Prof. Saeema Ahmed-Kristensen，DIGIT Lab 主任 – 访谈系列
Saeema Ahmed-Kristensen 教授是一位领先的设计工程学者，也是埃克塞特大学负责研究与影响的副教务长，同时担任DIGIT Lab的主任。DIGIT Lab 是一个专注于数字创新与转型的重大跨学科研究计划。她的研究涵盖设计创造力与认知、数据驱动与数字设计，以及将先进技术整合到复杂的工程与产品开发中，并高度重视通过行业合作、政策参与和大规模研究计划，将学术见解转化为现实世界的影响力。您的职业生涯横跨剑桥大学、丹麦技术大学、伦敦帝国理工学院、皇家艺术学院，现在又到了埃克塞特大学。回顾过去，哪些经历或转折点对您关于设计、创造力以及数字技术作用的思考产生了最大影响？我的设计工作跨越了许多不同的文化和学科。我始于布鲁内尔大学，当时那里是少数几个将技术、以人为本的设计和对形式的理解结合起来的课程之一。这让我很早就认识到，创造力和创新是紧密相连的。随后在剑桥大学的学习进一步开阔了我的思维。学院环境让我接触到许多学科，并向我展示了创新如何依赖于跨领域知识的汇聚。我的博士研究专注于航空航天领域，考察了工程设计人员如何寻找和使用信息。我研究了人们如何获取知识，如何支持或复制专业知识，以及认知、计算机科学和工程设计之间的交叉点。这种以人为本的视角从那时起就一直伴随着我。随着数字技术的发展，我工作中的问题也在不断演变。物联网数据、人工智能和先进计算的兴起，使设计从仅仅以人为本转向以社会为中心。这持续塑造着我在埃克塞特大学的工作，在那里我领导 DIGIT Lab，专注于大语言模型在创意过程中的作用、行业采用它们所面临的障碍，以及数据如何驱动创新。我在帝国理工学院和皇家艺术学院的时间强化了一个认识：设计远不止是塑造产品或服务。有了合适的人员、流程和文化，设计可以成为驱动新的、可扩展的技术、材料和理念的动力，以应对当今和未来的全球挑战。DIGIT Lab 非常关注大型成熟组织内部的数字化转型。从您的角度来看，您认为领导者对人工智能将如何改变设计、创新和决策最常误解的是什么？几十年来，人工智能在研究领域取得了进展，并在某些行业得到应用，但其进步常常受到技能差距、领导层理解力以及对所需价值和基础设施的清晰度不足的限制。随着大语言模型和 DALL·E 等生成式工具的兴起，人工智能现在变得更加易于使用，并且需要的专业知识和设置要少得多。但这也引发了关于隐私、数据安全以及通用模型如何适用于特定领域的新问题。在设计和创新领域，这些问题尤为明显。我们的研究检查了超过 12,000 个由人类和人工智能生成的想法，结果表明，人工智能生成的想法往往围绕相似的概念聚集。这凸显了将人类专业知识融入通用工具、为特定领域调整人工智能，或者理解何时以及如何将人工智能与人类创造力和决策结合使用的必要性。您的许多研究都探讨了设计中的创造力和认知。如今，生成式人工智能能够大规模地产生想法、概念和迭代，您认为创造力的哪些方面是独一无二的人类特质——哪些部分可以负责任地转向人工智能驱动的流程？对我来说，创造力从来不仅仅是生成备选方案。它关乎意图、文化意义以及设计所创造的情感连接。我们最近的 DIGIT Lab 调查清楚地揭示了这一点：82% 的人告诉我们，由人类主导或混合完成的工作感觉更有意义，71% 的人表示他们对纯人工智能设计的情感连接较弱。许多人将人工智能生成的作品描述为“缺乏情感”（48%）或“过于完美”（40%），36% 的人认为其影响消退得很快。这些回应强化了我长久以来的信念。情感参与并非可有可无；它对于人们体验和评价创意作品至关重要。我们比较人类和人工智能想法的研究也表明，人类设计师更擅长创造多样化、新颖的想法，并确保创意产出（无论是艺术品、产品设计还是服务）具有深度和意义。创意专家所拥有的技能集目前尚无法复制。设计师需要在生成想法之前理解问题，而大语言模型在收集信息以帮助设计师从一个问题转向另一个问题方面非常有用。如果我们可以将人类专业知识的模型构建到人工智能工具中，它们也能支持想法的评估，让人工智能更好地利用人类的创造性技能。我们正在实验的思维链方法支持大语言模型遵循专家推理，而不仅仅是给出分数。在所有情况下，都需要人类监督来解释结果，并确保设计选择与用户的生活经验保持一致。显然，我们必须要么创建能够捕捉人们体验产品、服务和互动方式的模型，并以计算机可以解释的形式呈现；要么将厚数据（提供背景的丰富定性见解）与我们收集的薄数据或大型传感器数据相结合。开发这些模型并非易事，而这正是人类参与仍然至关重要的地方。因此，对我来说，关键点并非人工智能在创造力中没有一席之地。远非如此。关键在于，人工智能和人类贡献了不同的优势。人们始终对人类或混合工作反应更积极，这一事实恰恰告诉我们重心所在。人工智能可以帮助探索更广阔的设计空间、分析模式并提供结构化的批评，但那些关于平淡、算法完美和情感距离的感知表明，人工智能仍然需要人类判断，才能将可能性转化为能引起共鸣的东西。这就是为什么我认为创造力的未来本质上是协作性的。人工智能可以拓宽可能性的领域。设计师则带来同理心、文化理解和意图感，赋予这些可能性以意义。当两者协同工作，由人类判断设定方向，人工智能丰富探索过程时，结果将是一个更严谨、更具想象力，并且最终在成果上更具人性的创意过程。您在量化用户体验和结构化设计知识方面开创了方法。随着人工智能系统越来越多地负责生成产品和服务，我们如何确保人类体验、情感和文化信号在设计过程中保持核心地位？为了以人类体验为中心，我们需要将感知和情感的知识嵌入到我们的方法中。主要有两种方法。第一种认识到需要定性数据，以实现对人类体验、感知和情感的丰富理解，从而为有效的人机协作提供信息。第二种——我的工作一直专注于此——旨在将这些知识转化为人工智能系统能够理解和使用的模型。这些模型的开发很复杂，因为它们必须整合用户体验、人类感知以及所设计产品或系统的特性，以便预测人类反应和整体体验。您广泛涉足复杂行业——航空航天、医疗、制造和消费品。在这些高风险环境中，您如何平衡人工智能支持设计的潜力与对安全性、可追溯性和信任的需求？在医疗保健、航空航天和制造等高风险领域，问题不在于能否使用人工智能，而在于如何对其进行治理。在这些环境中，信任取决于设计和决策过程每个阶段的明确问责制、可追溯性和可解释性。人工智能可以在模拟、优化和早期探索中发挥强大的支持作用，但它不能成为最终权威。这些领域中的许多都受到严格监管，并需遵守严格的安全要求，这要求对所有数据（无论是个人数据还是商业敏感数据）进行安全处理。在这些背景下，通常需要使用本地数据来开发提示或查询，以确保针对性和相关性，并且这些领域的组织构建和维护自己的人工智能工具也很常见。我们更广泛的研究一致表明，混合系统至关重要：人工智能应该增强专家判断，而不是取代它。人类监督必须内置于每个关键决策点，特别是在涉及安全、风险和责任的环节。为了让监管机构和最终用户信任人工智能赋能系统，组织还需要透明地记录模型如何训练、使用什么数据以及输出如何生成。没有这种透明度，无论技术变得多么先进，信任都无法扩展。许多组织在“试验人工智能”和将其有意义地整合到产品开发之间存在差距。对于试图从试验转向战略实施的团队，您会推荐哪些实际步骤？许多组织在试验阶段停滞不前，因为他们采用人工智能时缺乏明确的战略目的。第一个实际步骤是明确人工智能在开发过程中应扮演什么角色，无论是支持构思、加速测试、改进评估还是增强决策。没有这种清晰度，试点项目就与现实业务和设计成果脱节。团队还需要奠定正确的基础。这意味着投资于高质量、治理良好的数据，特别是反映真实用户体验而非纯粹技术性能的数据。这也意味着要现实地看待人工智能当前的局限性，尤其是在创造性和以人为本的判断方面，专家监督仍然至关重要。许多行业开始制定人工智能政策，指导团队从构建商业案例、运行试点到更广泛采用人工智能的整个过程。这些政策帮助组织识别人工智能真正能增加价值的地方，同时也确保在必要时人类仍参与其中。最后，组织应通过结构化的、低风险的试点项目推进，这些项目应嵌入到实际工作流程中，而不是孤立运行。这些试点应该是跨学科的，汇集设计师、工程师、数据科学家和领域专家，以便共享和转移学习成果。当人工智能被设计到日常实践中，而不是被视为一个独立的实验层时，它才能提供价值。您在结构化和自动化知识的方法开发方面有着长期的记录。我们距离能够真正推理设计意图、用户需求和上下文，从而增加价值而非仅仅生成内容的人工智能系统还有多远？在某些领域，预测用户偏好相对简单，因为可以使用浏览历史或观看过的电影或电视节目记录等数据来提供推荐。这些领域受益于现成的数据。相比之下，产品和服务设计的一个关键挑战是，关于人们的选择、需求和生活经历的数据通常不易获得。我与 Digit Lab 的近期研究调查了大语言模型在给定一个关于人们如何感知和响应设计特征的模型时的能力。然而，当前的模型基于数据中的模式运行，无法将意义置于上下文中。早期将形状与感知联系起来的研究表明，即使形式上的微小变化也可能改变情感反应，而这种细微差别在没有人类指导或引入复杂模型的情况下，人工智能很难预测。因此，人工智能在意图推理方面正在改进，但它仍然是对人类专业知识的补充。随着人工智能加速从构思到原型的设计周期，设计师将需要哪些新技能？大学和组织应如何重新思考对下一代创意人才的培训？设计师需要同时精通人类感知和人工智能赋能工具。理解形式、材料和比例如何塑造情感反应，将仍然是良好设计的基础。同时，设计师必须能够自信地使用支持想法生成和评估的人工智能系统。这不仅意味着使用工具，还要理解它们优化的目标及其局限性所在。随着人工智能在设计工作流程中更加深入，批判性地解释其输出并将其与人类判断相结合的能力，将成为最有价值的创意技能之一。随着人工智能加速从构思到原型的设计周期，设计师将需要超越传统工艺技能的新能力组合和思维方式。他们需要理解数字技术如何工作，不同类型的数据可以（和不可以）揭示什么，以及如何将设计专业知识与人工智能素养相结合。这包括知道如何使用反映真实用户体验的高质量、治理良好的数据，而不是仅仅依赖技术性能指标。除此之外，设计师还需要具备判断力，以识别人工智能在何处有帮助，以及在何处人类的创造力和批判性思维必须保持核心地位。为了满足这些需求，大学和组织将不得不重新思考如何培训下一代创意人才。一些大学已经开始将数据科学整合到设计课程中；这是重要的一步，但仅此还不够。目前仍然缺乏的是为数字时代现实情况配备的设计思维方法：这些方法能帮助设计师与人工智能协作、跨学科工作，并在保持伦理和以人为本的监督的同时，驾驭快速实验。解决这一差距至关重要。这正是为什么我和我的同事韩冀博士正在与剑桥大学出版社合著一本关于《数字时代的设计思维》的书，该书汇集了与人工智能有效协同设计所需的框架、技能和思维方式。DIGIT Lab 强调负责任的转型。在您看来，随着人工智能嵌入各行各业的设 计工作流程，哪些伦理或社会风险需要更多关注？一个例子是确保数据的伦理使用，包括获得知情同意，并对用于开发人工智能产品的数据集及其可能包含的任何潜在偏见保持透明。例如，必须仔细检查嵌入医疗保健系统中的数据集，以确保它们充分代表全部人口，识别任何可能代表性不足的群体，并确认人工智能系统适合其用途且具有包容性。从社会角度来看，人们常常担心人工智能会取代工作岗位；然而，重要的是要理解在哪些地方人类专业知识仍然必不可少，以及如何利用人工智能来增强而非取代人类能力。然而，还有更深层次的伦理问题。当设计师依赖人类数据时，他们必须负责任地处理隐私、偏见和透明度问题。DIGIT...
