人工智能？什么东西？来和chatgpt谈谈

最近因为open ai 旗下两款产品（基于文本数据的chatgpt、基于图像的dall e）在国内爆火，很多文章/视频作者又开始发文讨论人工智能代替当前交互设计师/UI设计师的可能性，简单来讲：所有人又要失业了！

失业的可能性当然是有的，但因为体验设计是一个基于实际场景的应用性领域，流程不固定，输入和输出的形式也比较多样，因此我们预想中的那种“突然有一天，一个体验设计机器人横空出世，导致所有人类体验设计师都被解雇了”的场景出现的概率非常小。

那么，人工智能到底将如何影响体验设计行业和我们的工作流程？虽然市面上已经出现了很多类似的文章，但都没有把人工智能这个东西说清楚、说明白。所以今天我们想从人机交互和人工智能的发展历程的角度中，深度挖掘这个问题的答案。此文由我们和chatgpt共同撰写，我会用下面的样式标注出chatgpt的部分。

chatgpt，请多指教

我们为什么需要人工智能？

所谓体验或者交互设计，主要“设计”的是人和机器之间的互动方式。从家用计算机的诞生到今天，人和机器的互动方式经历了鼠标键盘等外部设备到触屏手机、VR/AR的跃迁，但截止目前，任何机器之间的“互动”往往还是以“人迁就机器”的形式为主导。人，或者按我们的习惯称为用户，在这个互动形式中需要付出大量的学习成本或认知成本去让机器理解人，或让自己理解计算机的输出内容。

举个例子，假如我们想知道明天的天气预报，现在我们可以打开手机app-选择我们的地点-查看明天的天气。但是这种交互有几个前提：我们要会使用手机、并且双手是空闲的可以用来操作手机。假如不满足这两个前提，那这个操作就很难完成，因此这种操作实际上还是非自然的，人还是要去使用机器能理解的方式、而非自己习惯的方式来和机器交互。

那么有没有方法能够解决这个问题呢？有。

一方面，我们可以扩充机器识别信息的方式，让机器不只被动接受信息，也“长出眼睛”主动识别信息。在这个思路的影响下，语音、手势等新交互形式迅速发展，并且在车载/智能家居领域产生许多应用。而另一方面，我们是不是也可以让机器变得更聪明、更“灵”，甚至能通过某种方式模仿人类的认知、思考和决策能力“举一反三”？

这就是人工智能。

人工智能的演变

既然人工智能有这么神奇的效果，那它到底是怎么做到的？在chatgpt的帮助下，今天我们给大家拆开来解释这个概念的发展历程和变迁。

1.人工智能的兴起

人工智能一词最早出现在1956年在新罕布什尔州的达特茅斯学院，当时的研究人员提出了几个在今天看来依旧不过时的问题：

“我们能不能像日常说话一样编程？’”
“计算机程序能不能模拟人脑，通过学习进步？”
“通过优化算法，能不能提高计算机的创造力？”

——为了寻找这些问题的答案，学者们分别提出了三个人工智能发展方向，很长一段时间都在这三个方向的可行性上争论不休：

方向1:教计算机逻辑推理

以麦卡锡为代表的派系致力于用逻辑化的计算机语言使计算机学会推理思考，他们认为：“不管你想做什么，你必须先设计一套正确的逻辑，把它清晰地表达出来”。

简单来说，就是“先教计算机道理，再让它执行”。在计算机里写好正确的逻辑推理代码，让计算机根据逻辑去执行的命令。举个例子，假如我们要让计算机在明天早上7点提醒我们起床，我们就可以把这段逻辑教给计算机：

“工作日要早上7点钟提醒我起床”
“明天是工作日”
那么计算机就自动产出了结论：“明天7点要提醒你起床”。

这种思路还可以应用在更复杂的案例中，比如我们可以基于象棋规则编写一段代码，让计算机陪人下象棋。其核心在于编程者要要先了解人脑思考的逻辑，才能编写出模拟人脑思考的人工智能代码。

方向2:将计算机看作人的神经系统

以麦卡洛克、皮茨维代表的学者认为构建神经元模型才是正道。

初中生物知识告诉我们人脑是由许许多多的神经元连接组成的。每个神经元接收来自其他细胞的刺激/冲动，刺激/冲动达到阈值后就会引起该细胞产生兴奋，并向其他细胞传递兴奋。麦卡洛克-匹兹的这个“神经元模型”就用逻辑电路模拟了真实神经元的工作，试图用人工神经元模型来模拟大脑工作。

这段话是不是看起来很难理解？所以我们请chatgpt帮大家举一个例子：

假如我们发现在医学中，患者的年龄和体重与心脏病可能有关联关系，那么我们就可以训练一个简单的神经元模型来找到这两个因素对心脏病的影响大小（权重）。

这个模型可以写作：

患者是否有心脏病 = f(患者年龄 * x1 + 患者体重 * x2)

其中f()代表激活函数，x1、x2则是权重。

我们可以将这个模型想象成一个神经元，它收到了两个因素刺激（年龄、体重），而这种刺激一旦达到了一个阈值，就会输出一个结果（患者有心脏病或没有心脏病）。

方向3：教计算机现实世界的知识

最后，第三派以明斯基为代表，认为计算机想要实现智能化，必须先具备现实世界的所有知识。他提出了“框架”的概念，但并没有解释这个叫“框架”的“黑盒”是如何运作的。明斯基的框架理论相比其他人的案例更模糊、更难理解，这里不再展开叙述。

2.两次寒冬

罗森布拉特（Frank Rosenblatt）在1957年对麦卡洛克-匹兹的神经元模型进行了扩充，在它的基础上发明了最早的神经网络模型，起名“感知机”。其结构简单，易于实现，被认为是人工智能研究中的一个重要里程碑。

但明斯基强烈地不认可“感知机”，甚至撰写出版物公开批评分析，认为它只能解决一些简单问题，而无法处理更复杂的问题。这样的批评对于当时的人工智能研究带来了极大的冲击，也因此被称为“人工智能的第一次寒冬”。

由于当时的研究环境和计算能力都有限，人工智能研究陷入低迷，直到20世纪80年代，随着新的算法和技术的出现，人工智能又出现在人们的视野中。但当时的人工智能较多应用于所谓的“专家系统”，即计算机通过模仿人类专家的知识和推理过程，来解决某个领域的专业问题。

举个例子，当时有一个用于诊断细菌感染疾病的专家系统系统MYCIN。

建立它需要医生首先向MYCIN提供病人的症状、检查结果，MYCIN则会将这些数据与它的知识库内医学专家经验总结出的规则进行比对，基于这些规则进行推理，最终得出对疾病的诊断。MYCIN还会解释它的推理过程，告诉医生为什么会得出这样的结论。

但人们很快发现建立这种系统需要耗费漫长的时间收集专业知识，而且如果专家系统遭遇了专业领域外的问题，就无法给出令人满意的答案。因此人工智能再次进入了寒冬。

3.从“设计大脑”到“设计学习”

90年代麻省理工学院教授布鲁克斯提出，此前出现的传统主流人工智能的构建方法方法是自上而下的，即先设计抽象的符号系统，再用它来模拟人类的思维和行为，这种构建方式把主次颠倒了，它忽略了真实世界的复杂性和不确定性，也忽略了生物系统中底层的感知、运动和控制等基本机制。因此，他认为我们不应该盲目地直接对大脑进行构建，而应该像生物系统的真实情况那样，自下而上地构建。

chatgpt帮我们举了一个例子：

假设有一个机器人被用来在一个仓库中搬运货物，仓库中有许多货架，上面摆放着不同种类的货物。机器人需要识别不同的货物和搬运工具，然后把货物搬运到指定的地点。

“自上而下”传统人工智能系统需要先对机器人进行大量的编程，然后机器人受到程序规则和逻辑推理的控制而产生行为，相当于提前告诉机器人每一步做什么。

我们首先需要将各种货物的大小、重量、形状等特征进行编码，并为机器人编写各种规则，比如如何识别不同的货物和工具，如何进行搬运等等。最后机器人则基于这些逻辑推理来进行决策，例如判断哪些货物需要先搬运。

而“自下而上”构建的人工智能更注重机器人的自主决策能力，机器人基于周边环境、通过自身的感知和交互能力来进行行为调节，相当于让机器人自己根据“感觉”自己判断下一步要做啥。

在这个案例中，机器人首先需要感知环境，比如识别货物和搬运工具的位置、仓库中的障碍物。然后机器人根据自己的感知结果进行自主决策，决定选择哪个货物和工具以及如何搬运货物。

布鲁克斯这种“自下而上”构建的人工智能更加接近自然状态，且不需要预装知识库。因此他的观点吸引了许多科学家并朝着“自适应行为”的方向持续探索，让人工智能领域又重新焕发了生命力。随后，遗传算法、贝叶斯网络、深度学习、“人工”人工智能等诸多人工智能相关的思想或理论相继被提出，人工智能逐渐通过深蓝、微软小冰等产品进入普通人的日常生活。

我们现在所使用的大多人工智能都是基于简单的神经网络或深度学习算法构建的，包括我们今天使用的chatgpt。这些算法由我们一开始介绍的神经元模型为基础构成，可以说神经元是神经网络的基本单元，而神经网络又构成了深度学习的基础。深度学习利用多层神经网络进行学习，可以处理大规模、高维度的复杂数据，并在各种任务中取得了非常优秀的结果。

然而，尽管今天的人工智能看起来已经很厉害了，人工智能当前的学习方式仍然和人类的学习方式存在本质上的区别。人工智能虽然可以通过训练从已有的数据中学习模式和规律，但无法通过感性或者直觉去认知事物，特别是数据库中没有的未知事物。虽然我们今天使用的chatgpt因为拥有巨大的语料库和更深的神经网络层数所以显得很智能，但它的运作逻辑决定了它不理解自己在说什么。

人工智能，将如何应用在设计中？

人工智能貌似是一个万灵药一样的“魔法”。放在哪里，哪里就能产出神奇的效果。但人工智能真的能迅速地大规模应用在设计生产中，甚至取代交互设计师吗？

——暂时来说，这个答案是否定的。计算机辅助设计已经有超过60年历史了，我们迄今为止还没有找到一种办法完全替代人类进行设计产出。当前的AI更适合做“可以被轻易总结出规律的结构化工作”，简称脏活累活。我们预测未来AI将在以下方面上对体验设计进行支持。

1.应用与弱点

从体验设计师的工作内容来讲，我们日常的工作主要包含了以下几个环节：收集复杂情景下的用户诉求-提炼关键设计问题-列举针对性的解决方案-基于环境特征决策最优方案。它可以分成两个部分：“收集问题-总结问题”、“产出方案-决策方案”。前者是一个从很多复杂个例中寻找共性的过程，后者则是基于一个问题发散并评估不同方案的过程。

当前，“收集问题-总结问题”的过程最容易被人工智能支持。我们之前已经提过，只要能给予人工智能足够多高质量的数据，那么它自己就可以通过自主学习，从这些杂乱无章的信息中寻找到规律。而这正是人类需要耗费大量人力才能做到的。

举个例子，我们做定性用户调研的分析时，需要从浩如烟海的用户口头语言中提炼出有价值的信息点并进行多次归纳整合，最终形成有价值的用户观点。做定性研究的学者或者用研需要阅读大量文本、手动标注关键词汇，然后进行整理总结。文献/访谈资料越多，整理难度越大。但现在有了AI支持，我们可以更快从大文本中总结出关键信息。

类似的场景包含：

数据分析：AI可以帮我们监控大规模用户行为数据的变化，并且整合成结论告知我们。比如“最近用户月活异常下降，同一时间上线了功能A，推测可能是因为功能A的影响引起数据异常”。甚至未来也许AI能帮我们结合不同来源、不同形式的信息（比如行为数据和问卷形式的用户态度反馈），帮助我们更快速地消化多种用户反馈。
行为预测：假如我们“喂”AI足够多的用户行为数据，那么未来我们可能可以使用AI去预测用户在我们平台上的需求和行为，我们可以基于这些预测修改设计。比如说现在有些公司提供的AI眼动测试服务就是这个方向下的延伸。
一致性走查：当AI足够了解我们的平台交互/UI规范、文案规范等“规范类”的信息，那么它可以帮助我们快速找到新页面和之前页面的差异，降低我们维护设计系统的成本。

另一方面，近期也产生了许多设计支持工具，支持设计师在“生产方案-决策方案”这个流程中进行设计方案的快速生成。这些方案可能短期内达不到可用的水平，但AI的方案生产时间快、产生方案的成本低，

类似的场景包含：

方案生成工具：比如将文字/手稿草图转化为排版整齐的页面、图标、营销效果图
方案微调工具：比如对间距/字号/层级样式的微调对齐
风格扩展工具：比如基于一个icon，我们可以用AI快速生产20多个同风格的icon进行扩展。又比如我们可以迅速调整一个复杂精美的营销落地页的配色方案

虽然AI能够带来如此多的便利，但由于它的运作方式，chatgpt认为推广AI具有以下两个主要问题点：

AI需要需要大量数据来训练模型，因此设计部门首先需要提供足够多的、高质量的数据，才能保证AI的产出准确可用。这不仅带来成本问题，还会带来用户隐私问题。
对于用户洞察类的工作来说，现实世界中的用户提供的反馈可能并不完全坦诚，他们可能会回避问题、撒谎、夸大、前后不一致、使用新术语或口头表达等等。在我们真实的用户调研中，调研者会使用一些话术追问，并且基于经验判断用户的反馈是否可靠。但是AI暂时在这个方面并不灵敏，因此最后产出的结果很可能还是需要研究人员验证、调整。

未来？

虽然说短期内AI无法替代设计师进行问题洞察、设计决策的工作，但是可以预料到它会极大的减少设计师的工作负担，或者叫做“工作量”。而一旦设计师这个执行职位只有工作价值，但工作量不大的时候，我们很可能被合并成一个职位。

未来，假如AI能很好的融合进产品的构思-研发工作流中（据我所知，现在某些厂已经在探索AI出图工作流了），或许所谓的“全栈设计师”又兴起。

我们甚至猜想，未来可能是这样一种工作流：整个产品研发流程里只有1位产品设计师和1位研发，前者负责在AI的辅助下判断核心用户痛点，并且生产一个大致的服务或任务流程，绘制一些草图。AI会基于草图产出多种可用的方案，并基本上自动化开发-测试，将若干个方案投入线上若干个小流量池，最后自动收集不同方案的用户反馈，挑选出表现最优的一个推广全量。

本文来自微信公众号“白话说交互”作者：小昱被占用了（ID：gh_96e304585325）。大作社经授权转载，该文观点仅代表作者本人，大作社平台仅提供信息存储空间服务。