基于模糊綜合評判法的AI輔助設(shè)計(jì)效率研究：以叉車座椅方案設(shè)計(jì)為例

關(guān)鍵詞：AIGC；座椅設(shè)計(jì)；效率提升；模糊綜合評判法；設(shè)計(jì)工作流

引言

隨著人工智能技術(shù)的快速發(fā)展，人工智能生成內(nèi)容（AIGC）逐漸成為設(shè)計(jì)領(lǐng)域的一個(gè)重要趨勢。AIGC 是指利用深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)等人工智能技術(shù)自動生成文本、圖像、音頻、三維模型等內(nèi)容的技術(shù)。這不僅在創(chuàng)意產(chǎn)業(yè)中引起了廣泛關(guān)注，也在工業(yè)設(shè)計(jì)領(lǐng)域展現(xiàn)出了巨大潛力。傳統(tǒng)的設(shè)計(jì)流程通常依賴于設(shè)計(jì)師的手動操作和經(jīng)驗(yàn)積累，這種方式不僅耗時(shí)耗力，而且易于產(chǎn)生主觀偏差和重復(fù)性勞動。隨著產(chǎn)品開發(fā)周期的不斷縮短和市場競爭的日益激烈，如何提高設(shè)計(jì)效率、優(yōu)化設(shè)計(jì)流程成為設(shè)計(jì)行業(yè)的重要課題。

在此背景下，AIGC 技術(shù)的應(yīng)用為設(shè)計(jì)工作流帶來了新的可能性。通過智能化數(shù)據(jù)分析和生成算法，AIGC 能夠自動化地完成部分設(shè)計(jì)任務(wù)，在生成初步草圖、快速渲染、優(yōu)化設(shè)計(jì)方案等步驟中，大幅縮短設(shè)計(jì)周期，提升設(shè)計(jì)效率。此外，AIGC 還可以輔助設(shè)計(jì)師進(jìn)行創(chuàng)意發(fā)散，提供多樣化的設(shè)計(jì)方案和風(fēng)格，促進(jìn)創(chuàng)新性設(shè)計(jì)的產(chǎn)生。因此，研究AIGC 在設(shè)計(jì)工作流中的應(yīng)用及其效率提升機(jī)制，對于推動工業(yè)設(shè)計(jì)的智能化轉(zhuǎn)型和提高設(shè)計(jì)質(zhì)量具有重要意義。

本文旨在深入探討AIGC 如何通過自動化和智能化的手段優(yōu)化設(shè)計(jì)工作流，提升設(shè)計(jì)效率。本文首先對AIGC 在設(shè)計(jì)領(lǐng)域的應(yīng)用現(xiàn)狀進(jìn)行文獻(xiàn)綜述，分析其技術(shù)特點(diǎn)和發(fā)展趨勢；然后，提出一種基于AIGC的設(shè)計(jì)工作流模型，并通過案例分析和實(shí)驗(yàn)驗(yàn)證該模型的有效性，最后總結(jié)研究發(fā)現(xiàn)并討論未來的發(fā)展方向。

一、AIGC技術(shù)的發(fā)展與應(yīng)用現(xiàn)狀

（一）AIGC 的發(fā)展與應(yīng)用

AIGC 技術(shù)作為人工智能領(lǐng)域的一個(gè)分支，近年來發(fā)展迅速。其核心技術(shù)包括深度學(xué)習(xí)、生成對抗網(wǎng)絡(luò)（GANs）、變分自編碼器（VAEs）以及自然語言處理（NLP）等。這些技術(shù)的進(jìn)步使得計(jì)算機(jī)能夠模擬人類的創(chuàng)作過程，自動生成具有高度真實(shí)感和創(chuàng)造性的內(nèi)容。例如，Goodfellow 等（2014）[1] 提出的生成對抗網(wǎng)絡(luò)（GANs）已經(jīng)成功應(yīng)用于圖像生成、風(fēng)格遷移等領(lǐng)域，為設(shè)計(jì)工作流中的圖像和概念生成提供了新的思路。Reed 等（2016）[2] 進(jìn)一步探索了基于文本描述生成圖像的可能性，拓展了設(shè)計(jì)的創(chuàng)意空間。

（二）AIGC 在工業(yè)設(shè)計(jì)中的應(yīng)用現(xiàn)狀

在工業(yè)設(shè)計(jì)領(lǐng)域，AIGC 技術(shù)的應(yīng)用主要集中在概念設(shè)計(jì)、草圖生成和方案優(yōu)化等環(huán)節(jié)。Huang 等（2019）[3] 提出了一種基于深度學(xué)習(xí)的草圖生成系統(tǒng)，能夠根據(jù)設(shè)計(jì)需求快速生成多種風(fēng)格的草圖，大大提高了設(shè)計(jì)效率。Tang 等（2024）[4] 研究了AIGC 在產(chǎn)品設(shè)計(jì)中的應(yīng)用，通過自動化設(shè)計(jì)生成和快速原型制作，顯著縮短了設(shè)計(jì)周期。如圖1，AIGC 介入設(shè)計(jì)工作流程與傳統(tǒng)設(shè)計(jì)工作流程的對比，通過AIGC，設(shè)計(jì)師可以更專注于高層次的創(chuàng)意和決策工作，而將部分重復(fù)性和低層次的工作交由機(jī)器完成，這種人機(jī)協(xié)作的模式逐漸成為設(shè)計(jì)工作的主流趨勢。表1 是AIGC 在設(shè)計(jì)工作流中的應(yīng)用。

（三）AIGC 對設(shè)計(jì)流程的優(yōu)化作用

AIGC 技術(shù)不僅能夠自動化地生成設(shè)計(jì)內(nèi)容，還能夠通過數(shù)據(jù)驅(qū)動的方式優(yōu)化設(shè)計(jì)流程。Du 等（2023）[5] 研究了AIGC 如何通過數(shù)據(jù)分析和機(jī)器學(xué)習(xí)優(yōu)化設(shè)計(jì)方案，發(fā)現(xiàn)AIGC 可以通過分析大量歷史數(shù)據(jù)，識別設(shè)計(jì)中的潛在問題并提供改進(jìn)建議。此外，AIGC 還能夠?qū)崟r(shí)調(diào)整設(shè)計(jì)方案，根據(jù)市場反饋和用戶偏好進(jìn)行優(yōu)化，使設(shè)計(jì)流程更加高效和靈活。與傳統(tǒng)的設(shè)計(jì)流程相比，基于AIGC 的設(shè)計(jì)工作流更具適應(yīng)性和創(chuàng)新性。

（四）AIGC 技術(shù)面臨的挑戰(zhàn)和未來發(fā)展方向

盡管AIGC 在設(shè)計(jì)工作流中的應(yīng)用具有顯著優(yōu)勢，但其也面臨一些挑戰(zhàn)。首先，AIGC 技術(shù)對數(shù)據(jù)的依賴性較強(qiáng)，數(shù)據(jù)質(zhì)量直接影響生成內(nèi)容的質(zhì)量和創(chuàng)新性。其次，AIGC 在設(shè)計(jì)流程中的應(yīng)用仍處于探索階段，需要更多的實(shí)證研究來驗(yàn)證其有效性。Yuan 等（2023）[6] 提出了“增強(qiáng)設(shè)計(jì)師”概念，強(qiáng)調(diào)通過智能化工具增強(qiáng)設(shè)計(jì)師的創(chuàng)造力，而不是簡單替代人類設(shè)計(jì)師，這為未來的研究提供了新的視角。

因此，AIGC 技術(shù)在設(shè)計(jì)工作流中的應(yīng)用和效率提升機(jī)制是一個(gè)充滿潛力和挑戰(zhàn)的研究領(lǐng)域。

二、研究方法

本文采用Li（2022）[7] 文獻(xiàn)中的基于實(shí)踐的流程分析方法強(qiáng)調(diào)整合實(shí)踐經(jīng)驗(yàn)和對實(shí)際任務(wù)的詳細(xì)分析并采用Zhang[8] 文獻(xiàn)中提出的模糊綜合評判理論來處理各種設(shè)計(jì)指標(biāo)的模糊數(shù)據(jù)，對設(shè)計(jì)方案進(jìn)行多維度評估。最終根據(jù)加權(quán)評分來對此流程進(jìn)行綜合性評估。

（一）基于實(shí)踐的流程分析方法：強(qiáng)調(diào)從真實(shí)的設(shè)計(jì)任務(wù)和實(shí)踐經(jīng)驗(yàn)出發(fā)，確保每個(gè)設(shè)計(jì)流程符合實(shí)際應(yīng)用需求。該方法在于整合設(shè)計(jì)師在實(shí)踐中積累的經(jīng)驗(yàn)，形成對設(shè)計(jì)流程的深入理解，確保每一個(gè)設(shè)計(jì)步驟的合理性和可行性。通過這種方法，能夠優(yōu)化設(shè)計(jì)工作流，提升設(shè)計(jì)效率和設(shè)計(jì)成果的質(zhì)量。

（二）模糊綜合評判理論：通過對各個(gè)指標(biāo)的隸屬度和權(quán)重進(jìn)行加權(quán)求和，得到對評價(jià)對象的綜合評分。模糊綜合評判法在于處理復(fù)雜、模糊的數(shù)據(jù)，為設(shè)計(jì)方案提供多維度的評價(jià)標(biāo)準(zhǔn)。這在設(shè)計(jì)方案評估中尤為重要，因?yàn)樵O(shè)計(jì)指標(biāo)往往具有模糊性和不確定性，通過這種方法可以更準(zhǔn)確地反映設(shè)計(jì)方案的整體表現(xiàn)。

三、AIGC介入設(shè)計(jì)流程優(yōu)化

本文采用基于實(shí)踐的流程分析方法，選擇代表性項(xiàng)目進(jìn)行工作流的優(yōu)化。

（一）基本步驟

1. 項(xiàng)目選擇：選擇一個(gè)具有代表性的設(shè)計(jì)項(xiàng)目，此項(xiàng)目在方案設(shè)計(jì)流程中廣泛使用了AIGC 技術(shù)。項(xiàng)目名稱為叉車座椅造型方案設(shè)計(jì)。

2. 流程記錄與分析：通過對項(xiàng)目中使用AIGC 技術(shù)的全過程進(jìn)行詳細(xì)記錄和分析，包括項(xiàng)目的設(shè)計(jì)需求分析、AIGC 技術(shù)的選型、設(shè)計(jì)草圖的生成、用戶反饋的整合以及最終成果的生成與驗(yàn)證。

3. 效果評估與比較：對比分析AIGC 技術(shù)與傳統(tǒng)設(shè)計(jì)方法在項(xiàng)目中的應(yīng)用效果，包括設(shè)計(jì)效率、創(chuàng)新性、用戶參與度和成本等方面。分析AIGC 能在傳統(tǒng)設(shè)計(jì)流程的每一步驟參與的可能性。

（二）項(xiàng)目案例選擇

1. 項(xiàng)目名稱：叉車座椅方案設(shè)計(jì)

（1）背景：本項(xiàng)目是為叉車座椅進(jìn)行風(fēng)格化造型設(shè)計(jì)，目標(biāo)是通過AIGC 技術(shù)減少設(shè)計(jì)師的重復(fù)性工作，自動生成多樣化的設(shè)計(jì)方案、多結(jié)構(gòu)的風(fēng)格座椅供后續(xù)方案遴選。

（2）設(shè)計(jì)任務(wù)：利用AIGC 技術(shù)生成多個(gè)叉車座椅造型的設(shè)計(jì)草圖，提供給用戶進(jìn)行選擇和定制，并根據(jù)用戶反饋進(jìn)一步優(yōu)化設(shè)計(jì)。

（3）AIGC 技術(shù)應(yīng)用：主要應(yīng)用于草圖方案生成、效果圖制作。使用深度學(xué)習(xí)模型生成座椅的多個(gè)設(shè)計(jì)草圖與效果圖，結(jié)合用戶數(shù)據(jù)進(jìn)行個(gè)性化定制設(shè)計(jì)。

（三）完整設(shè)計(jì)流程

此次生圖使用到的軟件是Stable_diffusion、comfy_ui、tripo。

1. 流程簡介：確定目標(biāo)產(chǎn)品，通過配置參數(shù)的測試，選擇此產(chǎn)品的最優(yōu)參數(shù)范圍，在所選擇的大模型與所訓(xùn)練的lora 模型的共同控制下進(jìn)行座椅方案的生成，將遴選后的方案進(jìn)行三維模型的生成。達(dá)到提升工作流效率的目的。

2. 流程步驟：a. 確定示例產(chǎn)品或部件→ b. 測試各參數(shù)配置最佳范圍（ksampler）→ c.（文、圖）插件控制→ d.（大+lora 模型）訓(xùn)練→ e. 模型測試）→ f. 方案的多個(gè)可能性（自動化生成）→ g.3 維模型的生成

3. 實(shí)際步驟

（1）對設(shè)計(jì)目標(biāo)確定后，對其風(fēng)格、造型、結(jié)構(gòu)、材質(zhì)、人機(jī)的考慮，并將這些因素轉(zhuǎn)化為提示詞的形式以達(dá)到對生圖結(jié)果達(dá)到控制的效果。

（2）測試參數(shù)范圍

A. 測試前先了解SD 模型架構(gòu)及其原理：本文引用The IllustratedStable Diffusion[9] 一文中的一個(gè)圖，并在原圖上做了改動（添加了像素圖片在整個(gè)處理機(jī)制中的影響與權(quán)重），Stable Diffusion 模型對文圖信息的推理機(jī)制如圖2 所示：

首先， 輸入 Prompt（ 提示詞）“1 red car smatchingtechnology driving in the city”， 經(jīng)過 Text Encoder（ 文本編碼） 組件的處理， 將輸入的 Prompt 轉(zhuǎn)換成 77×768 的 TokenEmbeddings，該 Embeddings 輸入到 Image Information Creator 組件；然后，Random image information tensor 是由一個(gè) Latent Seed（Gaussian noise ～ N（0，1））隨機(jī)生成的 64×64 大小的圖片表示一個(gè)完全的噪聲圖片，作為 Image Information Creator 組件的另一個(gè)初始輸入；接著結(jié)合VAE Encoder（VAE 編碼器）將像素圖片編碼后的信息，通過 Image Information Creator 組件的處理（該過程稱為 Diffusion），生成一個(gè)包含圖片信息的 64×64 的 Processedimage tensor，該輸出包含了前面輸入 Prompt 提示詞所具有的語義信息的圖片的信息與本身為圖片的像素信息；最后，上一步生成的Processed image tensor 信息經(jīng)過 Image Decoder 組件處理后生成最終的和輸入 Prompt 提示詞相關(guān)的 512×512 大小的圖片輸出。最終使用 Stable Diffusion 模型來進(jìn)行推理，得到我們需要的根據(jù)提示詞生成的圖像（當(dāng)然 Stable Diffusion 模型不只是能夠?qū)崿F(xiàn) txt2image，也可以實(shí)現(xiàn)其他的推理功能，如 image2image、txt + image =gt; image）

B. 測試seed、model、deniose、steps、GFC、sampler、scheduler 等最佳適宜范圍

得到結(jié)果，通過比較、綜合考慮各圖間的結(jié)構(gòu)、色彩、材質(zhì)、形態(tài)差別發(fā)現(xiàn)迭代步數(shù)22 及以上的AI 生圖效果已經(jīng)達(dá)到預(yù)期。將適宜迭代步數(shù)選在22-23 間，采樣方法選擇DPM++ SDE Karras 與Euler a。利用相同的方法分別修改X＼Y 軸的值以確定部分適宜參數(shù)：steps：22-23、sampler：Euler a、DPM++ SDE Karras、GFC：0.65、seed：-1、model：自訓(xùn)練lora。并基于確定叉車座椅方案設(shè)計(jì)的最佳去噪強(qiáng)度與適用大模型，圖3（24 組圖集，共4320 張?jiān)煨蛨D片）。通過比較得出所有圖集集中在區(qū)間0.45-0.55，此時(shí)結(jié)構(gòu)、色彩、材質(zhì)效果優(yōu)于其他區(qū)間，即為適宜去噪幅度。后續(xù)AI 生圖可選擇此大模型并加以自訓(xùn)練lora 模型相結(jié)合來達(dá)到風(fēng)格遷移與方案生成的目的。最終測試比較得出適宜參數(shù)區(qū)間，如表2。

（3）訓(xùn)練lora 模型：

a. 確定測試模型權(quán)重（prompt、重繪幅度、采樣器、迭代步數(shù)、提示詞引導(dǎo)系數(shù)、隨機(jī)數(shù)種子）：測試權(quán)重步驟類似于上文stablediffuson 中的測試權(quán)重。即可將上述適宜尺寸區(qū)間，如表1，用作后續(xù)步驟的測試參考。

b. 圖片的搜集、圖片的處理：圖片的搜集處理過程即訓(xùn)練模型的早期過程，如是訓(xùn)練大模型則需300 ～ 1000 張目標(biāo)風(fēng)格圖或產(chǎn)品圖；lora 模型則需15 ～ 30 張目標(biāo)風(fēng)格圖或產(chǎn)品圖。

c. 打標(biāo)、d. 喂圖訓(xùn)練、等待 e. 部署 f. 測試、g. 保存、輸出 ：對搜集到的圖片進(jìn)行標(biāo)記處理，此處使用Stable diffusion 內(nèi)置插件進(jìn)行處理。生成標(biāo)簽后以text 的形式存在。最后利用Cybertron Furnace（煉丹工具）設(shè)置好相關(guān)信息后進(jìn)行l(wèi)ora 模型的訓(xùn)練。將訓(xùn)練好后lora 模型進(jìn)行測試，選擇效果最好的模型配合前文測試的一些參數(shù)進(jìn)行最終效果圖的生成。

（4）最終方案生成

先預(yù)先定下4 種風(fēng)格，分別是工程流線型風(fēng)格、裝甲力量風(fēng)格、簡約未來風(fēng)格、參數(shù)化科技風(fēng)格。并編寫好相應(yīng)的prompt。通過表3上的配置生成4320 個(gè)方案，如圖4。

再從4320 張圖中每個(gè)風(fēng)格選擇40 ～ 50 個(gè)方案，如圖4，分別為工程流線型風(fēng)格、簡約未來風(fēng)格、裝甲力量風(fēng)格、參數(shù)化科技風(fēng)格。

最后與項(xiàng)目負(fù)責(zé)人、項(xiàng)目組成員從240 個(gè)方案中遴選最終3 張效果圖， 如圖6，（ 該圖提示詞為：a forklift seat，anti-motionsickness，future style，white，Tesla，volumetric lighting，volumetric light，lightrays，best quality，masterpiece，highres，original，extremely detailedwalpaper，perfect lighting）1 號， 圖5，（ 提示詞為：Forklift seat，details，pure background，whitebackground --ar 1：1 --s 250）2 號，圖5，（提示詞為：The forkliftseat designed with advanced technology uses advanced algorithmsto generate complex geometric patterns and shapes，with obviousblocks，a sense of strength，a sense of science and technology，and details）3 號。

在圖 5 中，1 號采用簡單的灰黑配色，整體風(fēng)格典雅舒適，適合追求簡約和現(xiàn)代感的用戶。該材料由織物制成，具有觸感柔軟、透氣、使用舒適等優(yōu)點(diǎn)。織物材料通常適合長時(shí)間接觸，尤其是在需要舒適座椅或靠墊的情況下。2 號、3 號側(cè)重于流線型工程設(shè)計(jì)，橙色線條的裝飾使其具有更現(xiàn)代和科技的風(fēng)格，這在高端辦公家具或汽車座椅的設(shè)計(jì)中很常見。兩種解決方案的材料均采用真皮或仿皮制成，給人以奢華和奢華的印象，同時(shí)提供出色的耐用性和質(zhì)感。仿皮材質(zhì)性價(jià)比好，外觀與皮革相似，易于打理。AIGC 能夠基于設(shè)計(jì)需求生成多種不同風(fēng)格的草圖，這些草圖不僅快速生成，還具備較高的創(chuàng)意表達(dá)能力。例如，AI 可以根據(jù)座椅的功能性和美學(xué)需求生成簡約、現(xiàn)代或經(jīng)典等多種風(fēng)格的設(shè)計(jì)草圖。與傳統(tǒng)手繪草圖相比，AI 在短時(shí)間內(nèi)生成多樣化的設(shè)計(jì)方案，并支持快速修改和迭代，大幅提升了設(shè)計(jì)效率和創(chuàng)意表達(dá)的靈活性。此外，將這3 個(gè)方案進(jìn)行AI 三維化處理，通過AI 自動化建模軟件tripo，展現(xiàn)各個(gè)設(shè)計(jì)方案的立體感和材質(zhì)效果。 在三維化的過程中，將重點(diǎn)突出材質(zhì)的質(zhì)感、顏色的過渡效果以及流線型設(shè)計(jì)的精確度，幫助更直觀地呈現(xiàn)每個(gè)方案的優(yōu)勢和特點(diǎn)。這一階段的處理有助于進(jìn)行更準(zhǔn)確的視覺化評估和后續(xù)優(yōu)化。同時(shí)也有利于工程模型的創(chuàng)建，便于工程運(yùn)用。

（5）對效果圖局部重繪線稿。

設(shè)計(jì)師在遴選的方案設(shè)計(jì)中繼續(xù)對細(xì)節(jié)部分進(jìn)行手繪控制，此時(shí)對圖5 的3 號方案進(jìn)行局部設(shè)計(jì)效果如圖6 的1 號；2 號為使用SD中controlnet 插件的蒙版重繪進(jìn)行二輪AI 生圖；3 號為AI3D 模型效果展示。

AI 生成3D 模型能夠加速設(shè)計(jì)流程，將模型保存為STEP 格式拖入軟件solidworks2022 中進(jìn)行特征點(diǎn)分析借鑒，加上人機(jī)參數(shù)的約束（由于此座椅方案是叉車三類車座椅，因此靠背設(shè)計(jì)參考了歐洲人群腰椎曲線形態(tài)進(jìn)行后續(xù)的設(shè)計(jì)），便于后續(xù)工程模型的創(chuàng)建。值得注意的是，此次模型在考慮到落地生產(chǎn)，因此在工程模型的創(chuàng)建時(shí)對3D模型進(jìn)行了修改，但不影響此流程步驟。

（6）AI 介入叉車座椅方案設(shè)計(jì)工作流模型的初步建立。

將前文整個(gè)工作流步驟整理簡化成一個(gè)模型，該模型（代表著AI設(shè)計(jì)工作流）與傳統(tǒng)設(shè)計(jì)流程有著一定的區(qū)別，并在實(shí)驗(yàn)驗(yàn)證部分將二者放在一起進(jìn)行比較，通過數(shù)據(jù)證明此模型的可行性與合理性。AI輔助方案設(shè)計(jì)模型如圖7，該模型的核心在于AI 與設(shè)計(jì)師的協(xié)作能力，而不是單一地依靠AI 工具的能力抑或是依靠人為的設(shè)計(jì)的能力。二者在此座椅方案設(shè)計(jì)過程中合理地完成自己的任務(wù)，共同產(chǎn)出滿意的產(chǎn)品方案。在設(shè)計(jì)過程中，設(shè)計(jì)師通過自己的設(shè)計(jì)知識與設(shè)計(jì)手繪能力對遴選中的設(shè)計(jì)方案進(jìn)行精準(zhǔn)修改（扶手、靠背、坐墊形態(tài)等各種細(xì)節(jié)），最后將修改后的手繪圖再次經(jīng)過AI 生圖，以達(dá)到滿意的結(jié)果。

四、實(shí)驗(yàn)驗(yàn)證

為了驗(yàn)證基于AIGC（人工智能生成內(nèi)容）的設(shè)計(jì)工作流模型在提升設(shè)計(jì)效率方面的有效性，本文設(shè)計(jì)并實(shí)施了一系列實(shí)驗(yàn)。實(shí)驗(yàn)主要集中在兩個(gè)方面：1）AIGC 技術(shù)在不同設(shè)計(jì)任務(wù)中的應(yīng)用效果；2）AIGC工具與傳統(tǒng)設(shè)計(jì)工具在效率和創(chuàng)新性上的對比。實(shí)驗(yàn)數(shù)據(jù)通過實(shí)際操作和評價(jià)收集，旨在評估AIGC 在設(shè)計(jì)工作流中的實(shí)際應(yīng)用效果。

（一）實(shí)驗(yàn)步驟

1. 準(zhǔn)備階段

（1）選取實(shí)驗(yàn)案例：座椅設(shè)計(jì)案例。

（2）準(zhǔn)備實(shí)驗(yàn)工具：傳統(tǒng)設(shè)計(jì)軟件（如Procreat、AutoCAD、Rhino 7、KeyShot 2023、SOLIDWORKS 2022 等）和AIGC 工具（Stable_diffusion、comfy_ui、tripo）。

（3）招募實(shí)驗(yàn)參與者：4 名設(shè)計(jì)師為A 組（A 組使用傳統(tǒng)設(shè)計(jì)軟件，B 組為本文中使用AIGC 工具）。

2. 實(shí)驗(yàn)實(shí)施

（1）各組設(shè)計(jì)師根據(jù)相同的設(shè)計(jì)需求進(jìn)行設(shè)計(jì)任務(wù)，分別使用各自的工具完成初步設(shè)計(jì)，如圖分為繪制草圖任務(wù)、建模任務(wù)、渲染任務(wù)、工程模型任務(wù)。考慮到各個(gè)被試者所精通的領(lǐng)域不同，最后選取平均時(shí)間來與AIGC 組作比較，如圖8。

記錄各組設(shè)計(jì)師的設(shè)計(jì)時(shí)間、生成的設(shè)計(jì)方案數(shù)量和質(zhì)量，與AIGC 組做比較得出結(jié)論。最終得到4 組A 類（傳統(tǒng)設(shè)計(jì)流程）方案，4 組B 類（使用AIGC 輔助設(shè)計(jì)工作）方案，方案如圖9-1 草圖任務(wù)階段，9-2 渲染任務(wù)階段。

3. 多階段模糊綜合評價(jià)法分析整體數(shù)據(jù)

確定每個(gè)階段的評價(jià)指標(biāo)集

每個(gè)設(shè)計(jì)階段可能有不同的關(guān)注點(diǎn)，因此可以為每個(gè)階段單獨(dú)設(shè)定評價(jià)指標(biāo)集。一共分為4 個(gè)階段，分別是N1 草圖任務(wù)階段、N2 建模任務(wù)階段、N3 渲染任務(wù)階段、N4 工程模型任務(wù)階段。

（1）草圖任務(wù)階段

a. 評價(jià)指標(biāo)集：草圖任務(wù)階段的評價(jià)指標(biāo)為“工作效率”“可行性”“構(gòu)思新穎度”

b. 隸屬度矩陣：

根據(jù)用戶評價(jià)與數(shù)據(jù)，構(gòu)建隸屬度矩陣 R1，表示每個(gè)評價(jià)等級（優(yōu)秀、良好、一般、差）的隸屬度。評價(jià)等級有4 個(gè)，矩陣形式如下：

在后續(xù)N2 建模任務(wù)階段、N3 渲染任務(wù)階段、N4 工程模型任務(wù)階段得到的數(shù)據(jù)如表4。

如圖10，使用Autodesk Fusion 360 + Generative Design 評估工具將自動對每組方案自動評分并以可視化圖表呈現(xiàn)。將A 組4 組方案數(shù)據(jù)以平均值與B 組數(shù)據(jù)作比較，尤其是在草圖設(shè)計(jì)階段和方案渲染階段，AIGC 提升工業(yè)設(shè)計(jì)效率更為明顯。N1 草圖任務(wù)階段時(shí)，B 組數(shù)據(jù)在工作效率、可行性、構(gòu)思新穎度3 個(gè)標(biāo)準(zhǔn)上分別得分0.9、0.65、0.6 都高于A 組評分0.5、0.5、0.4。N3 渲染任務(wù)階段，B 組數(shù)據(jù)在工作效率、渲染質(zhì)量、材質(zhì)表現(xiàn)分別得分0.85、0.7、06，高于A 組數(shù)據(jù)0.6、0.5、0.4。數(shù)據(jù)表明AIGC 技術(shù)在叉車座椅方案設(shè)計(jì)的過程中，顯著提升了設(shè)計(jì)效率、可行性、渲染效果、材質(zhì)表達(dá)、結(jié)構(gòu)合理性和美觀性。通過自動化生成設(shè)計(jì)草圖，優(yōu)化座椅各部件的結(jié)構(gòu)與功能，AIGC 能夠快速調(diào)節(jié)座椅的座椅深度、靠背角度、懸掛系統(tǒng)等各項(xiàng)參數(shù)，確保符合人體工程學(xué)要求，提高操作員的舒適性。在工作效率方面，AIGC 技術(shù)通過自動化設(shè)計(jì)和快速反饋循環(huán)，縮短了傳統(tǒng)設(shè)計(jì)流程中的反復(fù)修改和測試時(shí)間。而在材質(zhì)選擇和渲染效果方面，AIGC 可以快速模擬不同材質(zhì)（如皮革、布料、海綿等）的表現(xiàn)，優(yōu)化座椅的質(zhì)感和外觀，使其在高強(qiáng)度工作環(huán)境下保持良好的表現(xiàn)。結(jié)構(gòu)上，AI 通過實(shí)時(shí)分析座椅的負(fù)載和壓力分布，優(yōu)化了座椅框架和懸掛系統(tǒng)的設(shè)計(jì)，確保了其穩(wěn)定性和安全性。與傳統(tǒng)設(shè)計(jì)依賴經(jīng)驗(yàn)和手工調(diào)整不同，AIGC 能夠智能化地提高設(shè)計(jì)的精度、創(chuàng)新性和美觀度，同時(shí)減少了材料浪費(fèi)和生產(chǎn)成本，從而推動叉車座椅設(shè)計(jì)的高效、精確和個(gè)性化發(fā)展。

結(jié)論：根據(jù)實(shí)驗(yàn)數(shù)據(jù)分析和圖表結(jié)果，AI 組在草圖、建模和渲染階段的“優(yōu)秀”隸屬度分別為 0.737、0.6225 和 0.7125，均高于傳統(tǒng)組的 0.515、0.5525 和 0.4625，顯現(xiàn)了 AIGC 技術(shù)在創(chuàng)意生成和視覺效果呈現(xiàn)方面的顯著效率提升。尤其是在渲染階段，AI 組的表現(xiàn)尤為突出，其高達(dá) 0.7125 的“優(yōu)秀”隸屬度表明 AI 技術(shù)能夠快速生成高質(zhì)量的視覺效果圖，極大提升了設(shè)計(jì)方案的感染力和展示效果。然而，在工程模型階段，AI 組的“優(yōu)秀”隸屬度為 0.462，與傳統(tǒng)組的 0.46 基本持平，反映出傳統(tǒng)設(shè)計(jì)在精度控制和復(fù)雜細(xì)節(jié)處理上的優(yōu)勢。因此，結(jié)合圖表數(shù)據(jù)可以得出結(jié)論，AIGC 技術(shù)適用于創(chuàng)意表達(dá)和初期概念設(shè)計(jì)，在高精度需求的工程模型階段仍需傳統(tǒng)設(shè)計(jì)方式的補(bǔ)充和優(yōu)化，以實(shí)現(xiàn)效率和質(zhì)量的平衡。在此過程中AI3D 模型能夠?yàn)楣こ棠Ｐ偷臉?gòu)建提供了極大便利，如圖11。

結(jié)語

本研究結(jié)合 AIGC 技術(shù)和模糊綜合評判法，探索了自動化設(shè)計(jì)在座椅造型設(shè)計(jì)中的應(yīng)用，結(jié)論表明AI 與設(shè)計(jì)師的結(jié)合設(shè)計(jì)才是最合理、可行性最高的一種設(shè)計(jì)方式。單一的AI 設(shè)計(jì)模式可控性低，而單一的人為設(shè)計(jì)又極大增加了時(shí)間與精力的消耗。那么二者結(jié)合所帶來的優(yōu)勢，特別是其在設(shè)計(jì)效率、可行性、渲染效果、材質(zhì)表現(xiàn)，以及美觀等方面的優(yōu)勢便尤為明顯。通過將 AI 介入設(shè)計(jì)流程與傳統(tǒng)設(shè)計(jì)流程對比，我們發(fā)現(xiàn)，AIGC 在草圖生成和設(shè)計(jì)迭代上顯著提高了工作效率，通過自動化生成和優(yōu)化設(shè)計(jì)方案，在短時(shí)間內(nèi)提供了多個(gè)創(chuàng)意和實(shí)用的設(shè)計(jì)選項(xiàng)，從而大幅縮短了設(shè)計(jì)周期。而在具體的座椅部件、形態(tài)造型曲線凹凸特征上，我們設(shè)計(jì)師又可以通過自己的手繪與設(shè)計(jì)能力去展現(xiàn)座椅具體細(xì)節(jié)部分的精準(zhǔn)控制。二者相結(jié)合便能夠高效精準(zhǔn)地產(chǎn)出相對滿意的設(shè)計(jì)方案。同時(shí)在渲染效果和材質(zhì)表現(xiàn)上，AI 能精確模擬和優(yōu)化座椅的材質(zhì)、質(zhì)感與視覺效果，滿足不同環(huán)境和操作需求，提供更加真實(shí)、精致的設(shè)計(jì)效果。AIGC 介入方案設(shè)計(jì)展示了其在叉車座椅設(shè)計(jì)中的創(chuàng)新性和優(yōu)勢，尤其在提高設(shè)計(jì)質(zhì)量和效率、縮短開發(fā)周期、優(yōu)化成本控制等方面，展現(xiàn)了其巨大的潛力和應(yīng)用價(jià)值。綜上所述，AIGC 技術(shù)不僅提高了叉車座椅設(shè)計(jì)的整體效率與質(zhì)量，還推動了設(shè)計(jì)過程的智能化和個(gè)性化發(fā)展，為工業(yè)設(shè)計(jì)領(lǐng)域提供了全新的視角和工具，代表了未來人與AI 共同設(shè)計(jì)創(chuàng)新的重要方向。