近年来，AI与设计的结合正在成为设计领域持续关注的重要方向。从生成式AI辅助视觉创作，到大语言模型参与产品概念生成、交互设计与智能系统构建，人工智能正在逐渐融入设计流程的不同环节，改变了设计师进行创意探索、方案迭代以及用户体验研究的方式。
与此同时，AI进入设计领域也带来了许多值得深入讨论的问题。相比将AI简单视为提高效率的工具，越来越多研究开始关注人工智能如何参与设计过程，以及人与智能系统之间将形成怎样的新型协作关系。例如，当算法能够参与创意生成与设计决策时，设计师的角色将如何变化？当智能系统逐渐成为用户体验的一部分，未来的交互方式又将如何被重新定义？这些问题正在推动AI+设计研究从工具应用走向更加深入的人机协作、智能交互和未来设计探索。
对于交互设计、信息艺术设计、智能设计等交叉方向的学生而言，AI+设计不仅提供了新的技术可能，也拓展了设计研究和作品集创作的方向。相比单纯展示AI生成效果，优秀的AI相关设计项目更需要关注技术背后的用户需求、交互逻辑以及人与智能系统之间的关系。
所以本文将分享几篇具有代表性的AI+设计研究论文，帮助大家从前沿研究中寻找新的设计灵感。
CASE 01
当AI学会“共情”零工司机
社会支持型AI智能体 Pika 的设计探索
论文简介
随着大语言模型（LLM）的发展，AI智能体正在逐渐进入真实工作场景。但目前多数智能系统仍主要关注任务效率，例如提供信息、辅助决策和完成操作，而较少关注用户在长期工作过程中的情绪体验与心理需求。
针对零工司机在平台工作中面临的压力、疲劳以及人与系统互动缺乏情感支持等问题，论文提出了一种社会支持型AI智能体（social-support agent），并设计了AI助手 Pika。
Pika社会支持型对话代理的研究与设计概览
该智能体结合信息支持与情感支持两种交互方式，探索AI如何从单纯的任务辅助工具，转变为能够理解用户状态、提供持续支持的工作伙伴。
研究方法与设计过程
1. 从真实工作场景中理解AI交互需求
在设计Pika之前，研究团队首先关注的是平台司机实际工作中的体验问题。通过访谈研究，论文发现司机在使用平台系统时，会遇到信息理解不足以及工作压力等问题。例如，平台系统会向司机提供大量任务相关的信息，但司机并不一定能够理解系统为什么做出这样的推荐，也难以根据这些反馈调整自己的工作方式。
两阶段实验中的驾驶情境与事件编排
与此同时，司机在长时间驾驶过程中，也会经历疲劳、孤独以及压力等情绪状态，而现有智能系统通常只能提供功能性反馈，无法回应这些更加复杂的人类需求。
因此，论文提出，未来智能代理的设计不应该只关注任务效率，也需要考虑用户在工作过程中的社会和情感需求。
2. Pika智能体的信息支持设计
在功能设计方面，Pika主要围绕司机工作过程中的信息需求展开。
论文中的Pika能够提供包括任务信息、车辆状态、驾驶表现等内容的信息支持。例如，在任务执行过程中，智能体可以帮助用户理解当前任务情况，并在任务完成后提供相关反馈。这种设计希望减少用户面对复杂信息时的不确定感，让用户能够更好地理解系统提供的信息。
3. Pika智能体的情感支持设计
除了信息支持之外，Pika还加入了情感支持功能。研究团队希望探索AI是否能够通过更加自然的交流方式，为用户提供类似社会关系中的支持。因此，Pika在交互过程中加入了更加社会化的表达方式，例如鼓励、回应以及陪伴性的交流。
形成性研究揭示的司机信息与情感支持需求
研究认为，在长期、高压力的工作环境中，AI智能体不仅需要帮助用户完成任务，也需要考虑用户在使用过程中的心理体验。
研究启示
AI智能体设计正在从功能交互走向关系交互
这篇论文展示了一种不同于传统智能助手的设计方向。过去的智能系统主要关注“如何帮助用户完成任务”，而Pika探索的是“AI如何成为用户工作过程中的支持者”。
通过信息支持和情感支持的结合，论文尝试重新定义人与AI之间的关系，让AI不仅承担工具角色，也能够参与到更加长期的人机协作过程中。
CASE 02
当AI开始“看懂”人的意图
Eye2Eye探索未来人机协作新方式
论文简介
随着多模态人工智能的发展，AI助手正在逐渐进入真实生活场景。但目前大多数智能系统仍主要依赖语言指令进行交互，用户需要主动描述需求，而AI也难以理解视线、动作等非语言信息背后的真实意图。
针对这一问题，论文 《Seeing Eye to Eye: Enabling Cognitive Alignment Through Shared First-Person Perspective in Human–AI Collaboration》 提出了 Eye2Eye框架，探索如何利用第一人称视角建立人与AI之间更加自然的认知协同。
该研究提出，智能眼镜不仅可以作为AI获取视觉信息的设备，也可以成为人与AI共享感知的交互媒介。通过结合用户视线、动作以及交互历史，Eye2Eye让AI能够更好地理解当前任务情境，从而从“响应指令的工具”转变为“参与协作的智能伙伴”。
研究方法与设计过程
1. 从人与AI沟通中的理解问题出发
在调研阶段，研究团队首先关注当前AI助手在人机协作中的限制。现有AI主要依靠语言理解用户需求，但在很多真实场景中，用户并不会明确描述自己的目标。例如人在寻找物品、操作设备时，视线变化和行为动作本身就包含大量信息。
因此，论文希望探索一种新的交互方式，让AI能够结合用户所看到的环境和正在进行的行为，更准确地理解任务背景。
2. Eye2Eye的共享视角设计
基于上述问题，论文提出通过第一人称视角建立人与AI之间的共同认知。相比传统AI需要用户不断解释需求，Eye2Eye让AI能够通过智能眼镜获取用户视角，并结合视觉信息判断用户关注的对象。同时，AI还能结合过去的交互过程理解当前任务，从而减少重复沟通。
3. 基于AR眼镜的交互验证
为了验证Eye2Eye框架的可行性，研究团队开发了基于Apple Vision Pro的AR原型系统。实验结果显示，相比传统AI助手，Eye2Eye能够减少用户澄清需求的次数，降低任务过程中的错误，并提升用户对于AI协作能力的评价。研究证明，当AI能够共享人的视角并理解具体情境时，人机交互可以变得更加自然。
研究启示
过去的AI助手主要关注“如何帮助用户完成任务”，而未来的智能系统需要进一步理解用户所处环境、行为状态以及真实意图。从语言交互到多模态感知的转变，也为智能眼镜、AI Agent以及具身智能等方向提供了新的设计思路。
CASE 03
从“传统修复技艺”到“智能辅助保护”
InkRenew探索AI赋能古画修复新模式
论文简介
中国古代绘画承载着丰富的历史信息与文化价值，但随着时间流逝，许多珍贵作品都会面临褪色、破损、污渍等问题。传统古画修复是一项高度依赖经验的专业工作，修复师不仅需要掌握绘画技巧，还需要理解不同朝代的艺术风格、笔墨特点以及作品背后的文化背景。
然而，传统修复过程往往耗时漫长，并且对于经验不足的初学者来说，如何判断缺失部分的笔触、色彩和结构，是学习过程中的巨大挑战。近年来，人工智能技术逐渐进入文化遗产保护领域，但现有AI修复方法大多基于通用图像处理技术，难以真正理解中国绘画独特的笔墨语言和艺术风格，也很难融入实际修复工作流程。
这篇论文提出了 InkRenew，一个面向古代中国绘画修复的AI辅助系统。它并不是让AI替代修复师，而是通过学习不同朝代、艺术家和绘画风格，为修复过程提供实时参考和辅助建议，探索人工智能如何帮助传统技艺实现数字化传承。
研究方法与设计过程
1.从“经验驱动修复”到“AI辅助决策”
在传统古画修复中，修复师需要经历清理、拆装、修补、补色等多个复杂步骤，每一步都依赖长期训练形成的专业判断。例如，在补绘缺失区域时，修复师需要根据原作品的笔触特点、颜色关系以及时代风格进行推测。
研究团队首先通过专家访谈，了解传统修复流程中的实际需求。他们邀请了4位具有多年古画修复经验的专家，分析当前修复工作中的困难，并总结AI技术可能提供帮助的方向。
研究发现，AI应用于古画修复最大的挑战并不是简单生成图像，而是如何理解中国绘画中的风格差异。例如，不同时期的山水画、工笔画、水墨画具有不同的构图方式、用笔习惯和色彩特点。因此，未来AI系统需要结合艺术知识，而不仅仅依靠视觉识别能力。
基于这一理念，InkRenew提出了一种“AI辅助，而非AI替代”的设计方式，让人工智能成为修复师的参考工具，帮助降低学习门槛，同时保留人的专业判断。
2. InkRenew如何帮助古画修复
InkRenew智能修复平台。系统通过深度学习模型分析古画图像，识别作品的风格特征，并结合不同历史时期和艺术家的特点生成修复建议。相比普通图像修复工具，InkRenew更加关注中国绘画独特的笔墨风格和艺术语言。
为了提升修复效果，研究团队针对南宋山水画、花鸟画、明清工笔画以及水墨画等不同类型训练专门模型，并利用273幅古代绘画作品帮助AI理解不同艺术风格。在使用过程中，修复师可以上传作品并选择对应风格，系统生成修复参考，同时保留人工调整和判断的空间。因此，InkRenew并不是替代修复师完成工作，而是通过AI提供辅助参考，帮助提升修复效率和学习效果。
3. AI辅助修复的效果验证
为了验证InkRenew的实际效果，研究团队邀请34名具有绘画、艺术设计或文化遗产背景的初学者开展用户实验，并将他们分为传统修复组和AI辅助组进行对比。
研究从修复质量、准确性和用户体验三个方面进行评估。结果显示，使用InkRenew的参与者在修复效率和准确性方面有所提升，同时降低了操作过程中的压力。实验也表明，AI辅助系统能够帮助初学者更好理解传统修复中的判断逻辑，为文化遗产保护提供了一种“人工经验+AI辅助”的新模式。
研究启示
AI从“自动生成”走向“知识增强”
过去，人工智能在文化领域的应用更多关注数字化保存、图像生成或者自动处理。但InkRenew展示了另一种可能：AI并不是取代传统技艺，而是帮助人类更好地理解、学习和传承文化知识。
对于古画修复而言，真正有价值的并不是让AI完成所有工作，而是利用AI连接传统经验与现代技术，让隐藏在大师经验中的知识能够被记录、传播和学习。
CASE 04
从“推荐购买”到“辅助决策”
BuyMate探索AI消费陪伴新模式
直播电商正在改变人们的购物方式。相比传统电商，直播间通过限时优惠、主播互动、氛围营造等方式，不断强化用户的购买冲动。很多消费者明明知道自己并不需要某件商品，却仍然会在“最后几件”“限时优惠”等刺激下快速下单，之后产生后悔甚至浪费。
过去的电商AI系统更多关注“推荐什么商品给用户”，帮助平台提高转化率。但这篇论文提出了一个不同的思路：AI是否也可以站在消费者一侧，帮助用户抵抗过度营销，做出更加理性的消费决策？
研究团队设计了 BuyMate，一个面向直播购物场景的AI辅助系统。它不会直接阻止用户购买，也不会替用户做决定，而是在关键时刻提供信息补充和理性提醒，例如帮助用户比较相似商品、识别主播的营销话术，并通过更加温和的方式提醒用户重新思考购买需求。
研究方法与设计过程
1.从冲动消费到理性决策支持
研究团队通过116份问卷、21次用户访谈以及共创工作坊，分析直播购物中的消费心理和用户需求。研究发现，用户的冲动购买通常受到多个因素影响，包括限时优惠带来的紧迫感、主播营造的购物氛围，以及商品信息不足导致的不确定感。同时，大部分用户希望AI能够提供提醒和辅助，而不是直接干预购买行为。
基于这些发现，论文提出了“支持而非替代”的设计理念，让AI成为帮助用户思考的工具，而不是决定用户选择的代理。
2.BuyMate的智能辅助功能
围绕用户在直播购物中的核心需求，BuyMate设计了两个主要功能。
第一个是相似商品对比功能。系统会根据用户正在浏览的商品，提供其他类似产品的信息，包括价格、销量、评价等内容，帮助用户突破直播间单一信息来源的限制。
第二个是销售话术识别功能。AI能够识别直播中的诱导性表达，例如制造紧迫感、强调稀缺性等，并将这些营销话术转化为更加客观的提示，引导用户重新思考购买决定。
整个交互过程并不会阻止用户消费，而是通过增加信息透明度，让用户能够更加清楚地理解自己的选择。
3.AI大模型驱动的交互验证
为了验证系统效果，研究团队开发了完整的BuyMate原型，并在模拟直播购物环境中进行了用户实验。系统基于大语言模型分析直播文本内容，识别商品信息和主播销售策略，并生成对应的AI提示。同时，研究比较了文字提醒和语音提醒两种交互形式对于用户体验的影响。
实验结果显示，使用BuyMate后，用户的购买数量明显降低，并且对于自己的消费决策更加满意。用户也认为，AI提醒能够帮助自己意识到直播中的情绪影响，从而进行更加理性的判断。
研究启示
AI从“推荐消费”走向“支持决策”
过去，大多数电商AI主要服务于平台和商家的增长目标，通过个性化推荐、精准营销等方式促进用户消费。而BuyMate探索的是另一种可能：AI也可以成为用户决策过程中的支持者，帮助用户识别影响判断的信息，并提升自主决策能力。这意味着未来智能系统的价值并不只是提高效率或者促进转化，也可以帮助用户建立更加健康的人机关系。
CASE 05
从AI解读塔罗
看人机共创意义的新模式
论文简介
当 AI 开始参与艺术、文化和个人体验等开放性领域时，它所面对的不再只是“生成正确答案”的问题，而是如何参与人的理解与意义创造。相比文本生成、信息检索等具有明确评价标准的任务，艺术欣赏、文化解读、自我反思等“解释性工作”（Interpretive Work）更加依赖个人经验和主观理解，AI 在其中的作用机制仍缺少深入研究。
论文《Interpretive Cultures: Resonance, randomness, and negotiated meaning for AI-assisted tarot divination》选择AI辅助塔罗解读这一特殊场景，探索人在面对随机、模糊且没有确定答案的信息时，如何与 AI 共同完成意义建构。研究发现，AI 并不是简单提供预测结果的工具，而是在用户的解释、反思和交流过程中，成为帮助用户探索不同可能性的协作伙伴。
研究方法与设计过程
1.从“AI是否能给出答案”到“AI如何参与解释过程”
研究团队关注到，目前大多数 AI 系统设计都围绕准确性、效率和任务完成能力展开。但在很多现实场景中，人们并不是希望 AI 给出一个唯一正确的答案，而是希望通过交流获得新的视角和理解。
塔罗解读正是这样一种典型的解释性活动。用户提出问题后，通过随机抽取卡牌，并结合卡牌中的象征意义、个人经历和当前处境进行理解。在这一过程中，重要的并不是卡牌是否能够预测未来，而是用户如何通过解释过程重新认识自身的问题。
因此，研究团队希望探索：当 AI 进入这种高度依赖个人理解的活动后，它会如何影响用户的解释方式？用户为什么会认为 AI 生成的内容具有意义？人与 AI 又如何共同完成意义创造？
2.AI辅助塔罗实践的用户访谈研究
为了理解用户与 AI 协作进行塔罗解读的真实体验，研究团队对 12 名正在使用 AI 辅助塔罗实践的用户进行了半结构化访谈。
参与者包括不同经验水平的塔罗使用者，从初学者到长期实践者。研究人员围绕用户的塔罗使用方式、AI 介入环节、对于 AI 解释结果的接受程度以及 AI 对整个解读过程产生的影响展开讨论。
随后，研究团队通过主题分析方法整理访谈数据，并结合社会学家 Hartmut Rosa 提出的“共鸣理论”（Theory of Resonance），分析用户如何在与 AI 的互动过程中产生新的理解和意义体验。
3.AI成为意义探索中的“解释伙伴”
研究发现，用户并不会简单接受 AI 给出的塔罗解释，而是会将 AI 视为一种辅助思考的伙伴。首先，AI能够帮助用户缓解面对不确定信息时产生的犹豫。在传统塔罗实践中，即使经验丰富的使用者，也可能因为卡牌含义开放、不同解释存在冲突而难以形成判断。AI提供的额外解释能够帮助用户重新审视问题，并发现新的思考方向。
其次，AI成为拓展解释视角的工具。很多用户会先进行自己的理解，再让 AI 提供不同观点，通过比较人与 AI 的解释差异，发现自己原本忽略的信息。这种过程并不是由 AI 替代人的判断，而是通过观点碰撞促进新的意义形成。
此外，AI也改变了塔罗实践的流程。例如，用户可以利用 AI 快速整理卡牌信息、生成解释文本，提高解读效率。但研究同时发现，部分经验丰富的用户担心过度依赖 AI 会削弱自身观察和直觉能力，因此仍希望保持主动解释的过程。
研究启示
AI设计正在从“答案生成”走向“意义协作”
未来智能系统设计中，AI 的价值并不一定来自提供更加准确的答案，也可以来自帮助用户进行思考、探索和自我理解。对于艺术创作、文化体验、心理陪伴等开放性场景而言，过于确定的 AI 输出可能限制用户的想象空间。相反，保留一定程度的不确定性、提供多种可能解释，反而能够激发用户参与意义创造。
未来的 AI 设计不应只是打造更强大的“答案机器”，而应该探索如何成为用户的“观点生成器”和“思考伙伴”。在人机交互领域，如何让 AI 增强人的理解能力，而不是替代人的判断，将成为生成式 AI 时代的重要设计议题。
点击跳转链接了解课程详情