Radical Transitions in Generic Design: Frame Semantic Hypergraphs and Topological Diagrams in C/K Theory

设计通常被认为是绘制一件新事物的行为，即一份引导建造者去创造桥梁、椅子或软件系统的草图。几十年来，设计师一直依赖于将这一过程视为两个截然不同世界之间对话的理论：一个是“可能性的世界”，在那里，想法自由漂浮而无需证明；另一个是“已知性的世界”，在那里，事实和数据锚定了这些想法。这种平衡对于稳步的改进工作得很好，但人工智能的快速崛起正在迫使一种转变，这种转变感觉不像是某种改进，而更像是思维方式的根本性变化。当机器现在能够以人类无法企及的速度生成语言、图像和代码时，我们关于如何设计、如何验证想法以及如何知晓真相的旧规则正面临着考验。问题不再仅仅是如何制造更好的产品，而是如何设计一个能够应对未来的流程，在那个未来，我们用来描述世界的概念本身都可能在一夜之间发生改变。

在一项新的研究中，研究员伊拉·莫纳克（Ira Monarch）提出了一种通过将设计不仅视为一种心理练习，而是一种结构化的、可视化的且可执行的流程来应对这种不确定性的方法。这项工作建立在 C/K 理论框架之上，该理论将概念空间与知识空间分离开来。在这种观点中，“概念”是一个尚未被证明的可能性，而“知识”则是支持特定想法的事实与证据的集合。莫纳克认为，为了应对生成式人工智能带来的剧烈变化，设计师需要一种工具，能够将我们想象的内容与我们已知的内容之间的差距可视化，并主动引导填补这一差距的过程。其结果是一个结合了语言逻辑与数据库结构的系统，它不仅展示了一个设计在今天处于何种状态，还展示了它明天可以走向何方。

这种方法的核心是一种被称为“框架语义超图”（Frame Semantic Hypergraphs）的方法，它使用一种专门的数据库来组织信息。想象一个图书馆，其中的每一本书不仅被储存在书架上，还通过其在故事中所扮演的具体角色与其他书籍相连。在这个系统中，词汇和想法被视为描述情境的“框架”，例如“设计决策”或“材料选择”。每个框架都有特定的部分或角色，例如做出选择的人、被改变的对象以及改变的原因。研究员使用人工智能阅读了一篇关于翻修当地铁路的复杂工程论文，并自动将其 68 个关键句子分类到这些框架中。人工智能识别了谁参与其中、遵循了哪些规则以及解决了哪些问题，将一段文本转化为了一个结构化的关系网络。这个网络，或者说超图，充当了设计过程的动态地图，清晰地展示了特定的证据是如何连接到更广泛的概念上的。

这种方法的强大之处在于它如何处理设计陷入僵局的时刻。在传统的设计中，当一个新想法与现有规则发生冲突时，过程往往会停滞，或者需要人类手动重写规则。在这个新系统中，计算机可以自动发现冲突。如果来自项目环节的数据表明，某种材料的选择理由在当前规则中是不被允许的，系统会将其标记为“异常”。这触发了一个循环：系统不仅拒绝这个想法，还会询问规则本身是否需要改变。它可以提议一个新的框架，或许这个框架允许一个设计选择去重塑它原本旨在满足的要求。这使得设计过程变成了一个循环，其中可能性的地图与事实的地图不断相互更新。随后，系统可以生成一个逐步计划，即“执行图”，告诉人类和机器团队下一步该做什么、检查什么以及如何验证结果。

该研究在一个涉及翻修法国 9,200 公里旧铁路网的现实案例上测试了这个想法。设计师面临着一个困境：是保留陈旧的轨道并承担线路关闭的风险，还是更换所有设备并花费超过可用资金的巨款。利用这种新方法，他们绘制出了问题的蓝图，并找到了一种既能保留旧基础，又能引入受高速铁路启发的新型轨道的解决方案。系统从两个方面将这一过程可视化。首先，它展示了一个详细的连接网络，证明了每一个决策都有来自项目日志的具体证据支持。其次，它创建了一个拓扑曲面，一种显示设计“应力”的 3D 地景。在这个地景中，设计稳固的区域表现为高地，而差距和矛盾则表现为深坑。成功的解决方案呈现为一个填补了地景中空洞的新高峰，直观地展示了新轨道如何架起了旧规则与新现实之间的桥梁。

这种视觉化方法揭示了关于设计运作方式的更深层真理。研究员认为，长期以来，我们一直关注“图像的正确性”，即我们的心理模型与物理世界匹配得有多好。但我们忽视了“执行的正确性”，即我们的行动在多大程度上真正实现了目标。新系统迫使这两者相互回应。它确保了一个优美的想法根植于真实数据，并且一个实际的行动受到清晰概念的引导。通过将设计过程视为一个地图与疆域不断相互修正的循环，该系统可以处理那些学科对其自身基础产生改变观念时的剧烈转型。这不仅仅是为了制造更好的火车或椅子；这是为了创造一种能够从容应对那些能够自主思考的机器到来的思维方法。

论文指出，这种方法在当前时刻尤为重要，因为人工智能正开始生成它自己的概念和规则。研究员使用人工智能协助构建了论文中所描述的这套系统，创造了一种人类设计师与机器共同协作的伙伴关系，双方共同定义目标、分类数据并使结果可视化。这种协作不仅仅是为了提高效率，更是对这种新型设计思维要求的演示。人工智能帮助发现了人类可能会忽略的文本模式，而人类则提供判断力来决定哪些模式是重要的。其结果是一个比人类或机器单独完成都更稳健、更具适应性的设计过程。

最终，这项研究提供了一条路径，让我们超越那种担心人工智能会简单取代人类创造力或导致混乱未来的恐惧。相反，它提出了一个结构化的路径，让人类的直觉与机器的精确性协同工作。该系统并不承诺解决所有问题或确定地预测未来。然而，它提供了一种观察我们理解中的空白并用基于证据的行为来填补这些空白的方法。通过将设计的不可见结构可视化，并将发现的过程转变为一次引导式的旅程，这种方法表明我们可以带着清晰的思路应对即将到来的转型。目标不是控制未来，而是设计一个足够灵活的流程以迎接未来，确保随着工具的变化，我们创造有意义且正确之物的能力依然完好如初。