人工智能在设计产业中的应用及发展

徐迎庆，周沁怡，邓婕，张煜，付心仪

【数智共生设计未来】

人工智能在设计产业中的应用及发展

徐迎庆，周沁怡，邓婕，张煜，付心仪*

（清华大学，北京 100090）

对人工智能在设计领域的应用进行梳理与总结，分析当下人工智能对设计流程和设计师的影响，展望未来人工智能对设计行业的影响趋势。使用VOSviewer工具和文献计量法对Web of Science数据库中关于“人工智能在设计领域的创新与应用”的文献进行详细的可视化和聚类分析，深入探讨文献中的核心观点和案例。基于四个主要聚类（AI+技术应用、AI+设计流程、AI+创意协作、AI+影响反思）来展开讨论。特别关注生成式人工智能（AIGC）技术对设计方法和设计流程的影响，指出生成式人工智能在促进设计创新和提升设计效率方面发挥着至关重要的作用。此外，生成式人工智能对设计师的传统角色及设计原创性提出了新的挑战并重新定义需求。预测未来人工智能将进一步整合进设计流程，促进设计创新，更加关注人工智能的原创性、责任边界问题，探讨人工智能与设计师合作的新模式。通过对人工智能在设计领域应用的全面综述，为未来设计创新与人工智能融合提供了有价值的理论参考和发展方向。

生成式人工智能（AIGC）；生成式内容；设计产业革新；设计创新；创意过程；人机协作

随着人工智能技术的快速发展，以生成式人工智能（Artificial Intelligence Generated Content，AIGC）为代表的技术在设计产业被广泛、深入地应用。这一现象不仅强有力地推动了设计产业的发展，也为艺术家、设计师和创意专业人士提供了新的设计手段和机遇。与此同时也带来了挑战和对传统设计师角色的再定义。本文从人工智能驱动设计的角度出发，利用知识图谱聚类分析方法，综述了人工智能（Artificial Intelligence，AI）在设计领域的最新进展和应用现状。此外，探讨了生成式人工智能技术如何变革传统的设计理念和实践方式。通过对现有文献的深入分析及具体实例的剖析，本文旨在提供关于人工智能在设计产业中应用的全面视角，探讨这一领域的未来发展方向，反思生成式人工智能对设计师这一角色和设计行业未来的影响。

1 生成式人工智能在设计中的应用研究现状

1.1 研究方法

本文采取了知识图谱的分析方法，基于Web of Science核心数据库进行文献检索，并使用VOSviewer软件（版本1.6.20）进行数据可视化分析。本研究通过检索“设计创新”“人工智能”等关键词，在Web of Science数据库中共筛选出2 706篇相关文献。这些文献的发表时间跨度从2005年5月23日至2023年12月14日。关键词的共现次数按照由高到低的顺序依次为“创意价值”“设计方法论”“算法”等（如表1所示）。

1.2 关键词聚类分析

通过对Web of Science数据库中的文献分别进行VOSviewer工具和文献计量法的可视化分析（如图1所示），本研究梳理并识别出四个主要的聚类群，它们分别代表着人工智能在设计领域内不同的应用与研究方向：AI+技术应用、AI+设计流程、AI+创意协作、AI+影响反思（如图2所示）。下文将对每个聚类进行分析。

表1 生成式人工智能在设计领域的创新与应用高频共现关键词

1.2.1 聚类群1——AI+技术应用

以“人工智能”“人工智能技术”等关键词为核心的绿色聚类群，强调了人工智能的技术发展及其在设计领域的应用潜力。人工智能技术，尤其是神经网络（Neural Network，NN）、生成对抗网络（Generative Adversarial Network，GAN）、扩散模型（Diffusion Model，DM）和大语言模型（Large Language Model，LLM）等技术正在被广泛地应用于设计领域。本章节将主要回顾人工智能近年的主要技术突破，并结合具体案例阐述人工智能在设计领域中的应用实例。

图1 “人工智能在设计领域的创新与应用”关键词共现聚类标签视图

图2 人工智能在设计领域内的主要应用与研究方向

从功能上区分，人工智能可以分为判别式及生成式AI[1]。判别式AI通过对已有数据的学习从而能够准确地对未知数据进行类别的判定。而生成式AI指通过对已有数据的学习，从而创造出新的数据。随着生成式人工智能在2023年的大爆发，人工智能在许多方面的能力已经可以与人一较高下，甚至超越人类。人工智能正成为设计领域中一股不可忽视的力量，其深刻地改变着传统设计方式。这个变革并非仅仅是技术手段的升级，更是创新设计方法的变革，将设计的可能性推向了一个新的高度。人们已经见识了ChatGPT的强大能力，其通过对大量的文本信息进行学习，从而能够自主地创造出新的文本内容。这十分接近人的“学习-创造”过程。这样的智能模型蕴含着许多新的应用可能。

深度学习为生成式人工智能的爆发提供了基础。深度学习是一种机器学习的方法，它强调通过大量的数据自动提取其高维特征[2]。近年来，随着数据量的增加和计算能力的提升，深度学习成为了人工智能的主流。深度学习以神经网络为基础，通过多层次的学习结构模拟人脑神经元之间的连接，从而实现对复杂信息的学习和处理。随着对深度学习的理解不断加深，人们对算法的不断更新迭代成为推动AI发展的动力。当前的生成式人工智能大模型可分为九类：文本转图像、文本转3D、图像转文本、文本转视频、文本转音频、文本转文本、文本转代码、文本转科学文本，以及其他模型[3]。

例如，由谷歌在2017年开发的Transformer[4]，最初是为执行翻译任务时，解决循环神经网络等传统模型在处理可变长度序列和上下文理解上的局限性所提出的。但是其中蕴含的多头注意力思想却被广泛使用，可以说Transformer引爆了如今的生成式人工智能热潮。基于Transformer架构的经典应用包括了语言模型BERT[5]、ChatGPT[6]，视觉模型ViT[7]、CLIP[8]。Transformer架构的核心就是自注意力机制，让模型能够自己学习序列中的重要信息，通过不断学习并根据内容之间的相关性来自动地分配权重。Transformer由编码器和解码器组成，编码器将输入序列转为隐藏表示，而解码器将隐藏表示生成新的序列。这一架构也十分适合进行大规模并行计算。

在前沿设计创新应用领域，深度学习也发挥了一定作用，清华大学未来实验室在智慧家居[9-10]、情感计算[11]、嗅觉计算等设计创新领域利用深度学习技术创造了AI与设计相结合的典型案例。例如，针对现有的智能系统缺乏推理和思考能力的现状，在进行智能系统的设计时，在推理和思考层面引入大语言模型以形成一个基于物联网（Internet of Things，IoT）设备的自主决策系统，使系统中的每个设备均能够根据人工智能的实时决策做出反应，从而把用户从冗杂的条件判断、操作切换和家庭自动化配置的工作中解放出来[12]。

在图像生成领域，Diffusion Models带来了原理性的创新。相较于传统的生成模型，Diffusion Models引入了扩散过程，通过逐步迭代来生成图像[13]。具体来说，Diffusion Models生成图像的过程分为两步：第一步是在原有图案中不断添加噪声，这便是扩散过程；而第二步逆扩散过程则是根据已有数据逐步去除噪声以显露出生成结果的过程。这一思想与马尔可夫链的概念相联系，扩散过程与逆扩散过程都可以拆分为多步，每一步都基于上一步的结果生成[14-16]。Diffusion Models通过将图像生成问题建模为一个逐步演化的过程，避免了一次性生成整个图像所带来的挑战。这种逐步生成的方法使得模型更容易学到图像中的细节和全局结构，不仅有助于生成更为真实和高质量的图像，还对生成模型的训练稳定性和效率产生了积极影响。

随着生成式人工智能技术在自动内容生成、分析、理解及优化等方面取得重大进展，人工智能的应用范围已从基本的数据处理扩展至更为高级的创新和任务分析。利用生成式人工智能来辅助设计的思想已经得到了广泛的认可，大量人工智能辅助的设计工具也不断涌现。从自动化设计生成到数据驱动的设计决策，设计的每一个环节都变得更加智能、迅速、精准。这是个充满机遇和挑战的时代，人工智能正成为设计创新的引擎，为设计领域注入新的活力和可能性。

1.2.2 聚类群2——AI+设计流程

以“设计方法论”“算法”“性能”等关键词为核心的红色聚类群，体现了生成式人工智能技术对传统设计方法的影响。在当前的设计领域，生成式人工智能已经超越了辅助设计的工具角色，成为设计创新过程中的共同参与者。AI对设计过程的影响不仅在于效率的提升，还拓展了设计师的思维方式和创新能力。

在设计初期，传统方法要求设计师进行全面而深入的市场和用户研究，以准确捕捉和理解用户的具体需求、行为模式和市场研究。这意味着设计师需要花费大量时间收集和分析一手资料，如用户访谈和观察，并且结合二手资料进行综合评估。而现在，生成式人工智能极大提高了设计师在信息搜集和获取阶段的效率[17]。基于简单的提示，生成式人工智能可利用深度学习和自然语言处理技术生成大量多角度的专业信息并以结构化方式呈现。例如，在用户界面设计（User Interface Design）领域，Huang等[18]、Chen等[19]、Bunian等[20]利用视觉和文本信息辅助用户快速搜索设计参考图，提高了设计师的查找效率。此外，人工智能技术在理解和预测用户行为、偏好方面的应用，为用户体验设计（User Experience Design）和交互设计（Interaction Design）提供了新的可能性。人工智能可以分析大量用户数据，有效构建用户需求和审美偏好的模型。这一能力为设计师提供了深刻的洞察，使他们能够更准确地理解用户需求，进而创造出更加个性化且符合用户期望的设计方案[21-25]。

在创意构思阶段，AI通过提供灵感及创意想法，扩展了设计师的创意空间。研究表明，GPT-4这类生成式AI在创造性思维方面表现出与人类相似甚至超越人类的能力[26-27]。它们能够提供创意提示，帮助人类克服在生成概念时的局限性。在设计过程中，生成式人工智能可以根据设计师输入的设计主题和需求，提供多样化的图像和文本灵感，激发设计师的“顿悟时刻”（Aha! Moment）[28]。这种技术不仅促进了设计方案的创新和思维的发散[29-31]，还有助于克服人类在创意过程中常见的“创意固定”现象[32]。“创意固定”现象是一种认知偏差，通常限制了思维的广度和深度。目前，利用生成式人工智能的灵感推荐系统已经应用在服装设计[33]、三维视觉化概念建模[34]、用户体验设计[35]、工业设计[36]等多个设计领域。

在设计定义阶段，生成式人工智能通过其强大的信息处理能力，促进了更加个性化的设计定义。人工智能可基于不同的设计背景和目标需求，提供定制化的设计方案和建议，实现了数据驱动的设计方法。例如，来自客户或公司的数据可以直接影响设计定义，人工智能可自动且无需人工干预地为每个用户生成具体的解决方案[25,37]。这种能力不仅确保了设计与实际应用场景的紧密契合，而且为用户提供了更加个性化的设计体验。

在设计的实施阶段，生成式人工智能的介入显著加速了设计流程。它能够自动化执行重复性高且技术要求强的任务，例如自动化草图绘制、文字排版和风格迁移，使设计师能更多地专注于创意和策略层面的工作。以Midjourney、Stable Diffusion为代表的工具，可以根据用户输入的提示词（Prompt）快速生成设计师预期的效果图，减少传统绘图、建模和渲染所需的时间[38]。除了上述应用外，相关的研究也覆盖了包括自动排版[39,40-42]、插画[43-44]、上色[45-48]、字体设计[49-51]、图标设计[52-53]、三维模型设计[54-55]、室内设计[48]等设计领域。此外，在设计实施阶段，确保人工智能可准确理解用户输入的需求至关重要。除了基于文字的描述外，相关研究致力于通过引入更自然、直观的用户输入形式，帮助用户用更直接、便捷地表达其设计需求。例如，生成式人工智能已能解析用户的草图并将其转化为详细的设计方案或视觉表达。在语音命令的应用中，语音用户界面（Voice-user Interface，VUI）结合了语音合成、自动语音识别等AI技术，运用AI处理用户的语音输入，在云端理解意图并返回响应，从而提升了输入效率并增强了设计流程的直观性和互动性[43]。最后，生成式人工智能利用扩散模型做风格迁移，基于示例的图像编辑可以模仿输入图像的特征、风格，提升了设计的创造性和个性化输出[50-51,53]。随着生成式人工智能的进一步发展，设计输出的过程会进一步自动化，并拓展到更多设计领域。

在设计评估阶段，人工智能通过精确量化设计元素（如颜色、布局）和美学原则，并分析网络信息趋势，提供深入、客观且与人类感知一致的分析[56-57]。

综上所述，在AI介入设计流程之前，设计师通常全流程、高投入地参与设计的各个流程[58-60]。但随着生成式人工智能的加入，这一流程发生了显著变化。AI的介入不仅加速了设计的生成过程，减少了人力资源的消耗，而且通过数据分析，提供了更多元化的设计方案。基于这样的变化，一些研究提出人工智能时代下新的设计流程[61-62]。

1.2.3 聚类群3——AI+创意协作

以“设计师角色”“团队合作”为核心的黄色聚类群，展示了AI在设计过程中对设计师和团队角色的影响。本章节将探讨人工智能的出现对设计协同和团队协作的影响。

1.2.3.1 设计师与AI的协同工作

在AI驱动的设计领域中，设计师们不再只是艺术的创作者，更是与智能工具协同合作的创新者。对于人工智能在共同创造中的角色，学者们提出了多种分类。Lin等[63]将人工智能在与人类交互时的角色分为了四种，即分包商、批评家、队友和教练。Tholander等[64]区分了两种视角，即将人工智能视为仅执行用户指令的工具或将其视为智能代理。目前，生成式人工智能可以作为一个工具，协助具体的设计任务，如图像生成、图像编辑和3D建模[48-49]。作为一个助手，执行时间密集型的任务，如市场研究和数据分析[33]。作为一个合作者，提供创造性的输入。Lin等[28]设计制作的Cobbie机器人能够分析设计师绘制的草图并生成新草图以激发设计师灵感。AI与设计师的协同工作为设计领域带来了诸多优势，包括提高效率、增强创造力和做出更加精准的设计决策。随着人工智能的发展，其角色经历了显著的转变，从最初的“实习生”（Intern）逐渐演变为“合作伙伴”（Peer）[65]。

人工智能角色的转变意味着设计师需要学会如何与人工智能进行有效协作。设计师的直觉和专业判断与AI的数据驱动决策相结合能最大化设计成果。这种协同工作方式要求设计师不仅掌握传统的设计技能，还要熟悉数据解读和机器学习概念，从而更有效地利用AI工具、指导AI助手、与AI伙伴协作。Figoli等[66]认为未来设计师将是一个能够深入了解设计项目和人工智能技术且具有扎实评估能力的仲裁者。

人工智能与设计结合有无限潜力，也为设计师带来巨大挑战。设计师的创造力可能受到AI推荐或预生成解决方案的限制，过分依赖AI也可能导致设计师的技能退化或创造力下降[34,63]。Habib等[67]的研究指出虽然人工智能极大地促进了创造性思维，但也会对创造力和创意自信产生负面影响。为了克服这些挑战，设计师需要设置正确的期望，明确AI在设计过程中的能力和角色，并学会管理和批判性地评估AI的输出。

1.2.3.2 团队利用AI促进创意与协作

AI不仅作为增强设计创意、提高设计效率的工具，还可以促进设计团队协作。AI的应用显著提升了团队工作流程的效率。以Teams、Notion为代表的AI增强型项目管理工具能自动生成会议总结和要点，提升会议效率。Hong等[68]搭建了MetaGPT，并通过构建一套标准执行程序推动Multi-agent框架高效地完成任务。通过任务自动化、进度追踪和资源管理，AI减少了设计团队成员在日常管理活动上的时间消耗，使他们能够更集中精力于核心创意工作。

AI促进跨学科理解和协作。以GPT为代表的生成式语言模型通过预训练掌握了广泛全面的跨领域、跨学科知识。在跨学科团队中，GPT帮助团队成员跨越专业障碍，更好地理解彼此的工作和贡献。AI工具能够翻译专业术语、解释复杂概念。Chen等[69]开发的AgentVerse可自动招募不同学科背景的专家，提供跨学科的信息与知识解释。AI还可以通过可视化方式展示数据和设计原理，从而促进团队成员之间的有效沟通和协作。

AI增强团队的创意决策过程。在团队创意过程中，AI提供基于数据的深入洞察，识别设计对象的潜在模式，揭示不同学科间的潜在联系，支持团队作出可靠的决策。Huang等[70]通过构建可视化的知识图谱，提供全面的设计信息，优化设计流程。

AI作为一种强大的团队工具，在促进创意和协作方面发挥着至关重要的作用。它不仅提升了工作效率，还加强了跨学科团队之间的沟通和理解。然而，团队成员之间的人际互动仍然是不可或缺的。AI与人类团队成员的合作是构建未来高效、创新工作环境的关键。

1.2.4 聚类群4——AI+影响反思

以“原创价值”“影响”“作用”为核心的蓝色聚类群，集中讨论生成式人工智能对设计的影响。

1.2.4.1 人工智能时代下的设计师角色与价值

生成式人工智能在对设计流程及设计师等方面的深刻影响，是否意味着设计师的工作将被人工智能取代？事实上，虽然当前的生成式人工智能已经十分强大，但是设计师仍然是最重要的角色。

设计师的不可替代性主要体现在审美判断、文化敏感度创造性思维上。尽管人机对齐研究已经得到关注和发展，但此前的研究主要关注人机道德伦理上的对齐[71]，而在审美、文化、思维方式上的对齐则有待加强。首先，设计师能够进行细腻的审美判断，这是基于长期的美术训练和对人类文化深刻理解的结果。而AI在这方面仍然有限。其次，设计师能够理解并体现社会文化的多样性，这在AI生成的设计中往往缺失。最后，尽管AI可以生成多样的设计方案，但它们缺乏创新性思维和跳跃性联想的能力，这正是设计师的核心竞争力。虽然人工智能将从根本上改变设计的生产方式，完全自治、自我创造的系统可能被开发实现，但许多研究一致认为，人工智能的更大影响应该是补充和增强人类创造力，而不是取代人类创造力[72-73]。可以看出，设计师的角色将转变为更加注重设计指导、审美判断和最终方案的选择。设计师需要具备能够有效使用AI工具来实现设计目标的能力，同时保持对设计过程的主导地位。

人工智能影响下的设计变成了以信息为核心载体的加工过程，包括信息沟通、信息生产和信息判断[74]。通过强调设计师在审美判断、文化敏感度和创造性思维上的不可替代性，有助于提升设计师在人工智能时代的价值。

首先，设计师需要具有跨学科交叉及沟通能力，包括用同理心与用户沟通需求痛点、与跨学科团队合作以解决问题等。设计师对现实世界的理解，和对用户、使用情境的观察与洞悉是目前的人工智能无法企及的。设计师需要保持对社会文化变迁的敏感度和批判性，将这些变化融入设计生产和设计评估判断中，以增强设计的文化价值和社会意义，做以人为本的设计。设计师应当提高自身的创新和审美素养，持续探索新的设计理念和方法。

再者，增强使用AI作为设计生产工具的技能，如熟练掌握提示词技巧，理解和调整人工智能输出以准确表达设计意图、传达设计目标[75]。尽管许多生成式人工智能工具和服务已经能够高效地生产视觉内容、增强视觉效果，但它们只改变图像表层的视觉风格，不触及深层的想法表达[38]。在设计师与人工智能协作的过程中，提示词（Prompt）是设计师让人工智能理解图像背后想法的重要手段。这个转换过程不仅需要设计师清晰地表达设计预期，还要精确使用生成模型以识别特定的术语。例如，为了生成理想的图像，设计师必须从多个维度进行描述，包括画面内容、视角、风格、颜色和组成元素等。潜在的挑战是文本提示转换的图像与设计师预期的视觉概念不一致，从而影响最终设计成果的准确性和质量。针对这一挑战，设计师需要培养出强大的Prompt能力，这不仅涉及对相关理论的深刻理解，也包括熟练掌握实际操作。

最后，在评估和筛选人工智能（AI）生成的设计作品时，设计师不仅需对作品的审美价值进行考量，而且必须评估AI产出内容的准确性与潜在偏见[76]。当前生成式人工智能在信息准确性和道德标准上依然存在问题，这不仅影响设计的质量和可信度，还可能对社会伦理和公共安全产生影响。设计师在使用AI工具时，需要批判性地评估AI是否产生了错误或虚假信息，以及是否展现了有偏见或歧视性的内容。除了设计师自身的评估外，还必须引入外部的校准机制以增强验证过程。这包括实施错误检测和修正机制、使用多元化和平衡的训练数据集，以及开发能够有效识别和消除偏见的算法。这些措施对确保AI系统的公正性和包容性至关重要，有助于提高设计成果的质量和可信度。

1.2.4.2 人工智能的责任边界与伦理原则

由于人工智能技术的发展，它能够做的事情越来越多，影响也越来越大，人工智能具有承担责任的能力。经济合作组织（OECD）在2019年发布的AI原则（AI Principle）中提出“负责任的AI”（Responsible AI）应包含以下原则：（1）包容性增长、可持续地发展和谋取福利；（2）以人为中心的价值和公平性；（3）透明度和可解释性；（4）鲁棒性和安全性；（5）能够被问责[77-78]。这要求人工智能不仅公平地展示作品中不同参与者的智力成果贡献，也能够限制或规避对人类社会有害的内容。

人工智能技术的发展让图像或文本的生成变得前所未有的容易，这使得设计师工作的价值和原创性可能会被质疑[79]。在新技术蓬勃发展的今天，一味地拒绝并限制新技术显然是不可取的，要让人工智能技术能够真正服务好设计师的工作，不仅需要明确设计师的智力贡献，也要尊重为人工智能的训练所贡献数据的人类智慧成果。这要求人工智能的开发者和设计师都能够遵循“负责任的AI”原则，促进人工智能技术应用的发展。

2 展望——未来的AI+设计

目前，针对生成式AI的研究主要集中在设计的某些特定阶段，例如图像生成或信息搜集。然而，随着技术的进步，未来可能出现能够参与到整个设计流程中的超级AI系统。

在这种模式下，AI将作为设计师的合作伙伴，参与到设计的各个阶段，实现从间歇性到连续性和主动性的互动变革。例如，AI可以提供持续的支持和自动调整，从而在整个设计过程中与设计师密切合作。预计未来AI将更加主动、密切地参与设计流程，与设计师建立更紧密的合作关系，共同推动设计的创新和发展[80]。

Lin等[81]展示了一种创新的多模态交互方法，其中不同的AI模型被构建为可组合的模块。设计师可以在不同模态之间灵活地融合这些模型的功能。该研究提供了一种更为丰富和以任务为导向的交互体验，超越了传统的、基于设计软件的交互限制。这种方法不仅提升了交互的灵活性，还增强了设计师在多样化任务处理中的创造力和效率。

要实现全流程设计的AI系统，关键在于增强AI的跨模态、跨任务协同能力。在这方面，多智能体系统（Multi-agent System）显示出其独特优势。例如，Ding等[82]通过模拟设计公司中不同角色的AI代理，允许设计师用自然语言与这些代理协作，从而提高设计效率并融合领域知识。

然而，目前AI在规划和执行整个设计流程方面仍面临挑战。虽然近期的研究证明了AI可以完成较为复杂的思维过程和逻辑推理能力[83-87]，但是AI在处理复杂问题和对任务进度进行管理方面的能力依然有限。设计思维是一个迭代的非线性过程，包含共情、定义、构思、原型和测试等阶段[88-89]。要让AI准确理解这个过程并有效参与，需要强化其文本管理和计划能力。Wu等[90]开发的Autogen通过特定策略来管理进度，但仍然存在效率低下和进程丢失的问题。

随着技术进步，深入研究AI的规划、跨模态交互和协作能力是关键，这将使AI从设计辅助者转变为能独立完成并自动化设计流程的关键角色。

3 结语

在智能化浪潮之中，机遇与挑战并存。随着人工智能技术的迅猛发展，许多设计师已经开始利用人工智能技术帮助自己工作。本文深入探讨了人工智能技术在设计领域的应用与影响，通过检索大量相关文献并进行关键词聚类的方法整理出了若干个视角，树立了人工智能技术的发展，总结了人工智能在设计领域的应用，讨论了设计师利用人工智能工作时遇到的问题，并且提出了AI+设计在未来可能的发展方向。

人工智能技术为设计师提供了强大的工具和资源，这些技术不仅为创意的产生提供了新的途径，还加速了设计过程。人工智能技术参与设计工作改变了原有的设计方法，在设计初期、创意构思阶段、设计定义阶段、设计实施阶段，设计师都可以利用人工智能来帮助自己完成该阶段的设计工作。同时人们需要正视目前人工智能技术并不十分成熟，在应用人工智能技术时需要仔细权衡其对社会的影响，隐私保护、算法公正性和技术透明度等问题需要在设计过程中得到充分考虑。这其中设计师的角色十分重要。研究人员正在试图降低设计师们与人工智能合作交互的门槛，构建设计师与人工智能的协作体系。可以预见未来人工智能将会逐步参与设计的全阶段。

总体而言，人工智能技术为设计领域带来了革命性的变化，但也必须谨慎对待其潜在的负面影响。在未来，需要持续关注技术的发展，加强伦理标准，并寻求创新的解决方案，以确保人工智能与设计的融合能更好地服务于人类社会。

[1] WANG K, GOU C, DUAN Y, et al. Generative Adversarial Networks: Introduction and Outlook[J]. IEEE/CAA Journal of Automatica Sinica, 2017, 4(4): 588-598.

[2] LWCUN Y, BENGIO Y, HINTON G. Deep Learning[J]. Nature, 2015, 521(7553): 436-444.

[3] WANG Y, PAN Y, YAN M, et al. A Survey on ChatGPT: AI-generated Contents, Challenges and Solutions[J]. IEEE Open Journal of the Computer Society, 2023, 4: 280-302.

[4] WASWANI A, SHAZEER N, PARMAR N, et al. Attention is All You Need[C]// Proceedings of Advances in Neural Information Processing Systems 30: Annual Conference on Neural Information Processing Systems 2017. Long Beach: NIPS, 2017: 30.

[5] DEVLIN J, CHANG M, LEE K, et al. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding[C]// Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies. Minneapolis: NAACL-HLT, 2019: 4171-4186.

[6] BROWN T, MANN B, RYDER N, et al. Language Models are Few-shot Learners[J]. Advances in Neural Information Processing Systems, 2020, 33: 1877-1901.

[7] DOSOVITSKIY A, BEYER L, KOLESNIKOV A, et al. An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale[C]// Proceedings of the 9th International Conference on Learning Representations. Sydney: ICLR. 2020: 1-21.

[8] RADFORD A, KIM J W, HALLACY C, et al. Learning Transferable Visual Models from Natural Language Supervision[C]// Proceedings of the International Conference on Machine Learning Research[S.l.]: PMLR, 2021: 8748-8763.

[9] 付心仪, 张鹤, 薛程, 等. 智能家居综合实验平台设计研究与应用实践[J]. 包装工程, 2022, 43(16): 50-58. FU X, ZHANG H, XUE C, et al. Design Research and Application Practice of Integrated Experimental Platform for Smart Home[J]. Packaging Engineering, 2022, 43(16): 50-58.

[10] 付心仪, 张鹤, 薛程, 等. 面向未来的智能家居前沿进展[J]. 科技导报, 2023, 41(8): 36-52. FU X, ZHANG H, XUE C, et al. A Review of the Frontier Research on Future Smart Home[J]. Science & Technology Review, 2023, 41(8): 36-52.

[11] 肖虹, 唐健凯, 丘雨涵, 等. 隐私友好的步态数据采集与情绪识别方法[J]. 计算机辅助设计与图形学学报, 2023, 35(2): 203-212. XIAO H, TANG J K, XUE Y H, et al. A Method of Privacy-friendly Gait Date Acquisition and Emotion Recognition[J]. Journal of Computer-aided Design & Computer Graphics, 2023, 35(2): 203-212.

[12] DU J, JIA B, FU X. Space Brain: An AI Autonomous Spatial Decision System[C]// Proceedings of the Artificial Intelligence- Third CAAI International Conference. Fuzhou: CICAI, 2023: 61-67.

[13] YANG L, ZHANG Z, SONG Y, et al. Diffusion Models: A Comprehensive Survey of Methods and Applications[J]. ACM Computing Surveys, 2023, 56(4): 1-39.

[14] HO J, JAIN A, ABBEEL P. Denoising Diffusion Probabilistic Models[J]. Advances in Neural Information Processing Systems, 2020, 33: 6840-6851.

[15] SOHL-DICKSTEIN J, WEISS E, MAHESWARANA­THAN N, et al. Deep Unsupervised Learning Using Nonequilibrium Thermodynamics[C]// Proceedings of the International Conference on Machine Learning. Lille: PMLR, 2015: 2256-2265.

[16] NICHOL A Q, DHARIWAL P. Improved Denoising Diffusion Probabilistic Models[C]// Proceedings of the International Conference on Machine Learning.[S.l.]: PMLR, 2021: 8162-8171.

[17] PAN Y, BURNAP A, HARTLEY J, et al. Deep Design: Product Aesthetics For Heterogeneous Markets[C]// Proceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data. Halifax: ACM, 2017: 1961-1970.

[18] HUANG F, CANNY J F, NICHOLS J. Swire: Sketch- Based User Interface Retrieval[C]// Proceedings of the 2019 CHI Conference on Human Factors in Computing Systems. Glasgow: CHI, 2019: 1–10.

[19] CHEN C, FENG S, LIU Z, et al. From Lost to Found: Discover Missing UI Design Semantics Through Recovering Missing Tags[C]// Proceedings of the ACM on Human-Computer Interaction.[S.l.]: CSCW, 2020: 1-22.

[20] BUNIAN S, LI K, JEMMALI C, et al. VINS: Visual Search For Mobile User Interface Design[C]// Proceedings of the 2021 CHI Conference on Human Factors in Computing Systems. Yokohama: CHI, 2021: 1-14.

[21] LIN D C E, MARTELARO N. Learning Personal Style from Few Examples[C]// Proceedings of the 2021 ACM Designing Interactive Systems Conference.[S.l.]: DIS, 2021: 1566-1578.

[22] DEKA B, HUANG Z, KUMAR R. ERICA: Interaction Mining Mobile Apps[C]// Proceedings of the 29th Annual Symposium on User Interface Software and Technology. Tokyo: UIST, 2016: 767-776.

[23] FAN M, WU K, ZHAO J, et al. VisTA: Integrating Machine Intelligence with Visualization to Support the Investigation of Think-Aloud Sessions[J]. IEEE Transactions on Visualization and Computer Graphics, 2019, 26(1): 343-352.

[24] SUN W, LI Y, SHEOPURI A, et al. Computational Creative Advertisements[C]// Proceedings of the The Web Conference. Lyon: WWW, 2018: 1155-1162.

[25] O'DONOVAN P, AGARWALA A, HERTZMANN A. Collaborative Filtering of Color Aesthetics[C]// Proceedings of the Workshop on Computational Aesthetics. Vancouver: CAe@Expressive, 2014: 33-40.

[26] HUBERT K F, AWA K N, ZABELINA D L. The Current State of Artificial Intelligence Generative Language Models is More Creative than Humans on Divergent Thinking Tasks[J]. Scientific Reports, 2024, 14(1): 3440.

[27] VARTANIAN A, SUN X, CHUANG Y-S, et al. Learning Interactions to Boost Human Creativity with Bandits And GPT-4[J/OL]. arXiv preprint, 2023[2023-11-05]. https://doi.org/10.48550/arXiv.2311.10127.

[28] LIN Y, GUO J, CHEN Y, et al. It is Your Turn: Collaborative Ideation with a Co-creative Robot Through Sketch[C]// Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems. Honolulu: CHI, 2020: 1-14.

[29] KOCH J, TAFFIN N, BEAUDOUIN-LAFON M, et al. Imagesense: An Intelligent Collaborative Ideation Tool to Support Diverse Human-computer Partnerships[C]// Proceedings of the ACM on Human-computer Interaction.[S.l.]: CSCW, 2020: 1-27.

[30] MOZAFFARI M A, ZHANG X, CHENG J, et al. GANSpiration: Balancing Targeted and Serendipitous Inspiration in User Interface Design with Style-based Generative Adversarial Network[C]// Proceedings of the 2022 CHI Conference on Human Factors in Computing Systems. New Orleans: CHI, 2022: 1-15.

[31] RICK S R, GIACOMELLI G, WEN H, et al. Supermind Ideator: Exploring Generative AI to Support Creative Problem-solving[J/OL]. arXiv preprint, 2023[2023-11- 05]. https://doi.org/10.48550/arXiv.2311.01937.

[32] GIZZI E, NAIR L, CHERNOVA S, et al. Creative Problem Solving in Artificially Intelligent Agents: A Survey and Framework[J]. Journal of Artificial Intelligence Research, 2022, 75: 857-911.

[33] JEON Y, JIN S, SHIH P C, et al. FashionQ: An AI- driven Creativity Support Tool for Facilitating Ideation in Fashion Design[C]// Proceedings of the 2021 CHI Conference on Human Factors in Computing Systems. Yokohama: CHI, 2021: 1-18.

[34] CHO Y T, KUO Y L, YEH Y T, et al. IntuModels: Enabling Interactive Modeling for the Novice Through Idea Generation and Selection[C]// Proceedings of the 13th Conference on Creativity and Cognition. Venice: C&C, 2021: 1-10.

[35] FAN M, YANG X, YU T T, et al. Human-AI Collaboration for UX Evaluation: Effects Of Explanation and Synchronization[C]// Proceedings of the ACM on Human-computer Interaction.[S.l.]: CSCW1, 2021: 1-32.

[36] YUN G, CHO K, JEONG Y, et al. Ideasquares: Utilizing Generative Text as a Source of Design Inspiration[C]// Proceedings of the DRS Conference. Bilbao: DRS, 2022: 150.

[37] VERGANTI R, VENDRAMINELLI L, IANSITI M. Innovation and Design in the Age of Artificial Intelligence[J]. Journal of Product Innovation Management, 2020, 37(3): 212-227.

[38] HONG M K, HAKIMI S, CHEN Y Y, et al. Generative AI for Product Design: Getting the Right Design and the Design Right[J/OL]. arXiv preprint, 2023[2023-11-05]. https://doi.org/10.48550/arXiv.2306.01217.

[39] WANG G, QIN Z, YAN J, et al. Learning to Select Elements for Graphic Design[C]// Proceedings of the 2020 International Conference on Multimedia Retrieval. Dublin: ICMR, 2020: 91-99.

[40] ZHANG Y, HU K, REN P, et al. Layout Style Modeling for Automating Banner Design[C]// Proceedings of the Thematic Workshops of ACM Multimedia. Mountain View: ACM, 2017: 451-459.

[41] MAHESHWARI P, BANSAL N, DWIVEDI S, et al. Exemplar Based Experience Transfer[C]// Proceedings of the 24th International Conference on Intelligent User Interfaces. Marina del Ray: IUI, 2019: 673-680.

[42] KIKUCHI K, SIMO-SERRA E, OTANI M, et al. Constrained Graphic Layout Generation via Latent Ptimization[C]// Proceedings of the 29th ACM International Conference on Multimedia. New York: MM, 2021: 88-96.

[43] HUANG F, SCHOOP E, HA D, et al. Scones: Towards Conversational Authoring of Sketches[C]// Proceedings of the 25th International Conference on Intelligent User Interfaces. Cagliari: IUI, 2020: 313-323.

[44] WEI J, SCHALDENBRAND P, CHOI J H, et al. Collaborative Robotic Painting and Paint Mixing Demonstration[C]// Companion Publication of the 2023 ACM Designing Interactive Systems Conference. Pittsburgh: ACM, 2023: 292-296.

[45] YAN C, CHUNG J J Y, KIHEON Y, et al. FlatMagic: Improving Flat Colorization through AI-driven Design for Digital Comic Professionals[C]// Proceedings of the 2022 ACM Designing Interactive Systems Conference. New Orleans: ACM, 2022.

[46] CAO S, ZHANG J, SHI J, et al. Probabilistic Tree-of- thought Reasoning for Answering Knowledge-intensive Complex Questions[C]// Findings of the Association for Computational Linguistics. Singapore: EMNLP, 2023: 12541-12560.

[47] JAHANIAN A, KESHVARI S, VISHWANATHAN S V N, et al. Colors—Messengers of Concepts: Visual Design Mining for Learning Color Semantics[J]. Transactions on Computer-human Interaction, 2017, 24(1): 1-39.

[48] WU W, FU X M, TANG R, et al. Data-driven Interior Plan Generation for Residential Buildings[J]. Transactions on Graphics, 2019, 38(6): 1-12.

[49] WANG Y, GAO Y, LIAN Z. Attribute2Font: Creating Fonts You Want from Attributes[J]. Transactions on Graphics, 2020, 39(4): 1-18.

[50] LIAN Z, ZHAO B, CHEN X, et al. EasyFont: A Style Learning-based System to Easily Build Your Large-scale Handwriting Fonts[J]. Transactions on Graphics, 2019, 38(1): 1-18.

[51] CAMPBELL N D F, KAUTZ J. Learning a Manifold of Fonts[J]. Transactions on Graphics, 2014, 33(4): 1-11.

[52] ZHAO N, KIM N W, HERMAN L M, et al. Iconate: Automatic Compound Icon Generation and Ideation[C]// Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems. Honolulu: ACM, 2020: 1-13.

[53] KARAMATSU T, BENITEZ-GARCIA G, YANAI K, et al. Iconify: Converting photographs into icons[C]// Proceedings of the 2020 Joint Workshop on Multimedia Artworks Analysis and Attractiveness Computing in Multimedia. Dublin: ACM, 2020: 7-12.

[54] LI C, PAN H, BOUSSEAU A, et al. Sketch2CAD: Sequential CAD Modeling by Sketching in Context[J]. Transactions on Graphics, 2020, 39(6): 1-14.

[55] WILLIS K D D, PU Y, LUO J, et al. Fusion 360 Gallery: A Dataset and Environment for Programmatic CAD Construction from Human Design Sequences[J]. Transactions on Graphics, 2021, 40(4): 1-24.

[56] ZHAO N, CAO Y, LAU R W H. What Characterizes Personalities Of Graphic Designs?[J]. Transactions on Graphics, 2018, 37(4): 1-15.

[57] WACHS J, DARÓCZY B, HANNÁK A, et al. And Now for Something Completely Different: Visual Novelty in an Online Network of Designers[C]// Proceedings of the 10th ACM Conference on Web Science. Amsterdam: ACM, 2018: 163-172.

[58] BUCHANAN R. Wicked Problems in Design Thinking[J]. Design Issues, 1992, 8(5): 5-21.

[59] ABRAS C, MALONEY-KRICHMAR D, PREECE J. User-centered Design[J]. Encyclopedia of Human- computer Interaction, 2004, 37(4): 445-456.

[60] Design Council. Design Methods for Developing Services, Keeping Connected Business Challenge[M]. London: Design Council, 2015

[61] ZARZYCKI A. Maintaining Agency in AI-generated Works of Art and Design: Deliberate Creative Processes[C]// Proceedings of SIGGRAPH Asia 2023 Educator's Forum. Sydney: ACM, 2023: 1-8.

[62] BOUSCHERY S G, BLAZEVIC V, PILLER F T. Augmenting Human Innovation Teams with Artificial Intelligence: Exploring Transformer-based Language Models[J]. Journal of Product Innovation Management, 2023, 40(2): 139-153.

[63] LIN Z, RIEDL M. An Ontology of Co-creative AI Systems[J]. arXiv preprint arXiv, 2023[2023-11-05]. https:// doi.org/10.48550/arXiv.2310.07472.

[64] THOLANDER J, JONSSON M. Design Ideation with AI - Sketching, Thinking And Talking With Generative Machine Learning Models[C]// Proceedings of the 2023 ACM Designing Interactive Systems Conference. Pittsburgh: ACM, 2023.

[65] LIU J, NAH K. Design Collaboration Mode of Man– computer Symbiosis in the Age of Intelligence[M]. Cham: Springer International Publishing, 2020.

[66] FIGOLI F A, RAMPINO L, MATTIOLI F. AI in Design Idea Development: A Workshop on Creativity and Human-AI Collaboration[C]// Proceedings of Design Research Society 2022. Bilbao: DRS, 2022: 1-17.

[67] HABIB S, VOGEL T, ANLI X, et al. How does Generative Artificial Intelligence Impact Student Creativity?[J]. Journal of Creativity, 2024, 34(1): 100072.

[68] HONG S, ZHENG X, CHEN J, et al. Metagpt: Meta Programming for Multi-agent Collaborative Framework[J/OL]. arXiv preprint, 2023[2023-11-05]. https:// doi.org/10.48550/arXiv.2308.00352.

[69] CHEN W, SU Y, ZUO J, et al. Agentverse: Facilitating multi-agent Collaboration and Exploring Emergent Behaviors in Agents[J/OL]. arXiv preprint, 2023[2023-11- 05]. https://doi.org/10.48550/arXiv.2308.10848.

[70] HUANG Y, YU S, CHU J, et al. Design Knowledge Graph-aided Conceptual Product Design Approach Based on Joint Entity and Relation Extraction[J]. Journal of Intelligent & Fuzzy Systems, 2023, 44(3): 5333- 5355.

[71] BURNS C, IZMAILOV P, KIRCHNER J H, et al. Weak- to-strong Generalization: Eliciting Strong Capabilities with Weak Supervision[J/OL]. arXiv preprint, 2023 [2023-11-05]. https://doi.org/10.48550/arXiv.2312.09390.

[72] CILA N. Designing Human-agent Collaborations: Com­mi­tment, Responsiveness, and Support[C]// Proceedings of the 2022 CHI Conference on Human Factors in Computing Systems. New Orleans: CHI, 2022: 1-18.

[73] SENDHOFF B, WERSING H. Cooperative Intelligence: a Humane Perspective[C]// Proceedings of the 2020 IEEE International Conference on Human-machine Systems (ICHMS). Rome: IEEE, 2020: 1-6.

[74] 李杰, 蔡新元. 人工智能使设计重返“意义”[J]. 设计, 2024, 37(2): 30-35. LI J, CAI X Y. Artificial Intelligence Brings Design Back to "Meaning"[J]. Design, 2024, 37(2): 30-35.

[75] GMEINER F, YANG H, YAO L, et al. Exploring Challenges and Opportunities to Support Designers in Learning to Co-create with AI-based Manufacturing Design Tools[C]// Proceedings of the 2023 CHI Conference on Human Factors in Computing Systems. Hambury: CHI, 2023: 1-20.

[76] SHAIKH S, MHASKE S. The Rise of Creative Machines: Exploring the Impact of Generative AI[J/OL]. arXiv preprint, 2023[2023-11-05]. https://doi.org/10. 48550/arXiv.2311.13262.

[77] CHEN C, FU J, LYU L. A Pathway towards Responsible AI-generated Content[J/OL]. arXiv preprint, 2023[2023- 11-05]. https://doi.org/10.48550/arXiv.2303.01325.

[78] LU Q, ZHU L, XU X, et al. Towards a Roadmap on Software Engineering for Responsible AI[C]// Proceedings of the 1st International Conference on AI Engineering: Software Engineering for AI. Pittsburgh: ACM, 2022: 101-112.

[79] PISKOPANI A M, CHAMBERLAIN A, TEN HOLTER C. Responsible AI and the Arts: The Ethical and Legal Implications of AI in the Arts and Creative Industries[C]// Proceedings of the First International Symposium on Trustworthy Autonomous Systems. Edinburgh: ACM, 2023: 1-5.

[80] VAN BERKEL N, SKOV MB, KJELDSKOV J. Human-AI Interaction: Intermittent, Continuous, and Proactive[J]. Interactions, 2021, 28(6): 67-71.

[81] LIN D C E, MARTELARO N. Jigsaw: Supporting Designers in Prototyping Multimodal Applications by Assembling AI Foundation Models[J/OL]. arXiv preprint, 2023[2023-11-05]. https://doi.org/10.48550/arXiv.2310. 08574.

[82] DING S, CHEN X, FANG Y, et al. DesignGPT: Multi- agent Collaboration in Design[J/OL]. arXiv preprint, 2023[2023-11-05]. https://doi.org/10.48550/arXiv.2311.11591.

[83] SHINN N, CASSANO F, GOPINATH A, et al. Reflexion:Language Agents with Verbal Reinforcement Learning[C]// Advances in Neural Information Processing Systems. New Orleans: Curran Associates, 2023, 36: 8634-8652.

[84] LIN B Y, FU Y, YANG K, et al. Swiftsage: A Generative Agent with Fast and Slow Thinking for Complex Interactive Tasks[C]// Advances in Neural Information Processing Systems. New Orleans: Curran Associates, 2023, 36: 23813-23825.

[85] WEI J, WANG X, SCHUURMANS D, et al. Chain-of- thought Prompting Elicits Reasoning in Large Language Models[C]// Advances in Neural Information Processing Systems. New Orleans: Curran Associates, 2022, 35: 24824-24837.

[86] YAO S, YU D, ZHAO J, et al. Tree of Thoughts: Deliberate Problem Solving with Large Language Models[C]// Advances in Neural Information Processing Systems. New Orleans: Curran Associates, 2023, 36: 11809-11822.

[87] CHEN B, ZHANG Z, LANGRENÉ N, et al. Unleashing the Potential of Prompt Engineering in Large Language Models: A Comprehensive Review[J/OL]. arXiv preprint, 2023[2023-11-05]. https://doi.org/10.48550/arXiv. 2310.14735.

[88] Wikipedia Contributors. Double Diamond (Design Process Model)[EB/OL]. (2023-11-6) [2023-11-08]. https://en. wikipedia.org/w/index.php?title=Double_Diamond_(design_ process_model)&oldid=1183822561.

[89] CROSS N. Design Thinking: Understanding How Designers Think and Work[M]. London: Bloomsbury Publishing, 2023.

[90] WU Q, BANSAL G, ZHANG J, et al. Autogen: Enabling next-gen LLM Applications via Multi-agent Conversation Framework[J/OL]. arXiv preprint, 2023[2023-11- 08]. https://doi.org/10.48550/arXiv.2308.08155.

Application and Development of Artificial Intelligence in Design Industry

XU Yingqing, ZHOU Qinyi, DENG Jie, ZHANG Yu, FU Xinyi*

(Tsinghua University, Beijing 100090, China)

The work aims to sort out and summarize the application of artificial intelligence in the field of design and explore its impact on design processes and designers, while looking forward to the influence trend of artificial intelligence on design industry in the future. VOSviewer tool and bibliometric analysis were used to visualize and cluster the literature on the "innovation and application of artificial intelligence in the design field" from the Web of Science database and deeply analyze the core viewpoints and cases. The four main clusters (AI + Technology Application, AI + Design Process, AI + Creative Collaboration, and AI + Reflective Impact) were discussed, particularly with the focus on the influence of artificial intelligence generated content (AIGC) technology on design methods and design processes and its role in enhancing innovation and efficiency was highlighted. Additionally, AIGC poses new challenges and redefinition requirements for designers' traditional roles and design originality. It is predicted that artificial intelligence will be further integrated into the design process in the future to promote design innovation, pay more attention to the originality and responsibility boundary, and explore a new mode of cooperation between artificial intelligence and designers. Through a comprehensive review of the application of artificial intelligence in the design field, it provides valuable theoretical reference and development direction for the integration of design innovation and artificial intelligence in the future.

artificial intelligence generated content (AIGC); generative content; design industry innovation; design innovation; creative process; human-computer collaboration

TB472

A

1001-3563(2024)08-0001-10

10.19554/j.cnki.1001-3563.2024.08.001

2023-11-10

教育部人文社科基金青年项目（23YJCZH049）

通信作者