这篇文章探讨了一个非常有趣且紧迫的矛盾：在建筑教育中，我们该如何既教会学生使用强大的"AI 绘图工具”，又不让这个过程把地球“烧坏”？
作者提出，我们需要用一种叫**HCI（人机交互）的视角来解决这个问题。为了让你更容易理解，我们可以把整篇文章想象成“教人开赛车”**的故事。
1. 核心矛盾：想学赛车，但引擎太费油
- 现状：现在的建筑设计师（就像赛车手）发现了一种超级厉害的"AI 赛车”（生成式 AI）。它能帮设计师快速画出很多种建筑草图，甚至能模仿大师的风格。
- 问题：学校开始教学生怎么用这个 AI。但是，要真正学会怎么“批判性地”使用它（比如知道什么时候该用，什么时候不该用），学生就必须大量地去使用它。
- 矛盾点：这就好比你想教学生如何环保地驾驶，却不得不让他们不停地踩油门来练习。更糟糕的是，目前没人知道踩一脚油门（运行一次 AI）到底消耗了多少“燃油”（电力和碳排放）。老师们只能凭感觉决定教多少，这很不科学。
2. 解决方案：HCI 视角的“三件法宝”
作者认为，人机交互（HCI）领域有一套现成的方法，可以帮建筑教育解决这个“费油”的难题。他提出了三个具体的改进方向：
法宝一：给 AI 装上“实时油耗表” (情境化生态反馈)
- 比喻：现在的 AI 生成图片就像一辆没有仪表盘的车。设计师为了得到一个完美的建筑图，可能会反复修改提示词（Prompt）几十次，就像在原地空转引擎，消耗了大量电力却看不见。
- HCI 的解法：我们需要给 AI 设计一个**“实时油耗表”**。
- 在学生点击“生成”之前，先告诉他们：“这次操作大概会消耗多少电，相当于开了多少公里。”
- 更重要的是，这个表要有对比。比如告诉学生：“用 AI 改 10 次图，可能比你自己用传统软件画 1 小时还要费电。”
- 目的：让学生意识到每一次点击都有“环境成本”，从而更聪明地思考，减少无意义的重复操作。
法宝二：大家一起画“驾驶地图” (参与式界定责任)
- 比喻：现在学校教 AI，往往是老师拍脑袋决定：“我觉得 AI 很重要，所以我们要多教。”但这就像在没有地图的情况下教人开车，不知道终点在哪，也不知道路上有什么坑。
- HCI 的解法：我们需要把所有人都拉上车，一起商量怎么教。
- 参与者不仅要有老师和学生，还要有未来的客户、工程师、甚至 AI 开发者。
- 大家一起讨论：到底什么是“负责任的 AI 教育”？我们需要培养什么样的能力？
- 目的：不再由少数人决定，而是通过大家共同讨论，明确教育的边界和责任，避免盲目跟风。
法宝三：把“发电厂”也变成设计课 (跨学科关注数据中心)
- 比喻：AI 就像一辆车，但大家只关心怎么开车（设计建筑），却完全忽略了车背后的发电厂（数据中心）。这些数据中心是 AI 的“心脏”，它们消耗巨大的能源，产生大量热量，但建筑师们通常不关心怎么设计这些工厂。
- HCI 的解法：建筑教育不能只教怎么画图，还要教学生去设计AI 的基础设施。
- 建筑师应该学习如何设计更环保的数据中心（比如利用废热、融入城市景观）。
- 目的：把 AI 不仅仅看作一个“画图工具”，而是看作一个社会技术系统。建筑师不仅要设计房子，还要参与设计支撑 AI 运行的“物理世界”，让科技和自然更好地共存。
总结
这篇文章的核心思想是：
不要只把生成式 AI 当作一个新工具（像一把新锤子）去用或扔掉。
应该把它看作一个复杂的社会过程（像一座正在建设中的城市）。
建筑教育需要引入人机交互（HCI）的思维，通过看清能耗（油耗表）、大家共同商量（画地图）以及关注基础设施（设计发电厂），来确保我们在拥抱 AI 的同时，不会把地球的环境给“透支”了。
基于 Alex Binh Vinh Duc Nguyen 的论文《人机交互视角下可持续生成式人工智能在建筑设计教育中的整合》（An HCI Perspective on Sustainable GenAI Integration in Architectural Design Education），以下是该论文的详细技术总结：
1. 研究问题 (Problem)
论文指出了建筑设计教育中引入生成式人工智能（GenAI）所面临的一个核心悖论：
- 教育需求与环境影响的冲突：为了让学生能够批判性地评估和掌握 GenAI 工具，教育课程必须让学生更密集地使用这些工具。然而，GenAI 的频繁使用会产生巨大的计算开销和碳排放，且目前缺乏在教学情境下估算其环境成本的有效方法。
- 决策依据的缺失：由于缺乏标准化的环境成本评估工具，教育者在决定课程整合程度时，往往只能依赖个人的信念或态度，而非客观数据。这导致课程设计缺乏统一标准，且可能无意中加剧了技术的环境负担。
- 认知的局限性：目前的讨论多集中在 GenAI 作为“设计工具”如何改变实践，而忽视了其作为“社会 - 技术过程”的复杂性，特别是其背后的基础设施（如数据中心）对环境的深远影响。
2. 方法论 (Methodology)
作者提出将人机交互（HCI） 研究作为一个方法论透镜（Methodological Lens），用于解决上述矛盾并指导可持续的 GenAI 教育整合。
- 核心逻辑：利用 HCI 在分析社会 - 技术系统、设计支持反思性决策的交互机制、以及通过参与式方法让利益相关者参与等方面的成熟经验。
- 研究路径：论文并未进行具体的实证实验，而是通过理论构建，提出了三个基于 HCI 知识的具体方向，旨在重新定义建筑设计教育中 GenAI 的整合策略。
3. 关键贡献 (Key Contributions)
论文提出了三个基于 HCI 的改进方向，以推动 GenAI 在建筑教育中的可持续整合：
A. 提供主动且情境化的生态反馈 (Proactive and Contextual Eco-feedback)
- 现状问题：建筑师在使用 GenAI 生成图像时，通常需要进行多次提示词（Prompt）迭代和重构，这一过程产生大量不可见的计算成本。
- 解决方案：开发主动的生态反馈机制。
- 事前可视化：在执行生成任务前，预估并可视化其环境成本。
- 辅助优化：帮助设计师在早期阶段更有效地优化提示词，减少不必要的迭代。
- 情境化对比：反馈不应是孤立的指标，而应置于建筑实践的背景下。例如，将 GenAI 工作流的环境成本与传统的“手动 3D 建模和渲染”进行对比，同时考虑迭代次数、输出质量要求和设计阶段等因素，使反馈具有可操作性。
B. 利益相关者参与以界定教育责任 (Participatory Stakeholder Scoping)
- 现状问题：GenAI 教育内容的整合往往基于“技术将颠覆行业”的假设，但具体影响范围和程度尚不明确，导致课程设计依赖个人主观判断。
- 解决方案：利用 HCI 的参与式设计方法，让多方利益相关者共同定义“负责任的 GenAI 教育”。
- 参与主体：不仅包括建筑师、工程师、客户等建筑 sector 内部人员，还应纳入人本 AI 研究人员、AI 开发者、学生和教育者。
- 核心目标：明确哪些价值观处于风险之中，谁受到特定教育选择的影响，以及课程应优先培养哪些能力。
- 研究问题：将“责任范围”（即哪些群体直接或间接受 GenAI 整合影响）本身作为一个待研究的课题，而非预先假设。
C. 将数据中心设计重构为跨学科焦点 (Reframing Data Centre Design as an Interdisciplinary Focus)
- 现状问题：建筑教育通常关注 AI 如何改变设计实践，却忽视了建筑实践如何反过来影响 AI 基础设施（如数据中心）的可持续性。数据中心在建筑课程中处于边缘地位。
- 解决方案：建立 HCI 与建筑学的跨学科交叉点。
- HCI 的贡献：提供利益相关者参与、运营透明化以及向受影响社区传达基础设施影响的方法。
- 建筑学的贡献：提供空间、材料和城市设计的专业知识。
- 目标：培养建筑师参与设计更可持续的数据中心（如废热回收、水资源管理、融入城市公共空间等）的能力，将 AI 基础设施视为一种环境、城市和社会基础设施。
4. 结果与发现 (Results & Findings)
- 理论发现：GenAI 不应仅仅被视为一种新的设计工具（用于采纳或拒绝），而应被理解为一个必须经过批判性分析、设计和治理的社会 - 技术过程。
- 教育启示：当前的教育应对措施虽然必要，但若不加反思地增加工具使用，会加剧环境负担。通过引入 HCI 视角，可以在不牺牲批判性思维训练的前提下，降低环境成本。
- 实践路径：通过情境化反馈、参与式范围界定和跨学科基础设施设计，可以构建一个更加平衡、透明且负责任的 GenAI 教育框架。
5. 意义 (Significance)
- 对建筑教育的意义：为设计学校提供了一套具体的方法论，帮助其在拥抱新技术的同时，解决“使用即污染”的伦理困境，培养具备环境意识和批判性思维的未来建筑师。
- 对 HCI 领域的意义：展示了 HCI 方法在处理新兴技术（如 GenAI）的可持续性挑战中的关键作用，特别是将技术评估从单纯的“效率/性能”扩展到“社会 - 环境”维度。
- 对行业与社会的意义：
- 推动建筑行业从单纯的技术使用者转变为 AI 基础设施的负责任设计者。
- 通过参与式方法，确保 GenAI 的整合符合多元利益相关者的价值观，减少技术带来的社会偏见和环境不公。
- 为制定 GenAI 相关的教育政策和行业标准提供了理论依据，强调在技术快速迭代中保持对环境影响的持续监测和反思。
总结：该论文主张通过 HCI 的视角，将 GenAI 在建筑教育中的整合从单纯的技术技能培训，转变为一种涉及环境伦理、社会参与和基础设施设计的综合性批判性实践，从而在利用技术红利的同时，最大限度地降低其生态足迹。
每周获取最佳 computer science 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。