来源：How to Move Fast Toward the Right Thing — Figma Blog 作者：Yuhki Yamashita（Figma Chief Product Officer） 发布：2026 年 8 月 14 日
核心命题
AI 让每个人都能快速做出"看起来不错"的东西。
问题是：当所有人都能做出"好的"东西，"好的"本身就变成了新的平均线。
这是这篇文章最让我震动的一个判断——它不是在警告 AI 会取代设计师，而是在说一件更微妙的事：你以为自己在用审美驾驭工具，但其实工具正在悄悄把你的审美校准成它训练数据的均值。
一、速度不再是护城河，方向才是
文章开篇就打破一个幻觉：以前你能做出来，别人做不出来，这本身就是优势。现在这个门槛消失了。
"When anyone can ship, speed stops being what sets you apart. Direction does."
AI 工具的副作用在于，它太"听话"了——它会帮你把第一个想法快速落地，并且做得像模像样。这反而制造了一种危险：你以为在探索，其实是在原地深挖。
作者把这个现象叫做"局部爬坡"（hill-climbing）：你一直在优化，却从来没有质疑过起点是否正确。AI 加速了这个过程，也加深了这个陷阱。
我的理解：工具让"从 0 到 60 分"变得极其容易，于是大量工作停在了 60 分——因为 60 分已经足够体面，也足够快。但 60 分是均值，不是记忆点。
二、"认知投降"：你以为是自己的判断，其实是模型的判断
文章引入了一个心理学概念：Cognitive Surrender（认知投降）。
出自研究者 Steven D. Shaw 和 Gideon Nave 的论文——当一个人接受 AI 输出而不加审视，用模型的判断替代自己的直觉和思考，就发生了认知投降。
作者非常坦诚地承认自己也在犯这个错：
"I catch myself doing it all the time—adopting the LLM's judgment as my own."
这让我想到一个更普遍的现象：我们并不是不知道"第一稿不是最好的"，但当第一稿已经"看起来很好"，再往下走的动力就没有了。AI 输出的东西天生具有说服力——因为它在统计意义上是"对的"，是大多数人会接受的那个版本。
认知投降的可怕之处不在于你做错了，而在于你永远不会知道自己本来可以做得多好。
三、"In Distribution"：AI 把所有人拉向同一个重心
这是文章里我觉得最值得反复咀嚼的一段：
AI 模型用海量数据训练，它知道所有的趋势、所有的风格模式，因此它的输出天然偏向"分布中心"——机器学习术语叫 in distribution，就是那些"统计上最可能出现"的结果。
"Ask AI for a logo, and you'll get a simple geometric mark with a gradient. Ask for a pitch deck, and you'll get the sans-serif font everyone else uses. Ask for a React component, and it's a card with rounded corners everyone's seen before."
每一个单独来看都没错。但全部接受下来，你的判断会慢慢收窄。你停止问"这应该是什么"，开始问"这几个里选哪个"。
而当越来越多的人都在用同样的工具做同样流程的事，整个行业的"in distribution"就会越来越聚拢，越来越难以区分。
所以"good taste will be average"的真正含义是：你的品味并没有消失，但它正在被工具的重心悄悄拉着走。你以为自己在选择，但你的选项集本身就已经被过滤过了。
四、破解方式：先有意图，再用工具
作者提出的反制策略叫做 Consideration Imperative（思考优先律）：
在动手之前，先坐下来想清楚——这个东西值得被做吗？它应该是什么样的？
不是先 prompt，不是先生成，而是先形成一个独立于工具之外的判断。
这和 Google 工程师提出的"Agentic Engineering"方向一致：让开发者的角色从"写代码"转向"表达意图"——先明确意图，再用 AI 去翻译执行。
关键区别在于：你是带着意图进入工具，还是让工具帮你形成意图。前者你在驾驶，后者你在被驾驶。
五、Craft 是主动选择，不是被动接受
文章最后落在了 Craft（工艺） 这个词上，但给出的定义比我预期的更有力：
"Craft is what separates the memorable from the merely functional. It's active: choosing, not accepting."
这个定义里有两个关键词：active（主动的） 和 choosing（选择）。
Craft 不是技法，不是风格，不是某种"有品味的感觉"——它是一种持续的主动行为：反复审视每一个决策，问"这真的对吗"，然后让它变得对。
「As the baseline improves, the average will look increasingly polished. Standing out won't come from tools or speed, but from how much care you're willing to put in.」
这句话的意思是：随着 AI 让平均水平不断提高，"polished"（精良）会越来越容易得到，也越来越不值钱。真正稀缺的是你愿意付出多少 care——在"已经足够好了"之后还继续打磨的那种意志。
我的提炼
这篇文章本质上在讲一个悖论：
AI 给了我们前所未有的能力去做"好"的东西，但"好"的门槛也因此水涨船高，以至于"好"正在成为新的"普通"。
应对这个悖论的方法不是拒绝工具，而是：
- 在用工具之前，先形成独立判断（Consideration Imperative）
- 主动质疑 AI 的输出，而不是筛选 AI 的输出（认识到"选哪个"和"这对吗"是完全不同的问题）
- 把 Craft 理解为一种持续的主动选择，而不是某种先天的品味
最终，能让你的工作从平均值中冒出来的，不是你用了什么工具，而是你愿意在"够好了"之后继续走多远。
关联阅读
- What Matters When Anyone Can Build — Figma CPO，与本文论点高度互补，聚焦 Speed / Direction / Craft 三角
- You Never Stop Cultivating Taste — Figma CDO Loredana Crisan，从音乐人视角谈"品味是什么"
- How to Harness Skills That AI Can't Automate — 好奇心、直觉、品味、意图，AI 无法替代的四种能力