摘要：人工智能與設(shè)計(jì)師協(xié)同設(shè)計(jì)是未來(lái)設(shè)計(jì)的重要發(fā)展趨勢(shì)，其中“人機(jī)對(duì)齊”是關(guān)鍵議題。文章探索在教學(xué)中實(shí)現(xiàn)人工智能的“技術(shù)認(rèn)知對(duì)齊”與“設(shè)計(jì)流程對(duì)齊”的協(xié)同訓(xùn)練：通過(guò)CycleGAN模型生成視覺(jué)符號(hào)，由設(shè)計(jì)師主導(dǎo)創(chuàng)意與方案優(yōu)化，實(shí)現(xiàn)人機(jī)在設(shè)計(jì)目標(biāo)與創(chuàng)意邏輯上的深度對(duì)齊。研究旨在驗(yàn)證在教學(xué)層面學(xué)生參與個(gè)人訓(xùn)練模型過(guò)程可提升人機(jī)協(xié)同效率，并提出“人機(jī)對(duì)齊”的教學(xué)改革方向，側(cè)重培養(yǎng)學(xué)生“技術(shù)認(rèn)知、創(chuàng)意干預(yù)、全流程協(xié)作”的能力，塑造適應(yīng)智能時(shí)代的設(shè)計(jì)師角色定位。文章為解決人機(jī)協(xié)同語(yǔ)義鴻溝、推動(dòng)設(shè)計(jì)智能化轉(zhuǎn)型及人才培養(yǎng)模式創(chuàng)新提供了基于“人機(jī)對(duì)齊”的教學(xué)改革思路與實(shí)踐路徑。

關(guān)鍵詞：人工智能；協(xié)同設(shè)計(jì)；教學(xué)；人機(jī)對(duì)齊；CycleGAN

中圖分類(lèi)號(hào)：TP18" "文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2025）18-0154-03

開(kāi)放科學(xué)（資源服務(wù)） 標(biāo)識(shí)碼（OSID）

0 引言

隨著人工智能技術(shù)的飛速發(fā)展，其在視覺(jué)生成方面展現(xiàn)了卓越的生產(chǎn)能力，人工智能已超越傳統(tǒng)工具的角色，AI正逐漸展現(xiàn)出作為協(xié)作者的潛力[1]。人工智能以“協(xié)作者”身份與設(shè)計(jì)師進(jìn)行協(xié)同設(shè)計(jì)，提升設(shè)計(jì)效率的同時(shí)也拓展了設(shè)計(jì)師的思維，人機(jī)協(xié)同設(shè)計(jì)將是未來(lái)設(shè)計(jì)不可逆轉(zhuǎn)的發(fā)展方向。

目前，眾多學(xué)者已關(guān)注到人工智能卓越的設(shè)計(jì)生產(chǎn)能力，并嘗試從不同角度進(jìn)行研究。Wang等[2]嘗試通過(guò)風(fēng)格遷移進(jìn)行文化遺產(chǎn)相關(guān)圖案設(shè)計(jì)；張安華等[3]利用人工智能大模型進(jìn)行了民國(guó)時(shí)期的紋樣設(shè)計(jì)；曾真、孫效華[4]嘗試將StyleGAN2應(yīng)用于座椅形態(tài)或服裝設(shè)計(jì)。隨著通用大模型的進(jìn)步，設(shè)計(jì)師與人工智能的協(xié)同設(shè)計(jì)又向前邁進(jìn)了一大步。

然而，在設(shè)計(jì)教育場(chǎng)景中，協(xié)同設(shè)計(jì)教學(xué)略顯不足。傳統(tǒng)教學(xué)模式依賴(lài)教師經(jīng)驗(yàn)與知識(shí)的單向傳遞，難以應(yīng)對(duì)培養(yǎng)學(xué)生與智能工具協(xié)同能力的復(fù)雜需求。學(xué)生在面對(duì)“人工智能概念”學(xué)習(xí)時(shí)，往往感到內(nèi)容過(guò)于抽象，空洞的理論解釋及過(guò)程參與的缺失，會(huì)導(dǎo)致認(rèn)知模糊。通用大模型的訓(xùn)練成本過(guò)高[5]，不適用于教學(xué)。小型個(gè)人訓(xùn)練模型的引入為設(shè)計(jì)學(xué)方向的教學(xué)改革提供了新思路，其定制化訓(xùn)練過(guò)程，如數(shù)據(jù)預(yù)處理、網(wǎng)絡(luò)架構(gòu)優(yōu)化、損失函數(shù)調(diào)整等，可轉(zhuǎn)化為實(shí)踐教學(xué)模塊，幫助學(xué)生理解AI技術(shù)邏輯；而“AI生成、設(shè)計(jì)師對(duì)齊”的協(xié)同模式則為構(gòu)建“技術(shù)認(rèn)知、創(chuàng)意干預(yù)、全流程協(xié)作”的教學(xué)體系提供了實(shí)踐框架。

本研究以《新華日?qǐng)?bào)》獎(jiǎng)杯設(shè)計(jì)為實(shí)踐課題，通過(guò)CycleGAN[6]模型展開(kāi)模塊化訓(xùn)練教學(xué)，并引入人機(jī)協(xié)同設(shè)計(jì)實(shí)踐推動(dòng)教學(xué)改革。研究旨在解決兩大核心問(wèn)題：其一，如何通過(guò)個(gè)人訓(xùn)練模型的開(kāi)發(fā)過(guò)程，實(shí)現(xiàn)學(xué)生對(duì)AI的技術(shù)認(rèn)知對(duì)齊；其二，如何通過(guò)教學(xué)干預(yù)，培養(yǎng)學(xué)生在智能工具輔助下的創(chuàng)意主導(dǎo)能力與審美判斷素養(yǎng)。通過(guò)構(gòu)建“技術(shù)賦能、認(rèn)知適配、教學(xué)轉(zhuǎn)化”的三位一體框架，為智能時(shí)代的設(shè)計(jì)教育提供新的方法論，推動(dòng)學(xué)生實(shí)現(xiàn)從“工具使用者”向“人機(jī)協(xié)同設(shè)計(jì)者”的角色轉(zhuǎn)型，最終塑造具備中國(guó)式現(xiàn)代化視野的設(shè)計(jì)師人才：既能駕馭AI技術(shù)進(jìn)行高效生產(chǎn)，亦能在文化語(yǔ)義解讀、設(shè)計(jì)策略決策等核心環(huán)節(jié)發(fā)揮設(shè)計(jì)師的創(chuàng)意優(yōu)勢(shì)，實(shí)現(xiàn)技術(shù)理性與人文價(jià)值的深度“人機(jī)對(duì)齊”[7]。

1 教學(xué)背景介紹：核心技術(shù)與協(xié)同流程概述

技術(shù)認(rèn)知對(duì)齊：課程首先進(jìn)行理論與概念的講解，包括AIGC的發(fā)展歷史，以及其中幾個(gè)重要節(jié)點(diǎn)，如CNN卷積[8]等，并重點(diǎn)解釋本次課程中所用的技術(shù)名詞。

作為深度學(xué)習(xí)領(lǐng)域的創(chuàng)新成果，生成對(duì)抗網(wǎng)絡(luò)（GAN） 由Goodfellow等[9]于2014年提出，各種衍生GAN模型隨之出現(xiàn)。其核心突破在于克服了傳統(tǒng)圖像轉(zhuǎn)換模型對(duì)成對(duì)訓(xùn)練樣本的依賴(lài)，實(shí)現(xiàn)了非成對(duì)圖像在不同域之間的自由轉(zhuǎn)換[10]。CycleGAN相較于GAN的獨(dú)特之處在于其引入了循環(huán)一致性損失函數(shù)，這一機(jī)制確保圖像轉(zhuǎn)換過(guò)程的可逆性，從而允許轉(zhuǎn)換后的圖像通過(guò)反向網(wǎng)絡(luò)盡可能恢復(fù)至其原始狀態(tài)[11]，實(shí)現(xiàn)了一種動(dòng)態(tài)的圖像域變換平衡。

CycleGAN模型主要由兩組生成器與判別器構(gòu)成，生成器與判別器分工明確：一組負(fù)責(zé)將源域圖像轉(zhuǎn)換為目標(biāo)域，另一組則執(zhí)行相反的轉(zhuǎn)換任務(wù)[12]。生成器的目標(biāo)是產(chǎn)生逼真的目標(biāo)域圖像，而判別器則嘗試區(qū)分真實(shí)圖像與生成器產(chǎn)生的圖像。通過(guò)這種對(duì)抗訓(xùn)練，生成器逐漸學(xué)會(huì)生成高質(zhì)量、難以區(qū)分的圖像。

設(shè)計(jì)流程對(duì)齊：介紹人機(jī)協(xié)同設(shè)計(jì)流程。本次教改引入《新華日?qǐng)?bào)》獎(jiǎng)杯設(shè)計(jì)為實(shí)踐項(xiàng)目，旨在使學(xué)生明確智能時(shí)代下設(shè)計(jì)師的角色定位及設(shè)計(jì)師如何與AI協(xié)同設(shè)計(jì)，同時(shí)在學(xué)習(xí)人工智能設(shè)計(jì)的過(guò)程中結(jié)合思政教育，讓學(xué)生了解江蘇的紅色文化。

人機(jī)協(xié)同設(shè)計(jì)流程具體如下：設(shè)計(jì)師首先接收CycleGAN模型生成的初步視覺(jué)素材，再結(jié)合人工智能平臺(tái)（如KIMI等） 完成符號(hào)提取提示詞與參考圖準(zhǔn)備工作，接著融入個(gè)性化語(yǔ)義，結(jié)合AI視覺(jué)生成平臺(tái)（即夢(mèng)） 生成創(chuàng)意刺激方案。設(shè)計(jì)師對(duì)視覺(jué)方案進(jìn)行調(diào)整和修改，使其更符合設(shè)計(jì)要求，并最終通過(guò)打樣和迭代實(shí)現(xiàn)方案的深度完善。這種人機(jī)協(xié)同設(shè)計(jì)模式可以充分發(fā)揮人工智能和設(shè)計(jì)師各自的優(yōu)勢(shì)，從而提高設(shè)計(jì)內(nèi)容的生產(chǎn)質(zhì)量和生產(chǎn)效率。

2 認(rèn)知對(duì)齊：教學(xué)中AI技術(shù)認(rèn)知適配

2.1 數(shù)據(jù)收集與處理

教學(xué)首先組織學(xué)生分組進(jìn)行數(shù)據(jù)收集與處理工作，該階段涉及對(duì)1 000張獎(jiǎng)杯圖像數(shù)據(jù)集的收集與預(yù)處理，以供模型訓(xùn)練使用。此過(guò)程旨在幫助學(xué)生理解包括圖像的數(shù)字化、歸一化[13]以及數(shù)據(jù)增強(qiáng)等概念。訓(xùn)練過(guò)程中，要求學(xué)生所搜集的圖像應(yīng)保證清晰度和細(xì)節(jié)的保留，為后續(xù)工作提供高質(zhì)量的原始數(shù)據(jù)。搜集完成后，將所有獎(jiǎng)杯圖像通過(guò)Photoshop結(jié)合PS動(dòng)作功能調(diào)整至統(tǒng)一的尺寸和色彩空間，以減少模型訓(xùn)練過(guò)程中的偏差，并提高算法的收斂速度。教學(xué)中強(qiáng)調(diào)，在數(shù)據(jù)預(yù)處理階段通常注重保持圖像原始風(fēng)格特征，以便在后續(xù)風(fēng)格遷移過(guò)程中能夠更好地捕捉和再現(xiàn)這些特征。

2.2 模型訓(xùn)練

在獎(jiǎng)杯設(shè)計(jì)AI模型訓(xùn)練教學(xué)實(shí)踐中，針對(duì)教學(xué)場(chǎng)景中缺乏成對(duì)訓(xùn)練數(shù)據(jù)的特點(diǎn)，通過(guò)非配對(duì)圖像轉(zhuǎn)換機(jī)制，使學(xué)生能夠利用1 000張互聯(lián)網(wǎng)搜集的獎(jiǎng)杯圖像完成跨域特征學(xué)習(xí)。

教學(xué)數(shù)據(jù)預(yù)處理階段：首先將圖像素材按9∶1比例劃分，其中訓(xùn)練集為900張，驗(yàn)證集為100張。對(duì)于目標(biāo)域圖像樣本中風(fēng)格數(shù)量較少的部分，施加鏡像翻轉(zhuǎn)、有限角度旋轉(zhuǎn)等數(shù)據(jù)增強(qiáng)操作，確保各風(fēng)格樣本量差異不超過(guò)15張，并將所有圖像統(tǒng)一規(guī)范化為256×256像素，同時(shí)實(shí)施亮度調(diào)節(jié)，以提升模型對(duì)光照變化的魯棒性[14]。

模型架構(gòu)設(shè)計(jì)：教學(xué)目標(biāo)中，生成器采用編碼器、殘差塊、解碼器結(jié)構(gòu)，其中9個(gè)殘差塊通過(guò)跳躍連接以維持特征完整性，編碼器通過(guò)三層步長(zhǎng)卷積實(shí)現(xiàn)特征壓縮，解碼器則利用反卷積逐步恢復(fù)空間分辨率。判別器采用基于局部感知的PatchGAN[15]架構(gòu)。通過(guò)動(dòng)態(tài)保存模型快照與損失曲線(xiàn)可視化，引導(dǎo)學(xué)生觀(guān)察生成器與判別器之間的博弈平衡過(guò)程。

漸進(jìn)式實(shí)踐任務(wù)：初期通過(guò)固定超參數(shù)簡(jiǎn)化調(diào)試復(fù)雜度，中期引入學(xué)習(xí)率衰減策略（每50個(gè)epoch[16]降低10%） 解析優(yōu)化動(dòng)態(tài)，后期組織生成效果對(duì)比分析。針對(duì)常見(jiàn)訓(xùn)練異常，建立典型問(wèn)題響應(yīng)機(jī)制；遇到風(fēng)格遷移不完全時(shí)，調(diào)整特征匹配層權(quán)重。通過(guò)全過(guò)程的參與，實(shí)現(xiàn)認(rèn)知適配，達(dá)到人工智能技術(shù)的“認(rèn)知對(duì)齊”，為后續(xù)生成式AI創(chuàng)新應(yīng)用奠定“技術(shù)認(rèn)知”基礎(chǔ)（見(jiàn)圖1） 。

3 流程對(duì)齊：教學(xué)中AI與設(shè)計(jì)師創(chuàng)意協(xié)同與設(shè)計(jì)協(xié)同

3.1 AI語(yǔ)義符號(hào)提?。旱於ㄒ曈X(jué)基因庫(kù)

在探索人工智能與設(shè)計(jì)融合的新境界時(shí)，教學(xué)中將學(xué)生自身訓(xùn)練的模型與實(shí)際項(xiàng)目相結(jié)合，將設(shè)計(jì)師的經(jīng)驗(yàn)與人工智能的能力進(jìn)行對(duì)齊。以設(shè)計(jì)項(xiàng)目《新華日?qǐng)?bào)》獎(jiǎng)杯為題，學(xué)生使用百度DEEPSEEK滿(mǎn)血版、豆包（深度思考） 、KIMI（k1.5） 分別對(duì)《新華日?qǐng)?bào)》進(jìn)行視覺(jué)語(yǔ)義提取，總結(jié)獲得13個(gè)核心視覺(jué)創(chuàng)意符號(hào)（D1毛澤東題寫(xiě)報(bào)頭、D2創(chuàng)刊號(hào)元素、D3鋼筆、D4攝像機(jī)/鏡頭、D5活字印刷元素、D6木刻版畫(huà)、D7新聞漫畫(huà)、D8數(shù)據(jù)可視化圖表、D9報(bào)頭與標(biāo)題字體、D10版面布局、D11色彩體系、D12雕塑《號(hào)角》、D13原型意象） 。經(jīng)過(guò)小組討論，將D3鋼筆符號(hào)與報(bào)紙形象結(jié)合，其中鋼筆形態(tài)與報(bào)紙卷曲形象可以形成同構(gòu)。人機(jī)完成“創(chuàng)意對(duì)齊”的過(guò)程。緊接著，挑選CycleGAN獎(jiǎng)杯模型中形象與鋼筆高度相似的若干素材。

3.2 “即夢(mèng)”AI生成：創(chuàng)意刺激與初稿快速孵化

教學(xué)引入“即夢(mèng)”AI設(shè)計(jì)平臺(tái)，即夢(mèng)AI設(shè)計(jì)平臺(tái)支持基于文本描述和參考圖像生成視覺(jué)方案，能夠快速生成多樣化的設(shè)計(jì)初稿，為設(shè)計(jì)師提供創(chuàng)意啟發(fā)。學(xué)生首先輸入CycleGAN模型生成的合適獎(jiǎng)杯圖像作為圖生圖的參考圖片，并以AI提取的符號(hào)特征形成文本提示詞（prompt） ，運(yùn)用KIMI提升詞生成功能反復(fù)調(diào)試迭代，生成風(fēng)格化初稿。

操作要點(diǎn)：為每個(gè)符號(hào)設(shè)定權(quán)重（如“鋼筆”權(quán)重60%、“報(bào)紙”40%） ，并反復(fù)嘗試，引導(dǎo)AI優(yōu)先融合核心符號(hào)；調(diào)節(jié)“風(fēng)格強(qiáng)度”參數(shù)（0～100） ，生成從“輕度復(fù)古”到“極致抽象”等梯度方案。典型方案如“鋼筆+報(bào)紙”融合版AI生成優(yōu)勢(shì)，通過(guò)AI自動(dòng)匹配金屬質(zhì)感材質(zhì)（如粗糙度、反射率等） ，呈現(xiàn)報(bào)紙卷曲與鋼筆筆尖的幾何呼應(yīng)，保留歷史符號(hào)的厚重感。

3.3 PS 二維細(xì)化：符號(hào)精準(zhǔn)化與風(fēng)格校準(zhǔn)

設(shè)計(jì)師通過(guò) PS 主導(dǎo)并完成視覺(jué)矯正：1） 比例重構(gòu)使用 Photoshop 的“透視變形工具”來(lái)調(diào)整長(zhǎng)寬比例；2） 符號(hào)強(qiáng)化用“鋼筆工具”手動(dòng)繪制鋼筆出水孔，疊加“雜色”濾鏡模擬金屬銹蝕紋理，以增強(qiáng)歷史感；在報(bào)紙形象中添加“漸變疊加”，模擬氧化效果，匹配“歷史厚重感”標(biāo)簽。風(fēng)格調(diào)性統(tǒng)一莊重方案，設(shè)計(jì)師通過(guò)“色彩平衡”將整體飽和度降低，匹配《新華日?qǐng)?bào)》“莊重感”標(biāo)簽。

3.4 三維合成與工程化驗(yàn)證

Blender 建模與結(jié)構(gòu)優(yōu)化：通過(guò)幾何建模將 PS 處理后的二維方案導(dǎo)入 Blender，使用“細(xì)分曲面”工具生成 3D 模型，重點(diǎn)優(yōu)化握持部位；加載即夢(mèng) AI 生成的金屬紋理貼圖，調(diào)整法線(xiàn)參數(shù)使銹蝕效果更自然，完成材質(zhì)映射，同時(shí)確保 3D 打印時(shí)的結(jié)構(gòu)可行性，如壁厚 ≥2mm。獎(jiǎng)杯總高度控制在 20～25 cm，以保證尺寸在手持舒適區(qū)間。接著通過(guò) Keyshot 軟件渲染與細(xì)節(jié)微調(diào)，將模型導(dǎo)入渲染多光源場(chǎng)景，輸出多角度效果圖；設(shè)計(jì)師手動(dòng)添加“新華日?qǐng)?bào)報(bào)頭浮雕”。最后用 3D 打印與實(shí)物驗(yàn)證閉環(huán)，實(shí)現(xiàn)快速原型制作（圖2） 。

3.5 教學(xué)總結(jié)：工具導(dǎo)向的人機(jī)協(xié)同本質(zhì)與設(shè)計(jì)師角色定位強(qiáng)化

設(shè)計(jì)師在人機(jī)協(xié)同中承擔(dān)“語(yǔ)義注入、倫理審查、創(chuàng)意決策”的核心作用，而非僅為“調(diào)整視覺(jué)符號(hào)”。通過(guò)“AI 語(yǔ)義提取、即夢(mèng)創(chuàng)意生成、PS 視覺(jué)校準(zhǔn)、三維工程化、3D 打印驗(yàn)證”的全流程工具鏈協(xié)作，設(shè)計(jì)師的核心價(jià)值體現(xiàn)在：

語(yǔ)義注入與創(chuàng)意決策：設(shè)計(jì)師需將用戶(hù)個(gè)性化需求（如紅色文化敘事需求） 轉(zhuǎn)化為 AI 可識(shí)別的語(yǔ)義標(biāo)簽，結(jié)合 CycleGAN 生成的視覺(jué)符號(hào)進(jìn)行文化語(yǔ)義適配。

符號(hào)意義的守護(hù)者：確保 AI 生成不偏離文化內(nèi)核，成為創(chuàng)意邊界的劃定者，通過(guò)參數(shù)設(shè)定告知 AI，如：“歷史符號(hào)所占百分比”“莊重感”等于低飽和度加對(duì)稱(chēng)構(gòu)圖等；

倫理審查與用戶(hù)反饋整合：“人機(jī)對(duì)齊的可解釋性”，要求學(xué)生通過(guò)用戶(hù)訪(fǎng)談、焦點(diǎn)小組等方式收集反饋，修正 AI 生成結(jié)果，體現(xiàn)“設(shè)計(jì)師作為價(jià)值把關(guān)者”的角色。

工程落地的決策者：在 AI 提供的創(chuàng)意可能性中，選擇既符合審美又能實(shí)際制造的方案，如排除底座過(guò)細(xì)的設(shè)計(jì)。這種模式讓技術(shù)工具成為設(shè)計(jì)師的“延伸之手”，而人類(lèi)的文化理解與價(jià)值判斷始終是驅(qū)動(dòng)設(shè)計(jì)的核心引擎，真正實(shí)現(xiàn)“AI 高效生產(chǎn)，人類(lèi)賦予靈魂”的協(xié)同目標(biāo)[17]。

4 討論

4.1 “人機(jī)對(duì)齊”視域下的協(xié)同設(shè)計(jì)范式重構(gòu)

在《新華日?qǐng)?bào)》獎(jiǎng)杯設(shè)計(jì)教學(xué)實(shí)踐中，人機(jī)協(xié)同設(shè)計(jì)通過(guò)“技術(shù)賦能到創(chuàng)意校準(zhǔn)到價(jià)值注入”實(shí)現(xiàn)了設(shè)計(jì)的閉環(huán)機(jī)制，進(jìn)行了AI與設(shè)計(jì)師深度對(duì)齊的教學(xué)訓(xùn)練嘗試，并構(gòu)建“機(jī)器高效生成、人類(lèi)價(jià)值掌舵”的新型創(chuàng)作模式。這一過(guò)程既依托AI的大規(guī)模數(shù)據(jù)處理與風(fēng)格生成能力，更凸顯設(shè)計(jì)師在語(yǔ)義解構(gòu)、文化校準(zhǔn)與創(chuàng)意決策中不可或缺的主導(dǎo)作用，最終達(dá)成實(shí)現(xiàn)技術(shù)理性與人文價(jià)值有機(jī)統(tǒng)一的教學(xué)目標(biāo)[18]。

4.2 “人機(jī)對(duì)齊”的核心機(jī)制：從“技術(shù)驅(qū)動(dòng)”到“意義共構(gòu)”

（1） 語(yǔ)義層對(duì)齊：符號(hào)體系的雙向轉(zhuǎn)譯

AI的“數(shù)據(jù)翻譯”即通過(guò)AI模型提取《新華日?qǐng)?bào)》核心視覺(jué)符號(hào)（如鋼筆、號(hào)角、木刻版畫(huà)等） ，轉(zhuǎn)化為包含色彩、輪廓、文化標(biāo)簽的結(jié)構(gòu)化語(yǔ)義向量，為學(xué)生提供了運(yùn)用AI完成“視覺(jué)基因”的方法及經(jīng)驗(yàn)轉(zhuǎn)化。

讓學(xué)生理解智能時(shí)代設(shè)計(jì)師在人機(jī)協(xié)同中的“語(yǔ)義注入、倫理審查、創(chuàng)意決策”核心作用。設(shè)計(jì)師作為“意義錨定”即建立符號(hào)權(quán)重表（如歷史符號(hào)占比） ，標(biāo)注強(qiáng)化文化屬性（如：“鋼筆”關(guān)聯(lián)“新聞創(chuàng)作傳統(tǒng)”） ，確保AI生成不偏離設(shè)計(jì)目標(biāo)的文化內(nèi)核。

（2） 流程層對(duì)齊：工具鏈的分工協(xié)作

充分發(fā)揮AI的“效率引擎”效能，即夢(mèng)AI平臺(tái)批量生成多風(fēng)格初稿，覆蓋寫(xiě)實(shí)、極簡(jiǎn)、復(fù)古等維度，釋放創(chuàng)意可能性空間；CycleGAN技術(shù)實(shí)現(xiàn)無(wú)配對(duì)數(shù)據(jù)的風(fēng)格遷移，解決傳統(tǒng)設(shè)計(jì)中素材依賴(lài)的局限，激發(fā)設(shè)計(jì)師的創(chuàng)意思維[19]。設(shè)計(jì)師覺(jué)醒“決策中樞”定位，在PS中修正比例失衡、強(qiáng)化符號(hào)細(xì)節(jié)，在Blender中優(yōu)化三維結(jié)構(gòu)，3D打印驗(yàn)證可行性，完成從“數(shù)字生成”到“實(shí)物落地”的關(guān)鍵校準(zhǔn)。

4.3 價(jià)值層對(duì)齊：文化內(nèi)涵的深度注入

AI的“模式復(fù)制”即通過(guò)數(shù)據(jù)學(xué)習(xí)，AI自動(dòng)匹配金屬質(zhì)感、銹蝕紋理等視覺(jué)特征，呈現(xiàn)“歷史厚重感”等基礎(chǔ)調(diào)性。加上設(shè)計(jì)師的“情感賦能”，如添加“創(chuàng)刊號(hào)元素”等敘事性符號(hào)，將“鋼筆、報(bào)紙”從單純視覺(jué)組合升華為“書(shū)寫(xiě)記錄到輿論發(fā)聲”的文化隱喻，賦予技術(shù)生成方案以深層意義。

參考文獻(xiàn)：

[1] 楊川.人工智能藝術(shù)設(shè)計(jì)光暈的持續(xù)[J].工業(yè)工程設(shè)計(jì)，2020，2（1）：43-48.

[2] WANG T X，MA Z Q，ZHANG F，et al.Research on wickerwork patterns creative design and development based on style transfer technology[J].Applied Sciences，2023，13（3）：1553.

[3] 張安華，王淑賢，張迪雅，等.南京民國(guó)建筑基因提取及智能輔助創(chuàng)新設(shè)計(jì)研究[J].包裝工程，2024，45（10）：302-314.

[4] 曾真，孫效華.基于增強(qiáng)智能理念的人機(jī)協(xié)同設(shè)計(jì)探索[J].包裝工程，2022，43（20）：154-161.

[5] LI X， YAO Y， JIANG X， et al. FLM-101B： An Open LLM and How to Train It with $100K Budget[EB/OL].（2023-09-06）[2025-05-17].https：//arxiv.org/abs/2309.04564.

[6] YANG S，LING F H，LUO J J，et al.Improving the seasonal forecast of summer precipitation in southeastern China using a CycleGAN-based deep learning bias correction method[J].Advances in Atmospheric Sciences，2025，42（1）：26-35.

[7] 徐英瑾.“人機(jī)對(duì)齊問(wèn)題” 對(duì)DeepSeek提出的哲學(xué)挑戰(zhàn)：以“前見(jiàn)—偏見(jiàn)” 關(guān)系為切入點(diǎn)[J].江海學(xué)刊，2025（3）：108-119，256.

[8] 武一，贠世林.C-T Net：融合CNN和Transformer的遙感圖像變化檢測(cè)模型[J/OL].華東師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2025：1-12.（2025-04-18）[2025-04-30]. https：//kns.cnki.net/kcms/detail/31.1298.N.20250418.1112.002.html.

[9] 黃鵬，蔡露，陳彬，等.基于DCGAN和改進(jìn)YOLOv5s的鋼絲簾布缺陷檢測(cè)方法[J].電子測(cè)量技術(shù)，2024，47（3）：144-155.

[10] 閆寒.時(shí)尚圖像的可控生成算法研究[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2024.

[11] ZHU J Y，PARK T，ISOLA P，et al.Unpaired image-to-image translation using cycle-consistent adversarial networks[C]//2017 IEEE International Conference on Computer Vision （ICCV）.October 22-29，2017，Venice，Italy.IEEE，2017：2242-2251.

[12] GATYS L，ECKER A，BETHGE M.A neural algorithm of artistic style[J].Journal of Vision，2016，16（12）：326.

[13] 李浩，苗壯，王昊琪，等.基于多域故障傳播的中央空調(diào)系統(tǒng)可維修性設(shè)計(jì)評(píng)價(jià)[J].機(jī)械工程學(xué)報(bào)，2024，60（11）：191-204.

[14] GUO C L，LI C Y，GUO J C，et al.Zero-reference deep curve estimation for low-light image enhancement[C]//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）.June 13-19，2020，Seattle，WA，USA.IEEE，2020：1777-1786.

[15] 黃文韜，桂彥，潘祖望.目標(biāo)尺度自適應(yīng)Transformer的圖像彩色化方法[J/OL].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2025：1-13.（2025-04-03）[2025-04-30]. https：//kns.cnki.net/kcms/detail/11.2925.tp.20250403.1533.006.html.

[16] 申衛(wèi)杰，王莉.基于判別性多特征融合的實(shí)體對(duì)齊算法[J/OL].太原理工大學(xué)學(xué)報(bào)，2025：1-13.（2025-06-06）. https：//kns.cnki.net/kcms/detail/14.1220.N.20250606.1004.002.html.

[17] 林松柏.基于能力范式的教學(xué)改革理論創(chuàng)新和實(shí)踐[M].北京：科學(xué)出版社，2023.

[18] 吳冠軍.再見(jiàn)智人[M].北京：北京大學(xué)出版社，2024.

[19] 楊川，唐藝.人工智能技術(shù)介入視覺(jué)傳達(dá)設(shè)計(jì)專(zhuān)業(yè)課程思考：以文字與版式設(shè)計(jì)課程為例[J].南京開(kāi)放大學(xué)學(xué)報(bào)，2024（4）：51-58.

【通聯(lián)編輯：唐一東】