人工智能使用越多意味着设计越差？来自设计教育的实证洞见

《Proceedings of the Design Society》：More AI means less design? Empirical insights from design education

　　

产品开发日益整合生成式人工智能（AI）工具以提升创造力和效率。然而，这些工具对结构化设计工作（尤其是方法应用及最终设计方案）的实际影响仍不明确。研究人员考察了（1）方法应用质量对（2）产品概念质量的影响，同时纳入了（3）诸如AI使用等潜在混杂因素。统计分析显示，方法应用质量与产品概念质量呈正相关，而较高的AI使用与两者均呈负相关，表明AI应用在目前仍存在效用局限性。

研究背景与问题

产品开发方法旨在帮助工程师系统地创造创新、可行且面向用户的产品，通过结构化指引将需求转化为设计方案、支持决策并降低开发不确定性。然而，许多工程师在实际工作中更依赖直觉或经验而非结构化方法，因此这些方法对产品真实质量的影响长期存在争议。与此同时，生成式人工智能（generative AI，简称AI）的迅猛发展正在改变工程实践与设计教育，在软件相关领域中已展现出明显优势，但在需要物理推理、抽象思维与多目标权衡的机电或硬件设计领域，其效用似乎更为有限。由此产生关键问题：AI是否会增强或削弱既有产品开发方法所追求的严谨性？现有研究多分别考察AI工具的设计效用或方法应用与学习效果的关系，尚缺乏对AI使用与方法应用质量、设计成果之间关系的系统量化。为此，研究人员在基于项目的本科工程教学环境中，探讨方法应用质量与产品概念质量之间的关联，并将AI使用、感知有用性等因素作为潜在中介变量或混杂因素加以控制。该论文发表于《Proceedings of the Design Society》。

研究设计与主要技术方法

研究对象来自2025年夏季学期一门产品开发课程的149名本科生，组成49个三人团队。各团队依据客户需求设计一套灌装系统，课程以慕尼黑产品具体化模型（Munich Product Concretization Model，MCM）为教学框架，指导学生依次完成七种方法：需求获取、功能建模、工作原理分析、形态学矩阵、概念管理、实体化设计和需求验证。数据具有学生、方法和团队三个层级，分别收集个体先验知识与AI就绪度、每次方法应用的评分与感知变量、以及外部评审团对产品概念的标准化打分。主要变量包括评审团评分（J）、方法评分（M）、AI使用频率（AIu）、感知方法有用性（U）、挫败感（F）、重复使用意愿（R）、时间投入（T）以及自评和经评估的AI就绪度与方法知识。在数据分析层面，研究人员使用Python进行描述性和推断性统计，将方法层面变量聚合到学生层面，采用Pearson与Spearman相关分析评估变量关联，并以Benjamini–Hochberg错误发现率（false discovery rate，FDR）校正多重比较，依据Cohen's d划分效应量大小。

研究结果

描述性统计显示，样本共收集786份个体方法评价，平均每位学生完成6.2次方法应用；产品概念质量J均值为16.7分，方法应用质量M均值为16.2分，AI使用处于较低水平，方法感知有用性中等，挫败感中等而重复使用意愿较高。在假设检验中，相关分析支持假设1：方法评分M与评审团评分J呈显著正相关（r = 0.45，p_FDR < 0.001），效应量为中等，表明更严谨、更规范的方法应用与更高评价的产品概念相关联。针对假设2，AI使用AIu与方法评分M呈显著负相关（r = ?0.30，p_FDR < 0.01），与产品概念质量J呈弱负相关（r = ?0.26，p_FDR < 0.05），说明更高的AI使用频率与方法执行和设计结果较弱均有关联。此外，感知有用性U、挫败感F与重复使用意愿R三者之间形成一致且稳健的相关簇（|r| ≥ 0.48，p_FDR < 0.001）：挫败感越高，感知有用性与重复意愿越低；有用性与重复意愿则正相关。定性意见进一步显示，学生认为需求获取与功能建模有助于系统理解问题，形态学矩阵和失效模式与影响分析（failure mode and effects analysis，FMEA）等结构化方法较受欢迎，而实体化设计等具体阶段耗时费力；AI在文档整理、术语澄清和风险列举等辅助任务中较有用，但在需要物理推理的工作原理阶段效用最低。

讨论与意义

研究人员认为，方法应用质量是设计教育情境下概念质量的重要相关因素，肯定了结构化方法训练的价值。同时，AI使用与两类质量指标均呈负相关，这一意外发现可能与当前AI工具尚难以嵌入需要抽象、问题建构与迭代推理的早期概念设计有关。在编程、数据分析或翻译等领域，AI已带来明确效率提升，但概念设计任务的认知特征使其难以直接受益。感知变量之间的内部一致性也为数据稳健性提供了支持。实践层面，研究强调应在设计教育和工业流程中引导式、反思性地整合AI，避免学生或设计人员不经批判地依赖AI输出。具体而言，教学不仅要训练提示工程，更要明确AI在方法论框架中的适用边界；企业则应把AI实施与方法培训、可追溯的决策过程相结合，防止过早收敛和表面推理。

局限性与研究结论

本研究属于相关研究，不能确立因果关系；样本来自单一学期，评审团评分和自我报告变量可能存在主观偏差，教学情境下的竞争目标与时间压力也可能不同于真实工业环境。未来研究可通过扩大样本、收集纵向数据、结合行为日志，并采用有向无环图（directed acyclic graph，DAG）或结构方程模型（structural equation modeling，SEM）揭示因果结构。研究结论指出：方法应用质量与产品概念质量呈正相关，为结构化设计教育的核心假设提供了量化证据；与此同时，AI使用与二者均呈负相关，反映出当前AI在概念设计领域的成熟度仍然有限。随着AI模型在设计推理、问题框架和物理约束理解方面的持续进步，其支持创造性工程工作的潜力将迅速提升。但在现阶段，无结构或补偿性的AI使用可能伴随较弱的方法应用，强调了将AI工具以引导、反思方式整合进设计教育与实践的必要性。