摘 要：
设计启示式工具对设计师的创造力产生了主要影响，但学界与业界对“设计启示”的理解存在不同的不雅观点，设计启示的浸染机制尚需进一步澄清，以使其效用最大化。本文首先先容了国内外关于设计启示的研究进展，并对现有设计启示式工具、设计启示开拓模式进行了梳理和剖析。末了磋商了利用新的设计启示工具在数智时期赞助天生人工智能自动天生内容的上风与可能性，并对未来的设计启示式研究发展作出了展望。
关键词：
数字智能；设计启示；人工智能内容天生；产品创新；设计方法
产品创新是制造业的灵魂，对付实现国家计策目标及家当升级具有主要意义。产品设计师的创造性思维、问题办理能力和广博的知识根本是推动创新的关键。然而，设计师时常面临知识储备不敷和创新思维固化的寻衅。这些问题在新兴数字技能如人工智能、物联网、区块链等快速发展的背景下进一步加剧和凸显，为设计师带来了巨大的寻衅。设计启示（design heuristic set，DHS）通过剖析过往的设计方案，为设计师供应了得到设计灵感和创新见地的有效路子。虽然 DHS 在设计研究和传授教化领域得到广泛运用，但是当前学界与业界对付设计启示的理解视角互异，系统梳理设计启示研究的现状与进展、 明确 DHS 的未来方向十分必要。本文首先先容了目前国内外 DHS 的研究进展，对已开拓的设计启示式工具、设计启示开拓模式进行了梳理和剖析，并磋商了设计启示在人工智能自动天生内容（AI-generated content，AIGC）天生过程中的浸染，对面向数智时期的设计启示研究作出了展望。
0 DHS 的定义、分类及浸染机制
在设计领域，DHS 的定义为“基于直觉、隐性知识（tacit knowledge）或履历性理解的高下文干系指令，可为设计过程供应辅导，以增加得到满意但不一定最优的办理方案的机会”（Fu et al.， 2016）。在软件设计领域，启示式方法是“基于特定履历的辅导方针”，可帮助开拓职员作出精确的决策。启示常日是从领域内的履历中学到的，每每是隐性的，难以用措辞来表达（Nisbett et al.， 1980），但设计启示可以捕捉过去问题情境和解决方案的主要特色，这些特色每每会在履历中反复涌现。通过剖析过去的设计办理方案，从中得出履历，设计启示可以有效地得到有关设计师过去如何办理类似问题的设计灵感、见地和创新特色（Yilmaz et al.，2016；Hwang et al.，2018；Bloesch-Paidosh et al.，2019）。有学者通过利用过去的专利信息和获奖设计作品提取 DHS，例如“创造性问题办理”理论（简称 TRIZ）就涉及从成功的工程专利中提取 DHS。还有研究通过剖析获奖产品设计，提取出产品设计领域的 DHS。例如，Saunders et al.（2011）调查了 197 款获奖创新产品，并将所识别的设计特色进行分类。该剖析识别出 13 个“创新特色”，包括“附加功能”“修正尺寸”“修正材料”“扩展利用环境”“修正物理的需求”等。另一项研究，Yilmaz et al.（2016）通过剖析 400种获奖消费产品，提取出 40 种设计启示。设计师可以将 DHS 运用于现有想法的改进，或者借助DHS 引发全新的想法（Henderson et al.，2019）。设计工具可以分为三个领域，即创意剖析工具、思维工具和刺激工具。尹碧菊等认为设计刺激是“设计想法或观点的触发器或跳板，通过减少获取设计出发点的认知难度、引入有用信息、快速扩大搜索空间等方法，有效促进设计创新的产生”。DHS 可被归类为设计刺激工具，其在“观点构思”阶段常常被运用。图 1 呈现了三种不同的观点天生模式。
图 1 三种不同的观点天生模式
如图 1（c）所示，其通过供应外部线索为设计师供应启示，有益于拓展设计空间；而设计启示工具则是供应诸多有益线索的资源库。设计启示的浸染机制与事情影象干系。Baddeley 指出事情影象为措辞理解、学习和推理等繁芜的认知任务供应必要信息的临时存储和操作。事情影象的容量是有限的，只能保存固定的少量事变，例如 Miller 所提出的大约七个模块（Chunks）或 Cowan 提出的四个模块，每块指对应于已存储在长期影象（long-term memory，LTM）中的相似模式的块。比较之下， Ericsson et al.（1995）创造长期影象的存储容量被假定为比短期影象（short-term memory，STM）更大且更耐用，以及长期影象中所存储的紧张是关联信息，其不同的事变相互关联，并将事变与当前情形（高下文）的属性干系联。Wang et al.（2019）将事情影象被视为是搜索线索的元素，即这些元素是长期影象的激活源。设计启示工具通过供应外部线索，为设计师拓展探索空间，有利于创新。
2 DHS 的研究进展及趋势
目前，诸多通用型 DHS 被开拓，例如 SCAMPER、TRIZ 等。个中 Yilmaz et al.（2016）从专家设计的 3 457 个获奖产品和观点的数据集中萃取出 77 种设计启示。此外，有学者针对某特定设计目标开拓DHS，例如 Hwang et al.（2018）开拓了实现单手利用目标的 DHS，胡莹等所开拓的做事设计 DHS，我们团队所开拓的面向数字创新的 DHS（DHS 10）；以及针对新兴技能领域的 DHS，例如 Bloesch-Paidosh et al.（2019）开拓的面向增材制造设计的DHS，以及我们团队开拓的面向人工智能的 DHS （DHSfAI 40）（见图 2）。
图 2 面向人工智能的 DHS
近年来，关于设计启示式工具的效用研究很多。诸多研究表明了 DHS 的积极影响，特殊是有助于提高所产生观点的新颖性表现。例如，Yilmaz et al.（2015）创造 77 种设计启示卡片可以在工程和工业设计领域供应有效的创新，以及更多的 DHS 利用与更高的创意创造力存在干系性。另一项研究，Leahy et al.（2019）创造 DHS 可以通过供应详细建议，支持学生设计师迭代其初始的观点想法。Daly et al.（2016）创造与其他设计技能（例如，头脑风暴（brainstorming）和形态学剖析（morphological analysis））比较，DHS在最初期的想法天生阶段上风明显。
目前的 DHS 仍存在以下不敷。
（1）面向数字智能时期的 DHS 缺少。以较范例的面向产品创新的 77 DHS 为例，Yilmaz et al.（2016）提取该 DHS 时所利用的信息资料紧张是2001—2009 年间的设计数据，且所提取的 DHS 大多为产品物理实体构造的创新。然而近 10 年，产品设计的数字化经历了爆发性的增长，面向数字智能时期的设计领域 DHS 依然缺少。技能进步为设计创新带来了机遇，但面向新兴技能领域的 DHS 也很少被开拓，目前仅有我们开拓的面向数字创新的设计启示工具（DHS 10）和面向人工智能的设计启示工具（DHSfAI 40）。
（2）目前的 DHS 开拓效率低下，且不能实现动态更新。以往 DHS 开拓过程中（Seifert et al.， 2016；Hwang et al.，2018），大多采取 Kawakita Jiro （KJ） 法。KJ 法帮助剖析职员通过归纳推理整理大量无序的措辞数据，并在数据集中创造隐蔽的模式和含义。然而，该方法需耗费大量韶光与专业人力的投入，不利于设计师、研究职员即时地提取有用的 DHS，以帮助其进行创新观点天生，缩短企业开拓周期，提升产品竞争力。当前，国内外学者利用信息技能，开拓了较智能化的引发观点天生运用软件，例如 Luo et al.（2019）和 Han et al.（2018）分别开拓了 InnoGPS 和 Retriever 系统赞助设计师进行观点天生，取得了较好的效果。但是，这些设计赞助系统多以知识图谱的形式进行呈现，短缺多模态刺激与详细启示性描述，影响知识的接管与转移。纵然是在当前大数据、智能时期背景下，能够省时开拓 DHS，且支持动态更新的研究极少，特殊是在多模态 DHS 的自动天生领域。
（3）多模态 DHS 知识呈现形式的研究不敷，缺少实证研究。关于 DHS 多模态呈现形式的实验研究匮乏，仅有 Blösch-Paidosh et al.（2021）揭橥了多模态 DHS（特殊增加了实物模型）对观点天生产生的影响，但该研究尚未阐明何种多模态（如渐进式分层信息呈现、多图刺激式、短动画等）更有效刺激设计师的观点天生。该问题如没有被很好的研究，不仅会削弱 DHS 的利用效用，乃至不利于设计构成知识的有效接管与传播。
3 AIGC 时期的 DHS 研究展望
3.1 基于 AI 大模型的 DHS 天生
近年来，已有研究探索各种技能以萃取设计启示，并进行规范化的知识管理。如有研究关注通过眼动等方法挖掘设计启示（Mehta et al.，2020），以及开拓软件用于规范化的录入设计启示知识（Kremer et al.，2023）。近期，AIGC 技能发展突飞年夜进，例如ChatGPT、MidJourney、Stable Diffusion、DALL-E 和 Sora（视频天生模型）等引领其运用热潮，对设计行业影响巨大（见图 3）。人类设计的发展伴随着设计工具的进步，不仅要长于制造工具，也要长于利用工具。然而，目前大多数 AIGC 在设计过程中的运用，多为观点和形态的自动天生；而非关注设计、技能知识与履历的供给，忽略了设计师自身在设计过程中拥有的独特创造能力。从 C-K（concept-knowledge theory）理论的角度看，天生创新设计观点在于通过引入外部领域的知识来扩展观点和知识空间（Shai et al.，2009）。未来的设计启示研究应关注如何利用 AIGC 技能进行多模态 DHS（muti-modal DHS， M-DHS）的自动天生，进而为设计师供应持续性的
外部知识供给，促进其与人类自身知识、独特的遐想能力进行领悟及进行交叉创造。
图 3 AIGC 技能的运用
3.2 DHS 开拓模式比较
表 1 对现有 DHS 的开拓模式进行了综合总结和比较，涵盖了开拓者、模式、时效性和传播度等多个维度的剖析。通过这一深入的比较和剖析，旨在为基于人工智能天生内容（AIGC）推动的 DHS 天生方向供应理论和实践依据。
3.3 AIGC 时期多模态 DHS 天生模式的上风
（1）AIGC 天生多模态 DHS 能够弱化知识樊篱和设计固化的影响。从 CK 理论的角度，当前设计师仅靠自身隐性知识履历已不能知足产品创新的须要，笔者提出应创新性地引入 AIGC，用以天生设计启示，能够为设计师供应持续性的知识供给，破解知识樊篱和设计固化影响，提升产品设计的竞争力。
（2）AIGC 天生多模态 DHS 能够引发设计师开拓 DHS 的积极性，促进分享与传播。从知识传播与转移的角度，过去 DHS 开拓需耗费大量韶光与人力投入，不利于设计师即时提取有用的 DHS 帮助进行知识获取，进而赞助创新观点天生。此外，由于开拓本钱高、专业性强，个人或团体一旦付出本钱，出于知识竞争性考虑，他们不愿进行广泛传播，极大地限定了知识的最大化运用 。因此，通过利用 ChatGPT+ 模型微调（fine turning）实现特定领域的高质量 DHS 自动天生，并借助 MidJourney等文生图天生运用实现多模态 DHS 资源的低本钱开拓，可以有效引发设计师个人与组织开拓 DHS的积极性，并促进 DHS 的分享与传播，为万众创新创造有利条件。
表 1 DHS 开拓模式总结及比较研究
综上，我们提出了面向 AIGC 时期的 DHS 理论框架模型（创新环）（见图 4）。即左翼重新兴技能（专利数据库）出发，右翼从设计领域出发（高质量设计作品为数据集），进行 ChatGPT、Llama 2等 AI 大模型的垂直领域微调，以提取干系特定设计或技能领域的 DHS。该理论模型明确了知识转移、大数据和设计启示之间的循环关系，并阐明了外部知识供给对观点天生阶段的主要性。该理论模型不仅澄清了被开拓的 DHS 将作为“知识转移”中的新知识，在社会中快速流利，进而赞助设计从业职员进行打破性观点天生；还有助于推动当下数智化转型、跨学科交叉、抗设计固化，为我国的制造业及其产品得到竞争力作出贡献，为促进万众创新创造有利条件。
借助大型措辞模型（LLMs），为 DHS 的自动天生创造有利条件，具有时效性高、传播度强等特点。只管此方法目前尚存在局限性，包括威信度不敷和缺少评审过程。但相信随着 AI 大模型及其微调技能的持续进步，加之其与检索增强天生（retrieval-augmented generation，RAG）和知识图谱技能的深度整合，这些技能将能够有效地整合外部与内部知识，并在一定程度上战胜内容天生的黑盒问题。未来的 DHS 天生将变得更加精准、可靠和富有启示性，有望赢得设计师的相信。
图 4 面向天生式人工智能时期的 DHS 理论框架（创新环）
3.4 DHS 未来发展方向
（1）数智时期应更加看重多模态设计启示的供给。当前设计工具多为设计过程供应辅导，而忽略了外部知识供给对付设计师进行观点天生的主要性。为推动创新，设计工具的开拓应关注如何供应丰富的知识和履历资源，帮助设计师从不同领域和多模态数据中汲取灵感。特殊应开拓多模态 DHS 天生系统，可以结合笔墨、图像、动画等多种表达形式，为设计师供应更全面、多元的外部知识供给，提升人智协作效能，进而引发更多创新想法的产生。
（2）垂直领域微调 AI 大模型 + 文生图、视频模型运用可用于天生多模态 DHS。多模态 DHS 的天生，有效办理了设计刺激中由于过远而造成的无效，以及设计刺激过近所产出创新性不敷的问题。多模态 DHS 能够很好地弥合设计刺激过远与过近的局限，通过其与人类自身知识、独特的遐想能力进行领悟，以及进行交叉创造。
（3）开拓更多数智技能的 DHS，促进社会数智转型。新兴技能利用门槛和支配本钱的不断降落，对新产品设计开拓供应了机会。设计的代价常日通过转化工程技能为行为，产出以产生增强人类体验的办理方案而得到表示。当前，数字智能化已成为未来产品设计的关键要素。设计师如何利用好数字智能化技能，进而创造打破性产品，知足人们追求更加美好生活的欲望，开拓更多数智技能的 DHS不失落为一种方法。
3 结束语
当前学术界正开拓各种 DHS 工具，以提升设计师在观点天生阶段的创新力。只管如此，现阶段的DHS 工具在知够数字智能时期需求方面存在明显短缺，而且传统的 DHS 开拓模式不仅人力本钱高昂，还缺少动态更新的能力，限定了设计师及时利用DHS进行创新观点天生的可能性。AIGC的发展能够丰富DHS的开拓方法，并及时补充当前时期所亟需的设计启示，为促进知识转移和万众创新创造有利条件。目前，将AIGC运用于设计启示的研究尚处于低级阶段;这一领域存在巨大的研究和开拓潜力。未来的 DHS研究可专注于探索数据和智能驱动的设计知识获取及自动天生方法，这将为设计观点天生阶段带来持续而强大的创新动力。
基金项目：教诲部人文社科项目（23YJCZH094）
（参考文献略）
金小能
浙江工业大学讲师。紧张研究方向为人工智能与创新设计、设计启示、产品创新方法。
董华
伦敦 Brunel 大学设计学院院长、教授，国际设计研究学会会 士（DRS Fellow）。主 要研究方向为原谅性设计。
选自《中国人工智能学会通讯》
2024年第14卷第4期
智能创意与数字艺术专题
扫描加入我们获取更多学会资源
