邀稿／楊佳翰（Chia-Han Yang）所長
編輯／研究員 吳承遠

「語言」成為顯學

在這波 2022 年的生成式人工智慧 (GAI, Generative Artificial Intelligence) 、或大型語言模型 (LLM, Large Language Model) 革命後，我們發現「語言」開始成為了一種未預期創新結果呈現的媒介，楊佳翰說：「語言可能比我們想像的還要有用。」

楊佳翰認為，過去幾年人機介面中的「圖像介面」(GUI) 有機會逐漸轉為「自然語言介面」(NLUI)，這是資料科學家將語言用於訓練模型後的新意義，過去我們使用電腦裝置的搜尋介面（search interface）來執行任務，近兩年對話介面（conversational interface）逐漸成為新的互動方式選項。

如果說過去我們只能單向搜尋，如今對話才是尋找答案的機制，楊佳翰建議：「我們有必要重新探討「對話」的本質，對話可以做到多少事情，以及其中蘊含的可能性與革命意義。」

若對話介面是未來 AI 的趨勢，楊佳翰認為今日的語言模型仍屬看起來像通用型的專用型 AI，「還不夠『通用』，但可以很『專用』。」

由於語言文字是人類思維認知展現的主要呈現方式，精準的大型語言模型 (LLM) 很容易讓我們誤以為這是「通用型AI」的出現或機會，但目前的語言模型尚無法推理、主動知道應該做什麼或理解正在做的事情，較接近於專業地執行「文字機率模型任務」的專用型 AI。

「這件事情反映的也許是，『對話』能力比我們想像的還重要。」楊佳翰提到，舉例來說，當我們不知道自己真正要問的問題，或是不知自己想尋找什麼解答時，你只需與有經驗的人、或有智慧的人對話 10 分鐘，在如沐春風的問答過程中，你就會突然領悟自己真正想問或想探索的事。

這在過去的電腦搜尋介面或圖像介面 (GUI) 設計中是幾乎做不到。如今在自然語言的對話介面裡，像是跟具備大量文本資訊的人對話一樣，是一種幫助我們持續探索和發掘根本需求的互動歷程。因此，楊佳翰認為生成式 AI 之於設計領域，將有機會透過對話機制幫助設計師或創新工作者抽絲剝繭，釐清真正想做的事或真正想問的問題，當然，這取決於設計師的人文素養與對話力。


 

讓 AI 成為你如沐春風的朋友

談到如何有效與 AI 溝通，楊佳翰用了一個比喻：「例如我們平時會對哪些人有興趣、想跟他聊天，通常是一個說話如沐春風的朋友嘛，就是一個知識多元、生活經驗豐富、有禮貌的朋友，最好還要有點幽默啦。」

所以回到今日情景，一個人對自己想提問的議題投入越深，收集資訊越廣泛，對 AI 的提問也會越精準且具有意義；在這個對話情境中 AI 就會成為一個如沐春風健談的朋友，跟你越談越多而且越具意義，因為你們的對話內容，將更加環繞於大型語言模型的機率運作本質。

大型語言模型的「機率」本質，在於模型回答時會依據「文字接詞」的機率做出回應，當模型背後的資料來源越大，模型精準回應的正確機率也可能提升；因此，當設計師針對同一件事情，提供越多面向資訊給 AI，這個機率本質能讓生成內容更精準指向正在探索的未知方向，甚至是設計師也未曾認識的「未知的未知」(unknown unknown)，而這卻是機率分布最高的指向答案，如同逐步逼近到事實真相般的意象。

楊佳翰也建議：當我們用負面表列的方式提問，例如去除已回答或已知內容的其他可能性答案，邀請語言模型給予建議，則更有機會踏入這些 「unknown unknown」下的創意探索空間。

因此，楊佳翰也鼓勵設計師讓自己也成為一位「如沐春風」且「好聊」的人，當你的人文素養能帶動更多輸入與提問資訊，運用大型語言模型巨量文本特性，這個豐富多元的對話互動將有機會連結到人類設計師未必想得到的文字語言組合，產生更具潛在創見的生成設計或洞察。

「我們通常會跟誰變成好朋友、或有深入的交談，常常是那些在講『垃圾』話，或是說與我們對話頻率相近的人，因為我們是用熟悉的語彙溝通，而這就像『偽代碼』的提問語一樣。」

偽代碼是在自然語言的提示詞 (prompt) 中加入程式語法，例如用某些 Python 語法輔助提問的內容與結構，有機會讓 AI 的生成內容更趨近我們的提問方向。楊佳翰補充道，如同你與一位會中文的外國人對話，雖然他已學會了你的 (自然) 語言，但如果你也懂得他的母語，你們的交流必然能有更深邃多元的火花。


 

與 AI 互動——掌握主導權，和持續試錯的勇氣

「人與 AI 的互動關係上，人還是最後的把關者，當我們拆解流程把部分任務外包給 AI，在每個決策步驟應該還是回到人身上」楊佳翰說。人與 AI 的人機互動中，我們僅是根據語言模型給的答覆，嵌合回原本的工作流程中再做轉化與價值創造，而不是直接把 AI 答案當成想要的最終創新，不然可能只能達成「B+」品質的基本創新程度。

從設計思考流程來說，每一個轉折點或設計決策點都還是由人來作決定的，例如從發散至收斂、核心問題定義到提出設計解方、或決定進行反覆迭代，每個決策點的判定理當都是由設計師定案的，基本上不應存在誤用 AI、AI 取代設計師、或 AI 給出不精準建議等問題。

類似的例子是，透過 AI 協助創建使用者人物誌 (persona) 時，真正的效果是省下了資料收集建構時間，我們創建由 AI 為基礎生成的人物誌，不代表我們會直接使用它或買單 AI，因為事實上，即便是傳統人物誌建構過程，我們也需要做使用者驗證，只是過去往往所剩時間不足。

AI Persona 只是將過去也許要花一個月才建構完成的人物誌，透過生成式 AI 模型快速完工，我們便可將更多時間用於與使用者、利害關係人、或設計客戶做精準的驗證測試與溝通微調。

另一件與 AI 互動的建議是，持續使用它。楊佳翰說：「我的觀察是，這是一個『trial-and-error』的過程。」

2000 年初期我們也發生過類似的事—搜尋引擎的使用與搜尋技巧，在當年也曾經是某個待學習技巧，若有人比較會下關鍵字或搜尋條件，他往往就能在搜尋結果的第一頁找到最接近需求的內容。 2024 年沒有人在談搜尋介面的技巧了，但開始出現使用對話介面的技巧。

楊佳翰說：「也許再過一段時間，漸漸也會沒人談提示詞技巧 (prompt)，因為它也可能是大量使用者試錯過程後累積的經驗基礎，隨著時間成熟，所謂的提示工程也可能是一個假議題，到那天將是一種對話力的復興（曾經因為人機介面的出現而消失）。」


 

設計師的工作流再翻轉－從「Information everywhere」至「Model everywhere」

談到 AI 在設計產業的應用，楊佳翰認為：「現在各行各業開始在談同一件事，關於我們如何根據現有的場景知識、領域知識來拆解既有的工作流程與任務分解。」把一件過去我們只知道起點與終點目標的任務（甚至不知道終點），依序拆解成很多的步驟，每個步驟代表一個子任務與子目標，再去辨識判斷生成式 AI 可以協作哪一步驟，不能協作哪一步驟，哪些子任務 AI 明顯作得比人類好。

以設計思考流程的雙鑽石模型（Double Diamond）為例，雙鑽石模型並非僅代表兩次發散與收斂，而是無數次的小型發散收斂，它的形狀進程更像是種鋸齒的線條形狀，大發散的階段也有很多小發散與小收斂的子任務。在這樣的設計框架下，今日我們將有機會將問題空間的任務、與解答空間的任務，都拆解成個別的小步驟，並評估 AI 模型可能的介入時機。

那麼未來誰是一位擅長 AI 協作的設計師呢？

應該是有能力將流程任務拆解得清楚，同時也能充分理解 AI 工具之功能屬性與其極限的設計師，然後可以適切搭配什麼時候 AI 模型多一點，什麼時候自己的著力判斷多一點，達到最適的人機協作平衡。這樣的工作模式，就像現在我們說的，2000 年初期因網路平台興起而有『Information everywhere』，到處都有資訊，看誰比較能運用資訊，今天的 AI 時代則是『Model everywhere』的年代，每天到處都有新模型 (model) 出現，要比誰擅用整合模型。

巨觀來說，這是一種二十年期的技術文明進步，我們也可合理期待人與環境互動更多樣的可能性，也許將來是到處都有自動化實體元件的『Action everywhere』時代來臨，在這樣的演進過程中，設計師將被賦予更多的責任與角色。


 

未來的設計師素養

楊佳翰認為，在這個基礎下，未來的優秀設計師，會有更好的系統觀、大局觀、或策略觀，他不是役於 AI 或受制於 AI 的人，就像我們今天說的「要比 AI 兇，AI 一直在你大局策略觀的框架下，設計師沒有被 AI 帶著走，而是有能力依據自己的系統架構判斷 AI 給予結果的可運用性或合適程度。」

問及如何比 AI 兇，楊佳翰說：「掌握『思維模式』，再利用『語言』。」在人類文明的演化中，我們對世界的認識理解逐漸根植於文字語言，但我們的思維認知其實優先於語言模型，而非受限於文字語言的可表達程度。

因此，未來設計師更重要的是掌握「思維模式」，有自己對世界運作法則與整體事件的系統架構、因果邏輯策略，這時語言模型就可成為可運用工具，能協助找出未知細節的洞察資訊，達到既可見林亦可見樹的效果。


回到當今「設計教育」的演進，更是所有學科領域對大局觀、系統觀培育的重要基礎。楊佳翰說：「當今對於設計的定義，不論是跨域問題解決、複雜議題的脈絡釐清、或創新發想的整合佈局，我們會發現，其實設計教育就是在跨域整合之中，對於系統觀或大局觀的建構過程。」

當前國內外大學有越來越多跨領域學程、不分系學程、或國際學程的創立，都是建立在一種以設計為基礎的專案式學習（PBL, Project-based Learning）模式，楊佳翰說：「如果將設計師定義為解決複雜問題的人，設計師已經需要一種全面性跨域整合的能力，這不僅是過去對於設計工具、手作建模等設計訓練的掌握，更包含廣泛人文博雅素養（例如設計史的強調）、和與各領域對話等協作。」楊佳翰也鼓勵年輕設計師，可從人文跨域學習、大局系統觀來訓練自己，成為 AI 時代下的未來設計人才。


 

跨域學習——文科理科的二分法，最終將被打破

文科跟理科是台灣教育環境與當前社會常受討論的二分議題，楊佳翰說：「雖然在臺灣社會還沒有發生，但我認為 AI 時代後我們將有機會逐漸走向不再有人討論文組與理組差別的年代。」

因為在真實世界裡，每個議題都是跨領域的，現今的學科邊界常是為了方便切割學習系統與教育組織，例如教師職業需要選專業學科、學生學習需要有科系課程地圖，楊佳翰提醒：「但真實世界的專案情境，不會有學科邊界，只需要有問題辨識能力與解決方法，而且學科邊界間的缺口，也可能被 AI 工具所填補。」

針對這樣的跨域需求與素養培育，除了在學校期間多嘗試跨域課程專案外，生成式 AI 已經或即將出現的模型當然也成為重要資源。

楊佳翰認為，若從設計思考的雙鑽石模型來看跨域問題解決，今天一個人文社會科學背景的人，他的專業可能在第一個鑽石的問題空間，具備優異的社會複雜問題辨識、與脈絡剖析能力，他可以與第二個鑽石中的 AI 平台工具協作；而工程技術背景的人，專業可能在第二個鑽石的解答空間，有出色的技術開發與落地實踐能力，他也可以與第一個鑽石中的 AI 分析辨識工具協作。

這兩年生成式 AI 革命後，我們比較容易想像人文社科背景的學生藉由生成式 AI 來執行第二個鑽石的任務，但楊佳翰相信，我們很快也將看到新的 AI 模型來協助工程技術背景的學生探索人性與辨識潛在需求，等到那一天也許科系的邊界就不再具有意義。