高校设计学特色人工智能基础教育构建探析

张晓晨 惠兰心 姚小玉

关键词：AI智能;设计学特色;知识构建;智能设计;高校教育

1新时代对设计学科高等教育的新要求

新工科包括新一代信息技术、人工智能和智能制造、机器人产业以及对传统工科和交叉学科的升级和改造。在这一趋势下，数字化和智能化是以工业设计为代表的设计学科的必然发展方向，进而也对设计学科的高等教育生态提出新的和更丰富的要求，落实在人才培养上也就是要求培养（如图1）：

1）复合型设计人才：培养更有商业和人文价值、更受社会认可、充分掌握和有效利用不同维度设计元素、具有跨学科视角和专业视野优势的设计人才。

2）重视合理性设计人才：培养具备从多方面，如力学结构、环境适应、人机工程、商业价值等角度，利用智能工具或框架，综合考察设计合理性的设计人才;而不是一味强调视觉效果，或过分强调启发式设计的传统设计师。

3）前瞻设计人才：培养能把握设计趋势和流行技术，走在设计前沿甚至引导设计潮流的设计人才。

4）敏捷设计人才：培养适应互联网时代敏捷开发节奏的高效率低负担设计人才。

5）通透型设计人才：培养在新兴团队尤其是互联网团队中理解业务逻辑、能够设计落地策略，理解用户需求、公司战略、落地难点的懂产品经理、应用策划和工程师的设计人才。

6）成长型设计人才：培养预留多学科尤其是信息学科基础接口，擅于从科学、艺术、技术等方面不断学习和进步的成长型人才。

显然，社会的进步、科技的发展，对新工科浪潮下的设计学科的高等教育人才培养提出了更具体、更严格的要求。设计学科高等教育经过了多年的发展，已经形成了系统稳健的知识体系，在此基础上设计人才培养新要求的迫切性，主要源于新一代信息技术、人工智能、智能制造和机器人产业蓬勃发展所导致的对中高端设计人才的旺盛需求。

2高校设计学特色人工智能基础教育构建的必要『屿可行陛

2.1必要性

为建设新工科生态内对人才培养有更新更丰富要求的高校设计学科教育体系，满足设计学科人才培养的新要求，有必要将智能设计尤其是“人工智能+设计”的相关知识引入学科教育建设，从而带来以下改进：

1）提升设计复合视野：人工智能已经成为一种设计元素，并且将成为一种全新的思维方式。除专业技能和知识外，视角和工具的高度也决定了设计人才受社会的认可程度和价值。

2）提升设计合理能力：相较于传统的启发式设计和感性判断，懂人工智能的设计人才将可搭建或应用深度强化学习支持下的设计支持场景，通过计算机辅助工程（computer AidedEngineering，简称CAE）和强化学习（Reinforcement Learning，简称RL）的手段从多个评价标准共同作用下辅助设计。

3）提升设计前瞻能力：人工智能已经广泛渗透到智能硬件与材料、传感器设计与互联网应用等产品中，并将进一步扩大自身影响和落地实践。拥抱人工智能思维方式的人才培养，才能带来与时俱进，拥有新时代以新智能为特色的广义设计前瞻性。

4）提升敏捷设计能力：敏捷开发和敏捷工程早就在互联网企业牢牢扎根，在当前快节奏的环境中，敏捷设计也是开发和工程中的核心一环。人工智能可以帮助设计师处理大量有章可循、规则明确、评价标准清晰的任务，从而提升设计效率。例如，喵图科技的人工智能辅助动漫创作，可以自动给动漫上色、图像优化、背景快速生成，平均节省动漫设计师50%的时间。

5）提升人才对产品的理解能力：随着人工智能的飞速发展，其高效的业务能力和适度的应用门槛决定了人工智能会逐渐渗透绝大多数互联网时代的产品中（例如，生活中耳熟能详的手机端应用，绝大部分使用了包括运算智能、认知智能和生成智能内的人工智能）。而懂产品的设计人才，则是产品团队的灵魂，可以从产品经理、应用策划和工程师的视角分别剖析产品，并给出满足甚至高于需求的设计作品。

6）构建终生成长型知识结构：以互联网和新媒体公司为代表的新兴优势企业是承载设计人才就业的主要社会载体，在服务经济实体、实现自我价值的过程中，由于新兴优势企业往往具有领域创新、产品跨学科、设计落地、敏捷开发等特点，因而对设计人才的成长维度和跨学科长期可塑性有更高的期望。人工智能涵盖和承接了智能设计、人因工程、决策系统、数理逻辑以及信息架构等设计领域的重要知识基础，将会是新设计人才知识结构成长性的核心构成。

2.2可行性

在科技飞速发展的今天，人工智能不会替代设计师，但从事简单重复规律设计工作的设计师的工作会大量被机器剥夺，而更受社会认可、更体现商业价值的设计职位更容易被拥抱人工智能的设计人才获得。这是因为设计人才的核心竞争力取决于其专业技术、视角高度、视野广度和特色实践能力。而人工智能应用和智能设计的能力将会是很长一段时间内的稀缺资源，这不仅代表着设计人才具有更丰富内容支撑下的专业能力，还允许设计人才具有前瞻性、科技性和数据支持性的视角高度和视野广度。因此，将人工智能知识引入设计学科高等教育是新时代的不二选择，而世界和中国教育、科技、经济、市场、社会的发展状况，为这一选择的可行性打下了坚实的理论和实践基础：

1）中国高等教育和设计学科发展大环境的支撑：2018年4月2日，教育部《高等学校人工智能創新行动计划》给出量化指标：到2020年建设100个“人工智能+x”复合特色专业。2017年7月《新一代人工智能发展规划》提出要发展人工智能引导的创新设计研究、发展基于人工智能硬件的新产品设计平台、引导企业在设计等环节引入人工智能。在这一学科发展和建设机遇下，将人工智能知识布局于设计学科生态中，对高校建设、学科升级和人才培养是三赢的局面。从学科发展的角度，近年来“人工智能+设计”的研究也大量且稳定的增加（如图2），不仅体现了当前世界和中国智能设计研究的风向，更为研究所引导的高等教育打下基石。

2）有效承接高中基础：2019年起内地高中学生必须要学习信息技术学科，课程内容包括重要编程和人工智能（ArtificialIntelligence，简称AI）的学习。2018年1月，教育部公布的《普通高中课程方案和语文学科课程标准》中，正式将AI划入新课标。2018年4月28日，第一部专为中学教学编写的AI教科书《人工智能基础（高中版）》正式发布，该教材让高中生了解AI的基本思想、常用算法和基础应用场景。吲。在这一背景下，以往困扰设计学科人工智能知识教育的设计类学生工科基础知识薄弱和毫无人工智能相关经验的障碍被大幅度削弱了。

3）高校内部与人工智能相关学科和专业共同建设和发展的支持：除研究成果外，实践应用也是人工智能的价值的重要体现。在国务院和教育部的人工智能发展战略中，尤其强调跨学科“人工智能+X”建设，而设计介于科学与艺术之间，在一定程度上有规律可循，是人工智能的重要试验场和价值体现载体，相较绝大多数其他学科，更容易与高校内部人工智能教育资源建立互利链接，产生双赢的化学反应。

4）人工智能技术发展的支持：近年来，使用人工智能的门槛越来越低，很多以前难以想象的技术、资源和工具都在无限靠近高校的课堂。例如，仅仅就特定算法的思想讲解和演示而言，Matlab可以胜任一般神经网络的教学、演示的任务，其上的一些深度学习、生成学习和强化学习包还可以以演示讲解和小组项目的形式让学生进一步了解人工智能中机器学习的内容;TensorFlow可以满足一些較复杂算法的可视化讲解和演示;github上的大量优质开源项目，如yolo可以满足学生对于具体算法内涵和应用的需求。在此基础上，学生即可充分理解人工智能设计辅助工具，如autodesk dreamcatcher的工作原理和能力上下限。

5）相关行业发展和外部企业的需求和支持：校企合作是企业和高校互利发展的重要形式，而很多企业对于设计具有极高要求，同时又对于设计科学性和智能性抱有较高期待。为此，会以提供教育资源、实习机会和共建实验室的形式与高校共同发展和建设具有智能特色的设计学科。这不仅是从资源上给予资助，更让人才培养的过程紧贴实践、技术容易落地以及极大地提升被培养人才的设计学习积极性。

显然，“人工智能+设计”具有新时代新意义，是设计学科发展的必经之路和必要建设部分。承接当前国际国内经济和科技发展的动态，面向设计学科的高校人工智能教育已经具有充分的可行条件，蓄势待发。

3高校设计学特色人工智能基础教育构建的定位与目标

作为有设计学科特色的人工智能基础教育，应该有明确的定位和目标。首先，设计学科的人工智能基础教育着眼于培养能利用人工智能技术和人工智能设计工具来辅助设计的设计人才、丰富设计人才的信息化视野和数据逻辑依托下的设计能力、强化设计人才在新工科生态下的适应性和竞争力;其次，必须正视的现实是设计学科相较传统工科普遍减少了数理基础的相关课程和训练，数理逻辑和演绎推导不是设计人才之所长;再次，尽管设计学科是与人因工程、心理学、建筑学、管理学、美学、工程学紧密关联彼此支持的强交叉学科，但其核心仍是一门强调应用的学科。因此，设计学科的人工智能基础教育应着眼于培养对人工智能与设计深入理解的创新型应用专家，而不是与人工智能专业人才同质化的人工智能科学家。

4高校设计学特色人工智能基础教育构建的途径

基于以上定位与目标，研究提出具有设计学特色的人工智能教育路径：

1）新工科背景下具有“艺工结合”特色的人工智能教育：建构主义学习理论认为，教育应当引导人才从原有经验和专业知识出发，建构起新的经验和知识结构。设计学科的人工智能基础教育应紧密结合设计学科的业务逻辑和专业知识，在（数据）清洗、解析、训练中充分引入专家知识，并依托设计场景和上下文语意进行设计学特色的“艺术+科学”特色教育。应明确教育路径是将人工智能与专业人才培养策略匹配，将人工智能与设计专业特长结合，让传统优势变得更明显。

2）开发适用于培养设计人才的人工智能设计教材：需要切实解决当前人工智能教材过于偏重数理推导或过度浮于表面的两极分化的现象，并且解决教学内容与实践相互脱节或几张皮的现象。目前，人工智能教材大部分面向的是高等学校计算机学院或人工智能学院的本科生，目标是培养学生的算法设计和科学精神，对设计学科的本科生来说阅读较为吃力，而且通常一门课程下来大部分时间放在了数理推导、命题证明和算法分析，而根本没有精力去在老师的引导下实践到设计中。因此，通过整合学科头部力量和外联资源开发一套重算法逻辑而轻数理推导、重应用场景而轻命题证明、重项目实践而轻空谈理论的有设计学特色的人工智能设计教材势在必行。

3）差异化教育：设计学特色的人工智能基础教育应确保与工科人工智能教育的差异化。而差异化的根源必然立足于人才培养的目标与定位。首先，设计学科的人工智能教育目的是让设计人才透彻地掌握智能设计相关的人工智能基础理论和算法，并通过大量实践了解人工智能、人工智能CAD（计算机辅助设计）和人工智能CAE（计算机辅助工程与仿真）是如何影响和辅助设计，从而提升设计视野和知识维度进而培养学以致用、专业扎实、可塑性强的新设计人才，而不是为了培养人工智能科学家。2018年9月，17岁的英国高中生Mikel Bober-lrizar获得史上最年轻Kaggle的Grandmaster的例子说明，从人工智能落地应用角度讲，理解算法工作原理比懂数学更重要。其次，不同高等教育机构的设计学科有不同的特色，应选择适合自身研究和发展，有助于增进自身优势设计特色的人工智能知识方向。最后，人工智能在设计中根据场景、目标和业务不同有不同的对应技术、方案和呈现形式，跨度极大。设计学科的人工智能教育，应紧密贴合业务逻辑，有针对性地展开个体或小组间的差异化培养。尽量避免泛而不精的通识方案，应坚决拒绝通用人工智能人才培养的教育模式。

4）师资队伍知识升级和持续更新：为拟开展和从事相关人工智能设计和辅助设计的教师提供充分的知识升级资源和支持，通过在线培训、项目驱动、跨学科合作等手段定期提供相关教师知识更新的途径与机会。

5）培养人才的跨学科自学能力：立足设计学科人才培养发展的长远目标，整合信息科学与人工智能教育资源，培养学识精通的专业设计人才，并为设计人才的跨学科终生学习打好基础和拓宽视野。

6）构建智能设计和人工智能辅助设计的小生态：教育从来都不是独立存在的，任何成功的教育体系或特色教育都依托并支撑与之搭配共赢的内外生态。从高等教育体系内部，应当有配套的师资力量、实验环境和研究生态;从高等教育体系周边，应当尽力营造校企深度合作并整合实践资源，让知识指导和提升实践质量，而实践反过来促进知识吸收。

7）以工程和项目为单元的短期工作坊：当前设计人才大多数愿意拥抱人工智能，且对人工智能有一定了解，但却苦于不知人工智能如何服务于设计以及如何下手。作为一门服务于实践的科学，人工智能具体问题具体分析，需要上下文任务需求和工程、工具环境。以工程和项目为单元的短期工作坊，可以快速高效地从经典“人工智能+设计”案例出发，让设计人才了解人工智能服务设计的多种形态和载体，有效提高设计人才理解、应用和革新人工智能设计的效率。

8）重视课程和项目的可解释性和可视化传达：在计算机科学界，人工智能尤其是机器学习中的可解释性和可视化近两年受到高度重视，也促生了很多优秀的解释策略和可视化方案。由于解释性和可视化是设计学人才理解和掌握人工智能知识的关键桥梁，相较一般意义下的人工智能学习，可解释性和可视化传达是设计学科教育中落地课堂和实践的重中之重。

9）把握设计学科教育发展的大方向：关注国际设计学科教育发展趋势、了解国内学科领先院校的智能化教学改革举措。通过联合办学、访问交流、共享资源、援助建设、线上线下调研等手段分层次的学习和借鉴例如MIT、CMU、清华、同济等国际国内头部设计学科所在院校的智能设计经验和教育思路，同时也关注其他设计学科院校的发展新举措。通过把握方向、借鉴经验、学习思路、合理利用辩证等方式对其进行取舍从而达到少走弯路、事半功倍地选择适合自身的人工智能设计和辅助设计教育教学路线。

5高校设计学特色人工智能基础教育构建的潜在风险与应对策略

建设具有设计学特色的人工智能基础教育应具有时代特色，同时也应警惕一些潜在的风险和不确定性，也就是说：

1）设计学科的人工智能基础教育不应贪多贪深：首先，人工智能是一门有60多年发展历史的成熟学科，其背后的知识体系系统而繁杂，因此，我国陆续挂牌了多所人工智能学院并设立人工智能本科专业，来系统地培养人工智能人才。想通过一门课程、实验和少量工作坊让设计人才深入地掌握人工智能及其背后的数理原理是不现实的。其次，设计学特色的人工智能教育旨在培养创新型智能设计应用人才，而不是人工智能科学家，因此算法层以下的内容不是设计学科关注的首要对象。最后，成熟的人工智能平台、工具和框架已经比较丰富，在高校教育有限的时间和资源条件下，建议选取有代表性的框架和技术进行讲解、演示和实践，而不是对太多的广度内容进行讲解。

2）人工智能不只是机器学习：人工智能是包括智能决策、专家系统、演绎计算、模糊计算、机器学习等研究领域的系统学科。对设计学有重要意义和支持作用的不仅仅是近期流行的机器学习，过分强调机器学习的重要性而忽略其他人工智能领域对设计的影响和帮助，会造成教育资源的不健康倾斜和以己之短搏人之长的不良后果。

3）设计学科的人工智能基础教育应具有实践特色：习近平总书记在十九大报告中强调，要推动“人工智能和实体经济的深度融合”。人工智能是情景式的科学，设计也具有强应用属性，因此，设计学科的人工智能基础教育应具有实践特色。对于人工智能設计、人工智能辅助设计和人工智能指导设计应分专题以示例项目和小组实践为载体进行教学，项目贵精忌杂。相关教师可深入浅出地讲解算法和框架思路后，依托具体开源项目进行指导。

4）设计学科的人工智能基础教育不必盲目跟进人工智能研究最前沿：首先，很多从人工智能学科领域视角来看非常有价值的创新和研究成果，例如，将某架构的结构部分优化或将结果准确度提升了百分之几，从设计学实用的视角来看并没有太大差别。其次，最新研究成果中一般描绘的是通过理论推导或实验验证达到的一种愿景和可能性，距离成熟落地往往有一定时间间隔。再次，从研究成果到高等教育尤其是设计学科的课堂教育有一个教师理解吸收并甄别适用性和实用性的过程，而此过程代价较大，收益却很有限。最后，人工智能作为一门成熟的学科，内部体系已经非常健全，其落地实践在近三年也有了飞速发展，应用门槛不断降低，利用人工智能社区内丰富的设计相关高星级开源项目和成熟的商业化人工智能设计工具为媒介进行知识的传授是设计学科人工智能教育的趋势。

5）对教育从业人员要求较高：设计学特色的人工智能教育对从业者提出较高要求，其必须从繁杂的人工智能知识中抽取与设计相关且对设计人才有益的内容，并且要深入浅出地传授大量晦涩难懂的人工智能知识，对设计学、人工智能和视觉传达都必须有深入理解和扎实的实践经验。

6）警惕Bleeding Edge现象：在教育创新的同时，若没有足够的实验、试验与时间考验，教育模式的升级和改革的影响力和副作用可能无法被充分认识，进而产生较高风险。扎根专业、逐步改革、评估迭代、重视市场，可以有效规避风险。

6结语

无论是机器学习、强化学习还是决策支持、专家系统，人工智能已经迅速地渗透入设计学科的纷繁业务中。为设计人才提供人工智能基础知识与人工智能设计实践的教育机会，对提升教育质量和人才竞争力都有极大支撑。通过分析设计学科人工智能教育的必要性和可行性，本文建议将设计特色人工智能知识放入设计学科高等教育框架内;经过分析潜在的风险与不确定性，本文建议设计学特色人工智能教育应逐步开展，从一门课、一门实验、一本教材开始。既要充分拥抱和利用人工智能来强己之强，又要避免贪多冒进、浪费教育资源、伤害设计人才，超越狭隘的短期视野和传统观念，才能让设计学科高等教育更加丰满、健康、活力旺盛，让设计人才拥有新工科潮流下的强大设计竞争力。