Google I/O 又一次把「AI 替代设计师」推上头条。
主角是 Pics —— 嵌在 Google 办公套件里的 AI 设计应用。公司里的普通员工、小生意主、产品经理，写一句话就能出海报、PPT、社交媒体图。配上同步发布的 Gemini Spark(全天候跑在后台的 AI 智能体),Google 的剧本里，设计这件事，几乎不再需要你打开任何工具。
熟悉的争吵随之而来。一派喊「设计师要失业了」,另一派喊「AI 永远做不出有品味的设计」。
—— 这两边其实都没说到点。
站在 AI 身后指点江山的神
十几年前，设计圈在互联网上有过一张广为流传的梗图：设计师坐在电脑前埋头画图，身后站着一圈神态各异的「神」。
- 老板说「再大胆一点」
- 市场说「Logo 再大一点」
- 产品经理说「颜色再温暖一点」
- 工程师说「这做不出来」
- 甲方家属凑过来：「我觉得绿色更好。」
设计师改到怀疑人生。
这张图今天该更新了。
新版本是：所有人都站在 AI 身后 —— 对着 AI 喷，「再大胆一点 / 再温暖一点 / Logo 再大一点」。
设计师从画面里消失了。
—— 但这张新图带出一个非常尴尬的问题：
站在 AI 身后的这群「神」,改用 AI 之后，真的就能做出好的设计了吗？
当年设计师在他们指挥下，做不出好设计 —— 出来的都是各种妥协后的怪东西。
把设计师替换成 AI,这群神就突然懂设计了？就突然能指挥出好作品了吗？
显然不会。只不过这次，这些失败设计的责任，从设计师身上转移到了 AI 的身上。
故事没变。只是主角换了。
错觉：有了工具，就有了能力
很多人现在陷入了一种粗浅的认知中：
「AI 能出图，所以我也能做设计了。」
这和另一种话同构 —— 「这个摄影家拍得好，是因为他用的相机、镜头好，快门好，光圈好。」
熟悉摄影的人都知道这是胡扯。相机不会让你成为摄影家。 因为相机不会替你判断：这一帧值不值得记录、光线为什么对、构图为什么成立、按下快门的时机为什么是现在。这些全在摄影家脑子里。
设计也是。Pics 不会让一个普通使用者成为设计师。 因为 Pics 不会替他判断：这一版为什么好、哪里不对、改完是不是真的更好。
这些年过去了，人类还是在同一个石头上摔倒 —— 十年前是站在设计师身后的神，十年后这些人变成了站在 AI 身后的神。该犯的错一样都不会落，只是换了一个舞台而已。
AI 能力上限，约等于使用者的认知上限。
你的判断有多精，AI 给你的最终结果就有多精；你的判断粗在哪，AI 在那一段也一定粗。
那答案是什么？—— 一把「对错雷达」
主流答案的几个版本 —— 创造力 / 品味 / 审美 / 解决问题的能力 —— 在 Pics 没出来之前够用，因为没人会认真挑战。
Pics 上线之后，它们一个一个撑不住：AI 也号称有创造力，也号称有品味，也能解决问题。
不是因为 AI 真的具备了这些品质。而是这几个词从一开始就没有清晰定义 —— 创造力是什么？品味是什么？审美是什么？谁都可以宣称自己有。这些词从根上就分不出人和工具的区别，所以拿它们来撑设计师的护城河，撑不住。
我们换个说法：设计师的价值，是 一把更精细的「对错雷达」。
普通人看一张图，只能说「还行 / 不太行」。
设计师看那张图，能说出 十几个具体维度的不对：行距不对、层级关系错了、按钮颜色和品牌冲突、字体在小屏上看不清、留白不对称、视觉重心倾右……
看 100 张图，设计师能稳定地按一套不可言说但稳定的标准排序。
这个差异，是真正的专业性。 不是创造力，不是品味，是判断的颗粒度。
人肉训练损失函数
要解释这件事，要借一个 AI 训练里的术语：损失函数(loss function)。
读到这里你可能皱眉头：这跟设计有什么关系？
关系巨大。损失函数是 AI 之所以能学习的核心机制。它的设计学习和训练版本，也是设计师之所以能成长的核心机制。
先说 AI 那一面。
假设你要训练一个模型识别猫。它看一张猫的图，猜「是猫的概率 80%」。真实答案是 100% 是猫。
损失函数，就是那把告诉模型「你这次错了多少」的尺子。 它给出一个误差数字 —— 比如 0.2。模型拿着这个数字反向调整内部几百万个参数，下一次再看到类似的图，猜得准一点。几百万次循环之后，模型学会了识别猫。
没有损失函数，AI 永远学不会 —— 因为它根本不知道「调对了」还是「调错了」。
更关键的是：损失函数的「精度」,直接决定模型能学多精。给 AI 一把粗尺子(只分「对 / 不对」),它学出来的就是粗模型(只会分大类)。给 AI 一把精尺子(几百个维度的细分错误),它学出来的就是精模型。
设计师 20 年的成长，类似于一个 AI 训练过程。
- 做了一版 → 师傅说「行距不对」(误差算出来了)
- 心想「行距不就是行距」(没听懂)
- 下次再做 → 自己开始看行距(参数调过了)
- 又一次 → 师傅说「层级错了」(又一次误差)
- 心想「层级是什么」(又没听懂)
- 下下次再做 → 自己开始看层级
几千次这种循环之后，设计师脑子里那把尺子，从最初的「还行 / 不太行」两档，长到了几百个具体维度。
只不过，设计师调的不是显式代码，是 直觉 —— 大脑里某些神经元的权重。这就是所谓「看一眼就知道」。
我管这个，叫 人肉训练损失函数。
普通人没有走过这个训练过程，所以他大脑里那把尺子，只有粗刻度。
三个直接推论
一 · AI 把「做」拿走，留给你的全是「判断」
回看 Pics 流程：普通使用者写一句指令 → AI 出三版 → 点击某个元素 → 留评说「再温暖一点」→ AI 调。
「做」的部分 —— 把图画出来的所有动作 —— AI 全包了。
留给使用者的全是判断： 哪一版好？哪里不对？改成什么方向？改完是不是真的更好？
这恰好是设计师做了 20 年的事。AI 把「执行」自动化了，但「指定方向 + 评判结果」,AI 替不了。因为这两件事都要求知道什么才算真正的好东西。
更尴尬的是：AI 不仅不替你判断，AI 还从不怀疑你的判断。
你说做 A,它就做，做得比你快、比你勤。它不会停下来问：「你确定要的是 A 吗？会不会其实是 B?」
会怀疑客户的设计师，AI 替不了。客户说什么就照做的设计师，AI 比他便宜。
二 · 你那把尺子粗，AI 也精不到哪去
回到那句：AI 的能力上限，约等于使用者的认知上限。
Pics 的官方演示看起来惊艳 —— 因为演示里写指令的是 Google 的设计师，给反馈的也是 Google 的设计师。让一个普通使用者来真用，大概率出一堆「看着像 AI 做的、还可以、但没法真用」的东西。
不是 Pics 不行。是他那把尺子太粗。他不知道哪不对，也就不知道往哪改，AI 自然停在粗的那一档。
三 · 这把尺子，只能被骂出来
普通使用者用 Pics 用得多了，雷达会自动变精吗？
会一点。但不会自动变到设计师那种精度。
设计师那把尺子，练法极其反人性 —— 它要求你在每一张「看着没问题」的图里，主动找出问题。 这件事不会自然发生，需要外部反馈把它催出来：师傅骂、客户拒、自己回看十年前作品惭愧。
普通人没有这个动力。他做的图能发就行。
那么所有人会变成半个设计师吗？
Pics 既然把「判断」推到每个使用者面前，20 年后，人人都半个设计师？
分两层：
位置层 · 会。「看着 AI 出来的图判断好坏」这个 位置,在民主化。原本只有设计师每天坐在这里，现在普通员工、产品经理、小生意主每天都被 Pics 拽到这个位置。
精度层 · 不会。 位置存在 ≠ 训练发生。一个普通使用者用 Pics 出图，他可能根本不复盘「为什么这版不对」,只要「看着像样就发」。20 年后，他还是那个只能分「像样 / 不像样」的使用者。位置在，人肉训练损失函数没启动，雷达就长不出来。
—— 真正的开放问题，不是「设计师会不会消失」,是「普通人会不会真的练出那把精细的尺子」。
如果练出来 —— 设计师的专业护城河会塌；如果练不出来 —— 设计师会在「质量真的重要」的场景里被需要更多，因为非设计师每天用 Pics 量产粗糙的图，需要有人把关。
哪一边赢，Pics 不告诉你，Google 也不会。
「设计师还值钱吗？」这道题，Pics 上线之前,主流答案是「创造力 / 品味 / 审美 / 解决问题的能力」。
Pics 出来之后，这些答案一个一个撑不住 —— AI 也号称有所有这些。
我们这里给的版本：设计师的价值，是一把 「对错的雷达」。这把雷达由 人肉训练损失函数 反复打磨而来 —— 几万次「这里不对、那里不对」的反馈循环。它不是天赋，不是品味，是结晶。
而站在 AI 身后那群「神」,从来没走过这个训练过程。 他们当年指挥设计师做不出好设计，今天指挥 AI 也一样做不出。
—— AI 没有改变这件事的本质。Pics 只是把它，第一次放到了台前。