人工智能在設計產業中的應用及發展

徐迎慶，周沁怡，鄧婕，張煜，付心儀

【數智共生設計未來】

人工智能在設計產業中的應用及發展

徐迎慶，周沁怡，鄧婕，張煜，付心儀*

（清華大學，北京 100090）

對人工智能在設計領域的應用進行梳理與總結，分析當下人工智能對設計流程和設計師的影響，展望未來人工智能對設計行業的影響趨勢。使用VOSviewer工具和文獻計量法對Web of Science數據庫中關于“人工智能在設計領域的創新與應用”的文獻進行詳細的可視化和聚類分析，深入探討文獻中的核心觀點和案例?；谒膫€主要聚類（AI+技術應用、AI+設計流程、AI+創意協作、AI+影響反思）來展開討論。特別關注生成式人工智能（AIGC）技術對設計方法和設計流程的影響，指出生成式人工智能在促進設計創新和提升設計效率方面發揮著至關重要的作用。此外，生成式人工智能對設計師的傳統角色及設計原創性提出了新的挑戰并重新定義需求。預測未來人工智能將進一步整合進設計流程，促進設計創新，更加關注人工智能的原創性、責任邊界問題，探討人工智能與設計師合作的新模式。通過對人工智能在設計領域應用的全面綜述，為未來設計創新與人工智能融合提供了有價值的理論參考和發展方向。

生成式人工智能（AIGC）；生成式內容；設計產業革新；設計創新；創意過程；人機協作

隨著人工智能技術的快速發展，以生成式人工智能（Artificial Intelligence Generated Content，AIGC）為代表的技術在設計產業被廣泛、深入地應用。這一現象不僅強有力地推動了設計產業的發展，也為藝術家、設計師和創意專業人士提供了新的設計手段和機遇。與此同時也帶來了挑戰和對傳統設計師角色的再定義。本文從人工智能驅動設計的角度出發，利用知識圖譜聚類分析方法，綜述了人工智能（Artificial Intelligence，AI）在設計領域的最新進展和應用現狀。此外，探討了生成式人工智能技術如何變革傳統的設計理念和實踐方式。通過對現有文獻的深入分析及具體實例的剖析，本文旨在提供關于人工智能在設計產業中應用的全面視角，探討這一領域的未來發展方向，反思生成式人工智能對設計師這一角色和設計行業未來的影響。

1 生成式人工智能在設計中的應用研究現狀

1.1 研究方法

本文采取了知識圖譜的分析方法，基于Web of Science核心數據庫進行文獻檢索，并使用VOSviewer軟件（版本1.6.20）進行數據可視化分析。本研究通過檢索“設計創新”“人工智能”等關鍵詞，在Web of Science數據庫中共篩選出2 706篇相關文獻。這些文獻的發表時間跨度從2005年5月23日至2023年12月14日。關鍵詞的共現次數按照由高到低的順序依次為“創意價值”“設計方法論”“算法”等（如表1所示）。

1.2 關鍵詞聚類分析

通過對Web of Science數據庫中的文獻分別進行VOSviewer工具和文獻計量法的可視化分析（如圖1所示），本研究梳理并識別出四個主要的聚類群，它們分別代表著人工智能在設計領域內不同的應用與研究方向：AI+技術應用、AI+設計流程、AI+創意協作、AI+影響反思（如圖2所示）。下文將對每個聚類進行分析。

表1 生成式人工智能在設計領域的創新與應用高頻共現關鍵詞

1.2.1 聚類群1——AI+技術應用

以“人工智能”“人工智能技術”等關鍵詞為核心的綠色聚類群，強調了人工智能的技術發展及其在設計領域的應用潛力。人工智能技術，尤其是神經網絡（Neural Network，NN）、生成對抗網絡（Generative Adversarial Network，GAN）、擴散模型（Diffusion Model，DM）和大語言模型（Large Language Model，LLM）等技術正在被廣泛地應用于設計領域。本章節將主要回顧人工智能近年的主要技術突破，并結合具體案例闡述人工智能在設計領域中的應用實例。

圖1 “人工智能在設計領域的創新與應用”關鍵詞共現聚類標簽視圖

圖2 人工智能在設計領域內的主要應用與研究方向

從功能上區分，人工智能可以分為判別式及生成式AI[1]。判別式AI通過對已有數據的學習從而能夠準確地對未知數據進行類別的判定。而生成式AI指通過對已有數據的學習，從而創造出新的數據。隨著生成式人工智能在2023年的大爆發，人工智能在許多方面的能力已經可以與人一較高下，甚至超越人類。人工智能正成為設計領域中一股不可忽視的力量，其深刻地改變著傳統設計方式。這個變革并非僅僅是技術手段的升級，更是創新設計方法的變革，將設計的可能性推向了一個新的高度。人們已經見識了ChatGPT的強大能力，其通過對大量的文本信息進行學習，從而能夠自主地創造出新的文本內容。這十分接近人的“學習-創造”過程。這樣的智能模型蘊含著許多新的應用可能。

深度學習為生成式人工智能的爆發提供了基礎。深度學習是一種機器學習的方法，它強調通過大量的數據自動提取其高維特征[2]。近年來，隨著數據量的增加和計算能力的提升，深度學習成為了人工智能的主流。深度學習以神經網絡為基礎，通過多層次的學習結構模擬人腦神經元之間的連接，從而實現對復雜信息的學習和處理。隨著對深度學習的理解不斷加深，人們對算法的不斷更新迭代成為推動AI發展的動力。當前的生成式人工智能大模型可分為九類：文本轉圖像、文本轉3D、圖像轉文本、文本轉視頻、文本轉音頻、文本轉文本、文本轉代碼、文本轉科學文本，以及其他模型[3]。

例如，由谷歌在2017年開發的Transformer[4]，最初是為執行翻譯任務時，解決循環神經網絡等傳統模型在處理可變長度序列和上下文理解上的局限性所提出的。但是其中蘊含的多頭注意力思想卻被廣泛使用，可以說Transformer引爆了如今的生成式人工智能熱潮?；赥ransformer架構的經典應用包括了語言模型BERT[5]、ChatGPT[6]，視覺模型ViT[7]、CLIP[8]。Transformer架構的核心就是自注意力機制，讓模型能夠自己學習序列中的重要信息，通過不斷學習并根據內容之間的相關性來自動地分配權重。Transformer由編碼器和解碼器組成，編碼器將輸入序列轉為隱藏表示，而解碼器將隱藏表示生成新的序列。這一架構也十分適合進行大規模并行計算。

在前沿設計創新應用領域，深度學習也發揮了一定作用，清華大學未來實驗室在智慧家居[9-10]、情感計算[11]、嗅覺計算等設計創新領域利用深度學習技術創造了AI與設計相結合的典型案例。例如，針對現有的智能系統缺乏推理和思考能力的現狀，在進行智能系統的設計時，在推理和思考層面引入大語言模型以形成一個基于物聯網（Internet of Things，IoT）設備的自主決策系統，使系統中的每個設備均能夠根據人工智能的實時決策做出反應，從而把用戶從冗雜的條件判斷、操作切換和家庭自動化配置的工作中解放出來[12]。

在圖像生成領域，Diffusion Models帶來了原理性的創新。相較于傳統的生成模型，Diffusion Models引入了擴散過程，通過逐步迭代來生成圖像[13]。具體來說，Diffusion Models生成圖像的過程分為兩步：第一步是在原有圖案中不斷添加噪聲，這便是擴散過程；而第二步逆擴散過程則是根據已有數據逐步去除噪聲以顯露出生成結果的過程。這一思想與馬爾可夫鏈的概念相聯系，擴散過程與逆擴散過程都可以拆分為多步，每一步都基于上一步的結果生成[14-16]。Diffusion Models通過將圖像生成問題建模為一個逐步演化的過程，避免了一次性生成整個圖像所帶來的挑戰。這種逐步生成的方法使得模型更容易學到圖像中的細節和全局結構，不僅有助于生成更為真實和高質量的圖像，還對生成模型的訓練穩定性和效率產生了積極影響。

隨著生成式人工智能技術在自動內容生成、分析、理解及優化等方面取得重大進展，人工智能的應用范圍已從基本的數據處理擴展至更為高級的創新和任務分析。利用生成式人工智能來輔助設計的思想已經得到了廣泛的認可，大量人工智能輔助的設計工具也不斷涌現。從自動化設計生成到數據驅動的設計決策，設計的每一個環節都變得更加智能、迅速、精準。這是個充滿機遇和挑戰的時代，人工智能正成為設計創新的引擎，為設計領域注入新的活力和可能性。

1.2.2 聚類群2——AI+設計流程

以“設計方法論”“算法”“性能”等關鍵詞為核心的紅色聚類群，體現了生成式人工智能技術對傳統設計方法的影響。在當前的設計領域，生成式人工智能已經超越了輔助設計的工具角色，成為設計創新過程中的共同參與者。AI對設計過程的影響不僅在于效率的提升，還拓展了設計師的思維方式和創新能力。

在設計初期，傳統方法要求設計師進行全面而深入的市場和用戶研究，以準確捕捉和理解用戶的具體需求、行為模式和市場研究。這意味著設計師需要花費大量時間收集和分析一手資料，如用戶訪談和觀察，并且結合二手資料進行綜合評估。而現在，生成式人工智能極大提高了設計師在信息搜集和獲取階段的效率[17]。基于簡單的提示，生成式人工智能可利用深度學習和自然語言處理技術生成大量多角度的專業信息并以結構化方式呈現。例如，在用戶界面設計（User Interface Design）領域，Huang等[18]、Chen等[19]、Bunian等[20]利用視覺和文本信息輔助用戶快速搜索設計參考圖，提高了設計師的查找效率。此外，人工智能技術在理解和預測用戶行為、偏好方面的應用，為用戶體驗設計（User Experience Design）和交互設計（Interaction Design）提供了新的可能性。人工智能可以分析大量用戶數據，有效構建用戶需求和審美偏好的模型。這一能力為設計師提供了深刻的洞察，使他們能夠更準確地理解用戶需求，進而創造出更加個性化且符合用戶期望的設計方案[21-25]。

在創意構思階段，AI通過提供靈感及創意想法，擴展了設計師的創意空間。研究表明，GPT-4這類生成式AI在創造性思維方面表現出與人類相似甚至超越人類的能力[26-27]。它們能夠提供創意提示，幫助人類克服在生成概念時的局限性。在設計過程中，生成式人工智能可以根據設計師輸入的設計主題和需求，提供多樣化的圖像和文本靈感，激發設計師的“頓悟時刻”（Aha! Moment）[28]。這種技術不僅促進了設計方案的創新和思維的發散[29-31]，還有助于克服人類在創意過程中常見的“創意固定”現象[32]?！皠撘夤潭ā爆F象是一種認知偏差，通常限制了思維的廣度和深度。目前，利用生成式人工智能的靈感推薦系統已經應用在服裝設計[33]、三維視覺化概念建模[34]、用戶體驗設計[35]、工業設計[36]等多個設計領域。

在設計定義階段，生成式人工智能通過其強大的信息處理能力，促進了更加個性化的設計定義。人工智能可基于不同的設計背景和目標需求，提供定制化的設計方案和建議，實現了數據驅動的設計方法。例如，來自客戶或公司的數據可以直接影響設計定義，人工智能可自動且無需人工干預地為每個用戶生成具體的解決方案[25,37]。這種能力不僅確保了設計與實際應用場景的緊密契合，而且為用戶提供了更加個性化的設計體驗。

在設計的實施階段，生成式人工智能的介入顯著加速了設計流程。它能夠自動化執行重復性高且技術要求強的任務，例如自動化草圖繪制、文字排版和風格遷移，使設計師能更多地專注于創意和策略層面的工作。以Midjourney、Stable Diffusion為代表的工具，可以根據用戶輸入的提示詞（Prompt）快速生成設計師預期的效果圖，減少傳統繪圖、建模和渲染所需的時間[38]。除了上述應用外，相關的研究也覆蓋了包括自動排版[39,40-42]、插畫[43-44]、上色[45-48]、字體設計[49-51]、圖標設計[52-53]、三維模型設計[54-55]、室內設計[48]等設計領域。此外，在設計實施階段，確保人工智能可準確理解用戶輸入的需求至關重要。除了基于文字的描述外，相關研究致力于通過引入更自然、直觀的用戶輸入形式，幫助用戶用更直接、便捷地表達其設計需求。例如，生成式人工智能已能解析用戶的草圖并將其轉化為詳細的設計方案或視覺表達。在語音命令的應用中，語音用戶界面（Voice-user Interface，VUI）結合了語音合成、自動語音識別等AI技術，運用AI處理用戶的語音輸入，在云端理解意圖并返回響應，從而提升了輸入效率并增強了設計流程的直觀性和互動性[43]。最后，生成式人工智能利用擴散模型做風格遷移，基于示例的圖像編輯可以模仿輸入圖像的特征、風格，提升了設計的創造性和個性化輸出[50-51,53]。隨著生成式人工智能的進一步發展，設計輸出的過程會進一步自動化，并拓展到更多設計領域。

在設計評估階段，人工智能通過精確量化設計元素（如顏色、布局）和美學原則，并分析網絡信息趨勢，提供深入、客觀且與人類感知一致的分析[56-57]。

綜上所述，在AI介入設計流程之前，設計師通常全流程、高投入地參與設計的各個流程[58-60]。但隨著生成式人工智能的加入，這一流程發生了顯著變化。AI的介入不僅加速了設計的生成過程，減少了人力資源的消耗，而且通過數據分析，提供了更多元化的設計方案?；谶@樣的變化，一些研究提出人工智能時代下新的設計流程[61-62]。

1.2.3 聚類群3——AI+創意協作

以“設計師角色”“團隊合作”為核心的黃色聚類群，展示了AI在設計過程中對設計師和團隊角色的影響。本章節將探討人工智能的出現對設計協同和團隊協作的影響。

1.2.3.1 設計師與AI的協同工作

在AI驅動的設計領域中，設計師們不再只是藝術的創作者，更是與智能工具協同合作的創新者。對于人工智能在共同創造中的角色，學者們提出了多種分類。Lin等[63]將人工智能在與人類交互時的角色分為了四種，即分包商、批評家、隊友和教練。Tholander等[64]區分了兩種視角，即將人工智能視為僅執行用戶指令的工具或將其視為智能代理。目前，生成式人工智能可以作為一個工具，協助具體的設計任務，如圖像生成、圖像編輯和3D建模[48-49]。作為一個助手，執行時間密集型的任務，如市場研究和數據分析[33]。作為一個合作者，提供創造性的輸入。Lin等[28]設計制作的Cobbie機器人能夠分析設計師繪制的草圖并生成新草圖以激發設計師靈感。AI與設計師的協同工作為設計領域帶來了諸多優勢，包括提高效率、增強創造力和做出更加精準的設計決策。隨著人工智能的發展，其角色經歷了顯著的轉變，從最初的“實習生”（Intern）逐漸演變為“合作伙伴”（Peer）[65]。

人工智能角色的轉變意味著設計師需要學會如何與人工智能進行有效協作。設計師的直覺和專業判斷與AI的數據驅動決策相結合能最大化設計成果。這種協同工作方式要求設計師不僅掌握傳統的設計技能，還要熟悉數據解讀和機器學習概念，從而更有效地利用AI工具、指導AI助手、與AI伙伴協作。Figoli等[66]認為未來設計師將是一個能夠深入了解設計項目和人工智能技術且具有扎實評估能力的仲裁者。

人工智能與設計結合有無限潛力，也為設計師帶來巨大挑戰。設計師的創造力可能受到AI推薦或預生成解決方案的限制，過分依賴AI也可能導致設計師的技能退化或創造力下降[34,63]。Habib等[67]的研究指出雖然人工智能極大地促進了創造性思維，但也會對創造力和創意自信產生負面影響。為了克服這些挑戰，設計師需要設置正確的期望，明確AI在設計過程中的能力和角色，并學會管理和批判性地評估AI的輸出。

1.2.3.2 團隊利用AI促進創意與協作

AI不僅作為增強設計創意、提高設計效率的工具，還可以促進設計團隊協作。AI的應用顯著提升了團隊工作流程的效率。以Teams、Notion為代表的AI增強型項目管理工具能自動生成會議總結和要點，提升會議效率。Hong等[68]搭建了MetaGPT，并通過構建一套標準執行程序推動Multi-agent框架高效地完成任務。通過任務自動化、進度追蹤和資源管理，AI減少了設計團隊成員在日常管理活動上的時間消耗，使他們能夠更集中精力于核心創意工作。

AI促進跨學科理解和協作。以GPT為代表的生成式語言模型通過預訓練掌握了廣泛全面的跨領域、跨學科知識。在跨學科團隊中，GPT幫助團隊成員跨越專業障礙，更好地理解彼此的工作和貢獻。AI工具能夠翻譯專業術語、解釋復雜概念。Chen等[69]開發的AgentVerse可自動招募不同學科背景的專家，提供跨學科的信息與知識解釋。AI還可以通過可視化方式展示數據和設計原理，從而促進團隊成員之間的有效溝通和協作。

AI增強團隊的創意決策過程。在團隊創意過程中，AI提供基于數據的深入洞察，識別設計對象的潛在模式，揭示不同學科間的潛在聯系，支持團隊作出可靠的決策。Huang等[70]通過構建可視化的知識圖譜，提供全面的設計信息，優化設計流程。

AI作為一種強大的團隊工具，在促進創意和協作方面發揮著至關重要的作用。它不僅提升了工作效率，還加強了跨學科團隊之間的溝通和理解。然而，團隊成員之間的人際互動仍然是不可或缺的。AI與人類團隊成員的合作是構建未來高效、創新工作環境的關鍵。

1.2.4 聚類群4——AI+影響反思

以“原創價值”“影響”“作用”為核心的藍色聚類群，集中討論生成式人工智能對設計的影響。

1.2.4.1 人工智能時代下的設計師角色與價值

生成式人工智能在對設計流程及設計師等方面的深刻影響，是否意味著設計師的工作將被人工智能取代？事實上，雖然當前的生成式人工智能已經十分強大，但是設計師仍然是最重要的角色。

設計師的不可替代性主要體現在審美判斷、文化敏感度創造性思維上。盡管人機對齊研究已經得到關注和發展，但此前的研究主要關注人機道德倫理上的對齊[71]，而在審美、文化、思維方式上的對齊則有待加強。首先，設計師能夠進行細膩的審美判斷，這是基于長期的美術訓練和對人類文化深刻理解的結果。而AI在這方面仍然有限。其次，設計師能夠理解并體現社會文化的多樣性，這在AI生成的設計中往往缺失。最后，盡管AI可以生成多樣的設計方案，但它們缺乏創新性思維和跳躍性聯想的能力，這正是設計師的核心競爭力。雖然人工智能將從根本上改變設計的生產方式，完全自治、自我創造的系統可能被開發實現，但許多研究一致認為，人工智能的更大影響應該是補充和增強人類創造力，而不是取代人類創造力[72-73]?？梢钥闯觯O計師的角色將轉變為更加注重設計指導、審美判斷和最終方案的選擇。設計師需要具備能夠有效使用AI工具來實現設計目標的能力，同時保持對設計過程的主導地位。

人工智能影響下的設計變成了以信息為核心載體的加工過程，包括信息溝通、信息生產和信息判斷[74]。通過強調設計師在審美判斷、文化敏感度和創造性思維上的不可替代性，有助于提升設計師在人工智能時代的價值。

首先，設計師需要具有跨學科交叉及溝通能力，包括用同理心與用戶溝通需求痛點、與跨學科團隊合作以解決問題等。設計師對現實世界的理解，和對用戶、使用情境的觀察與洞悉是目前的人工智能無法企及的。設計師需要保持對社會文化變遷的敏感度和批判性，將這些變化融入設計生產和設計評估判斷中，以增強設計的文化價值和社會意義，做以人為本的設計。設計師應當提高自身的創新和審美素養，持續探索新的設計理念和方法。

再者，增強使用AI作為設計生產工具的技能，如熟練掌握提示詞技巧，理解和調整人工智能輸出以準確表達設計意圖、傳達設計目標[75]。盡管許多生成式人工智能工具和服務已經能夠高效地生產視覺內容、增強視覺效果，但它們只改變圖像表層的視覺風格，不觸及深層的想法表達[38]。在設計師與人工智能協作的過程中，提示詞（Prompt）是設計師讓人工智能理解圖像背后想法的重要手段。這個轉換過程不僅需要設計師清晰地表達設計預期，還要精確使用生成模型以識別特定的術語。例如，為了生成理想的圖像，設計師必須從多個維度進行描述，包括畫面內容、視角、風格、顏色和組成元素等。潛在的挑戰是文本提示轉換的圖像與設計師預期的視覺概念不一致，從而影響最終設計成果的準確性和質量。針對這一挑戰，設計師需要培養出強大的Prompt能力，這不僅涉及對相關理論的深刻理解，也包括熟練掌握實際操作。

最后，在評估和篩選人工智能（AI）生成的設計作品時，設計師不僅需對作品的審美價值進行考量，而且必須評估AI產出內容的準確性與潛在偏見[76]。當前生成式人工智能在信息準確性和道德標準上依然存在問題，這不僅影響設計的質量和可信度，還可能對社會倫理和公共安全產生影響。設計師在使用AI工具時，需要批判性地評估AI是否產生了錯誤或虛假信息，以及是否展現了有偏見或歧視性的內容。除了設計師自身的評估外，還必須引入外部的校準機制以增強驗證過程。這包括實施錯誤檢測和修正機制、使用多元化和平衡的訓練數據集，以及開發能夠有效識別和消除偏見的算法。這些措施對確保AI系統的公正性和包容性至關重要，有助于提高設計成果的質量和可信度。

1.2.4.2 人工智能的責任邊界與倫理原則

由于人工智能技術的發展，它能夠做的事情越來越多，影響也越來越大，人工智能具有承擔責任的能力。經濟合作組織（OECD）在2019年發布的AI原則（AI Principle）中提出“負責任的AI”（Responsible AI）應包含以下原則：（1）包容性增長、可持續地發展和謀取福利；（2）以人為中心的價值和公平性；（3）透明度和可解釋性；（4）魯棒性和安全性；（5）能夠被問責[77-78]。這要求人工智能不僅公平地展示作品中不同參與者的智力成果貢獻，也能夠限制或規避對人類社會有害的內容。

人工智能技術的發展讓圖像或文本的生成變得前所未有的容易，這使得設計師工作的價值和原創性可能會被質疑[79]。在新技術蓬勃發展的今天，一味地拒絕并限制新技術顯然是不可取的，要讓人工智能技術能夠真正服務好設計師的工作，不僅需要明確設計師的智力貢獻，也要尊重為人工智能的訓練所貢獻數據的人類智慧成果。這要求人工智能的開發者和設計師都能夠遵循“負責任的AI”原則，促進人工智能技術應用的發展。

2 展望——未來的AI+設計

目前，針對生成式AI的研究主要集中在設計的某些特定階段，例如圖像生成或信息搜集。然而，隨著技術的進步，未來可能出現能夠參與到整個設計流程中的超級AI系統。

在這種模式下，AI將作為設計師的合作伙伴，參與到設計的各個階段，實現從間歇性到連續性和主動性的互動變革。例如，AI可以提供持續的支持和自動調整，從而在整個設計過程中與設計師密切合作。預計未來AI將更加主動、密切地參與設計流程，與設計師建立更緊密的合作關系，共同推動設計的創新和發展[80]。

Lin等[81]展示了一種創新的多模態交互方法，其中不同的AI模型被構建為可組合的模塊。設計師可以在不同模態之間靈活地融合這些模型的功能。該研究提供了一種更為豐富和以任務為導向的交互體驗，超越了傳統的、基于設計軟件的交互限制。這種方法不僅提升了交互的靈活性，還增強了設計師在多樣化任務處理中的創造力和效率。

要實現全流程設計的AI系統，關鍵在于增強AI的跨模態、跨任務協同能力。在這方面，多智能體系統（Multi-agent System）顯示出其獨特優勢。例如，Ding等[82]通過模擬設計公司中不同角色的AI代理，允許設計師用自然語言與這些代理協作，從而提高設計效率并融合領域知識。

然而，目前AI在規劃和執行整個設計流程方面仍面臨挑戰。雖然近期的研究證明了AI可以完成較為復雜的思維過程和邏輯推理能力[83-87]，但是AI在處理復雜問題和對任務進度進行管理方面的能力依然有限。設計思維是一個迭代的非線性過程，包含共情、定義、構思、原型和測試等階段[88-89]。要讓AI準確理解這個過程并有效參與，需要強化其文本管理和計劃能力。Wu等[90]開發的Autogen通過特定策略來管理進度，但仍然存在效率低下和進程丟失的問題。

隨著技術進步，深入研究AI的規劃、跨模態交互和協作能力是關鍵，這將使AI從設計輔助者轉變為能獨立完成并自動化設計流程的關鍵角色。

3 結語

在智能化浪潮之中，機遇與挑戰并存。隨著人工智能技術的迅猛發展，許多設計師已經開始利用人工智能技術幫助自己工作。本文深入探討了人工智能技術在設計領域的應用與影響，通過檢索大量相關文獻并進行關鍵詞聚類的方法整理出了若干個視角，樹立了人工智能技術的發展，總結了人工智能在設計領域的應用，討論了設計師利用人工智能工作時遇到的問題，并且提出了AI+設計在未來可能的發展方向。

人工智能技術為設計師提供了強大的工具和資源，這些技術不僅為創意的產生提供了新的途徑，還加速了設計過程。人工智能技術參與設計工作改變了原有的設計方法，在設計初期、創意構思階段、設計定義階段、設計實施階段，設計師都可以利用人工智能來幫助自己完成該階段的設計工作。同時人們需要正視目前人工智能技術并不十分成熟，在應用人工智能技術時需要仔細權衡其對社會的影響，隱私保護、算法公正性和技術透明度等問題需要在設計過程中得到充分考慮。這其中設計師的角色十分重要。研究人員正在試圖降低設計師們與人工智能合作交互的門檻，構建設計師與人工智能的協作體系。可以預見未來人工智能將會逐步參與設計的全階段。

總體而言，人工智能技術為設計領域帶來了革命性的變化，但也必須謹慎對待其潛在的負面影響。在未來，需要持續關注技術的發展，加強倫理標準，并尋求創新的解決方案，以確保人工智能與設計的融合能更好地服務于人類社會。

[1] WANG K, GOU C, DUAN Y, et al. Generative Adversarial Networks: Introduction and Outlook[J]. IEEE/CAA Journal of Automatica Sinica, 2017, 4(4): 588-598.

[2] LWCUN Y, BENGIO Y, HINTON G. Deep Learning[J]. Nature, 2015, 521(7553): 436-444.

[3] WANG Y, PAN Y, YAN M, et al. A Survey on ChatGPT: AI-generated Contents, Challenges and Solutions[J]. IEEE Open Journal of the Computer Society, 2023, 4: 280-302.

[4] WASWANI A, SHAZEER N, PARMAR N, et al. Attention is All You Need[C]// Proceedings of Advances in Neural Information Processing Systems 30: Annual Conference on Neural Information Processing Systems 2017. Long Beach: NIPS, 2017: 30.

[5] DEVLIN J, CHANG M, LEE K, et al. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding[C]// Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies. Minneapolis: NAACL-HLT, 2019: 4171-4186.

[6] BROWN T, MANN B, RYDER N, et al. Language Models are Few-shot Learners[J]. Advances in Neural Information Processing Systems, 2020, 33: 1877-1901.

[7] DOSOVITSKIY A, BEYER L, KOLESNIKOV A, et al. An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale[C]// Proceedings of the 9th International Conference on Learning Representations. Sydney: ICLR. 2020: 1-21.

[8] RADFORD A, KIM J W, HALLACY C, et al. Learning Transferable Visual Models from Natural Language Supervision[C]// Proceedings of the International Conference on Machine Learning Research[S.l.]: PMLR, 2021: 8748-8763.

[9] 付心儀, 張鶴, 薛程, 等. 智能家居綜合實驗平臺設計研究與應用實踐[J]. 包裝工程, 2022, 43(16): 50-58. FU X, ZHANG H, XUE C, et al. Design Research and Application Practice of Integrated Experimental Platform for Smart Home[J]. Packaging Engineering, 2022, 43(16): 50-58.

[10] 付心儀, 張鶴, 薛程, 等. 面向未來的智能家居前沿進展[J]. 科技導報, 2023, 41(8): 36-52. FU X, ZHANG H, XUE C, et al. A Review of the Frontier Research on Future Smart Home[J]. Science & Technology Review, 2023, 41(8): 36-52.

[11] 肖虹, 唐健凱, 丘雨涵, 等. 隱私友好的步態數據采集與情緒識別方法[J]. 計算機輔助設計與圖形學學報, 2023, 35(2): 203-212. XIAO H, TANG J K, XUE Y H, et al. A Method of Privacy-friendly Gait Date Acquisition and Emotion Recognition[J]. Journal of Computer-aided Design & Computer Graphics, 2023, 35(2): 203-212.

[12] DU J, JIA B, FU X. Space Brain: An AI Autonomous Spatial Decision System[C]// Proceedings of the Artificial Intelligence- Third CAAI International Conference. Fuzhou: CICAI, 2023: 61-67.

[13] YANG L, ZHANG Z, SONG Y, et al. Diffusion Models: A Comprehensive Survey of Methods and Applications[J]. ACM Computing Surveys, 2023, 56(4): 1-39.

[14] HO J, JAIN A, ABBEEL P. Denoising Diffusion Probabilistic Models[J]. Advances in Neural Information Processing Systems, 2020, 33: 6840-6851.

[15] SOHL-DICKSTEIN J, WEISS E, MAHESWARANA-THAN N, et al. Deep Unsupervised Learning Using Nonequilibrium Thermodynamics[C]// Proceedings of the International Conference on Machine Learning. Lille: PMLR, 2015: 2256-2265.

[16] NICHOL A Q, DHARIWAL P. Improved Denoising Diffusion Probabilistic Models[C]// Proceedings of the International Conference on Machine Learning.[S.l.]: PMLR, 2021: 8162-8171.

[17] PAN Y, BURNAP A, HARTLEY J, et al. Deep Design: Product Aesthetics For Heterogeneous Markets[C]// Proceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data. Halifax: ACM, 2017: 1961-1970.

[18] HUANG F, CANNY J F, NICHOLS J. Swire: Sketch- Based User Interface Retrieval[C]// Proceedings of the 2019 CHI Conference on Human Factors in Computing Systems. Glasgow: CHI, 2019: 1–10.

[19] CHEN C, FENG S, LIU Z, et al. From Lost to Found: Discover Missing UI Design Semantics Through Recovering Missing Tags[C]// Proceedings of the ACM on Human-Computer Interaction.[S.l.]: CSCW, 2020: 1-22.

[20] BUNIAN S, LI K, JEMMALI C, et al. VINS: Visual Search For Mobile User Interface Design[C]// Proceedings of the 2021 CHI Conference on Human Factors in Computing Systems. Yokohama: CHI, 2021: 1-14.

[21] LIN D C E, MARTELARO N. Learning Personal Style from Few Examples[C]// Proceedings of the 2021 ACM Designing Interactive Systems Conference.[S.l.]: DIS, 2021: 1566-1578.

[22] DEKA B, HUANG Z, KUMAR R. ERICA: Interaction Mining Mobile Apps[C]// Proceedings of the 29th Annual Symposium on User Interface Software and Technology. Tokyo: UIST, 2016: 767-776.

[23] FAN M, WU K, ZHAO J, et al. VisTA: Integrating Machine Intelligence with Visualization to Support the Investigation of Think-Aloud Sessions[J]. IEEE Transactions on Visualization and Computer Graphics, 2019, 26(1): 343-352.

[24] SUN W, LI Y, SHEOPURI A, et al. Computational Creative Advertisements[C]// Proceedings of the The Web Conference. Lyon: WWW, 2018: 1155-1162.

[25] O'DONOVAN P, AGARWALA A, HERTZMANN A. Collaborative Filtering of Color Aesthetics[C]// Proceedings of the Workshop on Computational Aesthetics. Vancouver: CAe@Expressive, 2014: 33-40.

[26] HUBERT K F, AWA K N, ZABELINA D L. The Current State of Artificial Intelligence Generative Language Models is More Creative than Humans on Divergent Thinking Tasks[J]. Scientific Reports, 2024, 14(1): 3440.

[27] VARTANIAN A, SUN X, CHUANG Y-S, et al. Learning Interactions to Boost Human Creativity with Bandits And GPT-4[J/OL]. arXiv preprint, 2023[2023-11-05]. https://doi.org/10.48550/arXiv.2311.10127.

[28] LIN Y, GUO J, CHEN Y, et al. It is Your Turn: Collaborative Ideation with a Co-creative Robot Through Sketch[C]// Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems. Honolulu: CHI, 2020: 1-14.

[29] KOCH J, TAFFIN N, BEAUDOUIN-LAFON M, et al. Imagesense: An Intelligent Collaborative Ideation Tool to Support Diverse Human-computer Partnerships[C]// Proceedings of the ACM on Human-computer Interaction.[S.l.]: CSCW, 2020: 1-27.

[30] MOZAFFARI M A, ZHANG X, CHENG J, et al. GANSpiration: Balancing Targeted and Serendipitous Inspiration in User Interface Design with Style-based Generative Adversarial Network[C]// Proceedings of the 2022 CHI Conference on Human Factors in Computing Systems. New Orleans: CHI, 2022: 1-15.

[31] RICK S R, GIACOMELLI G, WEN H, et al. Supermind Ideator: Exploring Generative AI to Support Creative Problem-solving[J/OL]. arXiv preprint, 2023[2023-11- 05]. https://doi.org/10.48550/arXiv.2311.01937.

[32] GIZZI E, NAIR L, CHERNOVA S, et al. Creative Problem Solving in Artificially Intelligent Agents: A Survey and Framework[J]. Journal of Artificial Intelligence Research, 2022, 75: 857-911.

[33] JEON Y, JIN S, SHIH P C, et al. FashionQ: An AI- driven Creativity Support Tool for Facilitating Ideation in Fashion Design[C]// Proceedings of the 2021 CHI Conference on Human Factors in Computing Systems. Yokohama: CHI, 2021: 1-18.

[34] CHO Y T, KUO Y L, YEH Y T, et al. IntuModels: Enabling Interactive Modeling for the Novice Through Idea Generation and Selection[C]// Proceedings of the 13th Conference on Creativity and Cognition. Venice: C&C, 2021: 1-10.

[35] FAN M, YANG X, YU T T, et al. Human-AI Collaboration for UX Evaluation: Effects Of Explanation and Synchronization[C]// Proceedings of the ACM on Human-computer Interaction.[S.l.]: CSCW1, 2021: 1-32.

[36] YUN G, CHO K, JEONG Y, et al. Ideasquares: Utilizing Generative Text as a Source of Design Inspiration[C]// Proceedings of the DRS Conference. Bilbao: DRS, 2022: 150.

[37] VERGANTI R, VENDRAMINELLI L, IANSITI M. Innovation and Design in the Age of Artificial Intelligence[J]. Journal of Product Innovation Management, 2020, 37(3): 212-227.

[38] HONG M K, HAKIMI S, CHEN Y Y, et al. Generative AI for Product Design: Getting the Right Design and the Design Right[J/OL]. arXiv preprint, 2023[2023-11-05]. https://doi.org/10.48550/arXiv.2306.01217.

[39] WANG G, QIN Z, YAN J, et al. Learning to Select Elements for Graphic Design[C]// Proceedings of the 2020 International Conference on Multimedia Retrieval. Dublin: ICMR, 2020: 91-99.

[40] ZHANG Y, HU K, REN P, et al. Layout Style Modeling for Automating Banner Design[C]// Proceedings of the Thematic Workshops of ACM Multimedia. Mountain View: ACM, 2017: 451-459.

[41] MAHESHWARI P, BANSAL N, DWIVEDI S, et al. Exemplar Based Experience Transfer[C]// Proceedings of the 24th International Conference on Intelligent User Interfaces. Marina del Ray: IUI, 2019: 673-680.

[42] KIKUCHI K, SIMO-SERRA E, OTANI M, et al. Constrained Graphic Layout Generation via Latent Ptimization[C]// Proceedings of the 29th ACM International Conference on Multimedia. New York: MM, 2021: 88-96.

[43] HUANG F, SCHOOP E, HA D, et al. Scones: Towards Conversational Authoring of Sketches[C]// Proceedings of the 25th International Conference on Intelligent User Interfaces. Cagliari: IUI, 2020: 313-323.

[44] WEI J, SCHALDENBRAND P, CHOI J H, et al. Collaborative Robotic Painting and Paint Mixing Demonstration[C]// Companion Publication of the 2023 ACM Designing Interactive Systems Conference. Pittsburgh: ACM, 2023: 292-296.

[45] YAN C, CHUNG J J Y, KIHEON Y, et al. FlatMagic: Improving Flat Colorization through AI-driven Design for Digital Comic Professionals[C]// Proceedings of the 2022 ACM Designing Interactive Systems Conference. New Orleans: ACM, 2022.

[46] CAO S, ZHANG J, SHI J, et al. Probabilistic Tree-of- thought Reasoning for Answering Knowledge-intensive Complex Questions[C]// Findings of the Association for Computational Linguistics. Singapore: EMNLP, 2023: 12541-12560.

[47] JAHANIAN A, KESHVARI S, VISHWANATHAN S V N, et al. Colors—Messengers of Concepts: Visual Design Mining for Learning Color Semantics[J]. Transactions on Computer-human Interaction, 2017, 24(1): 1-39.

[48] WU W, FU X M, TANG R, et al. Data-driven Interior Plan Generation for Residential Buildings[J]. Transactions on Graphics, 2019, 38(6): 1-12.

[49] WANG Y, GAO Y, LIAN Z. Attribute2Font: Creating Fonts You Want from Attributes[J]. Transactions on Graphics, 2020, 39(4): 1-18.

[50] LIAN Z, ZHAO B, CHEN X, et al. EasyFont: A Style Learning-based System to Easily Build Your Large-scale Handwriting Fonts[J]. Transactions on Graphics, 2019, 38(1): 1-18.

[51] CAMPBELL N D F, KAUTZ J. Learning a Manifold of Fonts[J]. Transactions on Graphics, 2014, 33(4): 1-11.

[52] ZHAO N, KIM N W, HERMAN L M, et al. Iconate: Automatic Compound Icon Generation and Ideation[C]// Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems. Honolulu: ACM, 2020: 1-13.

[53] KARAMATSU T, BENITEZ-GARCIA G, YANAI K, et al. Iconify: Converting photographs into icons[C]// Proceedings of the 2020 Joint Workshop on Multimedia Artworks Analysis and Attractiveness Computing in Multimedia. Dublin: ACM, 2020: 7-12.

[54] LI C, PAN H, BOUSSEAU A, et al. Sketch2CAD: Sequential CAD Modeling by Sketching in Context[J]. Transactions on Graphics, 2020, 39(6): 1-14.

[55] WILLIS K D D, PU Y, LUO J, et al. Fusion 360 Gallery: A Dataset and Environment for Programmatic CAD Construction from Human Design Sequences[J]. Transactions on Graphics, 2021, 40(4): 1-24.

[56] ZHAO N, CAO Y, LAU R W H. What Characterizes Personalities Of Graphic Designs?[J]. Transactions on Graphics, 2018, 37(4): 1-15.

[57] WACHS J, DARóCZY B, HANNáK A, et al. And Now for Something Completely Different: Visual Novelty in an Online Network of Designers[C]// Proceedings of the 10th ACM Conference on Web Science. Amsterdam: ACM, 2018: 163-172.

[58] BUCHANAN R. Wicked Problems in Design Thinking[J]. Design Issues, 1992, 8(5): 5-21.

[59] ABRAS C, MALONEY-KRICHMAR D, PREECE J. User-centered Design[J]. Encyclopedia of Human- computer Interaction, 2004, 37(4): 445-456.

[60] Design Council. Design Methods for Developing Services, Keeping Connected Business Challenge[M]. London: Design Council, 2015

[61] ZARZYCKI A. Maintaining Agency in AI-generated Works of Art and Design: Deliberate Creative Processes[C]// Proceedings of SIGGRAPH Asia 2023 Educator's Forum. Sydney: ACM, 2023: 1-8.

[62] BOUSCHERY S G, BLAZEVIC V, PILLER F T. Augmenting Human Innovation Teams with Artificial Intelligence: Exploring Transformer-based Language Models[J]. Journal of Product Innovation Management, 2023, 40(2): 139-153.

[63] LIN Z, RIEDL M. An Ontology of Co-creative AI Systems[J]. arXiv preprint arXiv, 2023[2023-11-05]. https:// doi.org/10.48550/arXiv.2310.07472.

[64] THOLANDER J, JONSSON M. Design Ideation with AI - Sketching, Thinking And Talking With Generative Machine Learning Models[C]// Proceedings of the 2023 ACM Designing Interactive Systems Conference. Pittsburgh: ACM, 2023.

[65] LIU J, NAH K. Design Collaboration Mode of Man– computer Symbiosis in the Age of Intelligence[M]. Cham: Springer International Publishing, 2020.

[66] FIGOLI F A, RAMPINO L, MATTIOLI F. AI in Design Idea Development: A Workshop on Creativity and Human-AI Collaboration[C]// Proceedings of Design Research Society 2022. Bilbao: DRS, 2022: 1-17.

[67] HABIB S, VOGEL T, ANLI X, et al. How does Generative Artificial Intelligence Impact Student Creativity?[J]. Journal of Creativity, 2024, 34(1): 100072.

[68] HONG S, ZHENG X, CHEN J, et al. Metagpt: Meta Programming for Multi-agent Collaborative Framework[J/OL]. arXiv preprint, 2023[2023-11-05]. https:// doi.org/10.48550/arXiv.2308.00352.

[69] CHEN W, SU Y, ZUO J, et al. Agentverse: Facilitating multi-agent Collaboration and Exploring Emergent Behaviors in Agents[J/OL]. arXiv preprint, 2023[2023-11- 05]. https://doi.org/10.48550/arXiv.2308.10848.

[70] HUANG Y, YU S, CHU J, et al. Design Knowledge Graph-aided Conceptual Product Design Approach Based on Joint Entity and Relation Extraction[J]. Journal of Intelligent & Fuzzy Systems, 2023, 44(3): 5333- 5355.

[71] BURNS C, IZMAILOV P, KIRCHNER J H, et al. Weak- to-strong Generalization: Eliciting Strong Capabilities with Weak Supervision[J/OL]. arXiv preprint, 2023 [2023-11-05]. https://doi.org/10.48550/arXiv.2312.09390.

[72] CILA N. Designing Human-agent Collaborations: Com-mi-tment, Responsiveness, and Support[C]// Proceedings of the 2022 CHI Conference on Human Factors in Computing Systems. New Orleans: CHI, 2022: 1-18.

[73] SENDHOFF B, WERSING H. Cooperative Intelligence: a Humane Perspective[C]// Proceedings of the 2020 IEEE International Conference on Human-machine Systems (ICHMS). Rome: IEEE, 2020: 1-6.

[74] 李杰, 蔡新元. 人工智能使設計重返“意義”[J]. 設計, 2024, 37(2): 30-35. LI J, CAI X Y. Artificial Intelligence Brings Design Back to "Meaning"[J]. Design, 2024, 37(2): 30-35.

[75] GMEINER F, YANG H, YAO L, et al. Exploring Challenges and Opportunities to Support Designers in Learning to Co-create with AI-based Manufacturing Design Tools[C]// Proceedings of the 2023 CHI Conference on Human Factors in Computing Systems. Hambury: CHI, 2023: 1-20.

[76] SHAIKH S, MHASKE S. The Rise of Creative Machines: Exploring the Impact of Generative AI[J/OL]. arXiv preprint, 2023[2023-11-05]. https://doi.org/10. 48550/arXiv.2311.13262.

[77] CHEN C, FU J, LYU L. A Pathway towards Responsible AI-generated Content[J/OL]. arXiv preprint, 2023[2023- 11-05]. https://doi.org/10.48550/arXiv.2303.01325.

[78] LU Q, ZHU L, XU X, et al. Towards a Roadmap on Software Engineering for Responsible AI[C]// Proceedings of the 1st International Conference on AI Engineering: Software Engineering for AI. Pittsburgh: ACM, 2022: 101-112.

[79] PISKOPANI A M, CHAMBERLAIN A, TEN HOLTER C. Responsible AI and the Arts: The Ethical and Legal Implications of AI in the Arts and Creative Industries[C]// Proceedings of the First International Symposium on Trustworthy Autonomous Systems. Edinburgh: ACM, 2023: 1-5.

[80] VAN BERKEL N, SKOV MB, KJELDSKOV J. Human-AI Interaction: Intermittent, Continuous, and Proactive[J]. Interactions, 2021, 28(6): 67-71.

[81] LIN D C E, MARTELARO N. Jigsaw: Supporting Designers in Prototyping Multimodal Applications by Assembling AI Foundation Models[J/OL]. arXiv preprint, 2023[2023-11-05]. https://doi.org/10.48550/arXiv.2310. 08574.

[82] DING S, CHEN X, FANG Y, et al. DesignGPT: Multi- agent Collaboration in Design[J/OL]. arXiv preprint, 2023[2023-11-05]. https://doi.org/10.48550/arXiv.2311.11591.

[83] SHINN N, CASSANO F, GOPINATH A, et al. Reflexion:Language Agents with Verbal Reinforcement Learning[C]// Advances in Neural Information Processing Systems. New Orleans: Curran Associates, 2023, 36: 8634-8652.

[84] LIN B Y, FU Y, YANG K, et al. Swiftsage: A Generative Agent with Fast and Slow Thinking for Complex Interactive Tasks[C]// Advances in Neural Information Processing Systems. New Orleans: Curran Associates, 2023, 36: 23813-23825.

[85] WEI J, WANG X, SCHUURMANS D, et al. Chain-of- thought Prompting Elicits Reasoning in Large Language Models[C]// Advances in Neural Information Processing Systems. New Orleans: Curran Associates, 2022, 35: 24824-24837.

[86] YAO S, YU D, ZHAO J, et al. Tree of Thoughts: Deliberate Problem Solving with Large Language Models[C]// Advances in Neural Information Processing Systems. New Orleans: Curran Associates, 2023, 36: 11809-11822.

[87] CHEN B, ZHANG Z, LANGRENé N, et al. Unleashing the Potential of Prompt Engineering in Large Language Models: A Comprehensive Review[J/OL]. arXiv preprint, 2023[2023-11-05]. https://doi.org/10.48550/arXiv. 2310.14735.

[88] Wikipedia Contributors. Double Diamond (Design Process Model)[EB/OL]. (2023-11-6) [2023-11-08]. https://en. wikipedia.org/w/index.php?title=Double_Diamond_(design_ process_model)&oldid=1183822561.

[89] CROSS N. Design Thinking: Understanding How Designers Think and Work[M]. London: Bloomsbury Publishing, 2023.

[90] WU Q, BANSAL G, ZHANG J, et al. Autogen: Enabling next-gen LLM Applications via Multi-agent Conversation Framework[J/OL]. arXiv preprint, 2023[2023-11- 08]. https://doi.org/10.48550/arXiv.2308.08155.

Application and Development of Artificial Intelligence in Design Industry

XU Yingqing, ZHOU Qinyi, DENG Jie, ZHANG Yu, FU Xinyi*

(Tsinghua University, Beijing 100090, China)

The work aims to sort out and summarize the application of artificial intelligence in the field of design and explore its impact on design processes and designers, while looking forward to the influence trend of artificial intelligence on design industry in the future. VOSviewer tool and bibliometric analysis were used to visualize and cluster the literature on the "innovation and application of artificial intelligence in the design field" from the Web of Science database and deeply analyze the core viewpoints and cases. The four main clusters (AI + Technology Application, AI + Design Process, AI + Creative Collaboration, and AI + Reflective Impact) were discussed, particularly with the focus on the influence of artificial intelligence generated content (AIGC) technology on design methods and design processes and its role in enhancing innovation and efficiency was highlighted. Additionally, AIGC poses new challenges and redefinition requirements for designers' traditional roles and design originality. It is predicted that artificial intelligence will be further integrated into the design process in the future to promote design innovation, pay more attention to the originality and responsibility boundary, and explore a new mode of cooperation between artificial intelligence and designers. Through a comprehensive review of the application of artificial intelligence in the design field, it provides valuable theoretical reference and development direction for the integration of design innovation and artificial intelligence in the future.

artificial intelligence generated content (AIGC); generative content; design industry innovation; design innovation; creative process; human-computer collaboration

TB472

A

1001-3563(2024)08-0001-10

10.19554/j.cnki.1001-3563.2024.08.001

2023-11-10

教育部人文社科基金青年項目（23YJCZH049）

通信作者