To Design AI丨使命:重新理解设计人工智能的三重含义

2016 年，我在同济大学挂上一块牌子《设计人工智能实验室》。那时候，“设计人工智能”对我而言仅是一个学科的名称——尚无内部结构的偏正复合词，类似于“计算语言学”或“生物物理”，用来标记一片当时鲜有人涉足的交叉领域。我仅明白设计与人工智能应当被并置，却不了解它们之间的语法关联究竟是什么。

十年过去，这五个字一个都没有更改。但我渐渐发现，它其实可以被念出三种读法，而每一种读法都映射着实验室的一个时期。

第一种读法：设计人工智能。一个学科名称。它标记的是“这两件事应当被并置”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。这是我们过去十年真正在做的事情：教会机器辨识字体、色彩、布局，制作 DesignNet 数据集，构建设计知识图谱，探究“创意的可计算性”。在此读法下，人工智能是我们研究的客体，我们的任务是令其更通晓设计。

第三种读法：去设计人工智能。to design AI——人工智能不再仅仅是“用于做设计的技术”，而是转变为被设计的对象。

同样五个字，中部那道隐形的停顿位移了一格。这便是实验室未来十年的使命。从“设计的人工智能”至“去设计人工智能”，并非研究方向的微调，而是宾语的置换。前者的宾语是设计，人工智能充当工具；后者的宾语是人工智能本身，而设计则化身为那个动作。

2016年挂上“设计人工智能实验室”牌子之际，这五个字仅是一个学科名——标记“这两件事应当被并置”的直觉。十年过去，同一串字符可以被读出三种读法，每一种对应实验室的一个阶段：

设计人工智能— 学科名，标记交叉地带的直觉本身

设计的人工智能（a design AI）— 服务于设计的人工智能，过去十年的工作：使机器通晓设计

去设计人工智能（to design AI）— 人工智能成为被设计的对象，未来十年的使命

核心转折：中部那道隐形的停顿位移了一格——从“设计的人工智能”至“去设计人工智能”，并非研究方向的微调，而是宾语的置换。前者的宾语是设计，人工智能充当工具；后者的宾语是人工智能本身，设计化作那个动作。

1956年：Logic Theorist——第一个人工智能程序

1969年：《The Sciences of the Artificial》——现代设计学最核心的理论根基

1975年：图灵奖

1978年：诺贝尔经济学奖

核心事实：同一个人同时奠定了“artificial intelligence”与“the sciences of the artificial”——同一个“artificial”。

1. 设计的定义被极大拓宽

“凡是为把现存状况转化为更理想状况而规划行动方案的人，都在从事设计。”

依此定义，医生开处方是设计，工程师造桥是设计，立法者拟定法案亦是设计。“对人类而言最恰当的研究，是关于设计的科学”——设计理应成为每一位受过完整教育的人的核心素养。

2. 自然科学与人工科学的本质分野

自然科学处理“事物实际如何”（描述性）

人工物是人造的、为某种目的而适配的，必然内含“应当如何”（规范性）

关键推论：关于“人工智能应当是什么样”的所有问题，依定义便不是“技术问题”而是“设计问题”。技术能够揭示什么是可行的，却永远无法告知什么是值得做的。

3. 非良构问题（ill-structured problems） 1973年，司马贺正面应对那些缺乏明确初始状态、不具唯一解、连问题表述本身都需在求解过程中持续改写的问题。同年，Rittel & Webber在规划学传统中提出“棘手问题（wicked problems）”——两个独立传统指向同一核心：设计从来不是从问题直线走向答案的过程。

1960年，Licklider发表《Man-Computer Symbiosis》，以榕树与榕小蜂的共生关系为喻，明确将“人机共生”与“人工智能”并列为两条路线。他给出的分工是：

人确立目标、提出假设、确定标准、开展评估

计算机承担那些为洞察与决策铺垫的可例行化事务

他提前六十年便批评了我们今日最普遍的系统——“本意实现全自动化、却未达成、只好留几个人在其中补缺”的半自动系统。

历史选择了前者——彼时机器过于孱弱，谈共生未免过于奢侈。然而当人工智能真正强大、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现其意义。

司马贺的蚂蚁隐喻：蚂蚁在沙滩上行走路径曲折繁复——但复杂性归属沙滩，不归属蚂蚁。要改变行为，无须改变蚂蚁，改变沙滩便足矣。

人工智能正迅速演变为我们所有人工作与思考的那片沙滩。

当下的人机边界主要由机器能力分布内生决定——凡是可被还原为评分标准的工作，机器便接管；余下的自然归属人类。这恰恰是Licklider六十年前所批评的半自动系统。

Simondon的洞见：一台真正“开放的机器”必须保有一定的不确定性余量，人恰好是在这一余量中与机器耦合的；完全封闭、不留余量的自动机反而是低阶的。

BMR（脑机比，Brain-Machine-Ratio）必须成为一个被设计的量——一个系统中人占多大比重、机器占多大比重，并非由技术决定，而是被设计的，并且是一个蕴含伦理后果的决定。

人的决策逻辑：有限理性 → satisficing（满意即止）

AI的构造逻辑：优化 → 推向极致

隐忧：一个满足于“足够好”的生物，遭遇一台追求最优的机器。优化会悄然重新定义“好”的内涵——当一个系统持续朝某一可度量指标推进，那些无法纳入指标的事物会先被忽略、再被遗忘、最终被视为本不存在。

AI劣质产出（AI slop）的根源：那些技术上无懈可击却空洞平庸的产物，并非优化失败的产物，而是优化成功的产物——只是被优化的目标，并非我们真正在意的事物。

阿伦特的提醒：行动的核心在于natality（开端启新），本质上不可预测；行动只能在复数性中展开，每一个判断都承载着一个不可替代的位置。一旦位置差异消失，共同世界便随之消亡。

1973年，司马贺与Rittel各自指出：非良构/棘手问题不存在唯一解，问题表述与解法选择本属同一过程。

当下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。这在数学、代码、逻辑领域极为成功，成立条件也极为明确：答案可被自动判定。

设计不满足这一条件。

于是“输出应当呈现何种形态”就成了一个必须被主动作出的决定——一旦以发散为构造目标，就必须回应“何种可能性空间是优的”——而这一回应直接决定了模型会把人的想象力引向何方。

核心追问：自主智能体仅仅把创造自动化了，还是能真正介入其中、把创造本身向前延展一步？

范畴差异：

自动化作用于执行层：原本由人完成的任务，现由机器承担，产出相仿，成本降低、速度提升

延展作用于意图层：由于机器的介入，某些以往根本无从想象、无力实现的创造变得可行——创造的边界本身发生了位移

可操作判据：若智能体十分钟内输出三百个方案，这仍属执行层的替代；但若它能使研究者突然觉察“原来我这个问题本身就设错了”，从而重新界定问题，那才是真正的意图层介入。

回应命题一（边界）：这道边界，我们能否主动设定？若要将边界重新锚定于“人的价值”，就须先回答——人的价值究竟栖居于何处？它能否被研究？

核心追问：设计实践中最具决定性的判断“好与坏”，并不具备客观评价的特征——其构成要素涵盖判断者的身份认同、所处比较关系、所回避与所趋向的自我形象。

主观性鸿沟（Subjectivity Gap）：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）。

纲要：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体世界建模。

两个层级：

层级一：行为与决策

购买与否、留存与否、偏好翻转的临界条件

仍留有行为痕迹，可借助外部数据获取约束，具备被逼近的可能

层级二：品味与审美

何物被裁定为“好”、审美归属于何种群体

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

缘何品味必须被研究：在AI生成成本近乎归零的当下，批量创作轻而易举，审美判断反而成了最稀缺的核心能力——AI slop唯有依赖成熟的品味方能有效甄别与规避。

三件核心工作：

数据集——标注单元发生位移：不再是“该图配色是否准确”，而是“何人、处于何种情境、基于何种世界表征、裁定何物为好”。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。

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；主观世界模型以维持个体的连贯性为目标。

评价体系（benchmark）——最艰难的一环。品味层级需要的不是“准确率”，而是另一组维度：情境变动下是否维持自我一致；生成个体能否被熟识的人识别；产生的分歧是真实立场差异还是同一立场的表层变体。

不可逾越的边界：品味可被研究，但不可被平均。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。均值化操作所消除的，恰是品味赖以成立的结构。聚合之后的残余，便是slop：技术上无误，统计上最优，审美上失效。

实验室前期实践：亚文化色彩数据集——未将提取出的颜色平均化为“最优配色方案”，而是保留了每一组搭配背后的归属主体与社群。对品味实施结构化，但不消解其结构。

回应命题二（“好”由谁定义）：一旦决定为主观世界建模，研究者就必须作出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”还是“连贯”为准则。无一属于技术问题，全部都是设计问题。

起点：上一线索留下的要求——输出不是单一答案，而是一个可能性空间。

当前范式：收敛推理——给定问题，逼近唯一正确解。在数学、代码、逻辑领域成功，成立条件是答案可被自动判定，模型能在可验证奖励上持续自我改进。

设计领域不满足这一条件——既无唯一解，亦无自动判定机制。

方向相反的构造：发散推理——据我们所知，这是首个以发散为根基、以创意为核心的推理模型，构造目标不是收敛至单一答案，而是展开一个可能性空间。

无法回避的规范性问题：何种可能性空间可被裁定为“好”？是候选解之间的距离足够大？是所覆盖的立场足够完备？抑或应包含哪些“具有启发性的错误”方向？

核心区别：

收敛模型无须回答此问题，因为标准答案已外在给定

发散模型必须回答它——而这一回应不属于技术选择，属于设计判断

应用范围：不局限于视觉领域，涵盖城市与建筑、社会设计与商业设计。

核心意义：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”。设计从来不是自问题至答案的单向推进，而是问题与答案协同演化的进程。

回应命题三（输出形态）：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方。

三者指向同一动作：把人工智能本身当作设计对象。

司马贺的分界线今日依然成立，但适用对象已变。

六十六年前，设计一个人工物是设计一件物；今日，设计人工智能是在设计所有人做事的形态。若创造行为的形态很大程度上由其所处环境决定，那么设计那个环境，就是在设计创造本身。

去设计人工智能不是一次跨界，不是一个比喻，也不是一次转型。它是这个学科在源头处就写好的题目——我们只是花了六十六年才绕回来。

往昔，我们设计人与人工物之间的关系；未来，我们需要设计人与智能之间的关系。

*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。

它所引发的改变，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。我们确信，每一次“从0到1”的探索，都是对未知星图的首次描绘；每一次“从1到N”的延展，都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得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，我们诚挚邀请你走进实验室，与导师、研究者、学生及产业实践者面对面交流，一同见证正在发生的研究、教学与创新实践，也一起畅想更远的未来。

开放日只是开端

感谢相遇，愿我们一同成长，不负梦想，不负未来💪加油！