特约文章丨面向数智时代的设计启发研究进展与展望

文 / 金小能，董华

摘 要：

设计启发式工具对设计师的创造力产生了重要影响，但学界与业界对“设计启发”的理解存在不同的观点，设计启发的作用机制尚需进一步澄清，以使其效用最大化。本文首先介绍了国内外关于设计启发的研究进展，并对现有设计启发式工具、设计启发开发模式进行了梳理和分析。最后探讨了利用新的设计启发工具在数智时代辅助生成人工智能自动生成内容的优势与可能性，并对未来的设计启发式研究发展作出了展望。

关键词：

数字智能；设计启发；人工智能内容生成；产品创新；设计方法

产品创新是制造业的灵魂，对于实现国家战略目标及产业升级具有重要意义。产品设计师的创造性思维、问题解决能力和广博的知识基础是推动创新的关键。然而，设计师时常面临知识储备不足和创新思维固化的挑战。这些问题在新兴数字技术如人工智能、物联网、区块链等快速发展的背景下进一步加剧和凸显，为设计师带来了巨大的挑战。设计启发（design heuristic set，DHS）通过分析过往的设计方案，为设计师提供了获得设计灵感和创新见解的有效途径。虽然 DHS 在设计研究和教学领域得到广泛应用，但是当前学界与业界对于设计启发的理解视角各异，系统梳理设计启发研究的现状与进展、 明确 DHS 的未来方向十分必要。本文首先介绍了目前国内外 DHS 的研究进展，对已开发的设计启发式工具、设计启发开发模式进行了梳理和分析，并探讨了设计启发在人工智能自动生成内容（AI-generated content，AIGC）生成过程中的作用，对面向数智时代的设计启发研究作出了展望。

0 DHS 的定义、分类及作用机制

在设计领域，DHS 的定义为“基于直觉、隐性知识（tacit knowledge）或经验性理解的上下文相关指令，可为设计过程提供指导，以增加获得满意但不一定最优的解决方案的机会”（Fu et al.， 2016）。在软件设计领域，启发式方法是“基于特定经验的指导方针”，可帮助开发人员作出正确的决策。启发通常是从领域内的经验中学到的，往往是隐性的，难以用语言来表达（Nisbett et al.， 1980），但设计启发可以捕捉过去问题情境和解决方案的重要特征，这些特征往往会在经验中反复出现。通过分析过去的设计解决方案，从中得出经验，设计启发可以有效地获得有关设计师过去如何解决类似问题的设计灵感、见解和创新特征（Yilmaz et al.，2016；Hwang et al.，2018；Bloesch-Paidosh et al.，2019）。有学者通过利用过去的专利信息和获奖设计作品提取 DHS，例如“创造性问题解决”理论（简称 TRIZ）就涉及从成功的工程专利中提取 DHS。还有研究通过分析获奖产品设计，提取出产品设计领域的 DHS。例如，Saunders et al.（2011）调查了 197 款获奖创新产品，并将所识别的设计特征进行分类。该分析识别出 13 个“创新特征”，包括“附加功能”“修改尺寸”“修改材料”“扩展使用环境”“修改物理的需求”等。另一项研究，Yilmaz et al.（2016）通过分析 400种获奖消费产品，提取出 40 种设计启发。设计师可以将 DHS 应用于现有想法的改进，或者借助DHS 激发全新的想法（Henderson et al.，2019）。设计工具可以分为三个领域，即创意分析工具、思维工具和刺激工具。尹碧菊等认为设计刺激是“设计想法或概念的触发器或跳板，通过减少获取设计起点的认知难度、引入有用信息、快速扩大搜索空间等方法，有效促进设计创新的产生”。DHS 可被归类为设计刺激工具，其在“概念构思”阶段经常被应用。图 1 呈现了三种不同的概念生成模式。

图 1 三种不同的概念生成模式

如图 1（c）所示，其通过提供外部线索为设计师提供启发，有益于拓展设计空间；而设计启发工具则是提供诸多有益线索的资源库。设计启发的作用机制与工作记忆相关。Baddeley 指出工作记忆为语言理解、学习和推理等复杂的认知任务提供必要信息的临时存储和操作。工作记忆的容量是有限的，只能保存固定的少量事项，例如 Miller 所提出的大约七个模块（Chunks）或 Cowan 提出的四个模块，每块指对应于已存储在长期记忆（long-term memory，LTM）中的相似模式的块。相比之下， Ericsson et al.（1995）发现长期记忆的存储容量被假定为比短期记忆（short-term memory，STM）更大且更耐用，以及长期记忆中所存储的主要是关联信息，其不同的事项相互关联，并将事项与当前情况（上下文）的属性相关联。Wang et al.（2019）将工作记忆被视为是搜索线索的元素，即这些元素是长期记忆的激活源。设计启发工具通过提供外部线索，为设计师拓展探索空间，有利于创新。

2 DHS 的研究进展及趋势

目前，诸多通用型 DHS 被开发，例如 SCAMPER、TRIZ 等。其中 Yilmaz et al.（2016）从专家设计的 3 457 个获奖产品和概念的数据集中萃取出 77 种设计启发。此外，有学者针对某特定设计目标开发DHS，例如 Hwang et al.（2018）开发了实现单手使用目标的 DHS，胡莹等所开发的服务设计 DHS，我们团队所开发的面向数字创新的 DHS（DHS 10）；以及针对新兴技术领域的 DHS，例如 Bloesch-Paidosh et al.（2019）开发的面向增材制造设计的DHS，以及我们团队开发的面向人工智能的 DHS （DHSfAI 40）（见图 2）。

图 2 面向人工智能的 DHS

近年来，关于设计启发式工具的效用研究很多。诸多研究表明了 DHS 的积极影响，特别是有助于提高所产生概念的新颖性表现。例如，Yilmaz et al.（2015）发现 77 种设计启发卡片可以在工程和工业设计领域提供有效的创新，以及更多的 DHS 使用与更高的创意创造力存在相关性。另一项研究，Leahy et al.（2019）发现 DHS 可以通过提供具体建议，支持学生设计师迭代其初始的概念想法。Daly et al.（2016）发现与其他设计技术（例如，头脑风暴（brainstorming）和形态学分析（morphological analysis））相比，DHS在最初期的想法生成阶段优势明显。

目前的 DHS 仍存在以下不足。

（1）面向数字智能时代的 DHS 缺乏。以较典型的面向产品创新的 77 DHS 为例，Yilmaz et al.（2016）提取该 DHS 时所使用的信息资料主要是2001—2009 年间的设计数据，且所提取的 DHS 大多为产品物理实体结构的创新。然而近 10 年，产品设计的数字化经历了爆发性的增长，面向数字智能时代的设计领域 DHS 依然缺乏。技术进步为设计创新带来了机遇，但面向新兴技术领域的 DHS 也很少被开发，目前仅有我们开发的面向数字创新的设计启发工具（DHS 10）和面向人工智能的设计启发工具（DHSfAI 40）。

（2）目前的 DHS 开发效率低下，且不能实现动态更新。以往 DHS 开发过程中（Seifert et al.， 2016；Hwang et al.，2018），大多采用 Kawakita Jiro （KJ） 法。KJ 法帮助分析人员通过归纳推理整理大量无序的语言数据，并在数据集中发现隐藏的模式和含义。然而，该方法需耗费大量时间与专业人力的投入，不利于设计师、研究人员即时地提取有用的 DHS，以帮助其进行创新概念生成，缩短企业开发周期，提升产品竞争力。当前，国内外学者利用信息技术，开发了较智能化的激发概念生成应用软件，例如 Luo et al.（2019）和 Han et al.（2018）分别开发了 InnoGPS 和 Retriever 系统辅助设计师进行概念生成，取得了较好的效果。但是，这些设计辅助系统多以知识图谱的形式进行呈现，缺少多模态刺激与详细启发性描述，影响知识的吸收与转移。即使是在当前大数据、智能时代背景下，能够省时开发 DHS，且支持动态更新的研究极少，特别是在多模态 DHS 的自动生成领域。

（3）多模态 DHS 知识呈现形式的研究不足，缺乏实证研究。关于 DHS 多模态呈现形式的实验研究匮乏，仅有 Blösch-Paidosh et al.（2021）发表了多模态 DHS（特别增加了实物模型）对概念生成产生的影响，但该研究尚未阐明何种多模态（如渐进式分层信息呈现、多图刺激式、短动画等）更有效刺激设计师的概念生成。该问题如没有被很好的研究，不仅会削弱 DHS 的使用效用，甚至不利于设计构成知识的有效吸收与传播。

3 AIGC 时代的 DHS 研究展望

3.1 基于 AI 大模型的 DHS 生成

近年来，已有研究探索各种技术以萃取设计启发，并进行规范化的知识管理。如有研究关注通过眼动等方法挖掘设计启发（Mehta et al.，2020），以及开发软件用于规范化的录入设计启发知识（Kremer et al.，2023）。近期，AIGC 技术发展突飞猛进，例如ChatGPT、MidJourney、Stable Diffusion、DALL-E 和 Sora（视频生成模型）等引领其应用热潮，对设计行业影响巨大（见图 3）。人类设计的发展伴随着设计工具的进步，不仅要善于制造工具，也要善于利用工具。然而，目前大多数 AIGC 在设计过程中的应用，多为概念和形态的自动生成；而非关注设计、技术知识与经验的供给，忽视了设计师自身在设计过程中拥有的独特创造能力。从 C-K（concept-knowledge theory）理论的角度看，生成创新设计概念在于通过引入外部领域的知识来扩展概念和知识空间（Shai et al.，2009）。未来的设计启发研究应关注如何利用 AIGC 技术进行多模态 DHS（muti-modal DHS， M-DHS）的自动生成，进而为设计师提供持续性的

外部知识供给，促进其与人类自身知识、独特的联想能力进行融合及进行交叉创造。

图 3 AIGC 技术的应用

3.2 DHS 开发模式比较

表 1 对现有 DHS 的开发模式进行了综合总结和比较，涵盖了开发者、模式、时效性和传播度等多个维度的分析。通过这一深入的比较和分析，旨在为基于人工智能生成内容（AIGC）推动的 DHS 生成方向提供理论和实践依据。

3.3 AIGC 时代多模态 DHS 生成模式的优势

（1）AIGC 生成多模态 DHS 能够弱化知识屏障和设计固化的影响。从 CK 理论的角度，当前设计师仅靠自身隐性知识经验已不能满足产品创新的需要，笔者提出应创新性地引入 AIGC，用以生成设计启发，能够为设计师提供持续性的知识供给，破解知识屏障和设计固化影响，提升产品设计的竞争力。

（2）AIGC 生成多模态 DHS 能够激发设计师开发 DHS 的积极性，促进分享与传播。从知识传播与转移的角度，过去 DHS 开发需耗费大量时间与人力投入，不利于设计师即时提取有用的 DHS 帮助进行知识获取，进而辅助创新概念生成。此外，由于开发成本高、专业性强，个人或团体一旦付出成本，出于知识竞争性考虑，他们不愿进行广泛传播，极大地限制了知识的最大化应用 。因此，通过利用 ChatGPT+ 模型微调（fine turning）实现特定领域的高质量 DHS 自动生成，并借助 MidJourney等文生图生成应用实现多模态 DHS 资源的低成本开发，可以有效激发设计师个人与组织开发 DHS的积极性，并促进 DHS 的分享与传播，为万众创新创造有利条件。

表 1 DHS 开发模式总结及比较研究

综上，我们提出了面向 AIGC 时代的 DHS 理论框架模型（创新环）（见图 4）。即左翼从新兴技术（专利数据库）出发，右翼从设计领域出发（高质量设计作品为数据集），进行 ChatGPT、Llama 2等 AI 大模型的垂直领域微调，以提取相关特定设计或技术领域的 DHS。该理论模型明确了知识转移、大数据和设计启发之间的循环关系，并阐明了外部知识供给对概念生成阶段的重要性。该理论模型不仅澄清了被开发的 DHS 将作为“知识转移”中的新知识，在社会中快速流通，进而辅助设计从业人员进行突破性概念生成；还有助于推动当下数智化转型、跨学科交叉、抗设计固化，为我国的制造业及其产品获得竞争力作出贡献，为促进万众创新创造有利条件。

借助大型语言模型（LLMs），为 DHS 的自动生成创造有利条件，具有时效性高、传播度强等特点。尽管此方法目前尚存在局限性，包括权威度不足和缺乏评审过程。但相信随着 AI 大模型及其微调技术的持续进步，加之其与检索增强生成（retrieval-augmented generation，RAG）和知识图谱技术的深度整合，这些技术将能够有效地整合外部与内部知识，并在一定程度上克服内容生成的黑盒问题。未来的 DHS 生成将变得更加精准、可靠和富有启发性，有望赢得设计师的信赖。

图 4 面向生成式人工智能时代的 DHS 理论框架（创新环）

3.4 DHS 未来发展方向

（1）数智时代应更加注重多模态设计启发的供给。当前设计工具多为设计过程提供指导，而忽视了外部知识供给对于设计师进行概念生成的重要性。为推动创新，设计工具的开发应关注如何提供丰富的知识和经验资源，帮助设计师从不同领域和多模态数据中汲取灵感。特别应开发多模态 DHS 生成系统，可以结合文字、图像、动画等多种表达形式，为设计师提供更全面、多元的外部知识供给，提升人智协作效能，进而激发更多创新想法的产生。

（2）垂直领域微调 AI 大模型 + 文生图、视频模型应用可用于生成多模态 DHS。多模态 DHS 的生成，有效解决了设计刺激中由于过远而造成的无效，以及设计刺激过近所产出创新性不足的问题。多模态 DHS 能够很好地弥合设计刺激过远与过近的局限，通过其与人类自身知识、独特的联想能力进行融合，以及进行交叉创造。

（3）开发更多数智技术的 DHS，促进社会数智转型。新兴技术使用门槛和部署成本的不断降低，对新产品设计开发提供了机会。设计的价值通常通过转化工程技术为行为，产出以产生增强人类体验的解决方案而得到体现。当前，数字智能化已成为未来产品设计的关键要素。设计师如何运用好数字智能化技术，进而创造突破性产品，满足人们追求更加美好生活的愿望，开发更多数智技术的 DHS不失为一种方法。

3 结束语

当前学术界正开发各种 DHS 工具，以提升设计师在概念生成阶段的创新力。尽管如此，现阶段的DHS 工具在满足数字智能时代需求方面存在明显短缺，而且传统的 DHS 开发模式不仅人力成本高昂，还缺乏动态更新的能力，限制了设计师及时利用DHS进行创新概念生成的可能性。AIGC的发展能够丰富DHS的开发方法，并及时补充当前时代所亟需的设计启发，为促进知识转移和万众创新创造有利条件。目前，将AIGC应用于设计启发的研究尚处于初级阶段;这一领域存在巨大的研究和开发潜力。未来的 DHS研究可专注于探索数据和智能驱动的设计知识获取及自动生成方法，这将为设计概念生成阶段带来持续而强大的创新动力。

基金项目：教育部人文社科项目（23YJCZH094）

（参考文献略）

金小能

浙江工业大学讲师。主要研究方向为人工智能与创新设计、设计启发、产品创新方法。

董华

伦敦 Brunel 大学设计学院院长、教授，国际设计研究学会会 士（DRS Fellow）。主 要研究方向为包容性设计。

选自《中国人工智能学会通讯》

2024年第14卷第4期

智能创意与数字艺术专题

扫描加入我们
获取更多学会资源