【观点】AI与设计的未来之路：星舰史巴克×辛普森荷马，能创造最佳人机协作？

▼

过去一年偶尔有人引用毕卡索在1968年的话，他说“电脑毫无用处，它只能给你答案”，那年英特尔（Intel）刚成立，毕卡索很难预见有一天电脑可以回答出这么厉害全面的答案。没有意外的话，这时代正在体现未来学家说的加速回报定律（Law of Accelerating Return），1900 年的人抵达2000年时感受到的巨大惊吓，仅约略等于 2000 年的人抵达今日的惊吓程度，这是一个社会与科技的指数加速成长，但我们常低估这变化，因为即便是指数曲线，若仅截取很短的一段时间，体感上还是缓慢的线性移动。

就设计产业与设计教育来说，在生成式人工智慧的寒武纪大爆发后，这个指数成长也在去年引起大量讨论。如果把设计（思考）看成是复杂问题的跨域解决，而不仅讨论狭义的视觉体验变化，那么至少可区分“AI如何协助设计”（AI for design） 与“设计如何协助AI”（design for AI） 两者来看。

“AI 如何协助设计”，主要是 AI 对设计能力的2种扩增 （augmentation），第1种扩增是资料的解读能力，这是原本深度学习模型已在做的事，如果设计是为解决使用者需求，那么如何更精准辨识与预测使用者行为，就是好设计的来源，但人类设计师有其资料解读的局限。像哲学家维根斯坦（Ludwig Wittgenstein）提出的“家族相似性”（familienahnlichkeit），他认为同属一个概念底下的事物，未必真的具共同特征，这些特征是交错重叠的，我们过去定义万物并加以分类的方式错了，这可能会更加遗失许多“未知的未知”（unknown unknown）。用既定规则与分类看事情，就不会看到其他存在模式，设计师解读得出因果性，却不一定辨识得出相关性，例如来自沃尔玛（Walmart）商场同时购买尿布与啤酒的传说。

沃尔玛（Walmart）有着同时购买尿布与啤酒的都市传说。

图／ Shutterstock

如同人工智慧领域常引用的博兰尼悖论，“我们懂的事情，比我们能表达出来的更多” ，AI 可帮设计师辨认出原本没看出的模式，提供更精准使用者图像与没有偏差的人物志模型（unbiased personas），过去我们很难测量类似体验这样的抽象概念，也很难量化文字资料给予评价，现在都可透过AI得到能力扩增。

第2种扩增是设计流程与工具的加成，不论文字或图像，过去一年生成式 AI 对设计流程发散阶段的扩增助益是显着的，如创意生成，相较设计师自己的经验发想，大型语言模型至少带来了突变、重组、内插、外推等4种生成效益。巨量文本的文字机率接龙可产出如此广泛效益令人震惊，但就像人类学家李维史陀（Claude Levi-Strauss）提出运用现有材料组装的“拼贴” （bricolage）概念，或一千多年前杜甫写的“读书破万卷，下笔如有神”，“神”这个字显然精准描述了今日定义的涌现能力。这是智慧爆发的动力学概念，当资讯量超过临界值，智慧便会指数成长，最终或可在某些机缘偶然（serendipity）下拓展认知边界，生成人类设计师原本没有的想法。

面对 ChatGPT 这类长得像通用型的专用型 AI，图灵奖得主杨立昆（Yann LeCun）一开始不太能接受通用人工智慧／强人工智慧（AGI）的入门砖可能来自一种机率模型，但我们的思维涌现，也可能仅是一种机率，如早期意识研究中的突现论（emergentism），意识中的突现性质，或许来自系统规模增加后涌现出的不属原系统组成物之新属性。我们一直生活在一个只取得部分理解的世界里，不知道生成式 AI 如何产出内容也许让人不安，但人类的创意生成过程其实也不是全然透明的。

除了文字生成，图像生成也对设计流程带来能力扩增，诸如大幅降低设计师概念验证（proof of concept） 的门槛，让整个设计原型的制作测试探索变得十分具效率。当设计师手上有一个可与使用者进行互动的图像物件，这个互动回馈就会非常深邃且有效，因为那是真实的互动，而生成式 AI 加速了这个原本耗时的设计沟通历程。

人类调教AI就像骑师与马

除了AI如何协助设计的扩增，还有“设计如何协助 AI”，这一年我们较常谈 AI 对其他领域的助益（或取代），不常提到其他领域对 AI 的协助，但生成式AI也是需要帮助的，设计有机会带来2种优化（optimization）。第1种优化是“如何让 AI 更好用”，这是AI的可及性，包括透过不同场景主题的使用者经验研究，降低 AI 在不同专业介面之使用门槛、更多元客制的平台开发，或跨平台跨利害关系人的无缝整合设计，乃至随声音经济兴起的声音使用者介面（Voice User Interface） 于未来对话式介面（conversational interface） 系统的应用等，均是生成式 AI 时代的新人机介面议题。

使用者经验的先驱诺曼（Donald Norman）在2007年用骑师与马、司机与汽车解释人机互动，骑师与马用彼此的肢体语言交换讯息，达成理想的共生关系，这是2个有感知系统的互动；汽车不是生物，但我们模拟马，设计它的感知系统来创造沟通，那么，未来我们与大型语言模型更直觉更简单的人机介面是什么，它的感知需求又该如何被设计 ?

第2种优化是“如何让 AI 被用得更好”，这是 AI 的可适性，属于道德与社会性议题。举例而言，针对现有 AI 模型所可能衍生的可靠性、透明度、公平无偏见、隐私保护、去识别化、模型应用范畴等议题，将有机会透过设计专业进行引导转化，包括透过资料可视化工具设计的解释型 AI（explainable AI），可藉完整揭露 AI 推理过程与结果，降低可能的偏见与不公平判断，或透过共融设计降低不同族群的 AI 数位落差达至科技近用理想等。这些透过设计所呈现更具责任感、隐私、安全性（responsibility-by-design, privacy-by-design, security-by-design） 的新治理机制，将可能创造下一世代更优化的人机平衡结果。

哲学家维伦．傅拉瑟（Vilm Flusser）在《设计的哲学》中说，机器如同杠杆般是人体手臂的延伸，我们正面临杠杆还击的年代，我们模拟我们的模拟物，手臂动作也变得如同杠杆般僵化；如何避免杠杆还击，这将是一个设计问题。机器如何设计，后座力才不会伤害我们，这是设计可能也必须带给 AI 的第2种优化。

“慢想”史巴克“快思”辛普森梦幻协作

如果 AI 与设计逐渐形成以上的共生协作关系 （symbiotic approach），那么设计师会被 AI 取代吗 ? 这题目过去一年在每个产业都经历至少一轮讨论，人工智慧法律学者巴斯夸利（Frank Pasquale）在《21世纪机器人新律》这本书说，目前关于机器人取代工作的讨论都是二元论，不是乌托邦就是反乌托邦，但在工作场所的自动化取代其实是种复杂关系，取决于数百万个如何使用 AI 的流程小决策，重点是要让机器接管人类工作到什么程度，人机间形成什么最佳互动比例。就像麦克鲁汉（Marshall McLuhan）的名言：“我们打造工具，最后工具形塑了我们”，真正的命题可能不是“取代”，而是什么才是未来的设计师样貌 ?

亚马逊（Amazon）的贝佐斯（Jeff Bezos）说，比起变动事物来说那些始终不变的事才是更重要的，因为我们只能围绕不变的事物来设置策略。那么在设计领域中有哪些事没有被 AI 改变 ?

首先，既然 AI 取代的是“任务” 而不是职业，那么如何解构问题与工作流程将成为一种重要素养，是否有能力拆解定义设计流程中的不同任务、然后再进行重组，这将决定设计师与 AI 的最佳人机协作效果。如行为经济学的比喻，完全理性的经济人像《星舰迷航记》中的外星人科学官史巴克（Spock），但复杂现代生活中我们更像《辛普森家庭》里的荷马（Homer），是以直觉的捷思偏误作决策。辛普森是“系统一”的快思，由情绪推动自远古进化而来的无意识决策，史巴克是“系统二”的慢想，是缓慢有意识且遵循古典经济学效用最大化的思考。未来的设计师与 AI 任务组合，也会是我们梦寐以求系统一与系统二的协作组合 （这是 所谓的“+AI”，指既有产业知识或流程导入 AI 工具来解决问题，提升效能）。

复杂现代生活中我们更像《辛普森家庭》里的荷马（Homer），是以直觉的捷思偏误作决策。

图／ 图片来源／20th Century Fox

第2件不变的事是设计师的系统观，AI 模型带来的是设计与创新民主化的典范移转，过去掌握数据作决策的人是设计师，未来机器学习平民化后，设计师与使用者／利害关系人间的角色界线将模糊化，甚至出现新角色，如大型语言模型产生的 AI 代理人（AI agent），成为将环境、记忆与行为封装于整体单元内的设计协作助手。因此，在众多协力关系中，未来设计师必须回到共同设计（co-design）中的专案管理者角色，具有相较于使用者或 AI 代理人更为优异的问题系统全貌与复杂性之掌握擘画能力，如2015 年哈佛商业评论的文章《超越自动化的人才》（Beyond Automation） 所述，设计师与机器的合作优势包括向上（up）、向旁（aside）、向里（in）、向窄（narrowly）、向前（forward） 等5种思考技能，这分别是宏观、跨域、细节流程、专业聚焦、未来趋势等5种策略面向，而背后的素养正是系统思考能力。

这样的系统化素养也有助设计师掌握设计专案的商业本质，商业的本质是交易，商业模式是为了降低交易成本。因此，大型语言模型的对话式介面将可能取代传统搜寻介面，成为降低交易成本与连结网络密度的新方式，过往的商业进化一向是从交易成本无限大且网络密度零、逐步演进至交易成本零且网络密度无限大，未来设计师在这商业生态系统中将充满无数创造新职业的机会 （这是所谓的“AI+”，指依现有 AI 功能寻找新的应用场域，导入产业知识来产生新的商业模式与职位）。

第3件没有变的事是问问题与对话的素养，如果 AI 是解答，那么问题是什么 ? 科学史的成就往往都来自好问题，如同爱因斯坦（Albert Einstein）小时候问，若搭着光束前进会看到什么，或莱特兄弟询问如何让飞行器起飞后依然保持平衡，设计思考原本就是透过重新问问题的表现方式来解决问题的一种程序理性；此外，问问题之素养也包含心理学家特克（Sherry Turkle） 说的重新与人对话的能力，这里还有2层意义，第1种来自海德格（Martin Heidegger）的批判，现代科技的作用是将自然万物原有的丰厚意义化约为仅供人使用的资源，AI 本质上会化约降低我们的对话能力。

第2种意义是目前的提示工程（prompt engineering），对话式 AI 的操作本身又反过来需仰赖人的沟通素养，因为人能听得懂，AI 才能懂。大型语言模型所需的角色、专长、背景脉络、任务、目标、现况、互动对象、限制条件等提示语，其实就是人工智慧研究在90年代开始探讨的沟通科学，强调对话过程中意义、脉络、文化知识、对话结构的重要性，大型语言模型提供的回答，其实也是 AI 抛回给我们的 prompt，盘点沟通失误的原因，就能创造更理想的预期互动结果。过去我们希望借由客观且不受脉络影响的语言来与电脑沟通，因此必须将对话限制在足够清楚的特定领域中，但这种欠缺脉络（context blindness） 的沟通方式显然不易成功，AI 对话式介面让情境脉络化的沟通能力成为今日设计师的新素养。

人人都能拥有“苏格拉底家教”

第4件不变的事是自学能力，不让 AI 取代的某个方式是反过来利用它，也就是加入由生成式 AI 衍生的个人化学习模式。这模式像可汗学院创办人可汗（Sal Khan） 举例的西元前4世纪亚历山大大帝家教模式（家教老师是亚里斯多德），也就是个别化教学（personalization）与精熟教育 （mastery）。这种教学现场直到18世纪免费大众教育起步后才改变，工业革命的制造业标准化概念兴起后，教育系统开始将学生视为量产商品。未来，透过大型语言模型以客制化对话介面为基础的 AI 平台（AI-powered tutor），每个人都可拥有自己的苏格拉底家教 （这也是 Open AI 推出的第一款范例命名），设计师的一对一客制化外挂学习 （plug-in）将加速跨领域的设计知识整合，后知识时代下可能形成一种以大型语言模型的“虚拟知识”为中心，研究者、教育者与学习者地位相对扁平化的新知识建构关系，标榜博雅跨域的设计教育也不可能自外其中。

第5件不变的事是基本功的精熟重复，生成式 AI 时代基本功到底重不重要常是思考误区。有时我们会忽略任务的达成与人的培养其实是2件事，像《庄子人间世》说的无用之用，或科幻小说家姜峯楠在《纽约客》谈 ChatGPT 的文章，面对 AI 对所有事带来的加速，我们也需理解许多在重复事物上的投入不见得是浪费的。他说“如果学生从来没写过我们都读过的文章，他们就永远不会获得写我们从未读过的东西所需的技能”。2009年《匠人》这本书谈电脑运算时代的匠人技艺追求，书中说，当机器让人们丧失经由重复练习来学习的过程，机器就是被滥用了。因为，当双手与大脑分离，蒙受其害的是大脑，我们的心智养成常需要从反复动手步骤来逐步建立启发与领悟 （epiphany）。

韦伯（Max Weber）说人类历史是个持续除魅的过程，我们一面发现神，一面破解清除祂。AI 是重新魅化的人造神祇，在破解交往的过程我们需要拥抱不确定性，像杨立昆常用的在山脉前进之比喻，只有在你爬上第一座山峰后，你才能看到在它后面的阻碍是什么。然后我们也许会从山顶得到新的世界观，像深度学习在围棋领域的示范。除了设计流程的扩增与优化，我们很可能会重新认识设计，说不定在新的维度世界里，设计根本不需要流程。

如同欧洲内地最西端的葡萄牙罗卡角碑文，“这里，是陆地的终点，但却是大海的起点”，这是我们正面对的未来。

责任编辑：苏柔玮

▼

   特别声明    本页内容仅供参考，版权终归原著者所有，若有侵权，请联系我们删除。