察：当AI能批量生成图片、音乐、视频和3D模型时，仅看成品难以说明问题。创作过程中留下的参考材料、脚本调整记录和被丢弃的版本，反而提供了更可追溯的创作路径证据。这些中间产物，可能成为比成品更重要的原创证明。
判断力是最后一道防线
作者在结语中引用了Pietro Schirano、Paul Graham、Ethan Mollick等人的观点，强调一个共同结论：AI越来越擅长复现已有结果，但人的长期积累、判断与继续产生新想法的能力，并没有因此消失。
这次实测的价值在于，它把"AI取代人类"的宏大叙事拉回到了具体场景：一个外行确实能借助Astra做出3D模型，但距离做出"好"的3D模型，中间隔着的不是操作技能，而是整套专业知识——知道目标怎么拆、工具怎么选、结果如何判断、做错后从哪里改。这些能力，不会因为模型会操作软件就自动获得。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
