編者按：雖然這是一篇大概 1 年前的舊文，但是 AI 在用戶體驗層面的發展并沒有如同我們預期一樣發生快速的、根本性的發展，所以這篇來自 Tony Jin 的文章，價值還在提升。值得一提是，Tony Jin 供職于 Google Assistant 團隊，在用戶體驗、語音交互、AI 領域有足夠深入的了解和經驗。
現如今，有關生成 AI 的新聞到處都是。用戶談論 ChatGPT 如何在創紀錄的 5 天內達到 100 萬用戶，高盛如何預測 AI 將影響 3 億個工作崗位，以及新版必應的 "失控"......
拋開所有的熱搜話題不談，作為一個設計數字助理、擁有人機交互背景并熱衷于為新興技術進行設計的設計師，這對我個人來說是一個激動人心的時刻。
生成式 AI 的突破，就像我們發現電的那一刻一樣重要——雖然整個技術可能還需要幾年的時間才能真正成熟（雖然速度正在加快），但我們知道，我們可能剛剛踏上了一塊重要的基石，開啟了許多可能性，業內的每個人都在努力探索著這些可能性。
事實上，到底有哪些可能性？我們又該如何更好地利用生成式 AI 的特性，并回避其缺點呢？
在這篇文章中，我將嘗試解讀我作為一名設計師，在使用了數十種生成式 AI 工具之后的心得體會。我將討論良好的輸入方式，對于生成式 AI 的重要性，以及語言作為輸入介質的局限性，以及我們如何利用最佳實踐，來彌補這些局限性，并使生成式 AI 對用戶的日常使用真正產出價值。
我們已經看到了人工智能的爆炸式發展，它們可以生成語言、藝術作品、音樂、完整的演示文稿、代碼，甚至是公眾人物的播客訪談（也可以試試史蒂夫-喬布斯式的風格？）
看著這些幾個月前還讓人匪夷所思的新功能，我們可能很容易產生這樣的錯覺：不久之后，我們只需說幾句話，生成式 AI 就會施展魔法，創造出無懈可擊的解決方案，完全符合我們的想法。
然而，事實并非如此。
是的，如果你想為自己的企業創建一個 LOGO，又不想聘請專業的 LOGO 設計師，你也許可以通過 Midjourney 中的一些提示和迭代，來創建一個還湊合的 LOGO。但它只適用于你想潦草完成的情況。
但是，如果你對 LOGO 的外觀和風格有具體要求，那么你可能需要對提示詞進行多次潤色，才能使其接近你想要的感覺。
這相反需要大量的人工測試和來回編輯，不是三言兩語就能完成的。
這是因為在我看來，使用生成式 AI 的最重要規則之一是：輸入質量決定輸出質量。下面的例子是我給 ChatGPT 的一個通用提示：
由 ChatGPT 生成的郵件，提示詞是“告知我的團隊我正在做事情”
ChatGPT 天馬行空地發揮想象力，竭力把事情具體化，卻只輸出了一封充滿陳詞濫調廢話的郵件，這其實很有趣。這讓我想起了我在 reddit 上看到的一個帖子：
AI 成為我們的廢話生成器和廢話解碼器，這真是一個辛辣的諷刺。
“AI 將我這個簡短的總結轉化成一份超長郵件，并且假裝是我寫的?！?br /> “AI 可以將這份超長的郵件總結為一句話，這一我可以假裝看過了?！?/p>
這不能怪 ChatGPT，因為我給出的提示詞確實很糟糕，其中沒有包含太多的信息。我沒有說明郵件的風格、長度、我和團隊之間的關系，我也沒有提到和現有項目相關的任何細節，等等。我腦子里可能有這些背景和信息，但如果我不說出來，ChatGPT 永遠也不會知道。
而這正是具有挑戰性的部分——用戶需要知道如何傳達足夠的上下文信息，以便 AI 能利用好這些信息，這才能節省我的時間，并提供我需要的輸出內容。
要知道如何 "設計 "提示詞，向 AI 模型準確傳達我們的想法，其實是一件很難的事情。我們自己的語言，比如英語，天生就不擅長給出精確的指令。這也是我們創造具有嚴格語法的編程語言的初衷之一，以便將我們的想法明確、高效地傳達給計算機。
"代碼是我們設計的界面，用來給計算機編程。這是我們所需要的。它客觀、清晰、明確、（相對）靜態、內部一致且穩健。
英語不具備這些特性——它是主觀的，意義往往是隱晦、模棱兩可的，它總是在變化，甚至自相矛盾矛盾，文本的結構經不起推敲"。
——道森-埃利亞森："英語是一種糟糕的編程語言"
因此，即使是人類，每天也會誤解對方。我們可能需要多次解釋自己的想法，如此反復，才能讓別人完全理解。很多時候，我們還需要借助外部工具，如白板圖或者非常詳細的文件，來解釋我們的整個思維過程，以達到同頻一致的目的。
我們需要對 AI 進行同樣的處理。
我們可以通過一些方法來設計和微調 AI 工具，避免出現問題。與其讓用戶誤以為 AI 工具可以 "讀懂你的想法"，我們不如把它視作為一個強大的合作者，或者像微軟所說的那樣，一個可以輔助你完成工作的 "副駕駛"。設計和構建 AI 工具的人也應該提供手段，幫助用戶在日常使用中，精確而高效地與他們的 "副駕駛 "溝通。
在為生成式 AI 進行設計時，需要注意以下幾點。
提示詞工程可以很有趣，甚至提示詞工程師已經成為一份年薪可以達到 33.5 萬美元的工作。不過，我認為，這些工作的存在，只是為了讓“專業”的提示詞工程師，能夠替代普通用戶完成艱苦的提示詞創建地工作，從而避免普通用戶需要專門學習一門“AI語言”。
相反，我們可以讓普通用戶通過預設地問題/類別，來輸入和描述他們正在尋找的內容和答案。有了這些信息，系統就能代表他們生成更完善的提示，從而最大限度地提高 AI 產出有效結果的幾率。
這對專注于垂直領域的產品，尤其有幫助，我們可以建立一套預設地問題，這在大多數情況下都很有幫助。
例如，HomeByte 可幫用戶生成待售房屋的裝修效果圖，讓用戶構思新家具和新風格裝飾下的硬裝和軟裝地效果。它讓用戶使用預設的 UI 元素來選擇風格、房間類型和色彩主題，然后生成生成 AI 模型的最終提示詞。它還會向用戶公開提示詞細節，以便進階用戶自己進行微調。
來自 HomeByte
這是第一點的延伸。提供限制是唐-諾曼（Don Norman）提出的七大設計原則之一。這聽起來可能有違直覺，但很多時候，限制用戶的選擇，而不是給他們一個空白頁（讓用戶從零開始撰寫他們自己的提示詞）可能會更有效。
Story AI 就是一個很好的例子，它在為用戶生成故事創意之前，會詢問用戶一些輸入地信息。其中包括故事風格、主角信息、故事背景、主要沖突以及對故事的其他特殊要求。
摘自 Story AI
這些選項促使用戶考慮輸入內容地方方面面，以確保輸入提示詞足夠全面，從而確保 AI 能夠高質量地輸出。
提供詳細、高質量輸入的另一種方法，是利用現有的內容作為輸入，然后讓 AI 對其進行細化、格式化和風格化。
Google Workspace 和 Microsoft Office 最近發布的視頻都強調了這種情況。
例如，你可以在手機上寫一封郵件的草稿，無需考慮格式，讓 Gmail 為你正式處理。
基于幾個要點，撰寫正式的電子郵件 - Google Workspace 中的 Gmail
或者把昨天的原始會議記錄（記錄了團隊的所有想法）用 Microsoft Word 轉換成提案。
根據會議記錄起草提案 - Microsoft Office 365 中的 Word
在我看來，這是人類與 AI 之間的一次偉大合作，但是人類仍然負責內容。畢竟，生成式 AI 是一個推理引擎，而不是一個知識庫。如果沒有內容作為基礎，它所能做的只是幻覺和編造。但是，有了人類提供的內容，即使是原始形式的內容，AI也能將其風格化，使其變得更棒。
即使有約束條件和良好的內容輸入，AI 可能仍然很難一次就完全準確捕捉到用戶的意圖。因此，在設計 AI 工具時，最好能提供幾個選項，讓用戶挑選自己喜歡的來進一步完善。
"沒有想象力的世界 "由 Midjourney 生成
谷歌 Bard 生成的多個草稿
"數量重于質量 "也是頭腦風暴的原則之一。因此，"生成式 AI "的妙用之一就是提供各種選項，激發用戶的靈感，而不是一蹴而就地創造出最終解決方案。AI 生成的內容應該被視為靈感參考，而非必須遵循的神諭。
這也是我們可以利用 AI 模型的 "缺點" 又價值的地方：由于語言的局限性，我們很難期望 AI 完美無瑕地執行我們的想法，相反，我們可以利用 AI 模型生成所帶來的隨機性。AI 模型對信息的 "誤讀 "可能會帶來偶然的創造，不完美的產出會拓展我們的視野，鼓勵我們探索未知的新道路。
即使可以生成多個結果，AI的生成通常仍是一個起點。最終，用戶具備控制和微調的能力（控制也是 Jakob Nielsen 提出的 10 個可用性啟發式之一）。
在 ChatGPT 中，你可以要求它使用新的約束條件重新生成回復。不過，由于 AI 模型生成內容的概率屬性，以及語言缺乏精確性的問題，導致這可能是一個挑戰。
由 ChatGPT 生成
在上面的例子中，ChatGPT 可能沒有理解我所說的 "保留隱喻 "的意思（我說得也很含糊）。在我第二次提示后，它重新生成了整個內容，而我只是稍微改動一下措辭。
僅通過提示詞很難讓模型一次又一次地生成令人滿意的內容，這可能會導致用戶在 21 次迭代后最終放棄，這個體驗是極度令人沮喪的。
但另一方面，我們也可以設計一個工具，讓用戶自己編輯回復，或選擇部分回復，通過直接操作，來隔離需要修改的內容，甚至在 AI 的幫助下進一步完善回復。
Notion 允許用戶對生成的故事進行微調
這對生成文本來說很容易，因為它們可以隨時編輯。不過，Adobe Firefly 的早期預覽顯示，它也可以隔離圖像的某些部分，讓用戶根據自己的需要對結果進行微調。
Adobe Firefly 的早期效果圖
即使是在與其他人合作時，這些來來回回的修改也很常見，尤其是在合作的早期階段。隨著時間的推移，我們會逐漸了解對方的工作風格和喜好，更容易建立共識。
設計精良的 AI 系統也應如此，通過隱式和顯式輸入了解用戶的習慣和偏好。
目前的 AI 工具通常只允許用戶就輸出的內容質量進行評價，目的是改進模型本身，而不是為用戶的需求，進一步個性化和提升大模型。
Bard 的用戶反饋選項
目前，為每個用戶創建個人模型的成本可能相當高，但在未來，我們可能會逐漸看到這樣的模型：它們從與用戶之前的互動中學習，并隨著時間的推移學習用戶的偏好和風格，從而生成更加個性化的回復，更少嘗試的次數，更好滿足用戶的需求。
生成式 AI 是熱門話題，媒體的狂熱吹捧可能會讓用戶對它的功能，產生不切實際的期望。然而，重要的是要記住這幾點：
- 對于生成式 AI，輸入質量決定輸出質量。在可能的情況下，為用戶提供選項/限制，并提供高質量的提示詞給用戶做參考。以人們已經創建好的現有內容為基礎，借助 AI 的超能力來對其進行完善。
- 語言是不精確的，AI 大模型生成內容又是具有概率性的。如果用戶有疑問，可以提供多個草案，供用戶在此基礎上進行構建——更多的選擇甚至可能會以偶然的方式，激發用戶的靈感。允許用戶通過直接操作來編輯結果，以彌補語言的局限性。
- 從長遠來看，要學習并適應用戶的習慣，使協作更加無縫。
復制本文鏈接 文章為作者獨立觀點不代表優設網立場，未經允許不得轉載。
發評論！每天贏獎品
點擊 登錄 后，在評論區留言，系統會隨機派送獎品
2012年成立至今，是國內備受歡迎的設計師平臺，提供獎品贊助 聯系我們
標志設計標準教程
已累計誕生 729 位幸運星
發表評論 為下方 4 條評論點贊，解鎖好運彩蛋
↓ 下方為您推薦了一些精彩有趣的文章熱評 ↓