2024 年是 AI 实现突破性发展的年份，令人惊讶的是这种技术已经迅速渗透到我们的工作领域和日常生活中。

在家里，我特别喜欢看着我的三个年幼的儿子用他们独特而有趣的方式体验 AI 的魅力。最新一批人工智能玩具深深吸引了他们，尤其是我们新添的一款“宠物”机器人 Loona。这款机器人集成了2024年5月发布的 GPT-4 功能，以一种近乎科幻的对话模式深受他们喜爱。

Loona 不仅激发了他们的好奇心，还促成了充满想象力的互动交流，甚至引发了关于它“思维方式”的一场场热烈讨论。孩子们的兴奋让我感到 AI 正逐步改变下一代与科技的互动方式——它越来越个性化、生动有趣，还能打动人心。

KEYi 科技 Loona 机器人 — 图片来源：keyirobot.com

进入 2025 年伊始，我的这种惊叹感依然在延续。在 CES 上，英伟达的主题演讲令人赞叹不已，尤其是展示了人形机器人技术的进步。

英伟达 CEO 黄仁勋在演讲中不仅体现了他对机器人技术和 AI 快速发展的浓厚兴趣，更表达了他对未来几年变革加速的强烈信心。

英伟达CEO黄仁勋CES 2025主题演讲—2025年1月6日

对于 UX 设计师而言，好奇心与奉献精神是与 AI 协同工作的关键。融入 AI 的同时，我们需要重新审视工作流程，深入了解技术基础，并始终将人文价值与用户需求置于设计的核心位置。

随着 AI 逐渐成为数字创新的重要支撑，设计师的角色正处于不断演变之中。当前，我们不仅致力于设计界面，更在构建融合以人为中心的理念和全新技术交互方式的整体体验。这一变化要求设计师具备技术思维，善于运用数据驱动的系统，并融合用户需求来推动 AI 相关项目的发展。

为了推动这场转型，一流的科技公司和知名大学推出了一些以人为核心的 AI 实施策略。本文将汇集来自 IBM、Google、Microsoft 和卡内基梅隆大学的用户体验框架，分享它们在引领 AI 技术快速发展方面的洞察和资源。

1. IBM 的 AI/人类情境模型

IBM 的人工智能/人类背景模型是其”为人工智能而设计”实践的核心。这个模型提供了一个结构化的框架,确保人工智能解决方案与用户无缝交互,并随用户输入而不断发展,同时尊重并增强其所运作的背景。

Resource: IBM’s Design for AI” 资源:IBM的人工智能设计”

IBM 的 AI/人类情境模型旨在指导开发符合人类需求和价值观的 AI 系统。该模型将 AI 驱动的体验分解为关键考虑因素，每个因素对于创建有目的性、情境感知和以人为本的解决方案都是必不可少的：

1.理解意图：

AI 系统必须优先考虑以人为本的目标，考虑用户意图、情感和上下文。意图代表了 AI 系统的基本目的，包含了用户和企业的目标、愿望、需求和价值观。它定义了解决方案背后的”为什么”，确保系统的设计具有明确的、以用户为中心的目的。

2.数据和政策：

这指的是从用户和世界收集的原始数据，以及保护和管理数据使用的政策。数据构成了 AI 决策的基础，但其收集和处理必须遵守严格的道德和监管标准。上下文对于有效的 AI 交互至关重要。IBM 强调系统需要理解影响用户行为的情境和环境因素的重要性。例如，位置、时间或任务紧急程度等上下文数据可以帮助 AI 提供更个性化和相关的建议。

3.机器理解、推理、知识和表达：

指 AI 系统在其领域内解释结构化和非结构化数据的能力，应用逻辑分析数据并决定最佳行动方案，确保知识库通过新见解动态更新，并以符合用户背景和期望的方式传达其响应。

4.人类反应和系统改进循环：

这强调人工智能系统必须设计为与人类合作，而不仅仅是为人类服务，确保自动化和人类主导性之间的平衡。用户反应反映了用户对 AI 系统表现的真实反馈——无论是明确的还是隐含的。学习的重点在于系统如何基于用户互动和反馈持续改进，使其能够随时间演进并更好地实现其目标。

5.评估成果：

强调成果衡量 AI 系统在现实世界中的影响，反映系统在有效且合乎道德地满足用户需求和解决问题方面的表现如何。

2. 谷歌的可解释性评估标准

谷歌的可解释性评估框架通过强调 22 个需要与用户分享的关键信息，为创建透明、公平且以用户为中心的 AI 系统提供了清晰的框架。随着 AI 持续影响我们的工作方式、与企业的互动，甚至成为自我表达的工具，确保用户能够理解和信任这些系统变得至关重要。

资源：Google 的可解释性评分标准

该评分表分为三个信息层次：总体层次、特征层次和决策层次。

1.总体层级：

概述产品或服务的运作方式，包括 AI 的作用。说明使用 AI 的主要目的和好处、商业模式，以及 AI 如何创造价值。强调为确保安全、公平和透明度所采取的措施，包括与社区互动、解决偏见问题和分享性能信息。

2.功能级别：

详细说明特定的 AI 驱动功能，包括其运作方式、AI 何时激活以及用户控制选项。说明系统限制、人工参与度和个性化选项。提供有关所使用数据的信息，包括训练数据、外部输入，以及用户数据如何被处理和使用。

3.决策层面：

阐明 AI 驱动决策的具体制定方式、系统对其输出结果的置信度、以及如何识别错误或质量低劣的结果。在做出决策后，提供用户反馈渠道，允许决策的可争议性，并就错误和修复提供清晰的沟通。

3. 微软人工智能体验（HAX）工具包

微软的 HAX Toolkit 是一个面向开发面向用户的 AI 产品团队的综合框架。它帮助概念化 AI 系统将执行的操作和应有的行为，使其成为设计过程早期的有用工具。

资源：微软 HAX 工具包

HAX 工具包具有多功能性，允许团队根据其独特需求、用例、产品类别和目标来混合搭配其设计工具。HAX工具包的主要组件包括：

1.人机交互指南：

这些是设计 AI 在用户交互过程中行为的最佳实践。它们指导 AI 产品规划以确保直观有效的体验。

2.HAX 设计库：

一个解释人机交互准则的资源中心，提供可执行的设计模式和真实世界的案例。

3.HAX 工作簿：

一个协作工具，帮助团队优先确定要实施的准则，促进重点和高效的设计讨论。

4.HAX 操作手册：

专门针对自然语言处理（NLP）应用，此操作手册识别常见的人机交互失败问题并提供缓解策略。

4. HCI 研究所 AI 头脑风暴工具包

卡内基梅隆大学人机交互（HCI）研究所的研究人员开发的 AI 头脑风暴工具包旨在提炼 AI 能力，帮助团队探索如何利用 AI 进行构建。创新往往失败不是因为技术原因，而是因为团队选择了错误的项目来推进。

AI 头脑风暴工具包解决了这个问题，为设计既技术可行又以用户为中心的 AI 驱动解决方案提供了一个结构化的方法。

资源：HCI 研究所的 AI 头脑风暴工具包

套件的结构化方法降低了开发无关或不需要的 AI 解决方案的风险。通过同时关注 AI 的能力和用户需求，该套件使团队能够周到有效地创新。该套件将 AI 功能分类为以下不同的能力：

·检测模式（例如识别图像中的人脸）
·预测趋势（例如预测股票价格）
·生成内容（例如创建合成图像或文本）
·自动化操作（例如在不同应用程序间执行工作流）

它提供了 40 个涉及医疗保健、教育和交通等不同领域的 AI 产品实例概览。该工具包还包含创意提示、影响力-努力矩阵和性能-专业知识网格等工具，以指导用户选择高影响力、可行的想法。要使用该工具包，首先要查看 AI 功能和示例以激发团队灵感。

然后，进行结构化头脑风暴会议，探索机会、完善概念并评估潜在解决方案。这个资源非常适合工作坊、组织战略会议和创新实验室，确保团队设计出有影响力和以用户为中心的 AI 产品。

由 Google 的 AI 研究团（PAIR）创建，这是一个跨学科团队，《AI 指南》为设计师、开发人员和产品团队提供了一个全面的资源，包括方法、最佳实践、案例研究和设计模式，以帮助他们创建有影响力的 AI 驱动解决方案。

资源：谷歌的 AI 指南手册

本指南介绍了 20 多种设计模式，提供了设计 AI 产品的实用、行动导向的指导。这些模式专注于解决产品开发过程中的关键挑战，并围绕常见问题进行组织，以帮助团队找到相关见解。

人机协作型 AI 入门：

包括确定人工智能是否增值、设定明确的用户期望以及有效解释产品优势的指导。

在产品中使用 AI：

强调在人工智能擅长的领域发挥作用，平衡自动化与用户控制，并管理精确度和召回率之间的权衡。

引导用户使用 AI 功能：

包括以熟悉度为锚点，确保探索的安全性，并对新功能提供清晰解释。

向用户解释人 AI：

专注于解释人工智能的功能以便理解，适当展示模型的置信度，并在直接使用场景之外提供更深入的情境化解释。

负责任的数据集构建：

强调诸如让领域专家参与、为数据标注员设计、维护数据集、接受真实世界数据的混乱性等实践。

建立和校准信任：

指导团队在隐私设置、错误责任、用户反馈和监督方面保持透明度。

权衡用户控制和自动化：

提供关于渐进式自动化的建议，在需要时将控制权还给用户，并确保自动化的安全性。

在故障期间为用户提供支持：

鼓励为错误解决制定计划，并确保在 AI 系统发生故障时用户能够继续前进。

这五个框架为设计自然融入我们日常生活的 AI 提供了基础——无论是一个有趣的、会对话的机器人玩具，还是一个让我们保持组织和高效的应用程序。

作为用户体验设计师，用以人为本的框架来处理 AI 意味着要在新技术能力和责任之间取得平衡，质疑每个使用场景中 AI 的就绪性和适用性，并构建具有用户反馈循环的系统以推动持续改进。