CoExploreDS：人类与AI之间协作设计空间探索的框架与推进

研究背景与问题

• 问题与挑战: 产品设计早期阶段的设计空间探索 (Design Space Exploration, DSE) 中，如何有效生成高质量设计想法是关键。然而，由于设计问题复杂且信息密集，设计师需要掌握广泛知识，并在多种约束下平衡各种解决方案。此外，现有大语言模型（Large Language Models, LLMs）尽管在知识和推理能力上有所提升，却在协作设计中缺乏过程结构和系统性支持，导致其生成的解决方案缺乏深度或相关性。
• 重要性: 设计空间探索是产品设计中的核心步骤，直接影响开发成本和最终产品的创新性。设计过程中问题与解决方案的共演化 (problem-solution co-evolution) 以及推理方法的应用，对于实现更优的设计结果具有决定性影响。
• 研究动机: 虽然LLMs已应用于辅助设计和知识生成工作，但其在涉及复杂设计推理和全局探索时仍未充分实现潜力。本研究旨在通过引入设计推理方法和问题-解决方案共演化模型，建立一个系统化的框架，改进人机协作设计空间探索。

解决方案

• 提出的方法: 作者开发了一个名为 CoExploreDS 的系统，通过正式化设计问题和解决方案为节点，并利用四种推理方法（演绎推理、归纳推理、假设推理和类比推理），为设计空间提供动态建议。系统的核心功能包括设计任务视图、主画布（节点组织区）、设计空间可视化地图以及一个“快速辅助”面板。
• 创新之处:
  • 将问题-解决方案共演化模型与多种推理方法相结合，为人机协作设计空间探索提供理论支持。
  • 通过动态生成节点建议，增强了系统对当前设计过程的适应性。
  • 提供实时的设计空间可视化，帮助设计师识别未被充分探索的区域并改进思维流程。
• 实施步骤:
  1. 节点形式化: 将设计问题和解决方案映射为主画布上的节点结构。
  2. 动态建议生成: 根据当前设计内容及推理方法，实时为设计任务生成问题或解决方案建议。
  3. 可视化地图构建: 通过分层方式动态构建设计空间地图，帮助设计师了解问题和解决方案之间的逻辑关系。
  4. 用户交互设计: 提供“主动生成”和“被动生成”的建议模式，并通过透明的逻辑展示提升AI的可解释性。

研究成果

• 成果与实验验证:
  • 通过用户研究，作者验证了 CoExploreDS 系统在增强设计质量和促进创造性方面的有效性。与基准系统相比，CoExploreDS 显著提高了设计结果的新颖性和实用性。
  • 在专家评分中，使用 CoExploreDS 系统的设计结果在新颖性 (𝑁) 和实用性 (𝑈) 上均有显著提升 (𝑁: 5.00 vs. 4.08; 𝑈: 3.28 vs. 2.49)。
  • CoExploreDS 的任务负荷 (NASA-TLX) 分数显著低于基准系统，显示用户在协作设计中的认知负担更低。
• 优势:
  • 系统化探索: CoExploreDS 通过问题与解决方案的频繁交互，从全局上提升了设计探索的系统性。
  • 多样化推理: 鼓励设计师在每轮迭代中结合多种推理方式，避免设计思维的路径依赖。
  • 提升自信与适度依赖: 系统通过透明的逻辑展示和实时反馈，适度影响设计师的自信和对AI的依赖，形成健康的人机协作关系。
• 局限性与未来方向:
  • 局限性: 当前系统主要针对文本形式的设计表达，不能充分捕捉与模拟设计师的隐性知识和直觉。此外，系统的关联语义深度仍有局限，未能完全整合视觉、语义等多模态数据。
  • 未来方向:
    1. 引入多模态输入与输出功能，增强系统对于设计过程中非语言维度的支持，如视觉草图或产品模型。
    2. 探索整合知识图谱与案例库，通过更丰富的语义信息深化设计空间表示。
    3. 提升系统自动化与评估能力，如引入LLM对生成节点的自动评分和优化迭代。

通过本研究，CoExploreDS 提供了一种新的视角，支持设计师以结构化和系统化方式在复杂设计任务中利用AI协作，显著提升了人机协作创造的潜力。