【觀點】AI與設計的未來之路：星艦史巴克×辛普森荷馬，能創造最佳人機協作？

過去一年偶爾有人引用畢卡索在1968年的話，他說「電腦毫無用處，它只能給你答案」，那年英特爾（Intel）剛成立，畢卡索很難預見有一天電腦可以回答出這麼厲害全面的答案。沒有意外的話，這時代正在體現未來學家說的加速回報定律（Law of Accelerating Return），1900 年的人抵達2000年時感受到的巨大驚嚇，僅約略等於 2000 年的人抵達今日的驚嚇程度，這是一個社會與科技的指數加速成長，但我們常低估這變化，因為即便是指數曲線，若僅截取很短的一段時間，體感上還是緩慢的線性移動。

就設計產業與設計教育來說，在生成式人工智慧的寒武紀大爆發後，這個指數成長也在去年引起大量討論。如果把設計（思考）看成是複雜問題的跨域解決，而不僅討論狹義的視覺體驗變化，那麼至少可區分「AI如何協助設計」（AI for design） 與「設計如何協助AI」（design for AI） 兩者來看。

「AI 如何協助設計」，主要是 AI 對設計能力的2種擴增 （augmentation），第1種擴增是資料的解讀能力，這是原本深度學習模型已在做的事，如果設計是為解決使用者需求，那麼如何更精準辨識與預測使用者行為，就是好設計的來源，但人類設計師有其資料解讀的侷限。像哲學家維根斯坦（Ludwig Wittgenstein）提出的「家族相似性」（familienahnlichkeit），他認為同屬一個概念底下的事物，未必真的具共同特徵，這些特徵是交錯重疊的，我們過去定義萬物並加以分類的方式錯了，這可能會更加遺失許多「未知的未知」（unknown unknown）。用既定規則與分類看事情，就不會看到其他存在模式，設計師解讀得出因果性，卻不一定辨識得出相關性，例如來自沃爾瑪（Walmart）商場同時購買尿布與啤酒的傳說。

如同人工智慧領域常引用的博蘭尼悖論，「我們懂的事情，比我們能表達出來的更多」 ，AI 可幫設計師辨認出原本沒看出的模式，提供更精準使用者圖像與沒有偏差的人物誌模型（unbiased personas），過去我們很難測量類似體驗這樣的抽象概念，也很難量化文字資料給予評價，現在都可透過AI得到能力擴增。

第2種擴增是設計流程與工具的加成，不論文字或圖像，過去一年生成式 AI 對設計流程發散階段的擴增助益是顯著的，如創意生成，相較設計師自己的經驗發想，大型語言模型至少帶來了突變、重組、內插、外推等4種生成效益。巨量文本的文字機率接龍可產出如此廣泛效益令人震驚，但就像人類學家李維史陀（Claude Levi-Strauss）提出運用現有材料組裝的「拼貼」 （bricolage）概念，或一千多年前杜甫寫的「讀書破萬卷，下筆如有神」，「神」這個字顯然精準描述了今日定義的湧現能力。這是智慧爆發的動力學概念，當資訊量超過臨界值，智慧便會指數成長，最終或可在某些機緣偶然（serendipity）下拓展認知邊界，生成人類設計師原本沒有的想法。

面對 ChatGPT 這類長得像通用型的專用型 AI，圖靈獎得主楊立昆（Yann LeCun）一開始不太能接受通用人工智慧／強人工智慧（AGI）的入門磚可能來自一種機率模型，但我們的思維湧現，也可能僅是一種機率，如早期意識研究中的突現論（emergentism），意識中的突現性質，或許來自系統規模增加後湧現出的不屬原系統組成物之新屬性。我們一直生活在一個只取得部分理解的世界裡，不知道生成式 AI 如何產出內容也許讓人不安，但人類的創意生成過程其實也不是全然透明的。

除了文字生成，圖像生成也對設計流程帶來能力擴增，諸如大幅降低設計師概念驗證（proof of concept） 的門檻，讓整個設計原型的製作測試探索變得十分具效率。當設計師手上有一個可與使用者進行互動的圖像物件，這個互動回饋就會非常深邃且有效，因為那是真實的互動，而生成式 AI 加速了這個原本耗時的設計溝通歷程。

人類調教AI就像騎師與馬

除了AI如何協助設計的擴增，還有「設計如何協助 AI」，這一年我們較常談 AI 對其他領域的助益（或取代），不常提到其他領域對 AI 的協助，但生成式AI也是需要幫助的，設計有機會帶來2種優化（optimization）。第1種優化是「如何讓 AI 更好用」，這是AI的可及性，包括透過不同場景主題的使用者經驗研究，降低 AI 在不同專業介面之使用門檻、更多元客製的平台開發，或跨平台跨利害關係人的無縫整合設計，乃至隨聲音經濟興起的聲音使用者介面（Voice User Interface） 於未來對話式介面（conversational interface） 系統的應用等，均是生成式 AI 時代的新人機介面議題。

使用者經驗的先驅諾曼（Donald Norman）在2007年用騎師與馬、司機與汽車解釋人機互動，騎師與馬用彼此的肢體語言交換訊息，達成理想的共生關係，這是2個有感知系統的互動；汽車不是生物，但我們模擬馬，設計它的感知系統來創造溝通，那麼，未來我們與大型語言模型更直覺更簡單的人機介面是什麼，它的感知需求又該如何被設計 ?

第2種優化是「如何讓 AI 被用得更好」，這是 AI 的可適性，屬於道德與社會性議題。舉例而言，針對現有 AI 模型所可能衍生的可靠性、透明度、公平無偏見、隱私保護、去識別化、模型應用範疇等議題，將有機會透過設計專業進行引導轉化，包括透過資料可視化工具設計的解釋型 AI（explainable AI），可藉完整揭露 AI 推理過程與結果，降低可能的偏見與不公平判斷，或透過共融設計降低不同族群的 AI 數位落差達至科技近用理想等。這些透過設計所呈現更具責任感、隱私、安全性（responsibility-by-design, privacy-by-design, security-by-design） 的新治理機制，將可能創造下一世代更優化的人機平衡結果。

哲學家維倫．傅拉瑟（Vilém Flusser）在《設計的哲學》中說，機器如同槓桿般是人體手臂的延伸，我們正面臨槓桿還擊的年代，我們模擬我們的模擬物，手臂動作也變得如同槓桿般僵化；如何避免槓桿還擊，這將是一個設計問題。機器如何設計，後座力才不會傷害我們，這是設計可能也必須帶給 AI 的第2種優化。

「慢想」史巴克×「快思」辛普森夢幻協作

如果 AI 與設計逐漸形成以上的共生協作關係 （symbiotic approach），那麼設計師會被 AI 取代嗎 ? 這題目過去一年在每個產業都經歷至少一輪討論，人工智慧法律學者巴斯夸利（Frank Pasquale）在《21世紀機器人新律》這本書說，目前關於機器人取代工作的討論都是二元論，不是烏托邦就是反烏托邦，但在工作場所的自動化取代其實是種複雜關係，取決於數百萬個如何使用 AI 的流程小決策，重點是要讓機器接管人類工作到什麼程度，人機間形成什麼最佳互動比例。就像麥克魯漢（Marshall McLuhan）的名言：「我們打造工具，最後工具形塑了我們」，真正的命題可能不是「取代」，而是什麼才是未來的設計師樣貌 ?

亞馬遜（Amazon）的貝佐斯（Jeff Bezos）說，比起變動事物來說那些始終不變的事才是更重要的，因為我們只能圍繞不變的事物來設置策略。那麼在設計領域中有哪些事沒有被 AI 改變 ?

首先，既然 AI 取代的是「任務」 而不是職業，那麼如何解構問題與工作流程將成為一種重要素養，是否有能力拆解定義設計流程中的不同任務、然後再進行重組，這將決定設計師與 AI 的最佳人機協作效果。如行為經濟學的比喻，完全理性的經濟人像《星艦迷航記》中的外星人科學官史巴克（Spock），但複雜現代生活中我們更像《辛普森家庭》裡的荷馬（Homer），是以直覺的捷思偏誤作決策。辛普森是「系統一」的快思，由情緒推動自遠古進化而來的無意識決策，史巴克是「系統二」的慢想，是緩慢有意識且遵循古典經濟學效用最大化的思考。未來的設計師與 AI 任務組合，也會是我們夢寐以求系統一與系統二的協作組合 （這是 所謂的「+AI」，指既有產業知識或流程導入 AI 工具來解決問題，提升效能）。

第2件不變的事是設計師的系統觀，AI 模型帶來的是設計與創新民主化的典範移轉，過去掌握數據作決策的人是設計師，未來機器學習平民化後，設計師與使用者／利害關係人間的角色界線將模糊化，甚至出現新角色，如大型語言模型產生的 AI 代理人（AI agent），成為將環境、記憶與行為封裝於整體單元內的設計協作助手。因此，在眾多協力關係中，未來設計師必須回到共同設計（co-design）中的專案管理者角色，具有相較於使用者或 AI 代理人更為優異的問題系統全貌與複雜性之掌握擘畫能力，如2015 年哈佛商業評論的文章《超越自動化的人才》（Beyond Automation） 所述，設計師與機器的合作優勢包括向上（up）、向旁（aside）、向裡（in）、向窄（narrowly）、向前（forward） 等5種思考技能，這分別是宏觀、跨域、細節流程、專業聚焦、未來趨勢等5種策略面向，而背後的素養正是系統思考能力。

這樣的系統化素養也有助設計師掌握設計專案的商業本質，商業的本質是交易，商業模式是為了降低交易成本。因此，大型語言模型的對話式介面將可能取代傳統搜尋介面，成為降低交易成本與連結網路密度的新方式，過往的商業進化一向是從交易成本無限大且網路密度零、逐步演進至交易成本零且網路密度無限大，未來設計師在這商業生態系統中將充滿無數創造新職業的機會 （這是所謂的「AI+」，指依現有 AI 功能尋找新的應用場域，導入產業知識來產生新的商業模式與職位）。

第3件沒有變的事是問問題與對話的素養，如果 AI 是解答，那麼問題是什麼 ? 科學史的成就往往都來自好問題，如同愛因斯坦（Albert Einstein）小時候問，若搭著光束前進會看到什麼，或萊特兄弟詢問如何讓飛行器起飛後依然保持平衡，設計思考原本就是透過重新問問題的表現方式來解決問題的一種程序理性；此外，問問題之素養也包含心理學家特克（Sherry Turkle） 說的重新與人對話的能力，這裡還有2層意義，第1種來自海德格（Martin Heidegger）的批判，現代科技的作用是將自然萬物原有的豐厚意義化約為僅供人使用的資源，AI 本質上會化約降低我們的對話能力。

第2種意義是目前的提示工程（prompt engineering），對話式 AI 的操作本身又反過來需仰賴人的溝通素養，因為人能聽得懂，AI 才能懂。大型語言模型所需的角色、專長、背景脈絡、任務、目標、現況、互動對象、限制條件等提示語，其實就是人工智慧研究在90年代開始探討的溝通科學，強調對話過程中意義、脈絡、文化知識、對話結構的重要性，大型語言模型提供的回答，其實也是 AI 拋回給我們的 prompt，盤點溝通失誤的原因，就能創造更理想的預期互動結果。過去我們希望藉由客觀且不受脈絡影響的語言來與電腦溝通，因此必須將對話限制在足夠清楚的特定領域中，但這種欠缺脈絡（context blindness） 的溝通方式顯然不易成功，AI 對話式介面讓情境脈絡化的溝通能力成為今日設計師的新素養。

人人都能擁有「蘇格拉底家教」

第4件不變的事是自學能力，不讓 AI 取代的某個方式是反過來利用它，也就是加入由生成式 AI 衍生的個人化學習模式。這模式像可汗學院創辦人可汗（Sal Khan） 舉例的西元前4世紀亞歷山大大帝家教模式（家教老師是亞里斯多德），也就是個別化教學（personalization）與精熟教育 （mastery）。這種教學現場直到18世紀免費大眾教育起步後才改變，工業革命的製造業標準化概念興起後，教育系統開始將學生視為量產商品。未來，透過大型語言模型以客製化對話介面為基礎的 AI 平台（AI-powered tutor），每個人都可擁有自己的蘇格拉底家教 （這也是 Open AI 推出的第一款範例命名），設計師的一對一客製化外掛學習 （plug-in）將加速跨領域的設計知識整合，後知識時代下可能形成一種以大型語言模型的「虛擬知識」為中心，研究者、教育者與學習者地位相對扁平化的新知識建構關係，標榜博雅跨域的設計教育也不可能自外其中。

第5件不變的事是基本功的精熟重複，生成式 AI 時代基本功到底重不重要常是思考誤區。有時我們會忽略任務的達成與人的培養其實是2件事，像《莊子·人間世》說的無用之用，或科幻小說家姜峯楠在《紐約客》談 ChatGPT 的文章，面對 AI 對所有事帶來的加速，我們也需理解許多在重複事物上的投入不見得是浪費的。他說「如果學生從來沒寫過我們都讀過的文章，他們就永遠不會獲得寫我們從未讀過的東西所需的技能」。2009年《匠人》這本書談電腦運算時代的匠人技藝追求，書中說，當機器讓人們喪失經由重複練習來學習的過程，機器就是被濫用了。因為，當雙手與大腦分離，蒙受其害的是大腦，我們的心智養成常需要從反覆動手步驟來逐步建立啟發與領悟 （epiphany）。

韋伯（Max Weber）說人類歷史是個持續除魅的過程，我們一面發現神，一面破解清除祂。AI 是重新魅化的人造神祇，在破解交往的過程我們需要擁抱不確定性，像楊立昆常用的在山脈前進之比喻，只有在你爬上第一座山峰後，你才能看到在它後面的阻礙是什麼。然後我們也許會從山頂得到新的世界觀，像深度學習在圍棋領域的示範。除了設計流程的擴增與優化，我們很可能會重新認識設計，說不定在新的維度世界裡，設計根本不需要流程。

如同歐洲大陸最西端的葡萄牙羅卡角碑文，「這裡，是陸地的終點，但卻是大海的起點」，這是我們正面對的未來。

責任編輯：蘇柔瑋