重塑智能主体：走向'去设计人工智能'的下一个十年——同济设计人工智能实验室2026开放日

2016年，我在同济大学挂牌成立了一个机构，名为《设计人工智能实验室》。彼时，“设计人工智能”于我而言只是一个学科名称——一个尚未长出内部结构的偏正短语，类似于“计算语言学”或“生物物理”，用来指认一块当时几乎无人涉足的交叉地带。我只知道设计与人工智能理应被并置，却并不明了它们之间应当遵循怎样的语法规则。

十年倏忽而过，这五个字未曾改动分毫。但我渐渐体悟到，这五个字其实存在三种读法，每一种读法都映射着实验室的一个阶段。

第一种读法：设计人工智能。作为学科名，它所标记的，是“这两件事理应被并置”这一直觉本身。

第二种读法：设计的人工智能。a design AI——服务于设计的人工智能。这是过去十年我们真正践行的路径：教会机器辨识字体、色彩与构图，构建DesignNet数据集，搭建设计知识图谱，探究“创意的可计算性”。在这一读法中，人工智能是我们研究的对象，使命是令它更深地理解设计。

第三种读法：去设计人工智能。to design AI——人工智能不再仅仅是“用来辅助设计的技术”，而成为被设计的对象本身。

同样五个字，停顿的挪移改变了整个句义。这正是实验室未来十年的使命所在。从“设计的人工智能”到“去设计人工智能”，并非研究方向的微调，而是宾语的更替。前者的宾语是设计，人工智能扮演工具角色；后者的宾语是人工智能本身，而设计则成为那个核心动作。

“人工智能”与“设计学”事实上拥有共同的源头，因此“去设计人工智能”并非什么新潮概念，只是或许被双方都暂时遗忘了。

司马贺（Herbert A. Simon，1916–2001）是人工智能的奠基人之一。1956年达特茅斯会议前后，他与Allen Newell共同完成了Logic Theorist（逻辑理论家）——通常被视为第一个人工智能程序。1975年，他与Newell共同荣获图灵奖。三年后，他又凭藉对经济组织内决策过程的研究摘得诺贝尔经济学奖。他毕生跨越心理学、经济学、计算机科学与管理学。而这位人工智能的奠基人，在1969年出版了一部名为《The Sciences of the Artificial》（人工科学）的著作，该书被视作现代设计学最重要的理论源头之一。由此我们获得一个近乎文字游戏、却绝对严肃的事实：“artificial intelligence”中的artificial，与“the sciences of the artificial”中的artificial，乃是同一个词。同一个人，一手缔造了人工智能，一手开创了设计科学。

而司马贺在那部著作中所做的，远比提出设计科学更为激进：

第一，他对“设计”给出了一个拓展学科边界的界定：凡是为把现存状况改造为更理想状况而构想行动方案者，皆在从事设计。依此定义，医生开具处方是设计，工程师建造桥梁是设计，立法者草拟法案亦是设计。他还进一步主张：“对人类而言最切要的研究，乃是关于设计的科学”——设计不应仅仅是技术教育中的一个专业环节，而应成为每一个受过完备教育者的核心素养。他当时的判断是，设计正被自然科学逐出专业院校的课程体系，必须被重新找回。

第二，他指明了自然科学与人工科学之间一道根本性的分野。自然科学探究“事物实际如何”，具描述性质；而人工物是人造的、为特定目的而调适的，因此关于人工物的讨论必然同时涵盖“应当如何”，具规范性质。这对我们今日至关重要，因为它意味着：关于“一个人工智能应当是什么样”的所有追问，按定义而言并非“技术问题”，而是“设计问题”。一个模型的目标函数应优化什么、其评价体系应考察哪些维度、它应在何处保留人的判断——这些都不属于“事物实际如何”，而属于“应当如何”。技术能够告知你什么可被达成，却永远无法告诉你什么值得去做。

第三，1973年他撰写了《The Structure of Ill Structured Problems》，正面处理“非良构问题”：那些没有明确初始状态、没有唯一解、甚至问题表述本身都需在求解过程中不断重写的问题。同一年，伯克利教授Rittel与Webber在规划学传统中提出了“棘手问题（wicked problems）”，主张此类问题不存在终止规则与唯一正解，且问题的表述与解法的选择本属同一过程。

两个截然不同的学术传统，在同一年，各自独立地指认了同一件事：设计从来不是从问题抵达答案的直线。而在司马贺之外，还有一条更早被搁置的路径。

1960年，J. C. R. Licklider发表了《Man-Computer Symbiosis》（人机共生）。文章开篇讲述了榕树与榕小蜂的故事：昆虫的幼虫栖居于榕树的子房中获取养分，而榕树若失去这种昆虫便无法繁衍——两种截然不同的生物紧密地生活在一起，构成一种不仅可存续、且丰产繁荣的伙伴关系。这种关系被称为symbiosis，共生。文中有一节的标题是《Between “Mechanically Extended Man” and “Artificial Intelligence”（在“机械延伸的人”与“人工智能”之间）》。

Licklider明确地将“人机共生”与“人工智能”并置，作为另一条平行的路径加以提出。他给出的分工是：人设定目标、提出假设、确立标准、进行评估；计算机承担那些为洞察与决策铺路的、可例行化的工作。他甚至提前六十年预见了我们今日最常见的那类系统——那些“原本打算做成全自动、结果未能如愿、只好留几个人在里面补漏”的系统：那是半自动系统，而非共生系统。

换言之，1960年的人类面前实则摆着两条路径：打造一台会思考的机器——也就是后来的人工智能，或者构建一个人机共生体，使人与计算机各展其长。

历史选择了前者。这不难理解——彼时的机器实在�弱，谈论“共生”未免太过奢侈。

这一选择本身并无过失，它走出了今日的一切。然而当人工智能真正变得强大、开始渗透每一个创造领域时，那条被搁置的路径，反而开始显露出它的意义。

数年前，麻省理工学院媒体实验室时任主任Joi Ito发起了“延展智能（extended intelligence）”委员会——我亦是成员之一——试图以更具批判性的思维复兴人机共生的愿景，作为对硅谷加速主义的一种制衡。

将司马贺的设计科学与Licklider的人机共生并置审视，结论便昭然若揭：“去设计人工智能”并非一次跨界，不是一个比喻，亦非一次转型。它是这个学科在源头处就已写就的题目，我们只是耗费了六十六年才绕回原点。

司马贺那条分界线今日依然成立，但其适用对象已然改变。

《人工科学》中有一只蚂蚁：它在被风浪塑造过的沙滩上艰难跋涉，路径曲折、复杂、难以描摹。但司马贺言明，那种复杂性属于沙滩，不属于蚂蚁——蚂蚁的行为规则极为简单，是环境的褶皱造就了轨迹的繁复。若这一判断成立，它便意味着一桩举足轻重的事：要改变行为，不必改变蚂蚁，改变沙滩即可。

而人工智能正在迅速成为我们所有人工作与思考的那片沙滩。这便是六十六年后真正发生巨变之处。

司马贺谈论人工物之际，设计一个人工物即是设计一件物；今日设计人工智能，则是在设计所有人行事的形状。若创造行为的形状在很大程度上由其所处环境所决定，那么设计那个环境，便是在设计创造本身。于是那条分界线的分量亦随之改变。关于“人工智能应当是什么样”的所有追问，按定义都不属于“事物实际如何”，而属于“应当如何”。技术能够告知你什么可被达成，却永远无法告诉你什么值得去做。问题在于，这些问题今日正在被大规模地、无意识地处理——它们被写入目标函数、被嵌入评价体系、被编入产品的默认值，而做出这些决策的人，通常并不认为自己在做设计。

那么，边界何在？

一个系统内，什么交付给机器，什么留给人？今日这条线主要由机器的能力分布内生地界定——凡能被还原为评分标准（rubric）的工作，机器便接管；余下的自然归于人。但这恰恰是Licklider六十年前所批评的半自动系统：人被安置在机器能力的残余之处，而非人的价值所在之处。Simondon论述得更彻底——一台真正“开放的机器”必须保留一定的不确定性余量，人正是在这个余量中与机器耦合的；完全封闭、不留余量的自动机，在他眼中反而是低级的。我曾多次阐述：“能被计算的部分越多，我们越能洞见不可被计算的部分有多么庞大。”

Simondon令我意识到，那个不可计算的部分不应仅被珍视，它需要被设计。我们过去用BMR（脑机比，Brain-Machine-Ratio）描述一项工作中人脑与机器的比例；从今往后，它必须成为一个被设计的量——一个系统中人占多少、机器占多少，并非由技术决定，而是被设计的，且是一个带有伦理后果的决定。

其次，“好”由谁界定？

司马贺最杰出的贡献之一是有限理性：人的认知、信息与时间皆有限，因此人不做最优化，人做satisficing——满意即止，寻得一个足够好的方案便止步。而人工智能在构造上恰恰相反，它是一台为优化而生的机器：给定目标函数，它会将其推向极致。于是真正的结构浮现出来——一个满意即止的生物，邂逅了一台求最优的机器。危险不在于机器取代人，而在于优化会悄然重塑“好”的内涵：当一个系统持续朝某个可度量的指标推进，那些无法纳入指标的事物会先被忽略、再被遗忘、最终被视为本来就不存在。

我们今日对AI劣质产出（AI slop）的直觉性反感正源于此——那些技术上无可挑剔却空洞平庸的产出，并非优化失败的产物，而是优化成功的产物，只是被优化的那个目标，并非我们真正在意之物。阿伦特在《人的境况》中将行动的核心称为natality——开端启新，因而本质上不可预测；而行动只能在复数性之中发生。复数性的核心并非“人很多”或“观点多样”，而是每一个判断都承载着一个不可替代的位置；取消位置差异，共同世界便消失，只余下一个视角的无限复制。

最后，输出是具体答案还是某个空间？

1973年，司马贺写下“非良构问题”，Rittel与Webber提出“棘手问题（wicked problem）”——两个传统在同一年各自指出：此类问题没有唯一解，问题的表述与解法的选择本属同一过程。而今日所有主流推理模型都以收敛为构造目标：给定问题，逼近唯一正确解。这一范式在数学、代码、逻辑领域极为成功，成立条件亦十分明确——答案可被自动判定，因而模型能在可验证奖励上持续自我改进。

设计不满足这一条件。于是“输出应当是什么形状”便成为一个必须被主动做出的决定，而非一个可以沿用的默认值。这一决定还附带一个无法回避的后果：一旦以发散为构造目标，就必须回答“何种可能性空间是好的”——而这一回答不属于技术选择，它直接决定了模型将把人的想象力引向何方。

以上三个问题，对应着三条研究路径。它们是同一个动作的三个着力点：把人工智能本身当作设计对象。

实验一：Agentic Creativity（智能体化创意）

我们希冀厘清一件事：自主智能体究竟只是将创造这件事自动化了，还是真正能够参与其中、把创造本身向前延展一步？

这两者的差异，并非“做得多快”的程度之别，而是根本不在同一层面上——是范畴差异。

自动化作用于执行层：原本由人承担的工作，如今由机器执行，产出大致相当，但成本降低、速度提升。

延展作用于意图层：由于机器的介入，某些以往根本无法设想、无从实现的创造，变为可能。创造的边界本身，发生了位移。

如何判断究竟是哪一种？存在一个可操作的判据：若智能体十分钟内输出三百个方案，这仍属于执行层的替代，只是更快更多而已；但若它能使研究者猛然意识到——“原来我这个问题本身就问错了”，从而重新界定问题，那才是真正踏入了意图层的介入。

今日绝大多数智能体应用，仍停留在前者。

这条研究线，其实是在回应我们前述的第一个决定——人与机器的边界，究竟应画在何处。第三部分已阐明，今日这条边界，是随机器的能力而漂移的：机器能做什么，边界便在何处。所以这条线真正想叩问的，不是“智能体究竟能有多强大”，而是——这条边界，我们能否主动设定？

而要将边界重新锚定于“人的价值”之上，就得先回答一个问题：人的价值究竟落于何处？它能否被研究？

这个问题，便交由我们的第二条研究线来回答。

实验二：Subjective World Model（主观世界模型）

过去我们一直深耕于“创意的可计算性”这一工作，设计实践中最具决定性的那个判断“好与坏”，并不具备客观评价的特征。它的构成要素涵盖判断者的身份认同、所处比较关系、所回避与所趋近的自我形象。这些皆属主观性数据。传统研究方法只能在鸿沟的一侧运作：可观测行为的痕迹（点击、购买），不可观测行为的动因（畏惧、认同、抱负）。我们将这一结构性缺口称为主观性鸿沟（Subjectivity Gap）。

这条研究线的纲领可简明陈述为：若物理学是为客观世界建模，那么主观世界模型即以语言模型为主观世界建模。 在这一方向上，我们已取得若干阶段性进展：我的公司特赞科技训练的人与社会模拟基础模型，目前在50余个国家、超百万名使用者中运行。主观性并非均质，至少可划分为两个层级，其可研究难度递增。

第一层级为行为与决策。包括购买与否、留存与否、偏好翻转的临界条件，以及个体在情境变动下的选择迁移。该层级仍留存有行为痕迹，可借助外部数据获得约束，因而具备被逼近的可能。

第二层级为品味与审美。包括何物被判定为“好”、审美归属于何种群体、个体愿意被何物代表以及拒绝被何物代表。该层级几乎不留可观测痕迹，亦不存在对错判据，然而“这个好”的最终裁决恰恰在此发生。

许多人觉得审美、品味是无足轻重的柔性话题，无需优先深究。但在AI生成成本近乎归零的当下，事态早已悄然生变：批量创作、快速出图变得轻而易举，创作的门槛彻底降低，审美判断反而成了最稀缺的核心能力。那些空洞、流水线式的AI劣质产出（AI slop），唯有成熟的品味方能有效甄别、规避。正因如此，审美与品味不再是锦上添花的附属品，而是必须深耕的核心研究方向。要将品味真正落地为可研究、可实践的课题，核心离不开三件关键工作：

数据集——标注单元发生位移：不再是“该图配色是否正确”，而是“何人、处于何种情境、基于何种世界表征、判定何物为好”。标注的对象从客体本身，转移至判断者与其判断之间的关系。这是一种此前并不存在的数据形态。

模型训练——目标函数必须重新设定。客观世界模型以逼近真值为目标；主观世界模型则以维持个体的连贯性为目标，使模型在未被询问过的情境中，依然表现为特定的那一个体。

评价体系（benchmark）——这是最为棘手的一环。在行为层级，我们尚可沿用一致性与准确率这类指标；但到了品味层级，「准确率」便成为构念效度上的误配——它实际度量的，并非我们真正想要度量的对象（Jacobs & Wallach, 2021）。品味层级需要的是另一组维度：模型在情境变动下，是否还能保持自我一致；它生成的个体，能否被熟悉该个体的人辨识出来；它产生的分歧，究竟是真实的立场差异，还是仅为同一立场的表层变体。而评价体系的选择，实则等同于对模型演化方向的规定——基准从来不是中立的测量工具，而是隐含着规范性主张的建制装置（Raji et al., 2021）。在这个意义上，benchmark是该领域中最不显眼、却最具支配力的一次设计。

而品味和审美研究存在一条不可逾越的界限：品味可被研究，但不可被平均。度量品味最便捷的途径是评分聚合——征集样本打分并取均值。但品味的构成机制恰恰排斥平均化操作：Bourdieu在《区分》中指出，品味具有位置性，它在分类对象的同时也分类了判断者本人。因此，均值化操作所消除的，正是品味赖以成立的结构。聚合之后的残余物，即我们所称的slop：技术上无误，统计上最优，审美上失效。

这一原则在实验室早期的工作中已有实践。几年前，实验室有一名学生每周更换发色，她自称受流行音乐海报中那种“亚文化色彩”的影响。我们查阅文献，发现居然从未有人将“亚文化色彩”这件事正式研究过。于是我们采用计算机视觉方法，从大量海报中提取色彩，构建了一个亚文化色彩数据集。后来这项工作还被数家美术馆关注与收藏。回望今日，这件事真正的价值何在？

我们并未将提取出的颜色加以平均、炮制出一套“最优配色方案”——而是保留了每一组搭配背后的归属主体，及它源自哪个社群。这便是我们所主张的：对品味实施结构化，但不消解它的结构。

故而研究品味与审美，正确的路径并非去寻觅“众皆以为好”的共识，而是要将那些分歧与差异保全下来。这也是“去设计人工智能”这一命题最具操作性的意涵。很多人会言道，主观性这种东西不可度量，那就别建模了，还是交还给“人的直觉”吧。

恰恰相反。

越是此类领域，越需要对人工智能施以设计。因为一旦决定为主观世界建模，研究者就必须做出一连串纯粹的设计决断：何者应被表征，何者须保持不确定；以谁的品味为基准；评价体系采用何种维度；目标函数以“准确”抑或“连贯”为准则。

这些问题中，没有一项是技术问题。它们全都是设计问题。

实验三：Creative Reasoning（发散推理）

上一条线留下的诉求——输出不是单一答案，而是一个可能性空间——构成了第三条线的起点。

当前主流推理模型皆以收敛为构造目标：给定问题，逼近唯一正确解。这一范式在数学、代码与逻辑任务上成效卓著，其成立条件亦十分清晰——这些领域的答案可被自动判定，因而模型能够在可验证奖励（verifiable reward）上实现持续自我改进。设计领域则不满足这一条件：既无唯一解，亦无自动判定机制。这正是司马贺与Rittel在1973年各自指认的核心命题。

我们因而进行了一次方向相反的构造——发散推理，据我们所知，这是首个以发散为基石、以创意为中心的推理模型——其构造目标并非收敛至单一答案，而是展开一个可能性空间。

而一旦以发散为构造目标，一个无法回避的规范性问题便接踵而至：何种可能性空间可被判定为“好”？是候选解之间的距离足够远？是所覆盖的立场足够完备？抑或应囊括哪些“具有启发性的错误”方向？

收敛模型无须回答此问题，因标准答案已外在给定；发散模型则必须回答它——而这一回答不属于技术选择，属于设计判断。对“良好可能性空间”的界定，直接决定了模型将把人的想象力引向何处。其应用亦因此不限于视觉领域，而涵盖城市与建筑、社会设计与商业设计。

推理一旦具备发散能力，研究者面对的问题便不再是“哪一方案正确”，而是“该问题能够被如何重新表述”。设计从来不是从问题至答案的单向推进，而是问题与答案协同演化的过程。我们所做的，仅是首次尝试将这一命题写入模型的架构之中。

回溯来看，这三条线实为同一件事：

智能体化创意，追问人机边界应由何种机制划定；

主观世界模型，为不可度量的那一半世界建模，并坚持不将其平均；

发散推理，使判断的理由本身可被推理，却因其发散而不至于被抹平。

三者指向同一个动作：把人工智能本身当作设计对象。

《周易·系辞》中有一个词，我认为比“共生”更为精当：「生生之谓易」。

“共生”阐述的是两者共存，“生生”阐述的是不断地生成生成。若要为“去设计人工智能”起一个中文名字，我想它应当叫“生生”。

十年前我们追问的是：当AI可以替我们完成已知的设计，人类设计师还应学习什么？

今年我们要叩问一个新的问题：当人工智能本身成为最需要被设计的那个对象，设计师应当成为什么？

我不知晓答案。但我确信，这个答案不会从论证中浮现，只会从动手中浮现——生生不可能靠论证达成，只能靠共同创建达成。 这也是我们坚守“先行后知”的缘由：设计人工智能的教育是一个移动的靶，动手创建是唯一的解题方式。

若你对以上任何一段有所触动——无论是赞同、怀疑，还是觉得我们将某件事想偏了——皆欢迎前来。我们想探讨的并非“实验室有多优异”，而是我们当下的判断是什么，以及我们可以携手做些什么。

毕竟，这仅仅是未来刚刚开启之时。

无论你是硕士、博士、博士后、访问学者、科研助理、实习生，还是仅仅单纯好奇，皆欢迎来到实验室，认真地聊一聊。

时间：8月17日（周一） 14:00-16:00

地点：星扬西岸中心21楼 同济特赞设计人工智能实验室

范凌

同济大学教授、设计人工智能实验室主任

特赞科技创办人

*以下是活动详情

人工智能正以前所未有的方式拓展设计的边界。

它所带来的改变，远不止于工具层面的迭代，更在重塑我们如何提出问题、如何生成知识、如何组织研究，以及如何将创意转化为推动产业与社会前行的力量。我们相信，每一次“从0到1”的探索，皆是对未知星图的首次描绘；每一次“从1到N”的延展，皆是在更广阔的技术与现实宇宙中持续航行。设计与人工智能的交汇，正是一片正在被点亮的星辰大海。

若你正伫立于学术研究与职业发展的交汇点，渴望在这片交叉领域中寻觅属于自己的方向与坐标，欢迎参加「设计人工智能实验室2026开放日」。

8月17日，我们诚挚邀你走进实验室，与导师、研究者、学生及产业实践者面对面交流，一同目睹正在发生的研究、教学与创新实践，也共同想象更远的未来。

注：2025年设计人工智能实验室主办“设计人工智能教育创新研讨会”

设计人工智能实验室由范凌博士于2016年在同济大学发起成立，是全国首个聚焦设计与人工智能交叉研究的实验室。

实验室始终秉持“以用促研”的核心理念：既探索“从0到1”的原创研究与技术突破，也推动“从1到N”的产业创新与场景落地，为研究者构建从理论研究、原型开发到实践验证与成果转化的完整生态。

实验室围绕数据、计算、网络和人工智能在设计学中的交叉应用展开研究，持续开展硕士、博士、博士后培养以及科研教学工作。

产教融合是实验室最具代表性的核心特色之一。

在实验室的研究体系中，产业实践并非学术研究完成后的附加环节，而是问题发现、课题定义、技术开发、原型验证与成果转化的重要构成部分。实验室与科技企业及产业伙伴共同面对真实问题，将产业场景转化为研究课题，再通过设计研究、技术创新和跨学科协作形成新的解决方案。

特赞科技是实验室重要的产业协同平台。作为全球领先的企业级智能体公司，特赞科技为实验室提供真实的企业需求、技术应用环境与项目验证场景，也为实验室成员创造参与前沿技术研发、接触大型企业项目和理解产业创新流程的机会。

这种深度融合的机制，使学生与研究者不仅能够学习理论、开展实验和发表成果，也能够理解研究如何进入真实组织、业务流程与社会场景，实现从知识生产到创新应用的完整闭环。

在这里，设计不仅关乎形式与体验，更是一种连接技术、教育、产业和社会的研究方式。

你将在开放日见到哪些

实验室核心成员？

设计人工智能实验室由多位来自学术界与产业界的研究者共同推动与建设，形成了跨学科协同的核心团队结构。

范凌

实验室主任

范凌教授是设计人工智能领域的代表性学者与创业者，拥有哈佛大学博士学位、普林斯顿大学硕士学位，曾任教于加州大学伯克利分校。他长期致力于设计、人工智能与产业创新的交叉研究，同时创立企业级智能体公司特赞科技。学者与创业者的双重经历，使实验室能够将前沿研究与真实产业问题紧密连接，在学术探索、人才培养和成果转化之间形成独特的协同机制。

Daniel Graff

学术负责人

Daniel Graff负责实验室的学术研究体系与国际合作网络建设，长期从事设计学、人工智能与跨学科研究方法相关工作。他将带来设计人工智能前沿的学术分享以及他的亚马逊畅销新书《Design Thinking with Artificial Intelligence: Practical Tools for Business Innovation》。他在推动实验室与国际高校及研究机构的合作方面发挥重要作用，并参与指导多项核心研究课题与博士生培养工作。

夏子清

助理教授

新加坡南洋理工大学博士，现任同济大学设计创意学院助理教授。长期从事“AI x Human Factors”“AI x Creativity”的交叉研究。重点关注AI对人的认知、行为与创造力的影响，也致力于研发促进人机互信与人机共创的智能系统。她在实验室中负责部分核心课程建设与科研指导工作，推动设计学科与人工智能技术的深度融合。

夏磊

学生代表

夏磊是设计人工智能实验室博士四年级的学生，同时也是麻省理工媒体实验室Tangible Media Group的研究员。他在学习与科研过程中积极参与跨学科协作，代表学生群体参与实验室学术交流与组织工作，他将着重分享自己过往的国家学术会议和学术交流的经历。

你将在开放日了解什么？

为你打开设计与AI交叉领域的多种可能

这是一场围绕学术选择、科研成长、职业发展与产业实践展开的深度交流。我们将通过实验室参观、主题分享和分组交流，呈现一个真实、立体的设计人工智能研究生态。

无论你正处于哪个阶段，都可以在这里找到与你相关的信息与机会。

实验室与研究方向介绍

了解实验室的研究定位、学术框架、重点课题、培养体系以及未来发展方向。

在读研究生分享

了解真实的学习状态、课程安排、项目协作方式以及师生沟通模式。

博士生科研分享

走进科研一线，了解选题形成、研究设计、实验执行、论文发表与国际学术交流的完整过程。

博士后与青年研究者分享

了解课题申报、跨学科合作、研究团队建设及成果转化的实践经验。

毕业生发展分享

从真实经历出发，了解实验室成员在高校、科技企业、设计机构及创新创业领域的发展路径。

面对面咨询交流

根据升学、科研、职业发展和合作需求进行分组交流，与实验室成员直接沟通你的问题与计划。

我们希望通过真实的经验与开放的交流，帮助你更准确地判断：设计人工智能是否适合你，以及你应当如何为下一阶段做好准备。

日期

2026年8月17日 (周一)

时间

14:00 — 16:00

地点

上海市徐汇区星扬西岸中心21层

活动安排

13:50 — 14:00 签到

14:00 — 14:45 实验室参观与项目展示

14:50 — 16:00 分组咨询与自由交流

*时间可根据最终安排调整

参与方式

线下参加

我们特别建议计划在2026—2027年申请研究生、博士生、博士后、科研助理或访问学者的参与者选择线下参加。

你将有机会参观实验室与产业实践空间，与导师及实验室成员面对面交流，并就个人研究兴趣、学术准备与未来规划进行初步沟通。

报名方式：扫描二维码并填写报名表。报名成功后，请按照通知时间到场签到。

线上参加

如果你无法来到上海，也可以通过线上直播参与主题分享。

参与方式：扫码入群获取直播通道。

开放日只是开始

你也可以通过以下平台持续关注实验室的研究动态、项目成果与招募信息：

如果你希望正式申请加入实验室，请扫描下方二维码或点击“阅读原文”填写申请表，实验室将在收到完整申请材料后的两周内予以回复。

8月17日，我们在上海等你

期待与你相遇——

无论你希望提出一个新的研究问题，完成一次从0到1的探索，还是让一项创新从1走向N，这里都可能成为你迈出下一步的起点。

让我们共同探索设计与人工智能的边界，也共同创造智能设计的更多可能。

1. Simon, H. A. (1969).The Sciences of the Artificial. MIT Press.

2. Simon, H. A. (1973). The structure of ill structured problems.Artificial Intelligence, 4(3), 181-201.

3. Rittel, H. W. J., & Webber, M. M. (1973). Dilemmas in a general theory of planning.Policy Sciences, 4(2), 155-169.

4. Licklider, J. C. R. (1960). Man-computer symbiosis.IRE Transactions on Human Factors in Electronics, HFE-1, 4-11.

5. Simondon, G. (1958).Du mode d'existence des objets techniques[On the mode of existence of technical objects]. Aubier.

6. Arendt, H. (1958).The Human Condition. University of Chicago Press.

7. Bourdieu, P. (1984).Distinction: A Social Critique of the Judgement of Taste. Harvard University Press.

8. Jacobs, A. Z., & Wallach, H. (2021). Measurement and fairness. InProceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency(FAccT '21), 375-385.

9. Raji, I. D., Bender, E. M., Gebru, T., et al. (2021). AI and the everything in the whole wide world benchmark.arXiv preprint arXiv:2111.15366.

10. 《周易·系辞上》：「生生之谓易。」