《Proceedings of the Design Society》：Rethinking design methods in the age of AI – consequences for practice, education, and research
编辑推荐：
本文提出了一种将设计方法整合至人机协同创造（Human–AI Co-Creation）的概念性框架，将设计方法重新界定为任务情境、程序逻辑与结果之间的中介结构。两个示例阐明了人工智能如何在不同自主性层级下既支持方法执行又支持方法选择。该框架凸显了其对透明度、可
本文提出了一种将设计方法整合至人机协同创造（Human–AI Co-Creation）的概念性框架，将设计方法重新界定为任务情境、程序逻辑与结果之间的中介结构。两个示例阐明了人工智能如何在不同自主性层级下既支持方法执行又支持方法选择。该框架凸显了其对透明度、可追溯性、责任归属与方法教育的影响，并为在人工智能密集环境中分析、讲授和发展基于方法的设计实践提供了结构化基础。
本研究背景源于设计研究领域长期致力于开发、验证并转化设计方法以付诸实践的核心自我定位。此类方法通过规定输入信息、执行动作与结果表征方式，助力产业界与教育机构更有效且高效地设计更优产品。然而，既有的方法应用隐含一个基本假设：设计方法需由个人或团队进行选择、理解、调整与应用。随着人工智能（AI）日益嵌入工程与产品开发流程，设计方法知识的应用方式正面临根本性变革。若AI系统需支持甚至自动化部分工程任务与决策，则有关方法的知识必须转化为AI系统可解读与执行的程序性指令，设计方法由此可能成为工程师与AI系统之间的沟通媒介。
研究人员指出，当前生成式AI虽快速渗透至产品开发过程（Product Development Process, PDP）的各阶段，支撑生成、评估与描述等重复性活动，但其应用仍呈碎片化态势，多聚焦于单个AI模型的能力展示而非系统整合。软件工程领域的经验表明，生产力提升并不等同于长期质量保障——自动生成的结果可能在句法层面正确却难以维护，导致后期修改与错误处理负担加剧。工程设计的初步观察亦揭示类似风险：概念或文档的快速生成无法保证可制造性、可追溯性或合规性。
基于此背景，研究人员开展了关于人机协同创造模式下设计方法整合的探究性研究，旨在识别并阐释工程师与AI系统基于设计方法执行工程任务的不同协作模式，进而构建AI情境下设计方法应用的初始框架，并据此推导未来方法教学、应用与研发的研究路线图。
该研究的核心技术方法包括：第一，基于人机交互（Human–Computer Interaction, HCI）领域的混合主动交互（mixed-initiative interaction）原则与人机协作团队（human–AI teaming）理论，区分了工程任务中AI自主性的四个层级——从基于人类的设计、增强型工程任务、自主工程辅助到人机协同设计；第二，融合设计任务理论（VDI 2221, 2019）、方法理论（Daalhuizen & Cash, 2021; Gericke et al., 2020）及人机协作模型（Ma et al., 2024），构建包含"设计任务情境""设计方法描述""结果"三大核心要素及"方法选择与输入""方法执行""结果检验与整合"三个过渡性过程的迭代循环框架；第三，通过两个示例加以阐释——示例一采用形态学盒法（morphological box），由ChatGPT 5.1 plus基于明确的方法指令执行工件夹持装置的概念设计；示例二针对概念选择决策任务，由同一AI系统基于模糊情境提议适宜的方法并说明所需信息。
研究结果部分，"2.1 工程任务中AI自主性层级"通过分析得出：AI自主性可从完全人类主导连续分布至AI主导决策，各层级在主动性、责任归属与解释权限上存在本质差异。"基于人类的设计"中所有步骤均为手动执行，数字工具仅作被动操作；"增强型工程任务"中工程师保留规划与决策的完全责任，AI自动化明确界定的子任务；"自主工程辅助"中工程师定义目标与约束，AI独立规划并执行子任务但保留人类最终决策权；"人机协同设计"中双方共同贡献于规划、综合、分析与决策，责任呈分布式协商特征。该分类为工程设计中既有AI应用提供了结构化定位透镜。
"2.2 将设计方法整合入人机协同创造的框架"提出：设计方法应用被概念化为迭代循环，三核心要素通过定向过渡连接。"设计任务情境"代表方法应用的情境出发点，包含问题分析、目标定义与约束识别；"设计方法描述"捕获方法本身的观念表征，包括核心思想、输入需求、程序步骤与预期输出；"结果"要素表征方法执行的具体产出，涵盖细节程度、结构组织与形式化水平。三要素间的过渡性过程确保方法应用非线性操作而是连续适应过程：从情境到方法描述的过渡涉及方法选择与输入准备；从方法描述到结果的过渡对应方法执行；从结果返回情境的过渡构成结果检验与整合。框架的显著特征在于各要素与过渡均可实现不同程度的人机责任分配，灵活性契合前述四层级自主性分类。
"3 人机协作示例"部分，"3.1 示例一：给定设计方法的AI支持执行"表明，在增强型工程配置中，由人类工程师定义设计任务情境与方法描述，AI执行形态学盒法。AI生成圆柱形工件夹持装置的部分解并构建形态学矩阵，随后生成解组合、进行兼容性检验并逐步变型。结论指出，形态学盒法作为内在操作性方法较适于AI支持执行，AI能够产生技术上合理且逻辑结构化的解变体，但功能优先级与解原理的论证较弱，因未获明确评价标准；AI未主动请求此类标准而仅严格循规执行，凸显了人机协同创造中人为监督与明确标准设定的核心挑战。
"3.2 示例二：协作识别适宜方法"表明，在概念阶段选择决策情境中，AI充当方法顾问角色，提出一组候选方法（如加权评分法、成本效益分析、AHP、Pugh矩阵等）。结论指出，虽然提议与常见评价实践一致，但标准规格化与优先级设定仍依赖人类专业知识；任务描述的非特定性限制了AI提议的情境精度，AI主要作为通用方法顾问运作而未能充分情境化。评价标准的具体化与优先级排序仍须依赖人类判断与任务细化，强调了AI支持方法选择中人类判断的持续必要性。
讨论部分，研究人员承认本研究贡献具有概念性与探究性，所提框架尚未经多领域、多任务或多AI系统配置的实证验证，示例旨在阐释框架适用性而非提供有效性或效率证据。框架对具体AI技术保持中立，聚焦于任务情境、方法与结果间的结构关系，未深入探讨组织、伦理或法律层面，亦未考量设计实践长期效应如技能发展、角色分配或决策问责的变化。
研究路线图涵盖三个方向：方法建模方面，需探索使设计方法更明确结构化呈现的建模途径，平衡AI执行所需的规范化程度与设计师所需的灵活性、可解释性和情境适应性；方法教育与传播方面，需培养学生将方法视为推理与协调引导结构而非固定程序食谱，涵盖批判性选择适配方法、将方法逻辑转化为AI可执行指令、评价AI生成输出的正确性与可追溯性等能力，建议纳入AI支持设计情境使学生体验不同自主性层级；方法发展与验证方面，需扩展传统评价方法以考量交互情境作为方法应用的组成部分，纳入透明度、鲁棒性、错误容忍度、对设计师认知与决策质量的影响、生成物长期可维护性等标准，并通过纵向研究探索持续AI支持方法使用对设计能力、组织学习与方法素养的影响及过度依赖等风险。
研究结论部分翻译如下：本文提出了一种分析设计方法如何整合入工程任务中人机协同创造的初始概念性框架。通过围绕设计任务情境、方法描述和结果结构化方法应用，并将其与不同AI自主性层级关联，该框架为责任、主动性和解释权限在人与AI系统间的分配提供了连贯视角。示例阐释展示了该框架如何用于描述AI支持方法执行与方法选择的具体配置，从而贡献了一种结构化分析透镜而非规定性方法应用模型。尽管存在局限性，该框架为更聚焦的实证研究奠定了基础，以探索AI参与工程任务情境下方法表征、教学和评价方式的渐进转变。
