阿赫默德-克里斯滕森教授，DIGIT 实验室主任 – 采访系列

阿赫默德-克里斯滕森教授 是一位领先的设计工程学者和埃克塞特大学的副校长（研究与影响），她还担任 DIGIT 实验室 的主任，这是一个主要的跨学科研究计划，专注于数字创新和转型。她的研究涵盖设计创造力和认知、数据驱动和数字设计，以及将高级技术集成到复杂的工程和产品开发中，强调将学术见解转化为现实影响的重要性，通过行业合作、政策参与和大规模研究计划。

您的职业生涯跨越了剑桥、DTU、伦敦帝国学院、皇家艺术学院和现在的埃克塞特大学。回顾过去，您认为哪些经历或转折点最能影响您对设计、创造力和数字技术角色的思考？

我的设计工作跨越了多种文化和学科。我开始在布鲁内尔大学学习一门结合技术、人本设计和形式理解的课程。这很早就教会了我创造力和创新是密切相关的。

随后在剑桥大学的学习进一步拓宽了我的视野。学院环境让我接触到了许多学科，并让我明白创新依赖于各个领域的知识汇聚。我的博士研究重点是航空航天领域，研究工程设计师如何寻找和使用信息。我研究了人们如何获取知识、如何支持或复制专家知识，以及认知、计算机科学和工程设计之间的交叉点。这种人本视角一直伴随着我。

随着数字技术的发展，我的工作中也出现了更多的问题。物联网数据、人工智能和高级计算的兴起使设计从仅仅人本转向社会本。这一转变继续塑造我在埃克塞特大学的工作，我在那里领导DIGIT实验室，专注于大型语言模型在创造性过程中的作用、行业在采用它们时面临的障碍，以及数据如何驱动创新。

我在伦敦帝国学院和皇家艺术学院的时间加强了这样的认识：设计远不止于塑造产品或服务。有了合适的人、流程和文化，设计成为推动新技术、材料和思想的驱动力，这些可以解决今天和明天的全球挑战。

DIGIT实验室主要关注大型成熟组织中的数字转型。从您的角度来看，领导者们最常误解人工智能将如何改变设计、创新和决策的方面是什么？

几十年来，人工智能在研究中取得了进展，并在某些行业中被采用，但进展往往受到技能差距、领导理解和价值及所需基础设施的限制。随着大型语言模型和生成工具（如DALL·E）的兴起，人工智能现在更加易于获取，需要的专家知识和设置也更少。但这也提出了关于隐私、数据安全以及一般用途模型如何应用于特定领域的新问题。

在设计和创新中，这些问题尤为明显。我们的研究考察了超过12,000个由人类和人工智能生成的想法，发现人工智能的想法往往聚集在类似的概念周围。这凸显了将人类专业知识构建到通用工具中的必要性，或者适应人工智能以适应特定领域，或者了解何时以及如何将人工智能与人类创造力和决策相结合。

您的大部分研究都探索了设计中的创造力和认知。随着生成性人工智能能够大规模产生想法、概念和迭代，您认为哪些方面的创造力是独特的人类特征，哪些部分可以负责任地转向人工智能驱动的过程？

创造力对我来说一直不仅仅是产生替代方案。它是关于意图、文化意义和设计所创造的情感联系。我们最近的DIGIT实验室调查使这一点变得尤为明显：82%的人告诉我们，人类主导或混合工作更有意义，71%的人表示他们对仅由人工智能设计的作品感到情感联系较少。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%的人觉得它的影响很快就会消失。这些反应强化了我长期以来一直相信的东西。情感参与不是一种“很好的功能”，它对于人们体验和重视创造性作品的方式至关重要。

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、创新性的想法，并确保创造性输出（无论是艺术品、产品设计还是服务）具有深度和意义。创意专家拥有目前无法复制的技能。设计师需要在生成想法之前了解问题，而大型语言模型在帮助设计师从一个问题转移到另一个问题时非常有用。如果我们可以将人类专业知识构建到人工智能工具中，它们也可以支持想法的评估，允许人工智能更好地利用人类的创造性技能。

我们正在尝试的链式思维方法支持大型语言模型遵循专家推理，而不仅仅是提供评分。在所有情况下，人类的监督都是必要的，以解释结果并确保设计选择与用户的生活经验相一致。

很明显，我们必须创建能够捕捉人们如何体验产品、服务和交互的模型，以便计算机可以解释，或者将厚数据（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。开发这些模型并不简单明了，这正是人类参与仍然至关重要的地方。

因此，对我来说，收获并不是人工智能在创造力中没有地位。恰恰相反。人工智能和人类贡献了不同的优势。人们一致对人类或混合工作做出更积极的反应，这只是告诉我们重心在哪里。人工智能可以帮助探索更广泛的设计空间，分析模式，提供结构化的批评，但那些平淡、算法完美和情感距离的感觉表明人工智能仍然需要人类的判断来将可能性转化为具有共鸣的东西。

这就是为什么我认为创造力的未来本质上是协作的。人工智能可以扩大可能性。设计师带来了同理心、文化理解和赋予那些可能性意义的意图。当两者一起工作时，人类的判断力设定了方向，人工智能丰富了探索，最终的创造过程更严谨、更富有想象力、更具人类性。

您一直致力于开发量化用户体验和结构化设计知识的方法。随着人工智能系统变得更加负责生成产品和服务，我们如何确保人类的体验、情感和文化信号仍然是设计过程的核心？

为了使人类体验成为中心，我们需要将对感知和情感的理解嵌入我们的方法中。

有两种主要方法。第一种方法认识到需要定性数据，以便对人类体验、感知和情感有深入的理解，促进有效的人机协作。第二种方法（我的工作重点）旨在将这种知识转化为人工智能系统可以理解和使用的模型。

这些模型很难开发，因为它们必须集成用户体验、人类感知和所设计的产品或系统的特征，以预测人类的反应和整体体验。

您与复杂行业密切合作，包括航空航天、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安全性、可追溯性和信任的需求？

在高风险领域，如医疗保健、航空航天和制造业，问题不在于是否可以使用人工智能，而在于如何治理它。在这些环境中，信任取决于每个设计和决策过程中的清晰的问责制、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，但它不能成为最终的权威。

许多这些领域受到严格监管，并且有严格的安全要求，这些要求需要安全处理所有数据，无论是个人还是商业敏感数据。在这些背景下，提示或查询通常需要使用本地数据来确保具体性和相关性，并且这些领域的组织经常建立和维护自己的人工智能工具。

我们的更广泛的研究一致表明，混合系统是必不可少的：人工智能应该增强专家判断，而不是取代它。人类的监督必须在每个关键的决策点内置，特别是在安全、风险和责任方面。对于监管机构和最终用户来说，为了相信人工智能启用的系统，组织还需要对模型的训练、使用的数据和生成的输出有透明的文档记录。没有这种透明度，信任就无法扩大，无论技术多么先进。

许多组织在将人工智能从“实验”转变为产品开发中的战略性整合时遇到困难。您建议团队采取哪些实际步骤来实现这一转变？

许多组织在实验阶段停滞不前，因为他们在没有明确的战略目的的情况下采用了人工智能。第一个实际步骤是明确人工智能在开发过程中应该扮演什么角色，无论是支持构想、加速测试、改进评估还是增强决策。没有这种清晰度，试点项目将与真正的业务和设计结果脱节。

团队还需要正确的基础。也就是说，投资高质量、管理良好的数据，特别是反映真实用户体验而不仅仅是技术性能的数据。同时，也意味着对人工智能的当前局限性，特别是在创造性和人本判断方面，保持现实的态度，在这些方面，专家监督仍然至关重要。

许多行业开始制定人工智能政策，以指导团队完成从建立业务案例和运行试点到更广泛的采用的人工智能过程。这些政策帮助组织确定人工智能可以真正增加价值的领域，同时确保人类在需要时仍然参与其中。

最后，组织应该通过结构化的低风险试点来推进，这些试点应嵌入真实的工作流程中，而不是独立运行。这些试点应跨学科进行，汇集设计师、工程师、数据科学家和领域专家，以便共享学习并具有可转移性。人工智能只有在被设计为日常实践的一部分时，才能发挥价值，而不是被视为一个单独的实验层。

您有长期致力于开发结构化和自动化知识的方法。我们距离拥有能够推理设计意图、用户需求和背景的人工智能系统有多远，这些系统能够真正为设计过程增加价值，而不仅仅是生成内容？

在某些领域，如预测用户偏好，相对较为简单，因为可以使用诸如浏览历史或观看的电影和电视节目的记录等数据来进行推荐。这些领域从现成的数据中受益。

相比之下，产品和服务设计中一个关键的挑战是，人们的选择、需求和生活经历的数据通常不容易获得。

我最近与DIGIT实验室的研究探讨了大型语言模型在给定设计特征的人类感知和反应模型时的能力。然而，当前的模型在数据模式上运行，无法上下文化意义。早期研究将形状与感知联系起来，表明甚至形状的微小变化也会改变情感反应，而这些细微差别对于人工智能来说很难预测，没有人类的指导或复杂的模型来支持。因此，人工智能关于意图的推理正在改进，但它仍然是人类专业知识的补充。

随着人工智能加速设计周期，从构思到原型开发，您认为设计师需要哪些新技能？大学和组织如何重新思考训练下一代创意人才？

设计师需要在人工智能工具和人类感知方面都很熟悉。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本方面。同时，设计师必须能够自信地与支持想法生成和评估的人工智能系统合作。这意味着不仅要使用这些工具，还要了解它们的优化目标以及其局限性所在。随着人工智能越来越深入地融入设计工作流程，解释其输出和将其与人类判断力结合起来的能力将成为最有价值的创造性技能之一。

随着人工智能加速设计周期，从构思到原型开发，设计师将需要新的能力和思维方式，这些能力和思维方式超出了传统的工艺技能。他们需要了解数字技术的工作原理、不同类型的数据可以（和不能）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。这包括了解高质量、管理良好的数据，这些数据反映了真实的用户体验，而不是仅仅依赖于技术性能指标。除了这些之外，设计师还需要判断力，以认识到人工智能有用的地方和人类的创造力以及批判性思维必须仍然居于核心地位的地方。

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。一些大学已经将数据科学融入设计课程中；这是一个重要的步骤，但还不够。目前还缺乏的是适应数字时代现实的设计思维方法：这些方法可以帮助设计师与人工智能合作、跨学科工作，并在保持伦理和人本监督的同时进行快速实验。

解决这一差距至关重要。这就是为什么我的同事Ji Han博士和我正在与剑桥大学出版社合作一本关于《数字时代的设计思维》的书，这本书汇集了设计有效的人工智能所需的框架、技能和思维方式。

DIGIT实验室强调负责任的转型。在您看来，随着人工智能被嵌入各个行业的设计工作流程中，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道德使用，包括获取知情同意和保持使用开发人工智能产品的数据集的透明度，以及这些数据集可能包含的任何潜在偏见。例如，嵌入医疗保健系统的数据集必须仔细检查，以确保它们充分代表整个人口，确定可能被低估的任何群体，并确认人工智能系统适合其目的且具有包容性。从社会的角度来看，人们经常担心人工智能会取代工作；然而，重要的是要了解人类专业知识在哪里仍然至关重要，以及人工智能如何被用来增强人类的能力，而不是取代它们。

然而，还有更深层次的伦理问题。当设计师依赖人类数据时，他们必须处理好隐私、偏见和透明度的问题。DIGIT实验室的一个研讨会确定了制造业的主要挑战类别为“数据”、“人类”和“治理”，强调了更好的数据捕获、人类在环路中的监督和安全、信任、知识产权和监管方面的明确政策的必要性。通过确保人工智能系统建立在多样化的数据上，嵌入人类判断在关键点，并制定尊重隐私、同意和文化背景的包容性设计标准来解决这些风险。

您已经研究了如何使用数据和人工智能来根据用户体验定制产品。您是否预见一个未来，产品将根据离开工厂后实时数据动态演化？如果是这样，设计师应该如何为这样的世界做准备？

数据驱动的设计可以用于产品，可以个性化、定制或适应个体行为。然后，它们成为“智能”系统，收集有关其使用方式的数据，并通过嵌入式传感器和物联网连接进行通信。在我们的框架中，定制活动涉及使用该数据来更新和适应产品一旦它们离开工厂。示例包括将手势识别模型链接到用于人机协作的数字孪生，以及使用机器学习辅助扫描来创建定制组件。

这种转变带来了新的责任。设计师需要决定哪些人类数据、行为数据、反馈数据或情感数据与产品的使用和设计相关。他们还必须确保更新保持所需的美观和情感品质，这些品质与形式和感知相关。最后，治理很重要；我们的行业研讨会强调了数据、信任和隐私问题的明确政策和人类监督的必要性。当产品演化做得好时，它们可以提供持久的价值和响应性，而不会牺牲意义或伦理。

展望未来，您目前最关心的研究问题是什么？您认为人工智能、创造力和设计工程的交叉点将在未来几年内取得哪些突破？

上述许多挑战仍然未被解决，我目前正在研究其中的几个，包括确保通用生成性人工智能工具可以被有效地适应希望采用它们的特定行业。

在行业层面上，这可能看起来非常不同；在制造业中，可能涉及使用本地模型进行训练，使用本地特定知识，并伴有强大的隐私和安全措施；在创意行业中，重点可能在于多样化输出并实现人类和人工智能之间更有意义的合作。

在技术层面上，我们正在尝试使用大型语言模型来支持评估任务。一个研究表明，大型语言模型可以评估新颖性和有用性，并且当使用精心设计的提示时，更接近人类专家的评估。相关论文使用链式思维提示和多模型聚合来使人工智能评估更可靠。我们还在探索对话式代理来捕获组织的数字转型需求，展示聊天机器人可以有效地进行结构化访谈。这些计划结合使用人类数据的研究，指向一个未来，人工智能帮助我们保存专业知识，做出更好的决定，并以伦理的方式吸引用户。

感谢您深思熟虑和富有洞察力的采访；希望了解阿赫默德-克里斯滕森教授关于人工智能驱动设计、创造力和负责任的数字转型工作的读者可以在 DIGIT 实验室 探索正在进行的研究和计划。