来自惊喜的创造力：弥合时装设计师灵感工作与AI创意支持工具的差距

文献标题

Creativity from Surprise: Bridging the Gap Between Fashion Designers' Inspiration Work and AI Creative Support Tools

出版信息

• 主题领域: 生成式人工智能作为时尚设计中的创意辅助工具。
• 关键词: 生成式人工智能，时尚设计，创意辅助工具，惊喜，共创，早期创意构思，人机交互人工智能，可视化工具，设计创新，战略性惊喜。

背景与问题

• 问题/挑战: 当前的生成式人工智能工具在早期时尚创意构思阶段往往难以产生有意义且可用的惊喜，这主要由于其在可解释性、控制性和上下文敏感性方面的局限。
• 重要性: 利用人工智能生成的惊喜可以帮助设计师克服创意固化，探索新的方向，同时在商业约束内保持品牌身份并实现创新。
• 动机与相关研究: 之前的研究探讨了人工智能界面如何使设计师的意图与输出保持一致，但缺乏关于时尚设计师如何战略性定义和利用惊喜的实证洞察。本文通过研究惊喜在时尚创意构思中的角色，并提出生成式人工智能工具的可操作系统特性，以填补这一空白。

解决方案

• 提出的方法: 一种生成式人工智能驱动的可视化工具的系统蓝图，旨在提供战略性、可控且上下文敏感的惊喜，以支持时尚设计中的共创工作流程。
• 创新点:
  1. 将惊喜重新定义为生成式人工智能工具中可设计的共创交互机制。
  2. 提供关于时尚设计师如何在早期创意构思中使用人工智能生成的惊喜的实证洞察。
  3. 提出用户对齐、可控且上下文敏感的惊喜的可操作系统特性。
  4. 一个四阶段框架，用于迭代共创交互：设定期望、支持交互、错误恢复以及逐步改进。
• 流程与关键技术:
  • 第一阶段：对20位专业时尚设计师进行半结构化访谈，以了解创意构思中的惊喜。
  • 第二阶段：与12名研究生进行设计工作坊，探索生成式人工智能工具的系统特性。
  • 对访谈和工作坊数据进行分析以识别主题并提出交互特性。

结果

• 具体发现:
  • 生成式人工智能驱动的惊喜表现为内部惊喜（认知干扰）和外部惊喜（市场或文化洞察）。
  • 当前生成式人工智能工具在可视化速度、设计整合、沟通能力和大胆视觉效果方面表现出色，但在具体性、理解抽象概念、联想扩展和迭代一致性方面存在不足。
  • 提议的系统特性包括多语言支持、结构化提示、实时反馈、错误恢复机制以及长期工作流程跟踪。
• 相较基线的优势:
  • 战略性惊喜使人工智能输出与用户目标保持一致，能够实现有意义的新颖性，而非随机或不连贯的结果。
  • 增强的控制性和上下文基础提高了可用性和创意主导权，相较于现有生成式人工智能工具更具优势。
• 实验/评估:
  • 对20位设计师（平均经验：11.15年）进行访谈，以及与12名设计专业学生（平均年龄：29.42岁）进行工作坊，提供了关于生成式人工智能能力和局限性的定性洞察。
  • 线框图和主题分析为提出的设计蓝图提供了支持。
• 局限性与未来工作:
  • 研究结果仅限于时尚领域，并以亚洲样本为主。
  • 工作坊参与者为学生而非行业专业人士，这可能更强调探索性创意而非实际约束。
  • 该蓝图尚未在真实原型中实施或验证。
  • 未来研究应测试其在其他设计领域的适用性，并对原型进行定量评估。

总结

本研究探讨了时尚设计师如何在早期创意构思中概念化和利用惊喜，并提出了一个生成式人工智能驱动的可视化工具的系统蓝图，以提供战略性、可控且上下文敏感的惊喜。通过访谈和设计工作坊，本文识别了设计师的关键需求以及当前生成式人工智能工具的局限性，例如缺乏具体性和迭代一致性。提出的特性包括结构化提示、实时反馈和长期工作流程跟踪。尽管研究重点在时尚设计领域，但其发现和蓝图具有跨创意领域的潜在适用性。未来工作应在专业环境中实施并评估这些特性，以衡量其对创意多样性和效率的影响。