夜雨聆风｛认知·商业·设计·工具｝
近年来，人工智能迅速进入设计领域。图像生成、文本生成、三维建模、交互原型、方案推演、用户分析等工作，都开始借助智能工具完成。设计师的工作方式发生变化，设计教育、设计评价和设计研究也随之面对新的问题。
目前，很多讨论仍停留在工具层面：AI能不能画图，能不能替代设计师，能不能提高效率，能不能降低成本。对于设计学而言，更值得追问的是人工智能进入设计过程之后，设计知识本身是否发生了变化，设计师的判断能力、问题意识和方法结构是否需要调整，人、机、数据、用户和场景共同参与设计时，设计评价又应建立怎样的标准。
这些问题把我们带回设计学的基本命题，设计究竟只是技术应用，还是一种独特的知识方式。
一、设计不只是“做方案”
在通常的学科分类中，人们习惯把知识分为自然科学和人文社会科学。自然科学重在解释自然规律，人文社会科学重在分析社会结构与人的行为，理解意义、价值和历史经验。设计学似乎经常处在这些知识体系之间，它需要材料、技术和工程，也需要社会调查、用户研究和文化理解，还需要审美判断、形式组织和实践经验。
英国设计研究学者Nigel Cross曾提出“设计式认知方式”的观点。他认为，设计具有不同于科学和人文学科的知识结构。科学更关心“事实是什么”，人文学科更关心“意义是什么”，设计则更关心“在特定条件下可以形成怎样的方案”。设计面对的对象，往往不是已经存在的自然事实，也不只是既有社会现象，而是尚未出现的产品、空间、界面、服务、系统和生活情境。
从这个意义上说，设计可以被理解为一种面向未来、面向人工物、面向复杂问题的知识方式。它的核心不只是解释现实，也不只是阐释价值，而是在限制条件中组织资源、判断关系、构想方案，并通过原型、测试和反馈不断修正。
Herbert Simon在“人工物科学”中把设计理解为把现有情境转变为更合意情境的行动。这个定义对设计学影响深远。设计的任务既包括发现问题，也包括构想可能。既包括表达方案，也包括验证方案。既包括专业判断，也包括对用户、技术、伦理和社会后果的综合考量。
因此，设计不是自然科学和社会科学的简单延伸，也不是艺术表现的附属部分。它更像一种综合性、构想性和行动性的知识传统。它需要借助科学知识、社会知识和人文知识，但最终要把这些知识转化为可以被使用、体验、交流和评价的人工世界。
二、AI改变的不是工具，首先是过程
人工智能进入设计领域之后，设计过程不再完全依赖设计师个体经验和单向度的软件操作。设计师通过提示词、案例输入、参数调整、图像参考、语义描述和反馈修正，引导智能系统参与方案形成。智能系统则通过模型、语料、数据和算法提供大量备选结果。设计活动由此形成一种新的协同关系。
过去的设计流程大体包括调研、构思、草图、方案、原型、测试和修改。数智时代的设计过程在此基础上增加了新的环节，设计师需要把复杂任务转化为机器可以识别的目标，判断输入数据的有效性，筛选智能系统给出的方案，辨析方案中的审美质量、逻辑缺陷和伦理风险，还需要把人工智能的输出结果转化为具体设计判断。
这意味着，AI并没有简单替代设计知识。相反，它使设计知识的结构更加复杂。设计师需要具备问题定义能力、数据理解能力、提示组织能力、审美判断能力、跨媒介表达能力和伦理辨析能力。设计知识也不再只来自经验、案例和训练，还来自人机互动过程中的比较、选择、修正和沉淀。
但是，需要警惕方案数量的增加并不等于设计质量的提升。人工智能可以快速提供大量图像、文本和概念，但设计价值仍然取决于问题是否准确、判断是否成立、方案是否适用、体验是否有效、过程是否清楚、风险是否可控。人机协同设计的关键，不是机器给出多少结果，而是这些结果经过怎样的专业判断，并被组织成怎样的设计知识。
三、从设计实践到设计知识
理解数智时代的人机协同设计，可以借助几位重要设计理论家的思想。
Christopher Frayling提出过“关于设计的研究”“为了设计的研究”“通过设计的研究”三种区分。其中，“通过设计的研究”对于今天尤其有价值。它说明设计实践本身可以成为知识生产过程。设计师在原型制作、材料实验、过程记录和方案迭代中形成判断，这些判断如果能够被记录、分析和论证，就可以进入设计研究。
Nigel Cross强调设计具有自己的认知方式。设计师并非只是应用已有知识，也并非只是表达个人审美，而是在复杂情境中进行综合判断，把需求、条件、形式、材料和体验转化为方案。这一观点有助于我们理解人机协同设计中的“设计知识”究竟是什么。
Richard Buchanan把设计与复杂问题联系起来。他认为设计面对的问题往往没有固定边界，也没有唯一答案。设计对象可以从符号和物品扩展到行动、服务和系统。今天的智能产品、数字平台、公共服务、交互体验和社会创新，都属于这种复杂问题场域。
Kees Dorst关注设计中的框架创造。他提醒我们，设计创新的关键往往不在于直接给出答案，而在于改变理解问题的方式。人工智能可以帮助设计师看到更多可能，但问题框架的调整、价值方向的判断和方案意义的确立，仍然需要人的专业能力。
Ezio Manzini则把设计放入社会创新和多主体协同之中。他认为，设计不再只是专业设计师的工作，用户、社区、组织、平台和公共机构都可能参与设计。数智时代的人机协同，也不能只理解为设计师与工具之间的配合，还应放入更大的协同生态中考察。
这些理论共同提示我们：设计研究的核心不应停留于技术工具本身，而应进入设计知识、设计方法、设计判断和设计价值的深层讨论。
四、智能设计需要新的评价标准
当人工智能介入设计过程之后，传统评价标准已经不够充分。过去我们常从造型、功能、审美、技术和市场等方面评价设计方案。今天的人机协同设计，还需要增加过程性和伦理性的评价维度。
首先是问题回应度。设计方案是否准确理解了任务、用户和场景，是评价的基础。AI生成的方案看似丰富，但如果偏离真实问题，视觉效果再强也难以成立。
其次是创新质量。创新不能只看表面形式的新奇，还要看是否提供了新的解决思路、新的体验方式或新的系统关系。设计创新需要与问题结构、使用方式和价值目标相联系。
再次是审美完成度。形式、色彩、结构、界面、材料和视觉秩序仍然是设计评价的重要内容。AI可以模仿风格，但审美判断需要专业训练和文化经验支撑。
还要关注协同有效性。人机协同是否提高了设计判断质量，是否帮助设计师拓展方案空间，是否改善了流程效率，是否形成了可复用的方法经验，都应纳入评价范围。
过程可解释性同样重要。设计方案从何而来，经过哪些输入、筛选、修改和确认，是否能够被说明和追溯，关系到设计研究的可靠性，也关系到设计实践的专业规范。
伦理安全性也不能缺席。版权争议、数据来源、算法偏见、隐私风险、用户误导、过度依赖等问题，已经成为智能设计必须面对的现实议题。设计评价不能只看结果是否好看，还要看过程是否合规、价值是否稳妥、社会影响是否可控。
五、设计师的价值正在转向
AI时代并不意味着设计师失去价值。相反，设计师的核心能力正在从单一的软件操作和形式表现，转向更复杂的综合判断。
未来设计师的重要能力，可能包括准确界定问题的能力，组织信息和数据的能力，与智能系统协同工作的能力，判断方案质量的能力，把抽象需求转化为具体体验的能力，识别伦理风险的能力，以及在复杂场景中整合多方关系的能力。
设计教育也应随之调整。设计基础训练仍然重要，但不能只停留在技法和软件层面。学生需要理解设计知识的形成过程，学习如何提出问题、比较方案、记录过程、表达依据、评价结果，并理解人工智能工具的边界。
在这个意义上，人机协同设计不是一个单纯的技术议题，而是一个设计学基础理论议题。它要求我们重新理解设计知识的来源、设计师的角色、设计过程的结构和设计评价的标准。
六、设计研究不是旁观设计，而是改进设计
Amaresh Chakrabarti 教授在关于设计研究方法论的讲座中提醒我们，设计研究的对象不是自然现象，而是设计与设计行为本身。设计研究既要理解设计如何发生，也要改进设计如何进行。DRM方法论的意义正在于，它把设计研究组织为从问题澄清、现状描述、方法提出到效果验证的连续过程。这一逻辑提示我们，AI时代的设计研究不能停留在“AI能做什么”的工具描述上，而应进一步追问：怎样的人机协同才算有效，哪些因素影响设计质量，如何提出新的设计支持，如何评价这种支持是否真的改善了设计过程。
结语
数智时代的设计学，不能只把人工智能看作新的生产工具。更重要的是，人工智能正在改变设计知识的形成方式。设计不再只是设计师个人经验的外化，也不再只是软件技术的操作结果，而是设计师、智能系统、数据资源、用户反馈和社会场景共同参与的复杂过程。
把设计理解为一种知识方式，有助于我们摆脱对工具的单纯焦虑，也有助于提升设计学研究的理论层次。自然科学解释自然世界，社会科学分析社会运行，设计学则在现实条件中构想更合意的人工世界。数智时代的人机协同设计，正在把这一知识特征推向更加复杂、也更值得研究的阶段。
对于设计学而言，真正重要的任务不是证明AI能不能替代设计师，而是建立一套能够说明设计知识如何形成、设计判断如何成立、设计价值如何评价的理论框架。只有在这个层面上讨论人工智能与设计，设计学才能在数智时代保持自己的问题意识、学科尊严和知识创造能力。
