重新思考下一代GenAI大模型产品设计和人机交互范式

将近一年前开始接触 Gen-AI 大模型项目时，回顾整个开发过程，心里难免反复推敲。最初借鉴了双菱形模型，但很快意识到它并不理想——肯定需要一定程度的调整。

双菱形模型由英国设计委员会在2005年提出，源自一个截然不同的时代——那时设计思维和数字范式才刚刚起步。技术飞速发展，尤其是人工智能的崛起，近年来彻底改变了交互范式（参考“AI: First New UI Paradigm in 60 Years”的观点），

。

第一部分: 重新评估的必要性

无论你已经在做 Gen-AI 产品/功能，还是刚刚起步，逆向工程的方法可能会很有帮助。简单说，就是先看看当前技术能实现什么，再想办法用它来达成用户目标。

但如果把双菱形模型当作具体的基准，你很可能会感到失望——就像当初我在各个方向上摸索时一样。过程本身是为了指导进展，但不切实际的过程会导致挫折，因为其他利益相关者未必朝同一个方向同行。不妨简要审视一下双菱形模型，以及它给人工智能相关问题解决带来了哪些挑战。

• 过于关注可取性
  ：第一菱形的左侧主要围绕理解人类需求（可取性），却往往牺牲了对人工智能解决方案可行性和可维持性的评估。结果可能花了大量时间探索以人为中心的问题，而忽略了实际 AI 解决方案的价值评估。

• 针对确定性系统的设计
  ：确定性系统可预测地执行设定任务，而概率性系统则动态响应输入，结果不确定。双菱形模型主要适用于确定性系统，难以适应人工智能开发的概率性和迭代性质。双菱形的线性进展与 AI 开发的迭代特征并不匹配（可参考“用户体验的新时代”相关讨论）。

• 忽视现实世界约束
  ：在工业领域，利益相关者预先指定某些结果（比如设计一个AI聊天机器人）并不罕见。这虽然与双菱形模型优先考虑用户需求的原则矛盾，但有时在这些约束下工作是必要的（相关观点来自 Andy Budd 的演讲“Design’s Mid-Life Crisis”）。

不过，设计本质上是混乱的活动，没有哪个过程是完美的。双菱形模型的优势在于提供了结构化的问题解决方法，帮助团队应对现代产品开发的复杂性。因此，我们以双菱形为基础，对它进行调整，使其更适合 Gen-AI 过程。

第二部分: 建议的 Gen-AI 设计流程

简要审视一下每个步骤：

• 定义：
  这个初步阶段致力于确定产品的核心领域，优先考虑基于人工智能的机遇，确定数据来源，并明确要解决的用户问题和目标。

• 开发：
  后续阶段涉及多样数据集收集、设计提示的创建、概念原型制作以及初步 AI 解决方案的部署——对于发现真实数据和交互模式至关重要。

• 完善：
  扩展阶段通过评估 AI 性能、执行用户研究活动和迭代改进设计，进一步拓宽用例。

需要承认的是，在某些情况下利益相关者可能已经在这个阶段有了高层次的预期结果。尽管如此，关键是不要忽视对核心用户问题的定义以及成功标准可能是什么样子。

关键考虑事项：

：需要澄清一点，省略“探索阶段”并不意味着忽略探索活动。相反，用户研究和探索比以往更重要，才能真正创造价值。探索不应被限制在线性进展中，而应成为贯穿各个阶段的迭代过程（可参考《持续的探索习惯》Continuous Discovery Habits 一书）。

：这个阶段专门针对 AI 产品的概率性质，强调持续评估和改进。一旦对数据输出有了信心，工作重点可以转向扩大解决方案的规模，并扩展到已确定核心领域内的更多用例。

：设计决策会受到数据性质和模型反应的深刻影响。在每个阶段积极参与，才能塑造出最佳体验。

第三部分：深入了解新的 Gen-AI 流程

下面详细探讨每个流程，帮助更好地起步。

这个阶段的关键步骤包括：

• 确定需要用 Gen-AI 解决的产品核心用例，重点关注需要解决的挑战。
• 探索与人工智能相关的机会，然后根据潜在影响和实施难度进行优先排序。
• 确定和验证数据源，确保其可靠性和响应质量。
• 借助这些活动获得的洞察力制定问题陈述，并根据需要进行进一步的发现工作。

“在 Gen-AI 中定义 UX 是一种平衡的艺术。从技术可以实现的点倒推，同时花相当多的时间了解用户需求，确保技术为人类服务，而非相反。”

：你需要熟悉 AI 的基本原理以及大型语言模型（LLMs）的工作方式，包括它们固有的局限性，比如生成不正确信息的潜力（即所谓的），以及有偏见的训练数据可能造成的影响（可参考“AI for UX: Getting Started”相关内容）。认识到这些局限性对于评估可行性和有效排序想法至关重要。生成 AI 的显著用例包括。

：如果 AI 解决方案不能帮助用户实现期望的结果，那就毫无用处。始终把焦点放在用户的基本需求上——即使技术不断演进，这些需求依然不变。利用“待完成的工作”（jobs to be done）框架有助于监测用户在整个过程中的需求。正如那句老话所说：“人们不想买一个四分之一英寸的钻头，他们想要一个四分之一英寸的孔。”——理查德·莱维特

：数据在生成式 AI 项目中扮演重要角色，直接影响结果的方向和质量。“垃圾进，垃圾出”的原则强调了高质量数据的重要性——数据应准确、完整、一致、新鲜且独特。通过评估项目可用数据的质量和相关性，确保做出明智的设计决策（可参考谷歌的“People+AI Guidebook”）。

这个阶段的关键步骤包括：

• 通过探索潜在数据集、建立工作流程和创建样式指南，平衡数据和用户需求。
• 定义提示和响应类型，匹配所需的语气和输出风格。
• 对于与创造和发现相关的 AI 特性——当复杂性来自不可预测的用户查询时——考虑开发提示建议，帮助用户更轻松地表达意图。
• 启动初始 AI 解决方案，实时了解输入和输出，验证响应以解决未解决的问题，并发现意外结果，同时聚焦最终解决方案。正如一句谚语所说：“设计任何东西都要考虑它在更大上下文中的位置——椅子在房间里，房间在房子里，房子在环境中，环境在城市规划中。”——埃罗·萨里宁

“设计 Gen-AI 时，记住完美是一个动态的目标。尽早发布 MVP，理解真实世界数据，确保输出功能正确，观察用户反应，然后完善前进的道路。”

• 共同设计提示词
  ：与团队协作，引导生成式 AI 的响应，同时应对潜在挑战。在整个过程中让文案团队参与，丰富用户体验，使其个性化而不显机械（可参考谷歌的生成式 AI 提示样本）。

• 计划协同学习（Co-learning）
  ：引入反馈循环实现持续改进——类似 Bard 和 ChatGPT 的做法，用户在每次交互后可提供建议，帮助模型进化。主动告知用户可能出现的错误，并提供清晰的替代方案（参考谷歌的人与 AI 指南）。

• 分阶段引入
  ：由于 Gen-AI 相对较新，有必要向用户介绍其能力、限制、潜在变化、改进方法以及结果背后的逻辑。无论系统多么强大，错误都可能发生。帮助用户从失败中恢复，有助于建立信任，即便响应存在缺陷。

这个阶段的关键步骤包括：

• 协助人工评估，审查和管理生成的内容，将其引导到符合道德和社会责任的方向。
• 分析用户互动，开展广泛的用户研究，确定改进方向。
• 发现新机会，将应用范围扩大到同一领域的更多用例。

“一旦在初步测试和调优中对数据质量有了信心，通过用户研究和数据分析优化解决方案，并探索在相同领域内的其他用例。”

：与其他项目类似，应执行定性和定量研究方法，如 A/B 测试以了解对关键指标的潜在影响，以及可用性测试以提供定性洞察，理解用户背后的推理（可参考“产品设计师的三个基本研究技巧”）。

：如果发现很多用户在初始交互之后就离开了，数据可能是主要原因之一。密切关注生成的假正和假负错误，并注意潜在的意外后果——除了产生错误结果，还可能出现重复、翻译错误等问题（参考谷歌的 People + AI Guidebook）。

：在增加信心后，考虑利用收集到的数据扩展到其他媒介，解决不同的用户问题。在设计过程中注意通过人工评估发现的道德问题，确保避免偏见、尊重隐私并防止伤害。

通过本文，我们展示了一种开发 Gen-AI 功能的方法。没有放之四海而皆准的解决方案，但希望这些内容能在你的 Gen-AI 之旅中有所启发。尽情享受探索这个未开垦领域的过程吧。