人工智能协同设计中“人机对齐”教学研究.docxVIP

人工智能协同设计中“人机对齐”教学研究

摘要：人工智能与设计师协同设计是未来设计的重要发展趋势，其中“人机对齐”是关键议题。文章探索在教学中实现人工智能的“技术认知对齐”与“设计流程对齐”的协同训练：通过CycleGAN模型生成视觉符号，由设计师主导创意与方案优化，实现人机在设计目标与创意逻辑上的深度对齐。研究旨在验证在教学层面学生参与个人训练模型过程可提升人机协同效率，并提出“人机对齐”的教学改革方向，侧重培养学生“技术认知、创意干预、全流程协作”的能力，塑造适应智能时代的设计师角色定位。文章为解决人机协同语义鸿沟、推动设计智能化转型及人才培养模式创新提供了基于“人机对齐”的教学改革思路与实践路径。

关键词：人工智能；协同设计；教学；人机对齐；CycleGAN

中图分类号：TP18文献标识码：A

文章编号：1009-3044（2025）18-0154-03

开放科学（资源服务）标识码（OSID）

随着人工智能技术的飞速发展，其在视觉生成方面展现了卓越的生产能力，人工智能已超越传统工具的角色，AI正逐渐展现出作为协作者的潜力[1]。人工智能以“协作者”身份与设计师进行协同设计，提升设计效率的同时也拓展了设计师的思维，人机协同设计将是未来设计不可逆转的发展方向。

目前，众多学者已关注到人工智能卓越的设计生产能力，并尝试从不同角度进行研究。Wang等[2]尝试通过风格迁移进行文化遗产相关图案设计；张安华等[3]利用人工智能大模型进行了民国时期的纹样设计；曾真、孙效华[4]尝试将StyleGAN2应用于座椅形态或服装设计。随着通用大模型的进步，设计师与人工智能的协同设计又向前迈进了一大步。

然而，在设计教育场景中，协同设计教学略显不足。传统教学模式依赖教师经验与知识的单向传递，难以应对培养学生与智能工具协同能力的复杂需求。学生在面对“人工智能概念”学习时，往往感到内容过于抽象，空洞的理论解释及过程参与的缺失，会导致认知模糊。通用大模型的训练成本过高[5]，不适用于教学。小型个人训练模型的引入为设计学方向的教学改革提供了新思路，其定制化训练过程，如数据预处理、网络架构优化、损失函数调整等，可转化为实践教学模块，帮助学生理解AI技术逻辑；而“AI生成、设计师对齐”的协同模式则为构建“技术认知、创意干预、全流程协作”的教学体系提供了实践框架。

本研究以《新华日报》奖杯设计为实践课题，通过CycleGAN[6]模型展开模块化训练教学，并引入人机协同设计实践推动教学改革。研究旨在解决两大核心问题：其一，如何通过个人训练模型的开发过程，实现学生对AI的技术认知对齐；其二，如何通过教学干预，培养学生在智能工具辅助下的创意主导能力与审美判断素养。通过构建“技术赋能、认知适配、教学转化”的三位一体框架，为智能时代的设计教育提供新的方法论，推动学生实现从“工具使用者”向“人机协同设计者”的角色转型，最终塑造具备中国式现代化视野的设计师人才：既能驾驭AI技术进行高效生产，亦能在文化语义解读、设计策略决策等核心环节发挥设计师的创意优势，实现技术理性与人文价值的深度“人机对齐”[7]。

1教学背景介绍：核心技术与协同流程概述

技术认知对齐：课程首先进行理论与概念的讲解，包括AIGC的发展历史，以及其中几个重要节点，如CNN卷积[8]等，并重点解释本次课程中所用的技术名词。

作为深度学习领域的创新成果，生成对抗网络（GAN）由Goodfellow等[9]于2014年提出，各种衍生GAN模型随之出现。其核心突破在于克服了传统图像转换模型对成对训练样本的依赖，实现了非成对图像在不同域之间的自由转换[10]。CycleGAN相较于GAN的独特之处在于其引入了循环一致性损失函数，这一机制确保图像转换过程的可逆性，从而允许转换后的图像通过反向网络尽可能恢复至其原始状态[11]，实现了一种动态的图像域变换平衡。

CycleGAN模型主要由两组生成器与判别器构成，生成器与判别器分工明确：一组负责将源域图像转换为目标域，另一组则执行相反的转换任务[12]。生成器的目标是产生逼真的目标域图像，而判别器则尝试区分真实图像与生成器产生的图像。通过这种对抗训练，生成器逐渐学会生成高质量、难以区分的图像。

设计流程对齐：介绍人机协同设计流程。本次教改引入《新华日报》奖杯设计为实践项目，旨在使学生明确智能时代下设计师的角色定位及设计师如何与AI协同设计，同时在学习人工智能设计的过程中结合思政教育，让学生了解江苏的红色文化。

人机协同设计流程具体如下：设计师首先接收CycleGAN模型生成的初步视觉素材，再结合人工智能平台（如KIMI等）完成符号提取提示词与参考图准备工作，接着融入个性化语义，结合AI视觉生成平台（即梦）生成创意刺激方案。设计师对视觉方案进行调整和修改，使其更符