我聯(lián)合ChatGPT，和你深入聊聊人工智能的演變和未來(lái)

先講大事，我們有 B 端交互設(shè)計(jì)課了。

停更了小半年，期間也總有很多人來(lái)咨詢我們有沒(méi)有課，所以抽時(shí)間和優(yōu)設(shè)一起做了一套面向 B 端交互新人的錄播課。我本身就是交互專業(yè)出身，其實(shí)剛?cè)胄心菚?huì)也買課，但這些課一個(gè)很大的問(wèn)題是大多數(shù)光教你怎么做一些亂七八糟的調(diào)研，卻不跟你說(shuō)怎么落地，也看不到交互方案是怎么推導(dǎo)出來(lái)的。結(jié)果就是看完了你也不可能懂怎么做交互。

所以我基于我和做 B 端的朋友之前的典型項(xiàng)目寫了這套一共 12 節(jié)的短課，剔除廢話、套話、不用錢也能看得到的小竅門，主講 B 端交互的方案生產(chǎn)過(guò)程和真實(shí)的思考流程，涵蓋改信息架構(gòu)、優(yōu)化流程、優(yōu)化頁(yè)面 3 種典型項(xiàng)目。這周打折，大家有興趣的可以看看：

課程原價(jià)169元，限時(shí)新課價(jià)直減40元，僅需129元！

移動(dòng)端掃碼學(xué)習(xí)，網(wǎng)頁(yè)端右戳學(xué)習(xí)???https://wei.xet.tech/s/2pMvzq

關(guān)于課程的詳細(xì)介紹：

最近因?yàn)?open ai 旗下兩款產(chǎn)品（基于文本數(shù)據(jù)的 chatgpt、基于圖像的 dall e）在國(guó)內(nèi)爆火，很多文章/視頻作者又開始發(fā)文討論人工智能代替當(dāng)前交互設(shè)計(jì)師/UI 設(shè)計(jì)師的可能性，簡(jiǎn)單來(lái)講：所有人又要失業(yè)了！

失業(yè)的可能性當(dāng)然是有的，但因?yàn)轶w驗(yàn)設(shè)計(jì)是一個(gè)基于實(shí)際場(chǎng)景的應(yīng)用性領(lǐng)域，流程不固定，輸入和輸出的形式也比較多樣，因此我們預(yù)想中的那種“突然有一天，一個(gè)體驗(yàn)設(shè)計(jì)機(jī)器人橫空出世，導(dǎo)致所有人類體驗(yàn)設(shè)計(jì)師都被解雇了”的場(chǎng)景出現(xiàn)的概率非常小。

那么，人工智能到底將如何影響體驗(yàn)設(shè)計(jì)行業(yè)和我們的工作流程？雖然市面上已經(jīng)出現(xiàn)了很多類似的文章，但都沒(méi)有把人工智能這個(gè)東西說(shuō)清楚、說(shuō)明白。所以今天我們想從人機(jī)交互和人工智能的發(fā)展歷程的角度中，深度挖掘這個(gè)問(wèn)題的答案。此文由我們和 chatgpt 共同撰寫。

關(guān)于ChatGPT：

一、我們?yōu)槭裁葱枰斯ぶ悄埽?/span>

所謂體驗(yàn)或者交互設(shè)計(jì)，主要“設(shè)計(jì)”的是人和機(jī)器之間的互動(dòng)方式。從家用計(jì)算機(jī)的誕生到今天，人和機(jī)器的互動(dòng)方式經(jīng)歷了鼠標(biāo)鍵盤等外部設(shè)備到觸屏手機(jī)、VR/AR 的躍遷，但截止目前，任何機(jī)器之間的“互動(dòng)”往往還是以“人遷就機(jī)器”的形式為主導(dǎo)。人，或者按我們的習(xí)慣稱為用戶，在這個(gè)互動(dòng)形式中需要付出大量的學(xué)習(xí)成本或認(rèn)知成本去讓機(jī)器理解人，或讓自己理解計(jì)算機(jī)的輸出內(nèi)容。

舉個(gè)例子，假如我們想知道明天的天氣預(yù)報(bào)，現(xiàn)在我們可以打開手機(jī) app-選擇我們的地點(diǎn)-查看明天的天氣。但是這種交互有幾個(gè)前提：我們要會(huì)使用手機(jī)、并且雙手是空閑的可以用來(lái)操作手機(jī)。假如不滿足這兩個(gè)前提，那這個(gè)操作就很難完成，因此這種操作實(shí)際上還是非自然的，人還是要去使用機(jī)器能理解的方式、而非自己習(xí)慣的方式來(lái)和機(jī)器交互。

那么有沒(méi)有方法能夠解決這個(gè)問(wèn)題呢？有。

一方面，我們可以擴(kuò)充機(jī)器識(shí)別信息的方式，讓機(jī)器不只被動(dòng)接受信息，也“長(zhǎng)出眼睛”主動(dòng)識(shí)別信息。在這個(gè)思路的影響下，語(yǔ)音、手勢(shì)等新交互形式迅速發(fā)展，并且在車載/智能家居領(lǐng)域產(chǎn)生許多應(yīng)用。而另一方面，我們是不是也可以讓機(jī)器變得更聰明、更“靈”，甚至能通過(guò)某種方式模仿人類的認(rèn)知、思考和決策能力“舉一反三”？

這就是人工智能。

二、人工智能的演變

既然人工智能有這么神奇的效果，那它到底是怎么做到的？在 chatgpt 的幫助下，今天我們給大家拆開來(lái)解釋這個(gè)概念的發(fā)展歷程和變遷。

1. 人工智能的興起

人工智能一詞最早出現(xiàn)在 1956 年在新罕布什爾州的達(dá)特茅斯學(xué)院，當(dāng)時(shí)的研究人員提出了幾個(gè)在今天看來(lái)依舊不過(guò)時(shí)的問(wèn)題：

1. “我們能不能像日常說(shuō)話一樣編程？’”
2. “計(jì)算機(jī)程序能不能模擬人腦，通過(guò)學(xué)習(xí)進(jìn)步？”
3. “通過(guò)優(yōu)化算法，能不能提高計(jì)算機(jī)的創(chuàng)造力？”

——為了尋找這些問(wèn)題的答案，學(xué)者們分別提出了三個(gè)人工智能發(fā)展方向，很長(zhǎng)一段時(shí)間都在這三個(gè)方向的可行性上爭(zhēng)論不休：

方向 1：教計(jì)算機(jī)邏輯推理

以麥卡錫為代表的派系致力于用邏輯化的計(jì)算機(jī)語(yǔ)言使計(jì)算機(jī)學(xué)會(huì)推理思考，他們認(rèn)為：“不管你想做什么，你必須先設(shè)計(jì)一套正確的邏輯，把它清晰地表達(dá)出來(lái)”。

簡(jiǎn)單來(lái)說(shuō)，就是“先教計(jì)算機(jī)道理，再讓它執(zhí)行”。在計(jì)算機(jī)里寫好正確的邏輯推理代碼，讓計(jì)算機(jī)根據(jù)邏輯去執(zhí)行的命令。舉個(gè)例子，假如我們要讓計(jì)算機(jī)在明天早上 7 點(diǎn)提醒我們起床，我們就可以把這段邏輯教給計(jì)算機(jī)：

1. “工作日要早上 7 點(diǎn)鐘提醒我起床”
2. “明天是工作日”
3. 那么計(jì)算機(jī)就自動(dòng)產(chǎn)出了結(jié)論：“明天 7 點(diǎn)要提醒你起床”。

這種思路還可以應(yīng)用在更復(fù)雜的案例中，比如我們可以基于象棋規(guī)則編寫一段代碼，讓計(jì)算機(jī)陪人下象棋。其核心在于編程者要要先了解人腦思考的邏輯，才能編寫出模擬人腦思考的人工智能代碼。

方向 2：將計(jì)算機(jī)看作人的神經(jīng)系統(tǒng)

以麥卡洛克、皮茨維代表的學(xué)者認(rèn)為構(gòu)建神經(jīng)元模型才是正道。

初中生物知識(shí)告訴我們?nèi)四X是由許許多多的神經(jīng)元連接組成的。每個(gè)神經(jīng)元接收來(lái)自其他細(xì)胞的刺激/沖動(dòng)，刺激/沖動(dòng)達(dá)到閾值后就會(huì)引起該細(xì)胞產(chǎn)生興奮，并向其他細(xì)胞傳遞興奮。麥卡洛克-匹茲的這個(gè)“神經(jīng)元模型”就用邏輯電路模擬了真實(shí)神經(jīng)元的工作，試圖用人工神經(jīng)元模型來(lái)模擬大腦工作。

這段話是不是看起來(lái)很難理解？所以我們請(qǐng) chatgpt 幫大家舉一個(gè)例子：

假如我們發(fā)現(xiàn)在醫(yī)學(xué)中，患者的年齡和體重與心臟病可能有關(guān)聯(lián)關(guān)系，那么我們就可以訓(xùn)練一個(gè)簡(jiǎn)單的神經(jīng)元模型來(lái)找到這兩個(gè)因素對(duì)心臟病的影響大小（權(quán)重）。

這個(gè)模型可以寫作：

患者是否有心臟病 = f(患者年齡 * x1 + 患者體重 * x2)

其中 f()代表激活函數(shù)，x1、x2 則是權(quán)重。

我們可以將這個(gè)模型想象成一個(gè)神經(jīng)元，它收到了兩個(gè)因素刺激（年齡、體重），而這種刺激一旦達(dá)到了一個(gè)閾值，就會(huì)輸出一個(gè)結(jié)果（患者有心臟病或沒(méi)有心臟病）。

方向 3：教計(jì)算機(jī)現(xiàn)實(shí)世界的知識(shí)

最后，第三派以明斯基為代表，認(rèn)為計(jì)算機(jī)想要實(shí)現(xiàn)智能化，必須先具備現(xiàn)實(shí)世界的所有知識(shí)。他提出了“框架”的概念，但并沒(méi)有解釋這個(gè)叫“框架”的“黑盒”是如何運(yùn)作的。明斯基的框架理論相比其他人的案例更模糊、更難理解，這里不再展開敘述。

2. 兩次寒冬

羅森布拉特（Frank Rosenblatt）在 1957 年對(duì)麥卡洛克-匹茲的神經(jīng)元模型進(jìn)行了擴(kuò)充，在它的基礎(chǔ)上發(fā)明了最早的神經(jīng)網(wǎng)絡(luò)模型，起名“感知機(jī)”。其結(jié)構(gòu)簡(jiǎn)單，易于實(shí)現(xiàn)，被認(rèn)為是人工智能研究中的一個(gè)重要里程碑。

但明斯基強(qiáng)烈地不認(rèn)可“感知機(jī)”，甚至撰寫出版物公開批評(píng)分析，認(rèn)為它只能解決一些簡(jiǎn)單問(wèn)題，而無(wú)法處理更復(fù)雜的問(wèn)題。這樣的批評(píng)對(duì)于當(dāng)時(shí)的人工智能研究帶來(lái)了極大的沖擊，也因此被稱為“人工智能的第一次寒冬”。

由于當(dāng)時(shí)的研究環(huán)境和計(jì)算能力都有限，人工智能研究陷入低迷，直到 20 世紀(jì) 80 年代，隨著新的算法和技術(shù)的出現(xiàn)，人工智能又出現(xiàn)在人們的視野中。但當(dāng)時(shí)的人工智能較多應(yīng)用于所謂的“專家系統(tǒng)”，即計(jì)算機(jī)通過(guò)模仿人類專家的知識(shí)和推理過(guò)程，來(lái)解決某個(gè)領(lǐng)域的專業(yè)問(wèn)題。

舉個(gè)例子，當(dāng)時(shí)有一個(gè)用于診斷細(xì)菌感染疾病的專家系統(tǒng)系統(tǒng) MYCIN。

建立它需要醫(yī)生首先向 MYCIN 提供病人的癥狀、檢查結(jié)果，MYCIN 則會(huì)將這些數(shù)據(jù)與它的知識(shí)庫(kù)內(nèi)醫(yī)學(xué)專家經(jīng)驗(yàn)總結(jié)出的規(guī)則進(jìn)行比對(duì)，基于這些規(guī)則進(jìn)行推理，最終得出對(duì)疾病的診斷。MYCIN 還會(huì)解釋它的推理過(guò)程，告訴醫(yī)生為什么會(huì)得出這樣的結(jié)論。

但人們很快發(fā)現(xiàn)建立這種系統(tǒng)需要耗費(fèi)漫長(zhǎng)的時(shí)間收集專業(yè)知識(shí)，而且如果專家系統(tǒng)遭遇了專業(yè)領(lǐng)域外的問(wèn)題，就無(wú)法給出令人滿意的答案。因此人工智能再次進(jìn)入了寒冬。

3. 從“設(shè)計(jì)大腦”到“設(shè)計(jì)學(xué)習(xí)”

90 年代麻省理工學(xué)院教授布魯克斯提出，此前出現(xiàn)的傳統(tǒng)主流人工智能的構(gòu)建方法方法是自上而下的，即先設(shè)計(jì)抽象的符號(hào)系統(tǒng)，再用它來(lái)模擬人類的思維和行為，這種構(gòu)建方式把主次顛倒了，它忽略了真實(shí)世界的復(fù)雜性和不確定性，也忽略了生物系統(tǒng)中底層的感知、運(yùn)動(dòng)和控制等基本機(jī)制。因此，他認(rèn)為我們不應(yīng)該盲目地直接對(duì)大腦進(jìn)行構(gòu)建，而應(yīng)該像生物系統(tǒng)的真實(shí)情況那樣，自下而上地構(gòu)建。

chatgpt 幫我們舉了一個(gè)例子：

假設(shè)有一個(gè)機(jī)器人被用來(lái)在一個(gè)倉(cāng)庫(kù)中搬運(yùn)貨物，倉(cāng)庫(kù)中有許多貨架，上面擺放著不同種類的貨物。機(jī)器人需要識(shí)別不同的貨物和搬運(yùn)工具，然后把貨物搬運(yùn)到指定的地點(diǎn)。

“自上而下”傳統(tǒng)人工智能系統(tǒng)需要先對(duì)機(jī)器人進(jìn)行大量的編程，然后機(jī)器人受到程序規(guī)則和邏輯推理的控制而產(chǎn)生行為，相當(dāng)于提前告訴機(jī)器人每一步做什么。

我們首先需要將各種貨物的大小、重量、形狀等特征進(jìn)行編碼，并為機(jī)器人編寫各種規(guī)則，比如如何識(shí)別不同的貨物和工具，如何進(jìn)行搬運(yùn)等等。最后機(jī)器人則基于這些邏輯推理來(lái)進(jìn)行決策，例如判斷哪些貨物需要先搬運(yùn)。

而“自下而上”構(gòu)建的人工智能更注重機(jī)器人的自主決策能力，機(jī)器人基于周邊環(huán)境、通過(guò)自身的感知和交互能力來(lái)進(jìn)行行為調(diào)節(jié)，相當(dāng)于讓機(jī)器人自己根據(jù)“感覺(jué)”自己判斷下一步要做啥。

在這個(gè)案例中，機(jī)器人首先需要感知環(huán)境，比如識(shí)別貨物和搬運(yùn)工具的位置、倉(cāng)庫(kù)中的障礙物。然后機(jī)器人根據(jù)自己的感知結(jié)果進(jìn)行自主決策，決定選擇哪個(gè)貨物和工具以及如何搬運(yùn)貨物。

布魯克斯這種“自下而上”構(gòu)建的人工智能更加接近自然狀態(tài)，且不需要預(yù)裝知識(shí)庫(kù)。因此他的觀點(diǎn)吸引了許多科學(xué)家并朝著“自適應(yīng)行為”的方向持續(xù)探索，讓人工智能領(lǐng)域又重新煥發(fā)了生命力。隨后，遺傳算法、貝葉斯網(wǎng)絡(luò)、深度學(xué)習(xí)、“人工”人工智能等諸多人工智能相關(guān)的思想或理論相繼被提出，人工智能逐漸通過(guò)深藍(lán)、微軟小冰等產(chǎn)品進(jìn)入普通人的日常生活。

我們現(xiàn)在所使用的大多人工智能都是基于簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)或深度學(xué)習(xí)算法構(gòu)建的，包括我們今天使用的 chatgpt。這些算法由我們一開始介紹的神經(jīng)元模型為基礎(chǔ)構(gòu)成，可以說(shuō)神經(jīng)元是神經(jīng)網(wǎng)絡(luò)的基本單元，而神經(jīng)網(wǎng)絡(luò)又構(gòu)成了深度學(xué)習(xí)的基礎(chǔ)。深度學(xué)習(xí)利用多層神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，可以處理大規(guī)模、高維度的復(fù)雜數(shù)據(jù)，并在各種任務(wù)中取得了非常優(yōu)秀的結(jié)果。

然而，盡管今天的人工智能看起來(lái)已經(jīng)很厲害了，人工智能當(dāng)前的學(xué)習(xí)方式仍然和人類的學(xué)習(xí)方式存在本質(zhì)上的區(qū)別。人工智能雖然可以通過(guò)訓(xùn)練從已有的數(shù)據(jù)中學(xué)習(xí)模式和規(guī)律，但無(wú)法通過(guò)感性或者直覺(jué)去認(rèn)知事物，特別是數(shù)據(jù)庫(kù)中沒(méi)有的未知事物。雖然我們今天使用的 chatgpt 因?yàn)閾碛芯薮蟮恼Z(yǔ)料庫(kù)和更深的神經(jīng)網(wǎng)絡(luò)層數(shù)所以顯得很智能，但它的運(yùn)作邏輯決定了它不理解自己在說(shuō)什么。

三、人工智能，將如何應(yīng)用在設(shè)計(jì)中？

人工智能貌似是一個(gè)萬(wàn)靈藥一樣的“魔法”。放在哪里，哪里就能產(chǎn)出神奇的效果。但人工智能真的能迅速地大規(guī)模應(yīng)用在設(shè)計(jì)生產(chǎn)中，甚至取代交互設(shè)計(jì)師嗎？

——暫時(shí)來(lái)說(shuō)，這個(gè)答案是否定的。計(jì)算機(jī)輔助設(shè)計(jì)已經(jīng)有超過(guò)60年歷史了，我們迄今為止還沒(méi)有找到一種辦法完全替代人類進(jìn)行設(shè)計(jì)產(chǎn)出。當(dāng)前的AI更適合做“可以被輕易總結(jié)出規(guī)律的結(jié)構(gòu)化工作”，簡(jiǎn)稱臟活累活。我們預(yù)測(cè)未來(lái)AI將在以下方面上對(duì)體驗(yàn)設(shè)計(jì)進(jìn)行支持。

1. 應(yīng)用與弱點(diǎn)

從體驗(yàn)設(shè)計(jì)師的工作內(nèi)容來(lái)講，我們?nèi)粘５墓ぷ髦饕艘韵聨讉€(gè)環(huán)節(jié)：收集復(fù)雜情景下的用戶訴求-提煉關(guān)鍵設(shè)計(jì)問(wèn)題-列舉針對(duì)性的解決方案-基于環(huán)境特征決策最優(yōu)方案。它可以分成兩個(gè)部分：“收集問(wèn)題-總結(jié)問(wèn)題”、“產(chǎn)出方案-決策方案”。前者是一個(gè)從很多復(fù)雜個(gè)例中尋找共性的過(guò)程，后者則是基于一個(gè)問(wèn)題發(fā)散并評(píng)估不同方案的過(guò)程。

當(dāng)前，“收集問(wèn)題-總結(jié)問(wèn)題”的過(guò)程最容易被人工智能支持。我們之前已經(jīng)提過(guò)，只要能給予人工智能足夠多高質(zhì)量的數(shù)據(jù)，那么它自己就可以通過(guò)自主學(xué)習(xí)，從這些雜亂無(wú)章的信息中尋找到規(guī)律。而這正是人類需要耗費(fèi)大量人力才能做到的。

舉個(gè)例子，我們做定性用戶調(diào)研的分析時(shí)，需要從浩如煙海的用戶口頭語(yǔ)言中提煉出有價(jià)值的信息點(diǎn)并進(jìn)行多次歸納整合，最終形成有價(jià)值的用戶觀點(diǎn)。做定性研究的學(xué)者或者用研需要閱讀大量文本、手動(dòng)標(biāo)注關(guān)鍵詞匯，然后進(jìn)行整理總結(jié)。文獻(xiàn)/訪談資料越多，整理難度越大。但現(xiàn)在有了 AI 支持，我們可以更快從大文本中總結(jié)出關(guān)鍵信息。

類似的場(chǎng)景包含：

1. 數(shù)據(jù)分析：AI 可以幫我們監(jiān)控大規(guī)模用戶行為數(shù)據(jù)的變化，并且整合成結(jié)論告知我們。比如“最近用戶月活異常下降，同一時(shí)間上線了功能 A，推測(cè)可能是因?yàn)楣δ?A 的影響引起數(shù)據(jù)異常”。甚至未來(lái)也許 AI 能幫我們結(jié)合不同來(lái)源、不同形式的信息（比如行為數(shù)據(jù)和問(wèn)卷形式的用戶態(tài)度反饋），幫助我們更快速地消化多種用戶反饋。
2. 行為預(yù)測(cè)：假如我們“喂”AI 足夠多的用戶行為數(shù)據(jù)，那么未來(lái)我們可能可以使用 AI 去預(yù)測(cè)用戶在我們平臺(tái)上的需求和行為，我們可以基于這些預(yù)測(cè)修改設(shè)計(jì)。比如說(shuō)現(xiàn)在有些公司提供的 AI 眼動(dòng)測(cè)試服務(wù)就是這個(gè)方向下的延伸。
3. 一致性走查：當(dāng) AI 足夠了解我們的平臺(tái)交互/UI 規(guī)范、文案規(guī)范等“規(guī)范類”的信息，那么它可以幫助我們快速找到新頁(yè)面和之前頁(yè)面的差異，降低我們維護(hù)設(shè)計(jì)系統(tǒng)的成本。

另一方面，近期也產(chǎn)生了許多設(shè)計(jì)支持工具，支持設(shè)計(jì)師在“生產(chǎn)方案-決策方案”這個(gè)流程中進(jìn)行設(shè)計(jì)方案的快速生成。這些方案可能短期內(nèi)達(dá)不到可用的水平，但 AI 的方案生產(chǎn)時(shí)間快、產(chǎn)生方案的成本低，

類似的場(chǎng)景包含：

1. 方案生成工具：比如將文字/手稿草圖轉(zhuǎn)化為排版整齊的頁(yè)面、圖標(biāo)、營(yíng)銷效果圖
2. 方案微調(diào)工具：比如對(duì)間距/字號(hào)/層級(jí)樣式的微調(diào)對(duì)齊
3. 風(fēng)格擴(kuò)展工具：比如基于一個(gè) icon，我們可以用 AI 快速生產(chǎn) 20 多個(gè)同風(fēng)格的 icon 進(jìn)行擴(kuò)展。又比如我們可以迅速調(diào)整一個(gè)復(fù)雜精美的營(yíng)銷落地頁(yè)的配色方案

雖然 AI 能夠帶來(lái)如此多的便利，但由于它的運(yùn)作方式，chatgpt 認(rèn)為推廣 AI 具有以下兩個(gè)主要問(wèn)題點(diǎn)：

1. AI 需要需要大量數(shù)據(jù)來(lái)訓(xùn)練模型，因此設(shè)計(jì)部門首先需要提供足夠多的、高質(zhì)量的數(shù)據(jù)，才能保證 AI 的產(chǎn)出準(zhǔn)確可用。這不僅帶來(lái)成本問(wèn)題，還會(huì)帶來(lái)用戶隱私問(wèn)題。
2. 對(duì)于用戶洞察類的工作來(lái)說(shuō)，現(xiàn)實(shí)世界中的用戶提供的反饋可能并不完全坦誠(chéng)，他們可能會(huì)回避問(wèn)題、撒謊、夸大、前后不一致、使用新術(shù)語(yǔ)或口頭表達(dá)等等。在我們真實(shí)的用戶調(diào)研中，調(diào)研者會(huì)使用一些話術(shù)追問(wèn)，并且基于經(jīng)驗(yàn)判斷用戶的反饋是否可靠。但是 AI 暫時(shí)在這個(gè)方面并不靈敏，因此最后產(chǎn)出的結(jié)果很可能還是需要研究人員驗(yàn)證、調(diào)整。

四、未來(lái)？

雖然說(shuō)短期內(nèi) AI 無(wú)法替代設(shè)計(jì)師進(jìn)行問(wèn)題洞察、設(shè)計(jì)決策的工作，但是可以預(yù)料到它會(huì)極大的減少設(shè)計(jì)師的工作負(fù)擔(dān)，或者叫做“工作量”。而一旦設(shè)計(jì)師這個(gè)執(zhí)行職位只有工作價(jià)值，但工作量不大的時(shí)候，我們很可能被合并成一個(gè)職位。

未來(lái)，假如 AI 能很好的融合進(jìn)產(chǎn)品的構(gòu)思-研發(fā)工作流中（據(jù)我所知，現(xiàn)在某些廠已經(jīng)在探索 AI 出圖工作流了），或許所謂的“全棧設(shè)計(jì)師”又興起。

我們甚至猜想，未來(lái)可能是這樣一種工作流：整個(gè)產(chǎn)品研發(fā)流程里只有 1 位產(chǎn)品設(shè)計(jì)師和 1 位研發(fā)，前者負(fù)責(zé)在 AI 的輔助下判斷核心用戶痛點(diǎn)，并且生產(chǎn)一個(gè)大致的服務(wù)或任務(wù)流程，繪制一些草圖。AI 會(huì)基于草圖產(chǎn)出多種可用的方案，并基本上自動(dòng)化開發(fā)-測(cè)試，將若干個(gè)方案投入線上若干個(gè)小流量池，最后自動(dòng)收集不同方案的用戶反饋，挑選出表現(xiàn)最優(yōu)的一個(gè)推廣全量。

歡迎關(guān)注作者微信公眾號(hào)：「白話說(shuō)交互」