SuperSkillsStack: Agency, Domain Knowledge, Imagination, and Taste in Human-AI Design Education

该研究通过“超级技能栈”框架分析 80 个学生设计团队的反思，发现生成式 AI 主要作为认知加速器辅助设计早期阶段，而人类凭借能动性、领域知识、想象力和品味等核心能力在理解语境、验证输出及优化方案中发挥不可替代的关键作用。

要点

这篇文章主要探讨了在人工智能（AI）飞速发展的今天，设计教育应该如何培养学生，让他们既能用好 AI 这个“超级助手”，又不会丢掉人类独有的“核心灵魂”。

研究者通过观察 80 个学生设计团队，发现了一个名为"超级技能栈"（SuperSkillsStack）的模型。这个模型认为，要完美地驾驭 AI，人类需要掌握四种核心能力。

为了让你更容易理解，我们可以把设计过程想象成做一道米其林级别的创意料理，而AI就是那个拥有海量菜谱和极速切菜功能的“超级机器人助手”。

以下是这篇论文的核心内容，用通俗的语言和比喻来解释：

1. 核心观点：AI 是“加速器”，不是“替代者”

研究发现，学生们并没有把 AI 当作“自动做饭机”（直接扔给它指令就等着吃成品），而是把它当作厨房里的强力助手。

• AI 擅长：在刚开始做饭时，快速提供几十种菜谱灵感（头脑风暴），帮你把买回来的食材分类整理（信息合成），或者帮你快速起草一份菜单草稿（问题定义）。
• 人类擅长：决定这道菜到底要什么味道，尝一尝咸淡，最后决定这道菜能不能端给客人吃。

2. 四大“超级技能”详解

为了用好这个“机器人助手”，学生（也就是未来的设计师）需要修炼以下四种“内功”：

🧠 技能一：掌控力 (Agency) —— “你是主厨，AI 是帮厨”

• 比喻：就像主厨决定什么时候用切菜机，什么时候必须亲手切。
• 学生怎么做：学生们非常有主见。他们知道什么时候该用 AI，什么时候绝对不用。
  • 比如：在去菜市场（实地考察）观察顾客真正需要什么时，他们拒绝用 AI 瞎猜，因为 AI 没去过现场，不懂那里的烟火气。
  • 他们会主动尝试不同的 AI 工具，像试吃不同品牌的调料一样，挑出最好用的那个。
• 结论：人类必须掌握方向盘，决定 AI 什么时候上场，而不是被 AI 牵着鼻子走。

🗺️ 技能二：领域知识 (Domain Knowledge) —— “只有本地人懂本地菜”

• 比喻：AI 读过全世界所有的菜谱，但它没去过你所在的那个具体的菜市场。它可能会告诉你“这里需要辣椒”，但实际上那个地方的老人只吃清淡的。
• 学生怎么做：学生们利用自己去现场观察、采访用户的经验，去验证AI 说的话对不对。
  • 当 AI 生成了一张错误的地图或提出了一个不切实际的建议时，学生们能一眼识破：“不对，这里有个台阶，轮椅过不去，AI 你搞错了。”
• 结论：只有亲身经历过现场（领域知识），才能充当“过滤器”，把 AI 那些看似有理实则离谱的建议过滤掉。

💡 技能三：想象力 (Imagination) —— "AI 是灵感的火花塞”

• 比喻：当你想不出新菜式时，AI 能在一秒钟内给你 100 种“辣椒炒肉”的变体（比如加菠萝、加巧克力、加咖啡）。
• 学生怎么做：学生们利用 AI 来打破思维定势。AI 提出的奇怪想法可能一开始看起来很荒谬，但能激发学生想到更好的点子。
  • 学生说："AI 给了个很烂的开头，但正是这个烂开头，让我们想到了一个绝妙的新方向。”
• 结论：AI 负责“发散”（提供大量可能性），人类负责“收敛”（挑选并深化好的想法）。

🎨 技能四：品味 (Taste) —— “最后的试吃官”

• 比喻：AI 能做出 1000 道菜，但哪一道是真正好吃、有灵魂、适合今晚客人的？这需要品味。
• 学生怎么做：这是最关键的一步。学生们会拿着 AI 生成的方案，用人类的审美和逻辑去评判。
  • 他们会说：“这个方案虽然看起来很酷，但太贵了，或者不符合我们社区的文化，不行，删掉。”
  • 他们会把 AI 写的生硬文字，改写成有温度、有情感的语言。
• 结论：在 AI 能批量生产内容的时代，“判断什么是好东西”的能力（品味）变得比以往任何时候都重要。

3. 总结：人与 AI 的“双人舞”

这篇论文告诉我们一个好消息：AI 并没有取代设计师，它只是改变了设计师的工作方式。

• 以前：设计师可能要花 3 天查资料、想点子。
• 现在：AI 帮你在 3 小时内搞定资料和初步点子（加速器）。
• 但是：剩下的 3 天，设计师要花更多精力去实地考察、验证真伪、提升品味、做最终决策。

给教育的启示：
未来的设计教育，不应该只教学生“怎么操作 AI 软件”（就像教人怎么按微波炉按钮），而应该更强调如何像主厨一样思考：

1. 怎么指挥助手（掌控力）；
2. 怎么了解食材的产地（领域知识）；
3. 怎么把灵感变成创意（想象力）；
4. 怎么判断这道菜好不好吃（品味）。

一句话总结：
AI 是那个跑得飞快、力气很大的“超级助手”，但谁来决定去哪里、做什么、以及做得好不好吃，永远是人类设计师的核心使命。只有人类掌握了这四种“超级技能”，才能和 AI 跳出一支完美的双人舞。

技术摘要

论文技术摘要：SuperSkillsStack 框架下的人机设计教育

论文标题：SuperSkillsStack: Agency, Domain Knowledge, Imagination, and Taste in Human-AI Design Education
作者：Qian Huang, King Wang Poon (新加坡科技设计大学)

1. 研究问题 (Problem)

随着生成式人工智能（Generative AI）迅速重塑创意实践和知识工作，设计教育面临核心挑战：如何在整合 AI 工具的同时，继续培养支撑有意义设计实践的独特人类能力？

尽管 AI 能高效生成创意、合成洞察和产出视觉素材，但过度依赖可能导致“认知外包”，削弱学生的观察力、同理心、批判性判断和创造性推理。现有研究缺乏实证数据来揭示学生如何在实际设计项目中平衡 AI 生成的洞察与人类观察、情境知识及评估判断。本研究旨在填补这一空白，探讨学生如何整合 AI 工具，并分析其在设计流程中表现出的关键人类能力。

2. 研究方法 (Methodology)

本研究采用定性主题分析法（Qualitative Thematic Analysis），基于SuperSkillsStack 框架对数据进行分析。

• 数据来源：收集了 80 个学生设计团队在“以人为中心的设计课程”结束后的反思性写作（Reflective Writings）。
• 研究背景：学生被要求完成针对真实环境（如公共交通、小贩中心、诊所等）的设计项目。虽然鼓励使用生成式 AI（如 ChatGPT, Gemini, Perplexity 等），但使用并非强制，学生可自主决定集成方式。
• 分析框架 (SuperSkillsStack)：研究将数据编码为四个核心人类能力维度：
  1. 能动性 (Agency)：决定何时、如何使用 AI 工具的控制力。
  2. 领域知识 (Domain Knowledge)：基于实地观察和情境理解来验证 AI 输出的能力。
  3. 想象力 (Imagination)：利用 AI 进行头脑风暴和发散性思维的能力。
  4. 品味 (Taste)：评估、筛选和精炼 AI 生成内容的审美与实用判断力。
• 编码过程：采用演绎与归纳相结合的两阶段编码。首先根据 SuperSkillsStack 四个维度对文本片段进行标记，随后分析这些能力在设计流程不同阶段（如现场观察、构思、评估）的分布模式。

3. 主要发现 (Key Results)

分析结果显示，学生并非被动接受 AI，而是将其作为认知加速器，并在设计流程的关键节点保持人类的主导地位。

• AI 的使用模式：
  • 早期阶段：AI 主要用于发散性思维阶段，包括头脑风暴、信息合成、问题界定和生成初始概念。
  • 中后期阶段：人类判断占据主导，用于解释情境信息、验证 AI 输出、修正设计方案。
• 四大能力的具体表现：
  1. 能动性 (Agency)：学生主动决定 AI 的介入时机。例如，在需要直接观察、同理心映射（Empathy Mapping）或用户访谈时，学生刻意避免使用 AI，因为 AI 无法捕捉肢体语言、语调或真实的环境氛围。学生还通过对比不同工具（如 Perplexity vs. Gemini）来优化工作流。
  2. 领域知识 (Domain Knowledge)：作为关键过滤器，领域知识用于识别 AI 生成的“看似合理但事实错误”的内容。学生通过实地走访（Site Visits）和访谈数据，发现 AI 生成的图表或洞察与物理环境不符，从而进行修正。
  3. 想象力 (Imagination)：AI 作为催化剂，帮助克服创意瓶颈，快速生成大量变体，扩展了可能性的搜索空间。但学生强调 AI 生成的只是“起点”，需要人类进一步发展和细化。
  4. 品味 (Taste)：作为最终评估阶段，学生利用审美和实用判断力，剔除不切实际、过于宽泛或缺乏情境相关性的 AI 建议。所有小组的反思中都出现了“品味”的应用，表明这是设计决策的核心。
• 人机协作工作流：形成了一个清晰的循环模式：AI 生成初始想法/摘要 $\rightarrow$ 学生利用领域知识解读 $\rightarrow$ 团队通过批判性讨论过滤 $\rightarrow$ 学生利用品味和判断力进行人工精炼。

4. 主要贡献 (Key Contributions)

1. 实证验证了 SuperSkillsStack 框架：通过 80 个团队的真实案例，证实了能动性、领域知识、想象力和品味是有效人机协作的四大支柱。
2. 重新定义 AI 在设计中的角色：研究指出生成式 AI 主要作为**认知加速器（Cognitive Accelerator）**而非人类创造力的替代品。它加速了探索阶段，但并未取代深层的设计推理、情境理解和批判性评估。
3. 揭示了“认知外包”的防御机制：学生通过主动限制 AI 在特定阶段（如实地调研）的使用，并利用领域知识进行验证，展示了如何防止过度依赖技术。
4. 提出了人机协作的新工作流模型：明确了 AI 在发散阶段（Divergent）的辅助作用与人类在收敛阶段（Convergent）的决策作用之间的界限。

5. 研究意义与启示 (Significance & Implications)

本研究对设计教育在生成式 AI 时代的演变具有重要指导意义：

• 教育目标转变：设计教育应从单纯的技术技能训练，转向培养高阶认知能力。重点在于培养学生在 AI 辅助下保持批判性思维和情境判断的能力。
• 课程设计的调整：
  • 强化实地研究：必须保留并加强现场观察、用户访谈等体验式学习，因为这是构建“领域知识”以验证 AI 输出的基础。
  • 培养“品味”与判断力：在 AI 能轻易生成大量内容的背景下，区分“有意义”与“表面化”解决方案的评估能力（Taste）变得比以往任何时候都更重要。
  • 策略性 AI 素养：教育学生不仅如何“使用”AI，更要学会“何时”使用、何时“不使用”AI，以及如何将 AI 输出与人类洞察有机结合。
• 未来展望：AI 不会取代设计师，但会重塑设计流程。未来的设计师将是能够熟练 orchestrate（编排）人机协作的专家，利用 AI 扩展可能性，同时坚守人类在伦理、情感和情境理解上的核心责任。

总结：该论文通过实证研究证明，在生成式 AI 时代，设计教育的核心不应是替代人类，而是通过培养能动性、领域知识、想象力和品味，使学生能够驾驭 AI 工具，实现更高效且更具人文关怀的设计创新。