Epistemic Function Diagnosis in AI-Aided Design: Connecting Established Frameworks and Rapidly Evolving Practice
本文提出将认识论功能诊断（EFD）作为一种统一的参考层，通过整合既有框架，利用 2×2 诊断-干预架构以及“信念-手段-方法-辩护”（BMMJ）语法，来分析并干预人工智能辅助设计中复杂且共生的危害，同时承认未来仍需进行实证验证。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在创造事物的世界里，从设计一把新椅子到工程设计一艘航天器，人们一直有着一种长期的理解：思考与构建的过程并非一条直线。这是一个混乱且循环往复的旅程，设计师会产生想法、测试它们，并经常过早地陷入单一解决方案中，这种现象被称为“定势”（fixation）。几十年来，研究人员一直在研究这些障碍，制定了地图和清单，以帮助团队避免死胡同。与此同时，人工智能已经到来，它拥有在眨眼之间生成数千种设计选项、解释和建议的能力。这种速度创造了一种新的麻烦：旧有的问题——如陷入定势或信任错误信息——现在正与机器的一次交互压缩在一起，同时发生。研究人员面临的挑战不是丢弃旧地图，而是研究如何在地形移动速度比以往任何时候都快的情况下使用这些地图。
一位名叫松桥正彦（Masahiko Matsuhashi）的研究者提出了一种在这一快速变化的景观中导航的新方法，他不是发明一张取代旧地图的新地图，而是创造一种描述实际发生情况的通用语言。他将这种方法称为“认识功能诊断”（Epistemic Function Diagnosis）。其核心思想简单而强大：与其询问某个特定的 AI 工具或设计方法是好是坏，不如询问该工具或方法在设计师脑海中究竟承担了什么样的具体工作。它是作为一个原始想法的来源？还是作为一个质量的最终评判者？亦或是作为整个项目的战略引导者？通过清晰地划分这些角色，该方法能帮助团队察觉 AI 何时越界，或者团队何时错误地将一个临时建议视为永久规则。
论文认为，现代设计的危险不在于 AI 做了什么全新的事情，而在于它将几种已知的风险合并到了同一个时刻。想象一下，一位设计师请求 AI 协助设计一个杯子。在短短几秒钟内，AI 可能会建议一个形状，解释为什么它有效，将其与其他选项进行排名，并将其推荐为最佳选择。在这一连串信息的爆发中，设计师可能会不小心锁定在那个形状上（定势），将一个草图视为成品（过早承诺），并信任机器的排名而没有检查计算过程（过度依赖）。这些都是研究人员研究多年的独立问题，但当它们同时发生时，人们很难知道究竟哪个环节需要修复。松武桥的工作表明，我们需要一种方法来理清这些线索，而不是抛弃我们已有的关于人类如何思考和设计的数十年研究。
为了解决这个问题，作者引入了一个框架，它像是一个位于现有设计方法之上的诊断层。它并不取代设计师使用的特定工具，例如将项目分解为不同阶段的过程模型，或衡量团队在某个想法上停滞程度的研究。相反，它针对特定情境下这些工具究竟在做什么提出一系列问题。该框架区分了两个分析层面。第一层关注方法本身：这个过程模型或 AI 工具的设计初衷是什么？第二层关注具体的应用时刻：该信息在当下实际承担着什么功能？例如，一个原型可能旨在作为测试可用性的学习工具，但在一次特定的会议中，它可能被视为产品已准备好销售的证据。诊断有助于发现这种转变何时发生，以及这种转变是否得到了充足证据的支持。
论文提供了一套具体的类别来帮助团队理清这些角色，将其描述为设计思维的“语法”。它将产品的愿景与实现愿景的策略、用于构建产品的战术以及证明其有效的执行过程区分开来。这种分离至关重要，因为它防止了团队将一种特定的技术与整体目标混淆。例如，一个团队可能决定将使用某种特定的设计思维工作坊作为成功的策略，而实际上，工作坊只是一个如果不再奏效就可以被替换的战术。通过保持这些层次的清晰，该方法确保如果一个战术失败了，团队不会放弃整个项目策略。它还有助于识别 AI 输出何时被用作最终决策者，而它本应仅仅提供建议。
作者通过两种常见的设计研究场景展示了这种方法。第一种涉及设计师规划其过程的不同方式。有些地图将项目分为五个阶段，而有些则侧重于反馈循环。论文表明，这些地图并没有错，它们只是边界不同。诊断帮助用户理解一张地图能够告诉他们什么，以及不能告诉他们什么。如果地图显示 AI 正被用于“评估”阶段，诊断会提醒团队，这并不自动意味着评估是优秀的，也不意味着人类的判断得到了保留。它发出信号，提示团队需要深入观察信息的实际用途。第二个演示探讨了设计定势，即团队陷入了一个想法中。论文展示了 AI 如何不仅通过展示一个例子，而且通过将该例子与推荐和排名捆绑在一起，从而导致定势。诊断帮助团队看到，他们不仅仅是卡在了一个形状上，而且还在将一个粗略的想法视为一项要求，并将机器的排名视为事实。
至关重要的是，论文并未声称已经用一个完美的工具解决了这些问题。作者谨慎地指出，这是一个概念性的提议，是一种需要在现实世界中进行测试的思维方式。这里呈现的工作是一项分析性演示，展示了该方法在理论上如何运作，而非一项来自数百个团队的数据研究。作者建议，下一步是观察不同的专家是否能在应用何种诊断上达成共识，以及使用这种方法是否确实能帮助团队做出更好的决策。论文提出了针对未来研究的具体问题，例如，将 AI 的建议与其推荐分离开来是否能减少困惑，或者团队是否能学会识别何时让他们正让一个工具接管它本不该承担的角色。
这项研究的终极目标是帮助严谨的设计研究在紧跟人工智能快速步伐的同时，不丢失其根基。通过提供一种描述正在发生之事的通用语言，该方法允许研究人员跨越不同的工具和技术来连接他们的发现。它表明，AI 辅助设计的危害并非完全陌生的怪物，而是被压缩进更快速、更激烈交互中的熟悉挑战。解决方案不是停止使用 AI 或发明一种新的设计理论，而是要更加精确地明确我们要求这些工具做什么，以及我们如何使用它们的答案。如果这种方法在未来的测试中站得住脚，它将使设计领域即使在所使用的工具每天都在变化的情况下，仍能保持累积性和扎实的基础。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。