關鍵詞：AIGC；座椅設計；效率提升；模糊綜合評判法；設計工作流

引言

隨著人工智能技術的快速發(fā)展，人工智能生成內容（AIGC）逐漸成為設計領域的一個重要趨勢。AIGC 是指利用深度學習和神經網絡等人工智能技術自動生成文本、圖像、音頻、三維模型等內容的技術。這不僅在創(chuàng)意產業(yè)中引起了廣泛關注，也在工業(yè)設計領域展現出了巨大潛力。傳統(tǒng)的設計流程通常依賴于設計師的手動操作和經驗積累，這種方式不僅耗時耗力，而且易于產生主觀偏差和重復性勞動。隨著產品開發(fā)周期的不斷縮短和市場競爭的日益激烈，如何提高設計效率、優(yōu)化設計流程成為設計行業(yè)的重要課題。

在此背景下，AIGC 技術的應用為設計工作流帶來了新的可能性。通過智能化數據分析和生成算法，AIGC 能夠自動化地完成部分設計任務，在生成初步草圖、快速渲染、優(yōu)化設計方案等步驟中，大幅縮短設計周期，提升設計效率。此外，AIGC 還可以輔助設計師進行創(chuàng)意發(fā)散，提供多樣化的設計方案和風格，促進創(chuàng)新性設計的產生。因此，研究AIGC 在設計工作流中的應用及其效率提升機制，對于推動工業(yè)設計的智能化轉型和提高設計質量具有重要意義。

本文旨在深入探討AIGC 如何通過自動化和智能化的手段優(yōu)化設計工作流，提升設計效率。本文首先對AIGC 在設計領域的應用現狀進行文獻綜述，分析其技術特點和發(fā)展趨勢；然后，提出一種基于AIGC的設計工作流模型，并通過案例分析和實驗驗證該模型的有效性，最后總結研究發(fā)現并討論未來的發(fā)展方向。

一、AIGC技術的發(fā)展與應用現狀

（一）AIGC 的發(fā)展與應用

AIGC 技術作為人工智能領域的一個分支，近年來發(fā)展迅速。其核心技術包括深度學習、生成對抗網絡（GANs）、變分自編碼器（VAEs）以及自然語言處理（NLP）等。這些技術的進步使得計算機能夠模擬人類的創(chuàng)作過程，自動生成具有高度真實感和創(chuàng)造性的內容。例如，Goodfellow 等（2014）[1] 提出的生成對抗網絡（GANs）已經成功應用于圖像生成、風格遷移等領域，為設計工作流中的圖像和概念生成提供了新的思路。Reed 等（2016）[2] 進一步探索了基于文本描述生成圖像的可能性，拓展了設計的創(chuàng)意空間。

（二）AIGC 在工業(yè)設計中的應用現狀

在工業(yè)設計領域，AIGC 技術的應用主要集中在概念設計、草圖生成和方案優(yōu)化等環(huán)節(jié)。Huang 等（2019）[3] 提出了一種基于深度學習的草圖生成系統(tǒng)，能夠根據設計需求快速生成多種風格的草圖，大大提高了設計效率。Tang 等（2024）[4] 研究了AIGC 在產品設計中的應用，通過自動化設計生成和快速原型制作，顯著縮短了設計周期。如圖1，AIGC 介入設計工作流程與傳統(tǒng)設計工作流程的對比，通過AIGC，設計師可以更專注于高層次的創(chuàng)意和決策工作，而將部分重復性和低層次的工作交由機器完成，這種人機協作的模式逐漸成為設計工作的主流趨勢。表1 是AIGC 在設計工作流中的應用。

（三）AIGC 對設計流程的優(yōu)化作用

AIGC 技術不僅能夠自動化地生成設計內容，還能夠通過數據驅動的方式優(yōu)化設計流程。Du 等（2023）[5] 研究了AIGC 如何通過數據分析和機器學習優(yōu)化設計方案，發(fā)現AIGC 可以通過分析大量歷史數據，識別設計中的潛在問題并提供改進建議。此外，AIGC 還能夠實時調整設計方案，根據市場反饋和用戶偏好進行優(yōu)化，使設計流程更加高效和靈活。與傳統(tǒng)的設計流程相比，基于AIGC 的設計工作流更具適應性和創(chuàng)新性。

（四）AIGC 技術面臨的挑戰(zhàn)和未來發(fā)展方向

盡管AIGC 在設計工作流中的應用具有顯著優(yōu)勢，但其也面臨一些挑戰(zhàn)。首先，AIGC 技術對數據的依賴性較強，數據質量直接影響生成內容的質量和創(chuàng)新性。其次，AIGC 在設計流程中的應用仍處于探索階段，需要更多的實證研究來驗證其有效性。Yuan 等（2023）[6] 提出了“增強設計師”概念，強調通過智能化工具增強設計師的創(chuàng)造力，而不是簡單替代人類設計師，這為未來的研究提供了新的視角。

因此，AIGC 技術在設計工作流中的應用和效率提升機制是一個充滿潛力和挑戰(zhàn)的研究領域。

二、研究方法

本文采用Li（2022）[7] 文獻中的基于實踐的流程分析方法強調整合實踐經驗和對實際任務的詳細分析并采用Zhang[8] 文獻中提出的模糊綜合評判理論來處理各種設計指標的模糊數據，對設計方案進行多維度評估。最終根據加權評分來對此流程進行綜合性評估。

（一）基于實踐的流程分析方法：強調從真實的設計任務和實踐經驗出發(fā)，確保每個設計流程符合實際應用需求。該方法在于整合設計師在實踐中積累的經驗，形成對設計流程的深入理解，確保每一個設計步驟的合理性和可行性。通過這種方法，能夠優(yōu)化設計工作流，提升設計效率和設計成果的質量。

（二）模糊綜合評判理論：通過對各個指標的隸屬度和權重進行加權求和，得到對評價對象的綜合評分。模糊綜合評判法在于處理復雜、模糊的數據，為設計方案提供多維度的評價標準。這在設計方案評估中尤為重要，因為設計指標往往具有模糊性和不確定性，通過這種方法可以更準確地反映設計方案的整體表現。

三、AIGC介入設計流程優(yōu)化

本文采用基于實踐的流程分析方法，選擇代表性項目進行工作流的優(yōu)化。

（一）基本步驟

1. 項目選擇：選擇一個具有代表性的設計項目，此項目在方案設計流程中廣泛使用了AIGC 技術。項目名稱為叉車座椅造型方案設計。

2. 流程記錄與分析：通過對項目中使用AIGC 技術的全過程進行詳細記錄和分析，包括項目的設計需求分析、AIGC 技術的選型、設計草圖的生成、用戶反饋的整合以及最終成果的生成與驗證。

3. 效果評估與比較：對比分析AIGC 技術與傳統(tǒng)設計方法在項目中的應用效果，包括設計效率、創(chuàng)新性、用戶參與度和成本等方面。分析AIGC 能在傳統(tǒng)設計流程的每一步驟參與的可能性。

（二）項目案例選擇

1. 項目名稱：叉車座椅方案設計

（1）背景：本項目是為叉車座椅進行風格化造型設計，目標是通過AIGC 技術減少設計師的重復性工作，自動生成多樣化的設計方案、多結構的風格座椅供后續(xù)方案遴選。

（2）設計任務：利用AIGC 技術生成多個叉車座椅造型的設計草圖，提供給用戶進行選擇和定制，并根據用戶反饋進一步優(yōu)化設計。

（3）AIGC 技術應用：主要應用于草圖方案生成、效果圖制作。使用深度學習模型生成座椅的多個設計草圖與效果圖，結合用戶數據進行個性化定制設計。

（三）完整設計流程

此次生圖使用到的軟件是Stable_diffusion、comfy_ui、tripo。

1. 流程簡介：確定目標產品，通過配置參數的測試，選擇此產品的最優(yōu)參數范圍，在所選擇的大模型與所訓練的lora 模型的共同控制下進行座椅方案的生成，將遴選后的方案進行三維模型的生成。達到提升工作流效率的目的。

2. 流程步驟：a. 確定示例產品或部件→ b. 測試各參數配置最佳范圍（ksampler）→ c.（文、圖）插件控制→ d.（大+lora 模型）訓練→ e. 模型測試）→ f. 方案的多個可能性（自動化生成）→ g.3 維模型的生成

3. 實際步驟

（1）對設計目標確定后，對其風格、造型、結構、材質、人機的考慮，并將這些因素轉化為提示詞的形式以達到對生圖結果達到控制的效果。

（2）測試參數范圍

A. 測試前先了解SD 模型架構及其原理：本文引用The IllustratedStable Diffusion[9] 一文中的一個圖，并在原圖上做了改動（添加了像素圖片在整個處理機制中的影響與權重），Stable Diffusion 模型對文圖信息的推理機制如圖2 所示：

首先， 輸入 Prompt（ 提示詞）“1 red car smatchingtechnology driving in the city”， 經過 Text Encoder（ 文本編碼） 組件的處理， 將輸入的 Prompt 轉換成 77×768 的 TokenEmbeddings，該 Embeddings 輸入到 Image Information Creator 組件；然后，Random image information tensor 是由一個 Latent Seed（Gaussian noise ～ N（0，1））隨機生成的 64×64 大小的圖片表示一個完全的噪聲圖片，作為 Image Information Creator 組件的另一個初始輸入；接著結合VAE Encoder（VAE 編碼器）將像素圖片編碼后的信息，通過 Image Information Creator 組件的處理（該過程稱為 Diffusion），生成一個包含圖片信息的 64×64 的 Processedimage tensor，該輸出包含了前面輸入 Prompt 提示詞所具有的語義信息的圖片的信息與本身為圖片的像素信息；最后，上一步生成的Processed image tensor 信息經過 Image Decoder 組件處理后生成最終的和輸入 Prompt 提示詞相關的 512×512 大小的圖片輸出。最終使用 Stable Diffusion 模型來進行推理，得到我們需要的根據提示詞生成的圖像（當然 Stable Diffusion 模型不只是能夠實現 txt2image，也可以實現其他的推理功能，如 image2image、txt + image =gt; image）

B. 測試seed、model、deniose、steps、GFC、sampler、scheduler 等最佳適宜范圍

得到結果，通過比較、綜合考慮各圖間的結構、色彩、材質、形態(tài)差別發(fā)現迭代步數22 及以上的AI 生圖效果已經達到預期。將適宜迭代步數選在22-23 間，采樣方法選擇DPM++ SDE Karras 與Euler a。利用相同的方法分別修改X＼Y 軸的值以確定部分適宜參數：steps：22-23、sampler：Euler a、DPM++ SDE Karras、GFC：0.65、seed：-1、model：自訓練lora。并基于確定叉車座椅方案設計的最佳去噪強度與適用大模型，圖3（24 組圖集，共4320 張造型圖片）。通過比較得出所有圖集集中在區(qū)間0.45-0.55，此時結構、色彩、材質效果優(yōu)于其他區(qū)間，即為適宜去噪幅度。后續(xù)AI 生圖可選擇此大模型并加以自訓練lora 模型相結合來達到風格遷移與方案生成的目的。最終測試比較得出適宜參數區(qū)間，如表2。

（3）訓練lora 模型：

a. 確定測試模型權重（prompt、重繪幅度、采樣器、迭代步數、提示詞引導系數、隨機數種子）：測試權重步驟類似于上文stablediffuson 中的測試權重。即可將上述適宜尺寸區(qū)間，如表1，用作后續(xù)步驟的測試參考。

b. 圖片的搜集、圖片的處理：圖片的搜集處理過程即訓練模型的早期過程，如是訓練大模型則需300 ～ 1000 張目標風格圖或產品圖；lora 模型則需15 ～ 30 張目標風格圖或產品圖。

c. 打標、d. 喂圖訓練、等待 e. 部署 f. 測試、g. 保存、輸出 ：對搜集到的圖片進行標記處理，此處使用Stable diffusion 內置插件進行處理。生成標簽后以text 的形式存在。最后利用Cybertron Furnace（煉丹工具）設置好相關信息后進行l(wèi)ora 模型的訓練。將訓練好后lora 模型進行測試，選擇效果最好的模型配合前文測試的一些參數進行最終效果圖的生成。

（4）最終方案生成

先預先定下4 種風格，分別是工程流線型風格、裝甲力量風格、簡約未來風格、參數化科技風格。并編寫好相應的prompt。通過表3上的配置生成4320 個方案，如圖4。

再從4320 張圖中每個風格選擇40 ～ 50 個方案，如圖4，分別為工程流線型風格、簡約未來風格、裝甲力量風格、參數化科技風格。

最后與項目負責人、項目組成員從240 個方案中遴選最終3 張效果圖， 如圖6，（ 該圖提示詞為：a forklift seat，anti-motionsickness，future style，white，Tesla，volumetric lighting，volumetric light，lightrays，best quality，masterpiece，highres，original，extremely detailedwalpaper，perfect lighting）1 號， 圖5，（ 提示詞為：Forklift seat，details，pure background，whitebackground --ar 1：1 --s 250）2 號，圖5，（提示詞為：The forkliftseat designed with advanced technology uses advanced algorithmsto generate complex geometric patterns and shapes，with obviousblocks，a sense of strength，a sense of science and technology，and details）3 號。

在圖 5 中，1 號采用簡單的灰黑配色，整體風格典雅舒適，適合追求簡約和現代感的用戶。該材料由織物制成，具有觸感柔軟、透氣、使用舒適等優(yōu)點?？椢锊牧贤ǔ＿m合長時間接觸，尤其是在需要舒適座椅或靠墊的情況下。2 號、3 號側重于流線型工程設計，橙色線條的裝飾使其具有更現代和科技的風格，這在高端辦公家具或汽車座椅的設計中很常見。兩種解決方案的材料均采用真皮或仿皮制成，給人以奢華和奢華的印象，同時提供出色的耐用性和質感。仿皮材質性價比好，外觀與皮革相似，易于打理。AIGC 能夠基于設計需求生成多種不同風格的草圖，這些草圖不僅快速生成，還具備較高的創(chuàng)意表達能力。例如，AI 可以根據座椅的功能性和美學需求生成簡約、現代或經典等多種風格的設計草圖。與傳統(tǒng)手繪草圖相比，AI 在短時間內生成多樣化的設計方案，并支持快速修改和迭代，大幅提升了設計效率和創(chuàng)意表達的靈活性。此外，將這3 個方案進行AI 三維化處理，通過AI 自動化建模軟件tripo，展現各個設計方案的立體感和材質效果。 在三維化的過程中，將重點突出材質的質感、顏色的過渡效果以及流線型設計的精確度，幫助更直觀地呈現每個方案的優(yōu)勢和特點。這一階段的處理有助于進行更準確的視覺化評估和后續(xù)優(yōu)化。同時也有利于工程模型的創(chuàng)建，便于工程運用。

（5）對效果圖局部重繪線稿。

設計師在遴選的方案設計中繼續(xù)對細節(jié)部分進行手繪控制，此時對圖5 的3 號方案進行局部設計效果如圖6 的1 號；2 號為使用SD中controlnet 插件的蒙版重繪進行二輪AI 生圖；3 號為AI3D 模型效果展示。

AI 生成3D 模型能夠加速設計流程，將模型保存為STEP 格式拖入軟件solidworks2022 中進行特征點分析借鑒，加上人機參數的約束（由于此座椅方案是叉車三類車座椅，因此靠背設計參考了歐洲人群腰椎曲線形態(tài)進行后續(xù)的設計），便于后續(xù)工程模型的創(chuàng)建。值得注意的是，此次模型在考慮到落地生產，因此在工程模型的創(chuàng)建時對3D模型進行了修改，但不影響此流程步驟。

（6）AI 介入叉車座椅方案設計工作流模型的初步建立。

將前文整個工作流步驟整理簡化成一個模型，該模型（代表著AI設計工作流）與傳統(tǒng)設計流程有著一定的區(qū)別，并在實驗驗證部分將二者放在一起進行比較，通過數據證明此模型的可行性與合理性。AI輔助方案設計模型如圖7，該模型的核心在于AI 與設計師的協作能力，而不是單一地依靠AI 工具的能力抑或是依靠人為的設計的能力。二者在此座椅方案設計過程中合理地完成自己的任務，共同產出滿意的產品方案。在設計過程中，設計師通過自己的設計知識與設計手繪能力對遴選中的設計方案進行精準修改（扶手、靠背、坐墊形態(tài)等各種細節(jié)），最后將修改后的手繪圖再次經過AI 生圖，以達到滿意的結果。

四、實驗驗證

為了驗證基于AIGC（人工智能生成內容）的設計工作流模型在提升設計效率方面的有效性，本文設計并實施了一系列實驗。實驗主要集中在兩個方面：1）AIGC 技術在不同設計任務中的應用效果；2）AIGC工具與傳統(tǒng)設計工具在效率和創(chuàng)新性上的對比。實驗數據通過實際操作和評價收集，旨在評估AIGC 在設計工作流中的實際應用效果。

（一）實驗步驟

1. 準備階段

（1）選取實驗案例：座椅設計案例。

（2）準備實驗工具：傳統(tǒng)設計軟件（如Procreat、AutoCAD、Rhino 7、KeyShot 2023、SOLIDWORKS 2022 等）和AIGC 工具（Stable_diffusion、comfy_ui、tripo）。

（3）招募實驗參與者：4 名設計師為A 組（A 組使用傳統(tǒng)設計軟件，B 組為本文中使用AIGC 工具）。

2. 實驗實施

（1）各組設計師根據相同的設計需求進行設計任務，分別使用各自的工具完成初步設計，如圖分為繪制草圖任務、建模任務、渲染任務、工程模型任務?？紤]到各個被試者所精通的領域不同，最后選取平均時間來與AIGC 組作比較，如圖8。

記錄各組設計師的設計時間、生成的設計方案數量和質量，與AIGC 組做比較得出結論。最終得到4 組A 類（傳統(tǒng)設計流程）方案，4 組B 類（使用AIGC 輔助設計工作）方案，方案如圖9-1 草圖任務階段，9-2 渲染任務階段。

3. 多階段模糊綜合評價法分析整體數據

確定每個階段的評價指標集

每個設計階段可能有不同的關注點，因此可以為每個階段單獨設定評價指標集。一共分為4 個階段，分別是N1 草圖任務階段、N2 建模任務階段、N3 渲染任務階段、N4 工程模型任務階段。

（1）草圖任務階段

a. 評價指標集：草圖任務階段的評價指標為“工作效率”“可行性”“構思新穎度”

b. 隸屬度矩陣：

根據用戶評價與數據，構建隸屬度矩陣 R1，表示每個評價等級（優(yōu)秀、良好、一般、差）的隸屬度。評價等級有4 個，矩陣形式如下：

在后續(xù)N2 建模任務階段、N3 渲染任務階段、N4 工程模型任務階段得到的數據如表4。

如圖10，使用Autodesk Fusion 360 + Generative Design 評估工具將自動對每組方案自動評分并以可視化圖表呈現。將A 組4 組方案數據以平均值與B 組數據作比較，尤其是在草圖設計階段和方案渲染階段，AIGC 提升工業(yè)設計效率更為明顯。N1 草圖任務階段時，B 組數據在工作效率、可行性、構思新穎度3 個標準上分別得分0.9、0.65、0.6 都高于A 組評分0.5、0.5、0.4。N3 渲染任務階段，B 組數據在工作效率、渲染質量、材質表現分別得分0.85、0.7、06，高于A 組數據0.6、0.5、0.4。數據表明AIGC 技術在叉車座椅方案設計的過程中，顯著提升了設計效率、可行性、渲染效果、材質表達、結構合理性和美觀性。通過自動化生成設計草圖，優(yōu)化座椅各部件的結構與功能，AIGC 能夠快速調節(jié)座椅的座椅深度、靠背角度、懸掛系統(tǒng)等各項參數，確保符合人體工程學要求，提高操作員的舒適性。在工作效率方面，AIGC 技術通過自動化設計和快速反饋循環(huán)，縮短了傳統(tǒng)設計流程中的反復修改和測試時間。而在材質選擇和渲染效果方面，AIGC 可以快速模擬不同材質（如皮革、布料、海綿等）的表現，優(yōu)化座椅的質感和外觀，使其在高強度工作環(huán)境下保持良好的表現。結構上，AI 通過實時分析座椅的負載和壓力分布，優(yōu)化了座椅框架和懸掛系統(tǒng)的設計，確保了其穩(wěn)定性和安全性。與傳統(tǒng)設計依賴經驗和手工調整不同，AIGC 能夠智能化地提高設計的精度、創(chuàng)新性和美觀度，同時減少了材料浪費和生產成本，從而推動叉車座椅設計的高效、精確和個性化發(fā)展。

結論：根據實驗數據分析和圖表結果，AI 組在草圖、建模和渲染階段的“優(yōu)秀”隸屬度分別為 0.737、0.6225 和 0.7125，均高于傳統(tǒng)組的 0.515、0.5525 和 0.4625，顯現了 AIGC 技術在創(chuàng)意生成和視覺效果呈現方面的顯著效率提升。尤其是在渲染階段，AI 組的表現尤為突出，其高達 0.7125 的“優(yōu)秀”隸屬度表明 AI 技術能夠快速生成高質量的視覺效果圖，極大提升了設計方案的感染力和展示效果。然而，在工程模型階段，AI 組的“優(yōu)秀”隸屬度為 0.462，與傳統(tǒng)組的 0.46 基本持平，反映出傳統(tǒng)設計在精度控制和復雜細節(jié)處理上的優(yōu)勢。因此，結合圖表數據可以得出結論，AIGC 技術適用于創(chuàng)意表達和初期概念設計，在高精度需求的工程模型階段仍需傳統(tǒng)設計方式的補充和優(yōu)化，以實現效率和質量的平衡。在此過程中AI3D 模型能夠為工程模型的構建提供了極大便利，如圖11。

結語

本研究結合 AIGC 技術和模糊綜合評判法，探索了自動化設計在座椅造型設計中的應用，結論表明AI 與設計師的結合設計才是最合理、可行性最高的一種設計方式。單一的AI 設計模式可控性低，而單一的人為設計又極大增加了時間與精力的消耗。那么二者結合所帶來的優(yōu)勢，特別是其在設計效率、可行性、渲染效果、材質表現，以及美觀等方面的優(yōu)勢便尤為明顯。通過將 AI 介入設計流程與傳統(tǒng)設計流程對比，我們發(fā)現，AIGC 在草圖生成和設計迭代上顯著提高了工作效率，通過自動化生成和優(yōu)化設計方案，在短時間內提供了多個創(chuàng)意和實用的設計選項，從而大幅縮短了設計周期。而在具體的座椅部件、形態(tài)造型曲線凹凸特征上，我們設計師又可以通過自己的手繪與設計能力去展現座椅具體細節(jié)部分的精準控制。二者相結合便能夠高效精準地產出相對滿意的設計方案。同時在渲染效果和材質表現上，AI 能精確模擬和優(yōu)化座椅的材質、質感與視覺效果，滿足不同環(huán)境和操作需求，提供更加真實、精致的設計效果。AIGC 介入方案設計展示了其在叉車座椅設計中的創(chuàng)新性和優(yōu)勢，尤其在提高設計質量和效率、縮短開發(fā)周期、優(yōu)化成本控制等方面，展現了其巨大的潛力和應用價值。綜上所述，AIGC 技術不僅提高了叉車座椅設計的整體效率與質量，還推動了設計過程的智能化和個性化發(fā)展，為工業(yè)設計領域提供了全新的視角和工具，代表了未來人與AI 共同設計創(chuàng)新的重要方向。