AI 除了作為工具增進我們的設計效率和質量外，也成為了許多產品設計增強自己競爭力，許多新解決方案應運而生的一種機會。

作為設計師，我們也需要根據自己負責的產品范圍了解一些基礎的技術點，才能更好的設計出能夠被用戶理解的好產品，所以我會分享一些 AI 產品中常見的技術知識點。

更多基礎干貨：

一、智能體（Agent）

智能體最近聊得比較多，它是一種能感知環境（通過傳感器或數據輸入）、自主決策（基于預設規則或機器學習模型）、并執行行動（如語音反饋、機械操作）的智能實體。其核心架構包括感知模塊（Perception）、推理引擎（Reasoning Engine）和執行器（Actuator）。例如，自動駕駛汽車的智能體通過攝像頭感知路況，用深度強化學習模型規劃路徑，再控制方向盤執行轉向。

二、Copilot（智能副駕）

Copilot 是基于大語言模型（LLM）的實時輔助工具，通過上下文感知（如代碼編輯器中的函數名）和意圖預測來協助人類的工作交互模式。其核心技術是 In-context Learning（根據當前內容生成結果），期望構建更智能的人機協作工作流。

目前很多 AI 產品的 Copilot 相對于上下文感知和意圖預測的應用還只是一個最初級的雛形，形式上更接近于一個單純的控制界面。例如大疆無人機的 Copilot 界面和交互。

三、算法（Algorithm）

算法是解決問題的明確步驟的規則集合，例如排序算法、搜索算法。交互設計領域中也會涉及到算法，比如規定“若用戶輸入 A，則優先為用戶顯示 XX，其他不推薦項順序排列在下方”等。
在 AI 領域，算法通常指機器學習模型訓練和推理的數學方法，如梯度下降、決策樹分裂規則。

四、算法模型（Algorithm Model）

定義： 算法模型是通過數據訓練得到的數學函數（如神經網絡），能夠從輸入數據中提取特征并輸出預測結果。例如，卷積神經網絡（CNN）通過多層卷積核提取圖像邊緣、紋理等特征，最終分類為“貓”或“狗”。

算法和算法模型實際經常混用，但嚴格來說，算法是固定邏輯，比如代碼中的 if—else條件分支，而算法模型是一種概率化預測，要經過數據訓練。可以理解為一個是嚴格執行程序的機械操作，一個是看過書刷過題真正學習理解后的判斷操作。

五、數據處理與標注（Data Processing & Labeling）

數據處理包括清洗（刪除重復數據）、歸一化（統一圖片尺寸）、特征提取（將文本轉為詞向量）；數據標注是為原始數據添加標簽（如框出圖片中的狗并標注“金毛犬”），是訓練“算法模型”的過程，標注質量直接影響模型效果。

六、自然語言處理（NLP）

NLP 是讓機器理解、生成人類語言的技術，涵蓋詞法分析（分詞、詞性標注）、語義理解（實體識別、情感分析）、文本生成（對話回復、文章摘要）。
比如對話流設計中根據意圖識別結果（如用戶問“退款流程”），預設回答分支并標注跳轉邏輯。

七、計算機視覺（CV）

定義： 計算機視覺使機器能“看懂”圖像和視頻，核心技術包括目標檢測（YOLO 模型）、圖像分割（Mask R-CNN）、姿態估計（OpenPose）。例如，人臉識別技術通過提取五官特征點確認身份。

如果 AR 應用中基于物體識別的信息展示它在真實環境里所看不見的內容。

在我的《AR 界面設計》中，也展開介紹了與此相關的許多技術點。

八、強化學習（Reinforcement Learning）

強化學習通過“試錯-反饋”機制訓練 AI，核心要素包括環境（Environment）、智能體（Agent）、獎勵函數（Reward Function）。例如 AlphaGo 通過與自己下棋獲得勝負反饋，不斷優化策略。

理解技術的基礎概念和基礎運作原理，才能更好的為用戶翻譯、解釋這些技術，從而讓人和智能系統互相理解和信任，創造更好的體驗。

共勉、共進！