AI文摘

生成式人工智慧（Generative Artificial Intelligence）則是根基於上述的技術、發展出來可以進一步產製出不同型態與格式資料的人工智慧：透過將大量的資料進行不同的模型分類後進行工作指令的預訓練(pre-training --- PT)，讓系統能夠逐漸的辨識出使用者不同輸入指令其背後對應的目標成果，與可能需要用到的資料組合；使之後可以減少輸入的指令、卻能自主產生更加符合使用者可能期待的新的資料內容。

生成式AI輸入與輸出資料類型可包括文字、語音、圖像、影像、程式碼、3D模型數據等，其產生的內容工智慧生成內容（Artificial Intelligence Generated Content, AIGC）使用大量不同來源的著作權與數據後演算生成。由於AI本身非自然人，不擁有肖像權、也不得主張擁有著作權；因此人類若運用AI生成作品，其著作權歸屬需視人類涉入程度而定、且亦需注意是否有關鍵內容侵害著作財產權人的「重製權，因此在法務面仍有許多細節與待討論的議題。但AI的商業運用已將成為全球趨勢，勢必將對人類社會未來的工作型態與生活型態產生重大的影響。

因應此一全球趨勢變遷議題，台灣設計研究院執行經濟部產業技術司科技專案「設計科技研發暨產研共創計畫」，針對如何運用「生成式人工智慧」等創新議題，協助設計業者評估AI運用的可能性：包含既有技術的運用以及技術創新與研發的需求分析等，洽邀合適的研究合作夥伴一起進行工具建置探索。希望可以透過越早協助業者熟悉生成式AI與設計思考的運用方式、加速跨領域資料的彙整、以促進創新的落地與商業化可能。 

當設計思考遇見 AI 人工智慧
過往設研院擅長運用設計思考工具，協助幫助企業進行結構化思考與跨領域共創：以材質創新議題為例，透過趨勢分析、使用者訪談、未來情境描繪與場域服務分鏡圖等不同工具，協助材質研發與製造業運用設計思考、更加了解使用者的可能行為與對應的材質需求。過往設計思考工具在操作時，不僅需要大量的來自不同領域的專業開放的分享與交流、也需要產品的使用者透過適當的訪綱架構，有脈絡的陳述自己的產品操作經驗與相關的情緒變化與想法。

設研院此次以設計專案流程為工具使用情境，彙整企管研究方法論如PESTEL與競品分析、設計思考方法論如顧客旅程地圖（Customer Journey Map），進而拆分出四種功能模組，希望可以協助設計產業人員可以從市場大環境因素、產品或服務與市售既有競品差異分析、使用者體驗與需求探索等三項議題，彈性讓專案中不同職能的團隊成員如行銷人員、使用者經驗研究員、設計師、專案經理等，可以依照需求進行不同功能模組的運用，讓團隊成員可以更快的發想大量的創意點子並進行資料整理。

工具以四種功能模組呈現：
PESTEL：運用AI進行特定區域的環境掃描並分析特環境中的政治（Political）、經濟（Economic）、社會（Social）、科技（Technological）、法律（Legal）、環境（Environmental）等六種因素，提出彙整後之內容作為市場研究（Market Research）的參考，提供專案經理與行銷企劃人員一個整體的市場趨勢概念。

 競品分析：運用AI進行品牌或產品間的競品提出並就產品特色差異、價格、目標客群特色等進行分析說明，以矩陣的方式進行呈現價格競爭力比較、並提供設計趨勢、痛點分析與提供各面向創新的創意發想圖片素材。

顧客旅程地圖：特定人物在執行任務或體驗產品時，在體驗的過程中會有非常多影響體驗的變因與需求的物件及會遇到的利害關係人，過往是通過大量的訪談與場域研究分析後梳理各方的需求進而找出創新機會點，在此功能原型模組中、將運用生成式AI能快速閱讀大量數據後進行歸納與重新生成文本的特性，開發與測試是否可能搭配使用者研究的資料，讓研究員可以快速的整理使用者研究成果，並分享給專案裡的其他人員作為創新或優化體驗的依據。而顧客旅程地圖展開後會發現其中有許多的利害關係人，後續可以再進一步使用人物誌功能模組進行描繪。

人物誌：由於使用者樣貌與需求眾多，如何釐清其真實需求，需仰賴訪談、基本人口資料與過往數據等多面向的資料，進而協助行銷與專案團隊打造出一個共同的目標角色，以利進行產品規格與行銷策略的制定。透過AI，希望可以提供更豐富與多元的資料協助使用者可以整理出使用者的樣貌與可能的需求、並將抽象的描述轉換成具象的人物樣貌或情境圖片素材。

在發展功能原型的過程中，生成內容的品質是需要大量的測試與調整的：雖然AI可以回應指令(Prompt)生成使用者需要的長度與含有特定關鍵詞的文本內容，但內容的正確度與合理性並不一定符合標準。由於不同議題的創新可能包含跨領域的專業，因此在進行生成前，可指定AI扮演特定的角色、限縮其使用的語言詞彙範圍後、統一生成文本使用的文法句型模式；同時，透過提前提供AI大量具備一定品質的資料作為其生成新文本的素材、並進一步指定其生成的內容架構與對應的文獻來源，亦有助於調整其生成的文本品質、與促使使用的詞彙與內容符合專業領域的需求。由於AI並不具備是非對錯的觀念，因此生出來的內容可能會出現前多次重複、斷章取義地拼貼出並不存在的幻覺（Hallucinations），因此在進行指令輸入時，應輸入肯定描述的指令、明確的說明需要AI生成什麼樣型態的內容，並提供關鍵詞的中英文對照，讓AI在語言轉換的時候可以更加精準正確。

運用 AI 提升效率時所面臨的挑戰
AI作為具有自動演算能力的大數據模型，目前並沒有辦法取代人類的決策能力，生成資料的可信度目前也仍待謹慎評估。由於資料的生成結果仰賴既有資料所產生的模型，故新的使用者針對新的產品即時產生的情緒變化與想法，理論上並不存在於既有的AI資料模型中，因此若請AI提供相關的使用者觀點與看法，就要謹慎的確認其資料來源與評斷的標準；由於AI生成新數據的方式是依據演算法對既有數據的潛在分佈進行讀取後進一步生成，因此若希望生成高正確率的內容，則需要大量的不同情境的變項的數據與對應的演算法，對於數據的需求與演算的成本都相當的高，仍有許多技術尚待發展或突破。

112年設研院已開發AI設計策略生成工具功能原型，113年設研院將持續進行功能原型的易用性測試與更多生成式AI生成內容型態的探索、以及設計領域語言模型的微調、質化報告的生成等，期待洽邀更多的技術團隊與設計團隊參與研發的過程。希望可以透過跨領域的參與，打造出一款有助於設計業者運用AI進行跨領域創新的工具，建置更好的數位設計開發環境及數位設計工具資源，提升設計流程之效率及精準性。
參考資料：
Why Generative AI Needs Designhttps://www.forbes.com/sites/stevevassallo/2023/10/23/why-generative-ai-needs-design/?sh=5a5b8baa7465 

How Figma, Midjourney, Databricks, and Modyfi Harness AI with Designhttps://www.designerfund.com/blog/how-figma-midjourney-and-databricks-harness-ai-in-design 

THE FUTURE OF AIR TRAVELhttps://www.ideo.com/works/boom-supersonic

Prompt Engineeringhttps://platform.openai.com/docs/guides/prompt-engineering  

什麼是生成式 AI？https://aws.amazon.com/tw/what-is/generative-ai/ 

什麼是基礎模型？https://aws.amazon.com/tw/what-is/foundation-models/ 

什麼是大型語言模型 https://aws.amazon.com/tw/what-is/large-language-model/ 

「生成式 AI」和「分辨式 AI」有哪裡不一樣？https://scitechvista.nat.gov.tw/Article/C000003/detail?ID=c746ecd6-5e7d-4fc1-afe3-d91f2c06b992