在前两年AI崭露头角的时候，我想着AI的能力要是能再进化一点，很多成像数据分析都能自动化就太棒了。今年上半年吃上了Codex的“细糠”之后，周末随便搞搞就弄出了一个基于nextjs+fastAPI+AI的成像数据分析平台的雏形，而且前后端能跑起来。
这个事情给人带来的震撼是难以言喻的。就感觉在顶尖AI模型的加持下，我能干很多过去做不到的事情，而不仅仅是提升已有事务的工作效率。当想象力没有了现实条件的约束，很容易陷入杂念丛生的状态。我看到网上不少博主分享的，用着AI做了这个做那个，搞到最后都是一堆实际意义不大的评测，而不是真正做点有用的东西。如果他们不是靠评测视频赚钱，我觉得可真的太浪费了。
「如无必要，勿增实体」这句话的含金量在这个时代还在不断上升。随着AI的能力越来越强，大家能做的事情越来越多，就越是要慎重考虑：什么是真正值得费劲去做的事情，什么是只需要快速尝试的事情，什么是完全不需要做有现成东西的事情。
在科研成像数据分析这一块，做软件的大公司有好多家，比如 Imaris，Arivis，Amira等等；好用的开源软件也很多，比如 ImageJ，QuPath，Napari等等，还有各个细分成像领域的工具，比如 Picasso，Gwyddion，Cellpose，MicroSAM 更是不计其数。这一方面说明了成像数据分析这个市场需求还是很大，另外一方面也说明了大家的需求差异化也很大。单一的软件不可能匹配所有的成像分析需求。
所以对于个人或者小团队来说，试图做大而全的软件平台，都是非常不讨好的。不仅是因为竞争者太多，不太可能赚到钱。还因为，每一个分析案例所需要的 workflow 都可能需要定制，导致了开发的边际成本很高。
事实上，这个领域的开发者从 ImageJ 时代就已经达成了一种默契：让论文作者，自己来分析数据。所以 ImageJ 上没有现成的 workflow，只有各种基本组件和丰富的功能插件，大家根据自己的需求来灵活运用，这是 ImageJ 经久不衰的重要原因。很多用户其实希望有个「一键直达」的东西，就是把原始成像数据丢进去，按一个按钮，就得到论文作图所需的图表。但这种东西如果有，那么大概率是非常简单的一些功能，用户自己很轻松就能找到。
我想即便到了AI如此强大的时代，这种默契或者说约束也无法被打破。即便是 AI 现在已经能够很好地理解用户需求，能够帮忙定制 workflow，但是谁敢说 AI 能有论文作者心里清楚到底要什么呢？所以我对此理解还是那句话：「自己动手，丰衣足食」。
所以我能做什么呢？感觉我的输出不应该是软件，而是成像数据分析的方法学。充分理解用户需求，设计workflow。AI能做什么呢？按照workflow设计实现一个前端用户操作界面，支持必要的用户交互，并通过API的方式调用所需的组件。就是这样。