MIDJOURNEY作為視覺刺激工具的實驗研究：概念設(shè)計階段對設(shè)計師思維的影響

摘要：為驗證圖像生成式人工智能用作產(chǎn)品概念設(shè)計階段視覺刺激工具的可行性。邀請12名具有產(chǎn)品設(shè)計經(jīng)驗的設(shè)計師分別在“無刺激”和“AI生成圖像作為視覺刺激”的情況下完成公共飲水裝置的概念設(shè)計任務(wù)，系統(tǒng)評估了AI生成圖像作為視覺刺激源在產(chǎn)品概念設(shè)計階段對設(shè)計師思維及解決方案的影響。AI生成圖像用于優(yōu)化已有產(chǎn)品設(shè)計概念時，有助于改善方案的可行性，提升方案的創(chuàng)新性與多樣性。將AI生成圖像作為概念設(shè)計階段的視覺參考，能夠有效促進設(shè)計師的思維發(fā)散與概念收斂，在提升方案創(chuàng)新性和可行性層面具有積極作用。然而，生成圖像能否發(fā)揮正向作用，與設(shè)計師自身所具備的類比能力、設(shè)計經(jīng)驗及批判性評估生成內(nèi)容的能力密切相關(guān)。

關(guān)鍵詞：生成式人工智能；Midjourney；概念設(shè)計；產(chǎn)品設(shè)計；視覺刺激

中圖分類號：TP391.7 文獻標識碼：A文章編號：1003-0069（2025）01-0096-04

Abstract：To verify the feasibility of using AI-generated images as a visual stimulus tool in the product concept design phase. Twelve experienced product designers were invited to complete a conceptual design task for a public water dispensing device under two conditions： \"no stimulus\" and \"AIgenerated images as visual stimuli\". The study systematically evaluated the impact of AI-generated images as a visual stimulus on designers’ thinking and design solutions during the product concept design phase. Using AI-generated images to optimize existing product design concepts was found to enhance the feasibility， innovation， and diversity of design solutions. Incorporating AIgenerated images as visual references in the concept design phase effectively promotes designers’ divergent thinking and conceptual convergence，contributing positively to the innovation and feasibility of design solutions. However， the effectiveness of AI-generated images depends heavily on designers’ critical evaluation skills and their ability to establish meaningful connections between the generated images and the design task.

Keywords：Generative artificial intelligence； Midjourney； Conceptual design； Product design； Visual stimulation

引言

近年來，生成式人工智能技術(shù)發(fā)展迅猛，在設(shè)計領(lǐng)域展現(xiàn)出前所未有的應(yīng)用潛力，推動了設(shè)計工具和設(shè)計方法的革新。圖像生成式人工智能通過自然語言提示生成視覺內(nèi)容，繞過傳統(tǒng)草圖繪制和建模的過程，為設(shè)計師提供了全新的視覺參考與創(chuàng)作路徑[1]。

視覺刺激是設(shè)計師獲取創(chuàng)意靈感的重要來源之一。在傳統(tǒng)設(shè)計流程中，設(shè)計師通常依賴現(xiàn)有的視覺參考源來輔助概念生成，如相關(guān)競品、設(shè)計網(wǎng)站等。AI生成圖像具備創(chuàng)新性、發(fā)散性等特質(zhì)，可將其視作一種新的視覺參考對象。然而，AI生成圖像在產(chǎn)品概念設(shè)計階段的應(yīng)用可行性和具體效用尚不明確，有待深入研究。

為探索這一問題，文章設(shè)計了一項實證實驗，實驗邀請12名具有產(chǎn)品設(shè)計經(jīng)驗的設(shè)計師分別在“無刺激”和“有刺激”（Midjourney生成圖像作為視覺刺激源）的條件下完成公共飲水裝置概念設(shè)計任務(wù)，并從創(chuàng)新性、可行性、多樣性3個維度對創(chuàng)作方案進行評估，以探索AI生成圖像作為視覺刺激源對設(shè)計師思維及設(shè)計方案帶來的影響，挖掘AI生成圖像在產(chǎn)品設(shè)計領(lǐng)域的潛在應(yīng)用價值，分析當前AI工具存在的局限性。

一、概念設(shè)計與視覺刺激

（一）概念設(shè)計

概念設(shè)計是需求分析轉(zhuǎn)化為產(chǎn)品創(chuàng)意的重要階段，也是發(fā)揮創(chuàng)新和獨特性的關(guān)鍵時期[2]。在概念設(shè)計階段，設(shè)計師以方案的形式提出設(shè)計問題的眾多解法[3]。

在概念構(gòu)思的過程中，設(shè)計師從各種信息源中獲取靈感，以便將抽象需求轉(zhuǎn)化為具體的設(shè)計概念。促使概念生成的靈感信息源包含兩種：外部來源和內(nèi)部來源。從外部來源收集信息的方式包括：核心用戶訪談、專家咨詢、專利搜索、文獻搜索和相關(guān)競品收集等。從內(nèi)部來源收集信息的主要方法為頭腦風暴，這一環(huán)節(jié)可以理解為設(shè)計師從記憶中提取潛在的有用信息并加以調(diào)整的過程[2]。其中，搜尋視覺參考是設(shè)計師獲取外部靈感的主要來源之一。設(shè)計師通過尋找與設(shè)計目標相關(guān)聯(lián)的視覺參考以獲取靈感，輔以自身過往的設(shè)計經(jīng)驗與技巧，創(chuàng)作出符合設(shè)計目標的解決方案。

（二）視覺刺激對設(shè)計師的影響

研究表明，設(shè)計師更傾向于通過視覺化的方式展開工作[4]。對于設(shè)計師而言，對初始圖像作出反應(yīng)，并基于此推理并發(fā)展概念，比從零開始構(gòu)思方案更為容易[5]。此外，視覺刺激有助于創(chuàng)造性解決方案的產(chǎn)生[6]。設(shè)計師需要在短時間內(nèi)解決非結(jié)構(gòu)性設(shè)計問題時，視覺刺激能夠為高水平設(shè)計方案提供潛在線索和類比資源。如果設(shè)計師成功地將視覺刺激中的相關(guān)信息類比和映射至目標問題上，該信息將被賦予新的意義，這是視覺刺激帶來的積極影響[6]。

然而，視覺刺激也可能帶來負面影響。設(shè)計固化是視覺刺激可能引發(fā)的負面效應(yīng)之一。設(shè)計固化的狹義解釋為：設(shè)計師過度依賴范例中提供的特征[7]，或者傾向于按照熟悉的模式來構(gòu)造新的創(chuàng)作[8]。

二、圖像生成式人工智能在概念設(shè)計階段的研究

目前，已有學者關(guān)注到圖像生成式人工智能在產(chǎn)品概念設(shè)計階段的應(yīng)用研究。J MARTIN[9]的研究指出，AI在產(chǎn)品設(shè)計中的最大優(yōu)勢體現(xiàn)在概念設(shè)計階段，尤其是在信息生成、創(chuàng)意探索和視覺化方面。Yu-Hsu Lee[10]聚焦于創(chuàng)意探索環(huán)節(jié)，比較了Midjourney與Pinterest分別用作視覺刺激工具以激發(fā)設(shè)計師靈感層面的差異。結(jié)果表明，Midjourney生成的圖像是在沒有考慮可行性的情況下產(chǎn)生的，更具自發(fā)性和模糊性，而Pinterest檢索得到的內(nèi)容時效性更強、清晰度更高。此外，雖然不同視覺刺激下參與者的表現(xiàn)無顯著差異，但使用AI生成的參考圖像比傳統(tǒng)刺激方式出現(xiàn)的設(shè)計固定化現(xiàn)象更少。Brisco R[1]設(shè)計了一項實驗以評估圖像生成式人工智能是否能夠取代設(shè)計師在概念生成階段的角色。結(jié)果表明，由于人工智能對產(chǎn)品功能及結(jié)構(gòu)的理解程度有限、圖片真實性和質(zhì)感表達不足以及生成內(nèi)容存在局限性等原因，現(xiàn)階段只能作為設(shè)計輔助工具，幫助設(shè)計師探索概念和提供靈感，無法替代設(shè)計師的專業(yè)判斷和創(chuàng)造力。

目前，人工智能生成圖像在概念設(shè)計階段的研究還不充分。在實際應(yīng)用中，設(shè)計師需要基于設(shè)計問題考慮AI的應(yīng)用方式與介入階段，對AI生成內(nèi)容進行必要的評估和調(diào)整，以推導(dǎo)其在概念設(shè)計階段的應(yīng)用有效性。

三、設(shè)計實驗

基于視覺刺激在概念設(shè)計階段發(fā)揮的重要效用，文章提出以下問題：“AI生成圖像是否能夠作為設(shè)計師概念發(fā)散階段的視覺刺激源？”為了探索該問題，計劃了一項對比實驗，該實驗要求受試者分別在“無刺激”和“有刺激”（Midjounrney生成圖像作為視覺刺激源）的情況下分別繪制實驗任務(wù)解決方案。而后，觀察視覺刺激圖像介入前后，方案的可行性評分與創(chuàng)新性評分是否存在顯著性差異，進一步推導(dǎo)AI生成圖像用作刺激源的可行性及影響因素。

（一）參與人員與評估人員

12名具備產(chǎn)品設(shè)計經(jīng)驗的同學參與本次實驗，受試者的研究方向包括：產(chǎn)品設(shè)計、交互設(shè)計、視覺設(shè)計。3名產(chǎn)品設(shè)計方向的研究生擔任此次設(shè)計方案的評委。

（二）實驗任務(wù)

實驗的具體任務(wù)如下：為公共公園的野餐區(qū)域設(shè)計一款飲水裝置，該裝置需要兼顧成人和兒童不同身高的需求。該任務(wù)來源于視覺刺激相關(guān)的實驗論文“Variances in the impact of visual stimuli on design problem solving performance[6]”。

選擇這一任務(wù)的原因是，該任務(wù)已經(jīng)由實驗驗證，具備可行性與參考價值。此外，該任務(wù)屬于開放式問題，存在多種解決途徑。在“開放式”推理方案中，設(shè)計師在起始階段僅明確任務(wù)想要實現(xiàn)的最終價值，沒有已知的、可信賴的工作原則指導(dǎo)如何達到期望的價值。設(shè)計師需要從新的角度去審視并理解問題情景，以便于找到解決問題的視角與方法[11]。AI的發(fā)散性特質(zhì)與概念設(shè)計階段尋找靈感的需求相匹配。因此，在視覺刺激環(huán)節(jié)利用AI生成一定數(shù)量的解決方案，能夠幫助設(shè)計師從生成內(nèi)容中審視不同視角的任務(wù)情境，以豐富對當前問題的理解和思考。

（三）實驗步驟

實驗員向受試者闡述實驗任務(wù)并講解實驗過程，同時告知受試者需要根據(jù)實驗任務(wù)繪制草圖以呈現(xiàn)解決思路。首先，受試者需要在沒有視覺刺激的情況下根據(jù)題目完成創(chuàng)作，構(gòu)思時間15分鐘，繪制草圖時間5分鐘。完成方案創(chuàng)作后，受試者需要描述其創(chuàng)作思路。而后，向受試者提供Midjourney基于實驗任務(wù)生成的解決方案圖像用作視覺參考。如果受試者受到AI生成圖像啟發(fā)，可以選擇在“無刺激”方案的基礎(chǔ)上進行優(yōu)化，也可以基于參考圖像構(gòu)建新的方案。構(gòu)思時間同樣是15分鐘，繪制草圖時間5分鐘。如果受試者沒有獲得啟發(fā)，則無需改動設(shè)計方案。實驗結(jié)束后，受試者需要指出受到啟發(fā)的圖像，并描述啟發(fā)點、方案調(diào)整思路以及對 AI 生成圖像的看法。

（四）實驗工具與實驗準備

目前，主流的圖像生成式人工智能工具包括Stable Diffusion、Midjourney、DALL-E等。本次實驗選擇Midjourney作為圖像生成工具，為受試者提供解決方案的視覺參考。選用Midjourney作為圖像生成工具的原因如下：Midjourney擅長自由形式的構(gòu)思，能夠提供發(fā)散性質(zhì)的方案。而DALL-E 和 Stable Diffusion 更適用于圖像重塑階段，以修正錯誤或不理想的結(jié)果[12]。其次，Midjourney 在視覺效果方面更勝一籌，具備出色的色彩、光線和細節(jié)[10]。此外，Midjourney 支持快速生成意向圖片的系列變體，方案的變更性和延展性相對更高。

實驗前，利用Midjourney生成用于視覺參考的圖像。圖像生成步驟如下：基于任務(wù)描述微調(diào)提示詞，并將優(yōu)化后的提示詞輸入Midjourney中，逐步生成、迭代，共生成4組（16張）圖像。4組圖像經(jīng)由不同細化程度的提示詞生成，從a組到d組，提示詞細化程度逐漸遞增。初始提示詞（a組）將作為提示詞內(nèi)容的基礎(chǔ)版本，具體內(nèi)容如下：Design a public drinking water station for parks that is suitable for use by both adults and children。細化提示詞（b組至d組）則分別在前一組的基礎(chǔ)上增加細節(jié)，以提高生成圖像與實驗任務(wù)之間的相關(guān)性。最后，分別在每組迭代內(nèi)容中選擇不同形態(tài)的裝置圖像用作視覺參考，如圖1。

觀察生成圖像后發(fā)現(xiàn)，AI生成的產(chǎn)品圖像或多或少存在產(chǎn)品結(jié)構(gòu)或交互層面的問題，其原因在于：AI基于訓(xùn)練數(shù)據(jù)學習特征分布，通過統(tǒng)計重組特征以生成內(nèi)容。然而，這種生成本質(zhì)上是對訓(xùn)練數(shù)據(jù)中模式的統(tǒng)計重構(gòu)，并非基于對功能性、邏輯性或交互需求的真實理解。因此，考慮到生成圖像中的不合理要素可能會對受試者產(chǎn)生誤導(dǎo)。在實驗前，實驗員提前告知受試者可以忽略非結(jié)構(gòu)性問題對產(chǎn)品可行性的影響。

（五）評估方法

實驗采用創(chuàng)新性、可行性和多樣性3個指標來評估Midjourney生成圖像用作視覺刺激源對設(shè)計方案帶來的影響。該指標參考了Vasconcelos L A等人提出的用于評估設(shè)計構(gòu)思有效性與創(chuàng)意度的指標：創(chuàng)新性、多樣性、可行性和數(shù)量[13]。由于本實驗未對設(shè)計師的生成方案數(shù)量進行要求，因此“創(chuàng)意數(shù)量”未納入此次分析指標。

創(chuàng)新性：解決方案在解決方案空間中的不尋常程度，用于衡量設(shè)計方案的獨特性。

可行性：想法的可行性程度，以及想法能夠滿足設(shè)計需求與規(guī)范的程度。

多樣性：采用不同方式解決相同的設(shè)計問題，產(chǎn)生更多相似的想法意味著多樣性更低。

指標的具體評估方法如下：根據(jù)評估指標的主客觀維度，將可行性和創(chuàng)新性視作主觀指標，將多樣性視作客觀指標。主觀指標交由評審專家進行評估，專家需要分別對“無刺激”與“有刺激”兩種條件下設(shè)計方案的可行性和創(chuàng)新性進行打分。實驗評分采用5點李克特量表（1表示“非常低”，5表示“非常高”）。客觀指標以裝置形態(tài)作為劃分標準，統(tǒng)計受試者前后設(shè)計方案的裝置類型與數(shù)量，并對裝置形態(tài)的多樣性進行分析。

四、實驗分析

（一）主觀指標分析

采用SPSS27.0軟件分析可行性與創(chuàng)新性的評分數(shù)據(jù)。符合正態(tài)分布的計量數(shù)據(jù)采用均值±標準差表示，非正態(tài)分布的計量數(shù)據(jù)采用中位數(shù)及四分位數(shù)間距[M（p25，p75）]表示。組內(nèi)前后比較差值符合正態(tài)分布時，采用配對樣本t檢驗；不符合正態(tài)分布時，采用Wilcoxon符號秩檢驗。統(tǒng)計顯著性水平P < 0.05被用于判斷實驗數(shù)據(jù)是否具有顯著差異。

1.可行性評分比較

在無刺激條件下，受試者的可行性評分為3（2，4）；生成圖像作為視覺刺激源的情況下，受試者的可行性評分為3（3，4）。Wilcoxon符號秩檢驗結(jié)果顯示，Z值為-2.049，P=0.040（P<0.05）。結(jié)果表明，視覺刺激對受試者的可行性評分有顯著影響，且生成圖像作為刺激源介入后，受試者的可行性評分顯著高于無刺激條件。進一步分析發(fā)現(xiàn)，可行性評分的中位數(shù)保持不變（仍為3），但四分位數(shù)范圍從[2，4]縮小到[3，4]，說明評分的整體分布趨向于較高水平，即受試者評分集中于較高水平，如表1。這一變化趨勢表明，生成圖像作為刺激源介入后對受試者的可行性評分具有正向提升效果。

2.創(chuàng)新性評分比較

在無刺激條件下，受試者的創(chuàng)新性評分為2（1，3）；生成圖像作為視覺刺激源的情況下，受試者的創(chuàng)新性評分為3（2，3）。Wilcoxon符號秩檢驗結(jié)果顯示，Z值為-3.507，P<0.001。結(jié)果表明，視覺刺激顯著提高了受試者的創(chuàng)新性評分，且生成圖像作為刺激源介入后，創(chuàng)新性評分顯著高于無刺激條件下。具體而言，創(chuàng)新性評分的中位數(shù)從2提升至3，四分位數(shù)范圍從[1，3]提升至[2，3]，表明低分值的方案顯著減少，整體分布向更高的創(chuàng)新性水平偏移，進一步驗證視覺刺激對創(chuàng)新性思維的促進作用

（二）客觀指標分析

多樣性指數(shù)通過統(tǒng)計“無刺激”和“有刺激”兩種條件下的裝置形態(tài)類型計算得出。多樣性指數(shù)的計算方法如下：多樣性指數(shù)=方案類型數(shù)量/總方案數(shù)量。表2為兩種條件多樣性指數(shù)的分析結(jié)果。

“無刺激”條件的多樣性指數(shù)為 0.58，“有刺激”條件為 0.50。表明“無刺激”條件下設(shè)計方案的類型分布更為分散。從方案類型維度來看，7種減少至6種，其中方案4的不規(guī)則裝置調(diào)整為柱形裝置。該方案受試者的初始思路是通過液壓結(jié)構(gòu)調(diào)節(jié)飲水裝置高度。生成圖像介入后，受試者借鑒了與設(shè)計任務(wù)幾乎完全無關(guān)的生成圖像b4（淋浴房）。此外，受試者并沒有參考偏離任務(wù)的設(shè)計要素，而是參考其柱體結(jié)構(gòu)用于依附初步設(shè)計方案當中的外接裝置，如圖3。

綜上，AI生成圖像作為視覺刺激源在輔助設(shè)計師提升設(shè)計方案的可行性和創(chuàng)新性方面具有顯著作用及實際意義，也有助于設(shè)計師完成創(chuàng)意發(fā)散和概念收斂。

（三）創(chuàng)作思路及方案分析

1.“無刺激”情況下的設(shè)計方案

通過分析受試者的創(chuàng)作思路，研究發(fā)現(xiàn)初始設(shè)計方案的裝置形態(tài)主要受到設(shè)計師內(nèi)隱記憶和切入點的影響。以往的記憶和外部記錄是設(shè)計師生成新方案的主要信息來源[14]。在“無刺激”的情況下，受試者調(diào)用與任務(wù)相關(guān)的記憶內(nèi)容，并結(jié)合當前設(shè)計需求進行創(chuàng)作。例如，1號受試者以產(chǎn)品形態(tài)為切入點，初始靈感來源于Philippe Starck設(shè)計的透明水龍頭，該水龍頭呈現(xiàn)傾斜向下的出水形態(tài)。受試者將此設(shè)計形態(tài)與當前任務(wù)不同高度出水口的需求相結(jié)合，轉(zhuǎn)化為初始設(shè)計方案，如圖2（方案1-“無刺激”）。2號受試者則從公共空間占用率的角度出發(fā)，選擇占用面積較小的圓形結(jié)構(gòu)作為構(gòu)思的起點（方案2-“AI生成圖像作為視覺刺激”）。上述分析表明，設(shè)計師的初始靈感通常來自于自身經(jīng)驗或熟悉的問題領(lǐng)域，并嘗試在此基礎(chǔ)上適應(yīng)當前任務(wù)的特定需求。

2. 生成圖像作為刺激源介入后的設(shè)計方案

前述數(shù)據(jù)分析結(jié)果表明，生成圖像介入后的方案創(chuàng)新性與可行性評分均有所提升。為深入探討視覺刺激對設(shè)計思維的影響及方案質(zhì)量提升的潛在機制，通過深入分析創(chuàng)新性、可行性提升較為顯著的方案，總結(jié)出以下可能的作用機制：

（1）視覺類比：觀察發(fā)現(xiàn)，部分受試者在未經(jīng)提示的情況下使用了視覺類比。視覺類比作為一種有效的設(shè)計問題解決策略，能夠幫助設(shè)計師從參考圖像中提取線索，并將這些線索映射到當前任務(wù)情境中[15]。例如，1號受試者參考圖像c2的柱形結(jié)構(gòu)設(shè)計出一款多人飲水裝置。結(jié)合柱形結(jié)構(gòu)出口高度的可拓展性，在裝置底部添加了寵物專用飲水口，如圖2（方案1-“生成圖像作為刺激源”）。c2的柱形管道結(jié)構(gòu)雖然與飲水裝置無直接關(guān)聯(lián)，但受試者找到了多角度出口與多人用水之間的適配線索。類似于該案例的遠距離類比能力，即建立設(shè)計問題與非直接相關(guān)圖像之間的聯(lián)系，能夠幫助設(shè)計師生成更新穎的解決方案。

（2）非常規(guī)解決思路：生成圖像中的非常規(guī)設(shè)計思路能夠拓展設(shè)計師思維方式。例如，3號受試者受到圖像a1的啟發(fā)，將原本的固定取水模式優(yōu)化為移動送水模式，并添加回收水瓶功能，如圖3（方案3-“生成圖像作為刺激源”）。智能技術(shù)的應(yīng)用不僅拓展了解決飲水問題的方式，也實現(xiàn)了環(huán)保可持續(xù)的設(shè)計愿景。此外，4號受試者添加柱體結(jié)構(gòu)以優(yōu)化原方案中的不規(guī)則設(shè)備，借此提高了自身方案的可行性，如圖3（方案4-“生成圖像作為刺激源”）。綜上，生成圖像能夠促使設(shè)計師從其他視角重新審視問題，同時有助于促進設(shè)計方案的概念收斂。

（3）設(shè)計反思：大部分受試者均通過分析生成圖像中的設(shè)計要素以優(yōu)化自身方案。例如，2號和4號受試者均關(guān)注到參考圖像中裝置頂部遮擋結(jié)構(gòu)在戶外環(huán)境中的重要性，并在后續(xù)方案中添加類似結(jié)構(gòu)，以實現(xiàn)遮雨和衛(wèi)生維護功能，如圖2、圖3。設(shè)計師通過評估生成圖像的設(shè)計目的、產(chǎn)品構(gòu)成、實際可行性等維度，有意識地將關(guān)鍵要素移植到自身方案當中，并優(yōu)化初始方案中不合理的部分，從而提升設(shè)計方案的可行性。

（4）潛在負面影響：然而，生成圖像以視覺刺激的形式介入也可能對設(shè)計師造成負面影響。部分受試者會將不恰當?shù)脑O(shè)計植入到自身方案當中，這一現(xiàn)象與已有的研究相符，Landau J D[16]指出：看過或聽過不恰當“暗示”的人往往會將范例特征融入到草擬創(chuàng)意中，很難在創(chuàng)造性構(gòu)思任務(wù)中超越這些暗示。例如，4號受試者認為參考生成圖像后的方案質(zhì)量有所下降。其修改后方案的空間占用率和開發(fā)成本更高，且洗手臺式的造型設(shè)計可能會對用戶產(chǎn)生功能層面的誤導(dǎo)。產(chǎn)生這一問題的原因可能是：受試者的注意力集中在判斷生成方案的可行性，一定程度上忽略了用戶使用體驗和設(shè)計目標。因此，設(shè)計師需要識別生成結(jié)果的不合理要素，將其屏蔽或者優(yōu)化，而后將有效信息類比并轉(zhuǎn)移到解決方案中，而非直接采納生成方案。

此外，實驗中也存在受試者未受到刺激圖像啟發(fā)的情況，此類受試者認為：生成方案存在合理性問題或生成方案與設(shè)計任務(wù)的關(guān)聯(lián)性較低無法使用。相比之下，產(chǎn)品設(shè)計經(jīng)驗更為豐富的受試者在各項指標的提升上表現(xiàn)更佳，且更有可能在查看刺激圖像后嘗試繪制新的方案，而不是在初始方案的基礎(chǔ)上進行調(diào)整。

結(jié)論

本研究從創(chuàng)新性、可行性和多樣性3個維度，系統(tǒng)評估了Midjourney生成圖像作為視覺刺激源在產(chǎn)品概念設(shè)計階段對設(shè)計方案及設(shè)計師思維的影響。

研究表明，Midjourney在促進設(shè)計師發(fā)散思維方面表現(xiàn)突出，但是生成內(nèi)容的可行性表現(xiàn)并不穩(wěn)定，這與Shih-Hung Cheng[17]的研究一致。新的發(fā)現(xiàn)是，當AI生成圖像用于優(yōu)化已有設(shè)計思路時，有助于提升方案的創(chuàng)新性，同時一定程度上改善方案的可行性。生成圖像對設(shè)計師的思維促進作用與其自身具備的類比能力、設(shè)計經(jīng)驗及批判性評估生成內(nèi)容的能力密切相關(guān)。思維更開放、經(jīng)驗更豐富的設(shè)計師能夠識別并忽略生成內(nèi)容中的不合理要素，同時將參考要素融入自身方案中，從而在可行性、交互性和美學特征等層面獲得提升。

本研究也揭示了 AI 作為視覺刺激工具的潛在局限性。首先，由于AI缺乏語義理解、因果推理和情景感知能力，生成的產(chǎn)品圖像可能存在結(jié)構(gòu)設(shè)計或者交互層面的缺陷。經(jīng)驗不足的設(shè)計師難以辨識這些不合理內(nèi)容，甚至可能受到錯誤設(shè)計要素的影響。不恰當內(nèi)容還可能會影響設(shè)計師解決創(chuàng)造性問題的表現(xiàn)[18]。其次，設(shè)計師可能會過度依賴生成圖像中的范例，從而限制自身的創(chuàng)意分析能力，這是設(shè)計固化思維的表現(xiàn)之一[19]。盡管案例分析中提到的類比法能在方案構(gòu)思階段幫助設(shè)計師獲取靈感以擺脫設(shè)計固化。但研究表明，但受試者很難自發(fā)使用類比。尤其當生成圖像與專業(yè)領(lǐng)域關(guān)聯(lián)性較低時，設(shè)計師更難建立生成圖像與目標問題之間的有效聯(lián)系[20]。提示或一般性指導(dǎo)的介入在幫助設(shè)計師運用類比法解決問題時有很大幫助，但只有受試者擁有足夠的經(jīng)驗和知識將提示信息與解決問題聯(lián)系起來時，提示才會發(fā)揮作用[21]。

需要注意的是，AI 作為視覺刺激工具的方式不能完全替代傳統(tǒng)視覺刺激研究，兩者各有側(cè)重，需要根據(jù)具體設(shè)計需求靈活使用。此外，本次實驗中視覺刺激圖像的介入契機是在已有初步思路之后，尚不清楚直接介入或在概念設(shè)計后期介入對設(shè)計方案帶來的具體影響。未來研究可以圍繞以下方面展開：判斷其他介入時機生成圖像對設(shè)計方案帶來的影響；思考如何減少由AI視覺刺激引發(fā)的設(shè)計固化；結(jié)合傳統(tǒng)視覺刺激方法與AI視覺刺激，探討兩者協(xié)同作用對設(shè)計流程的影響。

參考文獻

[1]Brisco R，Hay L，Dhami S. Exploring the role of text-to-image AI in concept generation[J]. Proceedings of the Design Society，2023，3：1835-1844.

[2]Ulrich K T，Eppinger S D. Product design and development[M]. McGraw-hill，2016.

[3]French M J，Gravdahl J T，F(xiàn)rench M J. Conceptual design for engineers[M]. London：Design Council，1985.

[4]Hanington B. Methods in the making：A perspective on the state of human research in design[J]. Design issues，2003，19（4）：9-18.

[5]Goldschmidt G. Modeling the role of sketching in design idea generation[M]//An anthology of theories and models of design：philosophy，approaches and empirical explorations. London：Springer London，2014：433-450.

[6]Goldschmidt G，Smolkov M. Variances in the impact of visual stimuli on design problem solving performance[J]. Design studies，2006，27（5）：549-569.

[7]Youmans R J，Arciszewski T. Design fixation：Classifications and modern methods of prevention[J]. AI EDAM，2014，28（2）：129-137.

[8]Finke R A. Imagery，creativity，and emergent structure[J]. Consciousness and cognition，1996，5（3）：381-393.

[9]MARTIN DIEZ DE O？ATE J. Industrial Design and AI：how generative artificial intelligence can help the designer in the early stages of a project[J]. 2022.

[10]Lee Y H，Chiu C Y. The Impact of AI Text-to-Image Generator on Product Styling Design[C]// International Conference on Human-Computer Interaction. Cham：Springer Nature Switzerland，2023：502-515.

[11]Dorst K. The core of ‘design thinking’and its application[J]. Design studies，2011，32（6）：521-532.

[12]Ploennigs J，Berger M. AI art in architecture[J]. AI in Civil Engineering，2023，2（1）：8.

[13]Vasconcelos L A，Crilly N. Inspiration and fixation：Questions，methods，findings，and challenges[J]. Design Studies，2016，42：1-32.

[14]Eckert C M，Stacey M，Earl C. References to past designs[J]. Studying designers，2005，5（2005）：3-21.

[15]Goldschmidt G. Visual analogy—a strategy for design reasoning and learning[M]//Design knowing and learning：Cognition in design education. Elsevier Science，2001：199-219.

[16]Landau J D，Lehr D P. Conformity to Experimenter‐Provided Examples：Will People Use an Unusual Feature？[J]. The Journal of Creative Behavior，2004，38（3）：180-191.

[17]Cheng S H. The Impact of Generative Artificial Intelligence on Design Concept Ideation：Case Study on Lightweight Two-Wheeled Vehicles[C]//International Conference on Human-Computer Interaction. Cham：Springer Nature Switzerland，2023：39-57.

[18]Kohn N，Smith S M. Partly versus completely out of your mind：Effects of incubation and distraction on resolving fixation[J]. The Journal of Creative Behavior，2009，43（2）：102-118.

[19]Wu J，Gan W，Chen Z，et al. Ai-generated content（aigc）：A survey[J]. arXiv preprint arXiv：2304.06632，2023.

[20]Stella V，Andrew O，Vosniadou S，et al. Similarity and Analogical Reasoning：A Synthesis[J]. Similarity and analogical reasoning，1989.

[21]Weisberg R W，Alba J W. Problem solving is not like perception：More on Gestalt theory[J]. 1982.

[22]黃喆，王選政，李杰*.人工智能與生成：計算機介入產(chǎn)品設(shè)計[J].設(shè)計，2024，37（9）：77-80.

[23]呂有斐.人機共生：人工智能驅(qū)動下藝術(shù)設(shè)計的發(fā)展與革新[J].設(shè)計，2024，37（12）：91-93.