人工智能協同設計中“人機對齊”教學研究

摘要：人工智能與設計師協同設計是未來設計的重要發展趨勢，其中“人機對齊”是關鍵議題。文章探索在教學中實現人工智能的“技術認知對齊”與“設計流程對齊”的協同訓練：通過CycleGAN模型生成視覺符號，由設計師主導創意與方案優化，實現人機在設計目標與創意邏輯上的深度對齊。研究旨在驗證在教學層面學生參與個人訓練模型過程可提升人機協同效率，并提出“人機對齊”的教學改革方向，側重培養學生“技術認知、創意干預、全流程協作”的能力，塑造適應智能時代的設計師角色定位。文章為解決人機協同語義鴻溝、推動設計智能化轉型及人才培養模式創新提供了基于“人機對齊”的教學改革思路與實踐路徑。

關鍵詞：人工智能；協同設計；教學；人機對齊；CycleGAN

中圖分類號：TP18" "文獻標識碼：A

文章編號：1009-3044（2025）18-0154-03

開放科學（資源服務） 標識碼（OSID）

0 引言

隨著人工智能技術的飛速發展，其在視覺生成方面展現了卓越的生產能力，人工智能已超越傳統工具的角色，AI正逐漸展現出作為協作者的潛力[1]。人工智能以“協作者”身份與設計師進行協同設計，提升設計效率的同時也拓展了設計師的思維，人機協同設計將是未來設計不可逆轉的發展方向。

目前，眾多學者已關注到人工智能卓越的設計生產能力，并嘗試從不同角度進行研究。Wang等[2]嘗試通過風格遷移進行文化遺產相關圖案設計；張安華等[3]利用人工智能大模型進行了民國時期的紋樣設計；曾真、孫效華[4]嘗試將StyleGAN2應用于座椅形態或服裝設計。隨著通用大模型的進步，設計師與人工智能的協同設計又向前邁進了一大步。

然而，在設計教育場景中，協同設計教學略顯不足。傳統教學模式依賴教師經驗與知識的單向傳遞，難以應對培養學生與智能工具協同能力的復雜需求。學生在面對“人工智能概念”學習時，往往感到內容過于抽象，空洞的理論解釋及過程參與的缺失，會導致認知模糊。通用大模型的訓練成本過高[5]，不適用于教學。小型個人訓練模型的引入為設計學方向的教學改革提供了新思路，其定制化訓練過程，如數據預處理、網絡架構優化、損失函數調整等，可轉化為實踐教學模塊，幫助學生理解AI技術邏輯；而“AI生成、設計師對齊”的協同模式則為構建“技術認知、創意干預、全流程協作”的教學體系提供了實踐框架。

本研究以《新華日報》獎杯設計為實踐課題，通過CycleGAN[6]模型展開模塊化訓練教學，并引入人機協同設計實踐推動教學改革。研究旨在解決兩大核心問題：其一，如何通過個人訓練模型的開發過程，實現學生對AI的技術認知對齊；其二，如何通過教學干預，培養學生在智能工具輔助下的創意主導能力與審美判斷素養。通過構建“技術賦能、認知適配、教學轉化”的三位一體框架，為智能時代的設計教育提供新的方法論，推動學生實現從“工具使用者”向“人機協同設計者”的角色轉型，最終塑造具備中國式現代化視野的設計師人才：既能駕馭AI技術進行高效生產，亦能在文化語義解讀、設計策略決策等核心環節發揮設計師的創意優勢，實現技術理性與人文價值的深度“人機對齊”[7]。

1 教學背景介紹：核心技術與協同流程概述

技術認知對齊：課程首先進行理論與概念的講解，包括AIGC的發展歷史，以及其中幾個重要節點，如CNN卷積[8]等，并重點解釋本次課程中所用的技術名詞。

作為深度學習領域的創新成果，生成對抗網絡（GAN） 由Goodfellow等[9]于2014年提出，各種衍生GAN模型隨之出現。其核心突破在于克服了傳統圖像轉換模型對成對訓練樣本的依賴，實現了非成對圖像在不同域之間的自由轉換[10]。CycleGAN相較于GAN的獨特之處在于其引入了循環一致性損失函數，這一機制確保圖像轉換過程的可逆性，從而允許轉換后的圖像通過反向網絡盡可能恢復至其原始狀態[11]，實現了一種動態的圖像域變換平衡。

CycleGAN模型主要由兩組生成器與判別器構成，生成器與判別器分工明確：一組負責將源域圖像轉換為目標域，另一組則執行相反的轉換任務[12]。生成器的目標是產生逼真的目標域圖像，而判別器則嘗試區分真實圖像與生成器產生的圖像。通過這種對抗訓練，生成器逐漸學會生成高質量、難以區分的圖像。

設計流程對齊：介紹人機協同設計流程。本次教改引入《新華日報》獎杯設計為實踐項目，旨在使學生明確智能時代下設計師的角色定位及設計師如何與AI協同設計，同時在學習人工智能設計的過程中結合思政教育，讓學生了解江蘇的紅色文化。

人機協同設計流程具體如下：設計師首先接收CycleGAN模型生成的初步視覺素材，再結合人工智能平臺（如KIMI等） 完成符號提取提示詞與參考圖準備工作，接著融入個性化語義，結合AI視覺生成平臺（即夢） 生成創意刺激方案。設計師對視覺方案進行調整和修改，使其更符合設計要求，并最終通過打樣和迭代實現方案的深度完善。這種人機協同設計模式可以充分發揮人工智能和設計師各自的優勢，從而提高設計內容的生產質量和生產效率。

2 認知對齊：教學中AI技術認知適配

2.1 數據收集與處理

教學首先組織學生分組進行數據收集與處理工作，該階段涉及對1 000張獎杯圖像數據集的收集與預處理，以供模型訓練使用。此過程旨在幫助學生理解包括圖像的數字化、歸一化[13]以及數據增強等概念。訓練過程中，要求學生所搜集的圖像應保證清晰度和細節的保留，為后續工作提供高質量的原始數據。搜集完成后，將所有獎杯圖像通過Photoshop結合PS動作功能調整至統一的尺寸和色彩空間，以減少模型訓練過程中的偏差，并提高算法的收斂速度。教學中強調，在數據預處理階段通常注重保持圖像原始風格特征，以便在后續風格遷移過程中能夠更好地捕捉和再現這些特征。

2.2 模型訓練

在獎杯設計AI模型訓練教學實踐中，針對教學場景中缺乏成對訓練數據的特點，通過非配對圖像轉換機制，使學生能夠利用1 000張互聯網搜集的獎杯圖像完成跨域特征學習。

教學數據預處理階段：首先將圖像素材按9∶1比例劃分，其中訓練集為900張，驗證集為100張。對于目標域圖像樣本中風格數量較少的部分，施加鏡像翻轉、有限角度旋轉等數據增強操作，確保各風格樣本量差異不超過15張，并將所有圖像統一規范化為256×256像素，同時實施亮度調節，以提升模型對光照變化的魯棒性[14]。

模型架構設計：教學目標中，生成器采用編碼器、殘差塊、解碼器結構，其中9個殘差塊通過跳躍連接以維持特征完整性，編碼器通過三層步長卷積實現特征壓縮，解碼器則利用反卷積逐步恢復空間分辨率。判別器采用基于局部感知的PatchGAN[15]架構。通過動態保存模型快照與損失曲線可視化，引導學生觀察生成器與判別器之間的博弈平衡過程。

漸進式實踐任務：初期通過固定超參數簡化調試復雜度，中期引入學習率衰減策略（每50個epoch[16]降低10%） 解析優化動態，后期組織生成效果對比分析。針對常見訓練異常，建立典型問題響應機制；遇到風格遷移不完全時，調整特征匹配層權重。通過全過程的參與，實現認知適配，達到人工智能技術的“認知對齊”，為后續生成式AI創新應用奠定“技術認知”基礎（見圖1） 。

3 流程對齊：教學中AI與設計師創意協同與設計協同

3.1 AI語義符號提取：奠定視覺基因庫

在探索人工智能與設計融合的新境界時，教學中將學生自身訓練的模型與實際項目相結合，將設計師的經驗與人工智能的能力進行對齊。以設計項目《新華日報》獎杯為題，學生使用百度DEEPSEEK滿血版、豆包（深度思考） 、KIMI（k1.5） 分別對《新華日報》進行視覺語義提取，總結獲得13個核心視覺創意符號（D1毛澤東題寫報頭、D2創刊號元素、D3鋼筆、D4攝像機/鏡頭、D5活字印刷元素、D6木刻版畫、D7新聞漫畫、D8數據可視化圖表、D9報頭與標題字體、D10版面布局、D11色彩體系、D12雕塑《號角》、D13原型意象） 。經過小組討論，將D3鋼筆符號與報紙形象結合，其中鋼筆形態與報紙卷曲形象可以形成同構。人機完成“創意對齊”的過程。緊接著，挑選CycleGAN獎杯模型中形象與鋼筆高度相似的若干素材。

3.2 “即夢”AI生成：創意刺激與初稿快速孵化

教學引入“即夢”AI設計平臺，即夢AI設計平臺支持基于文本描述和參考圖像生成視覺方案，能夠快速生成多樣化的設計初稿，為設計師提供創意啟發。學生首先輸入CycleGAN模型生成的合適獎杯圖像作為圖生圖的參考圖片，并以AI提取的符號特征形成文本提示詞（prompt） ，運用KIMI提升詞生成功能反復調試迭代，生成風格化初稿。

操作要點：為每個符號設定權重（如“鋼筆”權重60%、“報紙”40%） ，并反復嘗試，引導AI優先融合核心符號；調節“風格強度”參數（0～100） ，生成從“輕度復古”到“極致抽象”等梯度方案。典型方案如“鋼筆+報紙”融合版AI生成優勢，通過AI自動匹配金屬質感材質（如粗糙度、反射率等） ，呈現報紙卷曲與鋼筆筆尖的幾何呼應，保留歷史符號的厚重感。

3.3 PS 二維細化：符號精準化與風格校準

設計師通過 PS 主導并完成視覺矯正：1） 比例重構使用 Photoshop 的“透視變形工具”來調整長寬比例；2） 符號強化用“鋼筆工具”手動繪制鋼筆出水孔，疊加“雜色”濾鏡模擬金屬銹蝕紋理，以增強歷史感；在報紙形象中添加“漸變疊加”，模擬氧化效果，匹配“歷史厚重感”標簽。風格調性統一莊重方案，設計師通過“色彩平衡”將整體飽和度降低，匹配《新華日報》“莊重感”標簽。

3.4 三維合成與工程化驗證

Blender 建模與結構優化：通過幾何建模將 PS 處理后的二維方案導入 Blender，使用“細分曲面”工具生成 3D 模型，重點優化握持部位；加載即夢 AI 生成的金屬紋理貼圖，調整法線參數使銹蝕效果更自然，完成材質映射，同時確保 3D 打印時的結構可行性，如壁厚 ≥2mm。獎杯總高度控制在 20～25 cm，以保證尺寸在手持舒適區間。接著通過 Keyshot 軟件渲染與細節微調，將模型導入渲染多光源場景，輸出多角度效果圖；設計師手動添加“新華日報報頭浮雕”。最后用 3D 打印與實物驗證閉環，實現快速原型制作（圖2） 。

3.5 教學總結：工具導向的人機協同本質與設計師角色定位強化

設計師在人機協同中承擔“語義注入、倫理審查、創意決策”的核心作用，而非僅為“調整視覺符號”。通過“AI 語義提取、即夢創意生成、PS 視覺校準、三維工程化、3D 打印驗證”的全流程工具鏈協作，設計師的核心價值體現在：

語義注入與創意決策：設計師需將用戶個性化需求（如紅色文化敘事需求） 轉化為 AI 可識別的語義標簽，結合 CycleGAN 生成的視覺符號進行文化語義適配。

符號意義的守護者：確保 AI 生成不偏離文化內核，成為創意邊界的劃定者，通過參數設定告知 AI，如：“歷史符號所占百分比”“莊重感”等于低飽和度加對稱構圖等；

倫理審查與用戶反饋整合：“人機對齊的可解釋性”，要求學生通過用戶訪談、焦點小組等方式收集反饋，修正 AI 生成結果，體現“設計師作為價值把關者”的角色。

工程落地的決策者：在 AI 提供的創意可能性中，選擇既符合審美又能實際制造的方案，如排除底座過細的設計。這種模式讓技術工具成為設計師的“延伸之手”，而人類的文化理解與價值判斷始終是驅動設計的核心引擎，真正實現“AI 高效生產，人類賦予靈魂”的協同目標[17]。

4 討論

4.1 “人機對齊”視域下的協同設計范式重構

在《新華日報》獎杯設計教學實踐中，人機協同設計通過“技術賦能到創意校準到價值注入”實現了設計的閉環機制，進行了AI與設計師深度對齊的教學訓練嘗試，并構建“機器高效生成、人類價值掌舵”的新型創作模式。這一過程既依托AI的大規模數據處理與風格生成能力，更凸顯設計師在語義解構、文化校準與創意決策中不可或缺的主導作用，最終達成實現技術理性與人文價值有機統一的教學目標[18]。

4.2 “人機對齊”的核心機制：從“技術驅動”到“意義共構”

（1） 語義層對齊：符號體系的雙向轉譯

AI的“數據翻譯”即通過AI模型提取《新華日報》核心視覺符號（如鋼筆、號角、木刻版畫等） ，轉化為包含色彩、輪廓、文化標簽的結構化語義向量，為學生提供了運用AI完成“視覺基因”的方法及經驗轉化。

讓學生理解智能時代設計師在人機協同中的“語義注入、倫理審查、創意決策”核心作用。設計師作為“意義錨定”即建立符號權重表（如歷史符號占比） ，標注強化文化屬性（如：“鋼筆”關聯“新聞創作傳統”） ，確保AI生成不偏離設計目標的文化內核。

（2） 流程層對齊：工具鏈的分工協作

充分發揮AI的“效率引擎”效能，即夢AI平臺批量生成多風格初稿，覆蓋寫實、極簡、復古等維度，釋放創意可能性空間；CycleGAN技術實現無配對數據的風格遷移，解決傳統設計中素材依賴的局限，激發設計師的創意思維[19]。設計師覺醒“決策中樞”定位，在PS中修正比例失衡、強化符號細節，在Blender中優化三維結構，3D打印驗證可行性，完成從“數字生成”到“實物落地”的關鍵校準。

4.3 價值層對齊：文化內涵的深度注入

AI的“模式復制”即通過數據學習，AI自動匹配金屬質感、銹蝕紋理等視覺特征，呈現“歷史厚重感”等基礎調性。加上設計師的“情感賦能”，如添加“創刊號元素”等敘事性符號，將“鋼筆、報紙”從單純視覺組合升華為“書寫記錄到輿論發聲”的文化隱喻，賦予技術生成方案以深層意義。

參考文獻：

[1] 楊川.人工智能藝術設計光暈的持續[J].工業工程設計，2020，2（1）：43-48.

[2] WANG T X，MA Z Q，ZHANG F，et al.Research on wickerwork patterns creative design and development based on style transfer technology[J].Applied Sciences，2023，13（3）：1553.

[3] 張安華，王淑賢，張迪雅，等.南京民國建筑基因提取及智能輔助創新設計研究[J].包裝工程，2024，45（10）：302-314.

[4] 曾真，孫效華.基于增強智能理念的人機協同設計探索[J].包裝工程，2022，43（20）：154-161.

[5] LI X， YAO Y， JIANG X， et al. FLM-101B： An Open LLM and How to Train It with $100K Budget[EB/OL].（2023-09-06）[2025-05-17].https：//arxiv.org/abs/2309.04564.

[6] YANG S，LING F H，LUO J J，et al.Improving the seasonal forecast of summer precipitation in southeastern China using a CycleGAN-based deep learning bias correction method[J].Advances in Atmospheric Sciences，2025，42（1）：26-35.

[7] 徐英瑾.“人機對齊問題” 對DeepSeek提出的哲學挑戰：以“前見—偏見” 關系為切入點[J].江海學刊，2025（3）：108-119，256.

[8] 武一，贠世林.C-T Net：融合CNN和Transformer的遙感圖像變化檢測模型[J/OL].華東師范大學學報（自然科學版），2025：1-12.（2025-04-18）[2025-04-30]. https：//kns.cnki.net/kcms/detail/31.1298.N.20250418.1112.002.html.

[9] 黃鵬，蔡露，陳彬，等.基于DCGAN和改進YOLOv5s的鋼絲簾布缺陷檢測方法[J].電子測量技術，2024，47（3）：144-155.

[10] 閆寒.時尚圖像的可控生成算法研究[D].哈爾濱：哈爾濱工業大學，2024.

[11] ZHU J Y，PARK T，ISOLA P，et al.Unpaired image-to-image translation using cycle-consistent adversarial networks[C]//2017 IEEE International Conference on Computer Vision （ICCV）.October 22-29，2017，Venice，Italy.IEEE，2017：2242-2251.

[12] GATYS L，ECKER A，BETHGE M.A neural algorithm of artistic style[J].Journal of Vision，2016，16（12）：326.

[13] 李浩，苗壯，王昊琪，等.基于多域故障傳播的中央空調系統可維修性設計評價[J].機械工程學報，2024，60（11）：191-204.

[14] GUO C L，LI C Y，GUO J C，et al.Zero-reference deep curve estimation for low-light image enhancement[C]//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）.June 13-19，2020，Seattle，WA，USA.IEEE，2020：1777-1786.

[15] 黃文韜，桂彥，潘祖望.目標尺度自適應Transformer的圖像彩色化方法[J/OL].計算機輔助設計與圖形學學報，2025：1-13.（2025-04-03）[2025-04-30]. https：//kns.cnki.net/kcms/detail/11.2925.tp.20250403.1533.006.html.

[16] 申衛杰，王莉.基于判別性多特征融合的實體對齊算法[J/OL].太原理工大學學報，2025：1-13.（2025-06-06）. https：//kns.cnki.net/kcms/detail/14.1220.N.20250606.1004.002.html.

[17] 林松柏.基于能力范式的教學改革理論創新和實踐[M].北京：科學出版社，2023.

[18] 吳冠軍.再見智人[M].北京：北京大學出版社，2024.

[19] 楊川，唐藝.人工智能技術介入視覺傳達設計專業課程思考：以文字與版式設計課程為例[J].南京開放大學學報，2024（4）：51-58.

【通聯編輯：唐一東】