上一篇讲了基础组件，本篇我们说一下展示组件。超全面的B端设计规范指南（一）：基础组件新的一年，先祝大家运势涨如脱兔，因为年前和过年这段时间工作没那么忙，就抽空继续整理了一些工作中对B端设计的总结，希望可以带给需要的人一些启发。阅读文章 > 展示组件在页面中主要承担着向用户传达信息功能，以帮助用户快速地定位和...

上一篇讲了基础组件，本篇我们说一下展示组件。

超全面的B端设计规范指南（一）：基础组件 新的一年，先祝大家运势涨如脱兔，因为年前和过年这段时间工作没那么忙，就抽空继续整理了一些工作中对B端设计的总结，希望可以带给需要的人一些启发。

阅读文章 >

展示组件在页面中主要承担着向用户传达信息功能，以帮助用户快速地定位和浏览数据。常用的 展示组件 包含徽标、标签、走马灯、文字提示、气泡卡片、折叠面板、表格等。接下来我将逐个讲解一下这些组件。

一、徽标 徽标常出现在通知图标或者头像右上角，用来展示需要处理的消息或任务条数。

常见徽标类型有带数字样式、圆点样式、多彩圆点样式。徽标常见位置有右上角及左右排布。有一点要注意的是徽标设计时建议加上一个颜色和大背景色一致的描边，以便徽标和底下内容清晰区分。

二、标签 标签一般有两种使用场景：一是用于标记事物的属性和维度，二是进行分类。标签常见的样式有描边样式、浅色填充样式、描边+浅色填充样式、深色填充样式。部分标签可支持删除功能。

三、走马灯 走马灯又叫轮播图，一般用于一组平级内容的并列展示模式，例如图片或卡片轮播，轮播方式一般支持用户主动触发或者系统自动轮播两种方式。比较常见于产品介绍页面或运营广告模块。轮播的数量建议控制在 3~5 个之间，同时应清晰展示轮播数量以及当前轮播位置。

四、文字提示 即文字简单的气泡框，鼠标移入则显示提示，移出后消失。文字提示应有两不承载，一是不承载复杂文本，二是不承载任何操作。一般气泡填充为暗黑色半透明，特殊场景下可用彩色填充，之所以用色块填充是因为文字太少信息不明显 ，需要用大色块凸显。

文字提示一般有如下 12 种样式，根据页面所处位置进行灵活选用。

五、气泡卡片 气泡卡片也是气泡框样式，鼠标移入或点击则显示提示，移出或再次点击后消失。

气泡卡片适合文字较多情况下，且支持承载操作，同时填充一般为浅色（常见为白色） 气泡卡片一般有如下 12 种样式，根据页面所处位置进行灵活选用。

气泡卡片常见类型包括纯文本、文本+按钮/链接、带标题文本等。 这里还归纳总结了文字提示与气泡卡片的特点，以便我们加深理解。

六、折叠面板 折叠面板可以将较多或较复杂的内容进行分组，分组内容区可以折叠展开或隐藏，利用好折叠面板可以将复杂页面内容收纳的更简洁有条理。折叠面板放置内容可以是纯文本、图文、子列表等形式。

从功能上讲折叠面板可分为常规式、手风琴式、嵌套式，常规式可以同时展开多个折叠项，且每个折叠项展开后需要手动收起；手风琴式则只允许单个折叠项展开，展开另一个会自动折叠当前展开内容；嵌套式指折叠内容多层嵌套的折叠面板，可实现对更复杂内容收纳。

从样式上说折叠面板可分为带框与不带框，图标位于左侧与右侧等常见几种

七、表格 表格常用于大量同类结构下多种数据展示，方便用户对数据进行对比分析与组织，同时支持搜索、排序、筛选、编辑数据，以及对数据分页。表格可以说在 B 端设计中是必不可少且应用非常高频的一类组件，接下来我们着重来聊下关于表格的那些事儿。

1. 风格样式

常见表格样式有常规式，线框式，斑马纹式。其中常规式样式简约轻量，对表格内容视觉干扰最小，优先应用于大部分场景。

Tips：在实际设计中常规式与线框式表格存在横向阅读不够直观缺陷，可用 hover 状态整行浅灰填充方式来弥补。

2. 基本构成

表格一般由表头、行、列、单元格这些基本元素构成。

① 表头

a. 表头常见样式

表头常见样式有标准表头、带排序/筛选表头、分组表头。其中分组表头适合采用前面提到的线框式表格。为了直观区分表头与内容区，一般会让表头区背景色与内容区不一样，以及将表头文字与内容区文字样式做出区分。

b. 表头标题

表头标题文案应当足够精简且表意清晰，这里有两种方法保证文案简洁：一是如果表头标题文案重复啰嗦，可去掉重复字段精简文案；二是当表头标题过长且无法精简时，表头上可只保留简短标题，用文字提示承载长标题全称。

c. 表头固定

纵向滚动表格时，为了方便用户高效获取信息，表头应保持固定。

② 单元格

这里总结了几个关于单元格的几个设计要点：

③ 行

行分为单行文本与多行文本两种情况，下面给出了两种情况常规表格行高参考计算公式，如若计算结果为非偶整数可就近取偶整数。

当然除了常规行高，为了满足不同用户阅读习惯，我们还可以支持用户自定义多种行高功能，一般行高建议 3-4 种为宜。

④ 列

a. 列宽自适应规则

假设我们定义表格左右空白间距为 a，列间距为 b。其中 a 固定不变，b 根据表格内容自适应，同时可定义 b 一个最小值，随着表格列数增加，当表格内容宽度超出页面宽度时，固定首或尾列（可同时固定首尾列），出现横向滚动条可左右滑动。

b. 对齐规则

列常见对齐方式一般有左对齐与右对齐，通常情况下建议采用左对齐方式，以便用户高效阅读。两种情况下可采用右对齐方式，一是涉及比较数据大小时，二是位于尾列操作列可采用右对齐。至于居中对齐由于视觉动线曲折，通常不建议在表格中运用。

小 Tips：当表格列数较多时，一般有两种处理方式，一是将列数控制在 7 条左右，只展示用户最关注的内容，其他次要内容放到详情中展示即可；二是当多用户对内容关注侧重点不同时，可支持用户自定义列展示。

3. 详情查看

① 详情入口

表格很多都会涉及到详情查看这一块内容，一般详情查入口有两种形式：一是将标题高亮，点击进入详情，这种适合查看详情为高频操作或操作列已有较多按钮场景；二是操作列放置详情按钮，点击进入详情，这种适合操作列没有或较少操作按钮场景。

② 交互方式

常见查看详情交互方式有：表格展开收起、弹窗、抽屉、页面。

表格展开收起适用于追求轻量简洁体验、用户操作连贯性高的场景；

弹窗则适用于详情页面承载中等量重要信息与操作，且可接受弹窗打断场景；

抽屉适用于追求快捷查看详情且快速切换不同项目详情（抽屉去掉黑色遮罩即可），以及详情内容量较多且不希望跳转页面查看详情情况；

页面适用详情页面承载大量重要信息与操作场景，需要新开页面前往操作。

到这里关于 B 端的展示组件就全部梳理完了，后续有时间我再整理一篇关于录入组件的总结，敬请期待。

部分参考资料：

《B 端产品设计-Mia》 《Ant Design》

最近 AI 设计真的在设计圈投下了一颗重磅核弹，炸的大家人心惶惶，而且有大厂开始投入使用 AI 工具作为真实业务的生产力工具，像一些海报、插画，在 AI 工具中编辑好关键词，直接就可以生成一张堪比 3 年经验设计师画 1 天时间设计出来的图，这你受得了吗？这不得不感叹，原本设计师通过创意想象靠自己的双手来实现，现...

最近 AI 设计真的在设计圈投下了一颗重磅核弹，炸的大家人心惶惶，而且有大厂开始投入使用 AI 工具作为真实业务的生产力工具，像一些海报、插画，在 AI 工具中编辑好关键词，直接就可以生成一张堪比 3 年经验设计师画 1 天时间设计出来的图，这你受得了吗？这不得不感叹，原本设计师通过创意想象靠自己的双手来实现，现在用不到手了，只要你能想的出来的词，没有 AI 画不了的画，这让很多游走在底层的 设计师 们无路可走。

了解最新的AI工具和趋势 ? https://www.uisdc.com/category/ai

所以，这个工具一火了之后，行业内就发生了很大的变化。然后还有人说以后设计师都可以不用招了，就算招，对设计师的要求重点也不是会根据业务需求做图，而是考察你有没有一套成体系的关键词衍生能力，以后就叫关键词设计师得了，稍微懂点 PS，修修补补可能就够了。那大家真的很担心很焦虑，这个 AI 这么强，我们设计师该何去何从呢？

听我分析一下，本质上一个岗位能不能被替代或者说这个行业还需不需要这个岗位，取决于这个岗位能贡献的价值，以及能否满足业务需求。按照道理说，既然 chatgpt 那么强， 是不是可以以后连产品经理、开发都不需要了呢？而 AI 制图和 chatgpt 原则上也是同类型的工具，我给出问题/需求，你收集大数据通过算法给出解决方案，这是底层逻辑。

而目前设计师做的是什么呢？拿到业务方给的文案和要求，进行制图，这和人工智能的工作流程是一样的，唯一比 AI 有优势的地方在于你知道业务方的口味，同时也知道产品调性，那你做的图能够更快的 get 到点上。缺点就是你的图没有 AI 视觉冲击力那么强，那么快，那么丰富，那么多，所以如果你单纯只会画图，而老板对品牌调性的需求不高，等工具再成熟一些他完全可以用这个工具代替你，比如我用 AI 生成一张海报，海报中的所有元素都可以分层、打组，同时我可以对生成后的图层进行再次进行关键词描述修改，让 AI 来判断局部调整的更多可能性，那我甚至连打开 ps 都没必要了。

既然 AI 已经发展到这程度，我觉得这个是完全有可能实现的，当初阿里推出鲁班的时候，大家也觉得，哇，banner 都可以自动化合成了，虽然当时技术不成熟，banner 看起来拼凑痕迹严重，但是你看现在的 AI 制图，真实浑然天成的感觉。甚至昨天还看到一位 c4d 博主说，现在虚拟引擎界的 AI 都可以根据一副速写插画来自动建模和贴图渲染了，连 二维化的人物脸上的伤疤也给自动建模出来了。

那有小伙伴说了，你之前说的品牌调性怎么办，AI 通过学习和大数据分析，你可以上传你们之前的海报或者公司定位、愿景等关键词，说不定真的能设计出符合调性的图，这个也说不定，对吧。所以纯画插画的设计师，唯一能欣慰的是，可以在画图中找到自我和成就感，用 AI 工具画图在艺术家眼中是粗鲁的，绝对理智的世界是很可怕的。

UI 设计师会怎么样 连插画这么复杂的活都能做的这么好，那么 AI 在做 UI 方面是不是也能用关键词去生成 UI 界面呢？之前已经有个工具测试过了，是可行的。但目前 AI 还不能解决设计系统的问题，或者说目前 AI 还没深入干涉到 UI 领域（其实已经又了）。

我给大家感受下，如果以后 AI 来干涉 UI 领域会怎么样：

如果你需要设计图标，那么你可以制定关键词：图标含义、风格、尺寸、粗细、圆角、颜色、疏密留白、质感…..你将会得到成千套的图标。 如果我不只是要一张飞机稿的 UI 界面，那么我只需要描述，一个任务中包含的功能、目标，描述清楚用户场景以及业务需求，AI 也可以给你生成数十种界面流程，但这里关键的是用户场景和业务需求很复杂，它和插画不一样，一会来讲。 我只要把我认为 OK 的 UI 风格界面上传给 AI，让它学习，如果它真的足够聪明，它甚至就知道我什么时候用卡片，什么时候给卡片加阴影，什么地方该用主色，什么地方用分割线…. 第二个问题中，为什么 UI/UX 和插画不一样，因为插画没有那么精确，比如你说我想要一只狗站在山顶看日落，其实需求方自己也不知道会呈现一种什么样的结果，当你画出来，诶，大概靠近他的感觉了，他就会觉得 OK，甚至有时候虽然结果跟他预期的不一样，但是 AI 画的实在太 diao 了，也就本能接受了。但是 UI 不一样，不同的产品有不同的用户以及业务的需求，可能现在市面上 UI 风格真的不多，但是不同产品的定位，对页面布局、流程、交互细节还是有非常大的影响。

再比如，一个控件的变化，可能就涉及到多个界面以及其他联动控件的同时变化，AI 如果要做的话，就需要把所有市面上的解决方案都输入进去，同时，UI 不只是一张界面而是一套系统，这套系统也实在整个产品生态下的衍生物之一，所以 AI 如果要来定义 UI，还是有一段路要走的，但这个时间并不会太久。

那最后行业会变成什么样呢？我预测，我预测哈，人员缩减是没跑的，人和工具将会同时存在，工具只是更多的提高人的效率，那大家可以想想，提高人的效率之后，那么给人节省出来的这部分时间，人应该去干嘛呢？留给大家思考。

最后还是想说，AI 真的剥夺了设计师很多的东西，当我们热爱设计并付诸实践，能够换来客户的认可，以及价值的时候，AI 一分钟就完成了，感觉很悲哀，当你花费数小时甚至数天的作品完成后，你会非常有成就感，而 AI 就马上泼一盆冷水给你，让你再也提不起做设计的心思。

AI 现在做的事是什么呢？就是把世界上所有人的作品都变成了数据进行组合，版权也没有了，其实这个图片的版权就是来自于每一个原创的设计师，但他组合的太 tm 多样了，忍不住一句粗口。

设计不存在了，我们看到的都只是数据，创意是什么，创意就是看 AI 的算法够不够复杂，数据量大不大，关键词够不够花哨，哎，就很没有意思了懂吧。

现在设计师还有能力和 AI 掰手腕的地方在于我们生为人的情绪情感、思维以及沟通表达和人情世故。

所以下方聊聊你们的感受吧

欢迎关注作者的微信公众号：「应谋鬼计」

先讲大事，我们有 B 端交互设计课了。停更了小半年，期间也总有很多人来咨询我们有没有课，所以抽时间和优设一起做了一套面向 B 端交互新人的录播课。我本身就是交互专业出身，其实刚入行那会也买课，但这些课一个很大的问题是大多数光教你怎么做一些乱七八糟的调研，却不跟你说怎么落地，也看不到交互方案是怎么推导出来的。

先讲大事，我们有 B 端交互设计课了。

停更了小半年，期间也总有很多人来咨询我们有没有课，所以抽时间和优设一起做了一套面向 B 端交互新人的录播课。我本身就是交互专业出身，其实刚入行那会也买课，但这些课一个很大的问题是大多数光教你怎么做一些乱七八糟的调研，却不跟你说怎么落地，也看不到交互方案是怎么推导出来的。结果就是看完了你也不可能懂怎么做交互。

所以我基于我和做 B 端的朋友之前的典型项目写了这套一共 12 节的短课，剔除废话、套话、不用钱也能看得到的小窍门，主讲 B 端交互的方案生产过程和真实的思考流程，涵盖改信息架构、优化流程、优化页面 3 种典型项目。这周打折，大家有兴趣的可以看看：

课程原价169元， 限时新课价直减40元，仅需129元！

移动端扫码学习，网页端右戳学习?  https://wei.xet.tech/s/2pMvzq

关于课程的详细介绍：

大厂名师出品！12节B端设计实战必修课帮你快速入门！ 金三银四招聘季悄悄开始了。

阅读文章 >

最近因为 open ai 旗下两款产品（基于文本数据的 chatgpt、基于图像的 dall e）在国内爆火，很多文章/视频作者又开始发文讨论人工智能代替当前交互设计师/UI 设计师 的可能性，简单来讲：所有人又要失业了！

失业的可能性当然是有的，但因为体验设计是一个基于实际场景的应用性领域，流程不固定，输入和输出的形式也比较多样，因此我们预想中的那种“突然有一天，一个体验设计机器人横空出世，导致所有人类体验设计师都被解雇了”的场景出现的概率非常小。

那么，人工智能到底将如何影响体验设计行业和我们的工作流程？虽然市面上已经出现了很多类似的文章，但都没有把人工智能这个东西说清楚、说明白。所以今天我们想从人机交互和人工智能的发展历程的角度中，深度挖掘这个问题的答案。此文由我们和 chatgpt 共同撰写。

关于ChatGPT：

设计师如何使用ChatGPT提升工作效率？25个案例告诉你！ 随着美国人工智能对话聊天机器人 ChatGPT 的发布，人类在人工智能领域又迈向一个新的台阶，最近笔者总在一些微信群里看到一些设计师提出的问题“ChatGPT 会代替设计师吗？

阅读文章 >

一、我们为什么需要人工智能？ 所谓体验或者交互设计，主要“设计”的是人和机器之间的互动方式。从家用计算机的诞生到今天，人和机器的互动方式经历了鼠标键盘等外部设备到触屏手机、VR/AR 的跃迁，但截止目前，任何机器之间的“互动”往往还是以“人迁就机器”的形式为主导。人，或者按我们的习惯称为用户，在这个互动形式中需要付出大量的学习成本或认知成本去让机器理解人，或让自己理解计算机的输出内容。

举个例子，假如我们想知道明天的天气预报，现在我们可以打开手机 app-选择我们的地点-查看明天的天气。但是这种交互有几个前提：我们要会使用手机、并且双手是空闲的可以用来操作手机。假如不满足这两个前提，那这个操作就很难完成，因此这种操作实际上还是非自然的，人还是要去使用机器能理解的方式、而非自己习惯的方式来和机器交互。

那么有没有方法能够解决这个问题呢？有。

一方面，我们可以扩充机器识别信息的方式，让机器不只被动接受信息，也“长出眼睛”主动识别信息。在这个思路的影响下，语音、手势等新交互形式迅速发展，并且在车载/智能家居领域产生许多应用。而另一方面，我们是不是也可以让机器变得更聪明、更“灵”，甚至能通过某种方式模仿人类的认知、思考和决策能力“举一反三”？

这就是人工智能。

二、人工智能的演变 既然人工智能有这么神奇的效果，那它到底是怎么做到的？在 chatgpt 的帮助下，今天我们给大家拆开来解释这个概念的发展历程和变迁。

1. 人工智能的兴起 人工智能一词最早出现在 1956 年在新罕布什尔州的达特茅斯学院，当时的研究人员提出了几个在今天看来依旧不过时的问题：

“我们能不能像日常说话一样编程？’” “计算机程序能不能模拟人脑，通过学习进步？” “通过优化算法，能不能提高计算机的创造力？” ——为了寻找这些问题的答案，学者们分别提出了三个人工智能发展方向，很长一段时间都在这三个方向的可行性上争论不休：

方向 1：教计算机逻辑推理

以麦卡锡为代表的派系致力于用逻辑化的计算机语言使计算机学会推理思考，他们认为：“不管你想做什么，你必须先设计一套正确的逻辑，把它清晰地表达出来”。

简单来说，就是“先教计算机道理，再让它执行”。在计算机里写好正确的逻辑推理代码，让计算机根据逻辑去执行的命令。举个例子，假如我们要让计算机在明天早上 7 点提醒我们起床，我们就可以把这段逻辑教给计算机：

“工作日要早上 7 点钟提醒我起床” “明天是工作日” 那么计算机就自动产出了结论：“明天 7 点要提醒你起床”。 这种思路还可以应用在更复杂的案例中，比如我们可以基于象棋规则编写一段代码，让计算机陪人下象棋。其核心在于编程者要要先了解人脑思考的逻辑，才能编写出模拟人脑思考的人工智能代码。

方向 2：将计算机看作人的神经系统

以麦卡洛克、皮茨维代表的学者认为构建神经元模型才是正道。

初中生物知识告诉我们人脑是由许许多多的神经元连接组成的。每个神经元接收来自其他细胞的刺激/冲动，刺激/冲动达到阈值后就会引起该细胞产生兴奋，并向其他细胞传递兴奋。麦卡洛克-匹兹的这个“神经元模型”就用逻辑电路模拟了真实神经元的工作，试图用人工神经元模型来模拟大脑工作。

这段话是不是看起来很难理解？所以我们请 chatgpt 帮大家举一个例子：

假如我们发现在医学中，患者的年龄和体重与心脏病可能有关联关系，那么我们就可以训练一个简单的神经元模型来找到这两个因素对心脏病的影响大小（权重）。

这个模型可以写作：

患者是否有心脏病 = f(患者年龄 * x1 + 患者体重 * x2)

其中 f()代表激活函数，x1、x2 则是权重。

我们可以将这个模型想象成一个神经元，它收到了两个因素刺激（年龄、体重），而这种刺激一旦达到了一个阈值，就会输出一个结果（患者有心脏病或没有心脏病）。

方向 3：教计算机现实世界的知识

最后，第三派以明斯基为代表，认为计算机想要实现智能化，必须先具备现实世界的所有知识。他提出了“框架”的概念，但并没有解释这个叫“框架”的“黑盒”是如何运作的。明斯基的框架理论相比其他人的案例更模糊、更难理解，这里不再展开叙述。

2. 两次寒冬 罗森布拉特（Frank Rosenblatt）在 1957 年对麦卡洛克-匹兹的神经元模型进行了扩充，在它的基础上发明了最早的神经网络模型，起名“感知机”。其结构简单，易于实现，被认为是人工智能研究中的一个重要里程碑。

但明斯基强烈地不认可“感知机”，甚至撰写出版物公开批评分析，认为它只能解决一些简单问题，而无法处理更复杂的问题。这样的批评对于当时的人工智能研究带来了极大的冲击，也因此被称为“人工智能的第一次寒冬”。

由于当时的研究环境和计算能力都有限，人工智能研究陷入低迷，直到 20 世纪 80 年代，随着新的算法和技术的出现，人工智能又出现在人们的视野中。但当时的人工智能较多应用于所谓的“专家系统”，即计算机通过模仿人类专家的知识和推理过程，来解决某个领域的专业问题。

举个例子，当时有一个用于诊断细菌感染疾病的专家系统系统 MYCIN。

建立它需要医生首先向 MYCIN 提供病人的症状、检查结果，MYCIN 则会将这些数据与它的知识库内医学专家经验总结出的规则进行比对，基于这些规则进行推理，最终得出对疾病的诊断。MYCIN 还会解释它的推理过程，告诉医生为什么会得出这样的结论。

但人们很快发现建立这种系统需要耗费漫长的时间收集专业知识，而且如果专家系统遭遇了专业领域外的问题，就无法给出令人满意的答案。因此人工智能再次进入了寒冬。

3. 从“设计大脑”到“设计学习” 90 年代麻省理工学院教授布鲁克斯提出，此前出现的传统主流人工智能的构建方法方法是自上而下的，即先设计抽象的符号系统，再用它来模拟人类的思维和行为，这种构建方式把主次颠倒了，它忽略了真实世界的复杂性和不确定性，也忽略了生物系统中底层的感知、运动和控制等基本机制。因此，他认为我们不应该盲目地直接对大脑进行构建，而应该像生物系统的真实情况那样，自下而上地构建。

chatgpt 帮我们举了一个例子：

假设有一个机器人被用来在一个仓库中搬运货物，仓库中有许多货架，上面摆放着不同种类的货物。机器人需要识别不同的货物和搬运工具，然后把货物搬运到指定的地点。

“自上而下”传统人工智能系统需要先对机器人进行大量的编程，然后机器人受到程序规则和逻辑推理的控制而产生行为，相当于提前告诉机器人每一步做什么。

我们首先需要将各种货物的大小、重量、形状等特征进行编码，并为机器人编写各种规则，比如如何识别不同的货物和工具，如何进行搬运等等。最后机器人则基于这些逻辑推理来进行决策，例如判断哪些货物需要先搬运。

而“自下而上”构建的人工智能更注重机器人的自主决策能力，机器人基于周边环境、通过自身的感知和交互能力来进行行为调节，相当于让机器人自己根据“感觉”自己判断下一步要做啥。

在这个案例中，机器人首先需要感知环境，比如识别货物和搬运工具的位置、仓库中的障碍物。然后机器人根据自己的感知结果进行自主决策，决定选择哪个货物和工具以及如何搬运货物。

布鲁克斯这种“自下而上”构建的人工智能更加接近自然状态，且不需要预装知识库。因此他的观点吸引了许多科学家并朝着“自适应行为”的方向持续探索，让人工智能领域又重新焕发了生命力。随后，遗传算法、贝叶斯网络、深度学习、“人工”人工智能等诸多人工智能相关的思想或理论相继被提出，人工智能逐渐通过深蓝、微软小冰等产品进入普通人的日常生活。

我们现在所使用的大多人工智能都是基于简单的神经网络或深度学习算法构建的，包括我们今天使用的 chatgpt。这些算法由我们一开始介绍的神经元模型为基础构成，可以说神经元是神经网络的基本单元，而神经网络又构成了深度学习的基础。深度学习利用多层神经网络进行学习，可以处理大规模、高维度的复杂数据，并在各种任务中取得了非常优秀的结果。

然而，尽管今天的人工智能看起来已经很厉害了，人工智能当前的学习方式仍然和人类的学习方式存在本质上的区别。人工智能虽然可以通过训练从已有的数据中学习模式和规律，但无法通过感性或者直觉去认知事物，特别是数据库中没有的未知事物。虽然我们今天使用的 chatgpt 因为拥有巨大的语料库和更深的神经网络层数所以显得很智能，但它的运作逻辑决定了它不理解自己在说什么。

三、人工智能，将如何应用在设计中？ 人工智能貌似是一个万灵药一样的“魔法”。放在哪里，哪里就能产出神奇的效果。但人工智能真的能迅速地大规模应用在设计生产中，甚至取代交互设计师吗？

——暂时来说，这个答案是否定的。计算机辅助设计已经有超过60年历史了，我们迄今为止还没有找到一种办法完全替代人类进行设计产出。当前的AI更适合做“可以被轻易总结出规律的结构化工作”，简称脏活累活。我们预测未来AI将在以下方面上对体验设计进行支持。

1. 应用与弱点

从体验设计师的工作内容来讲，我们日常的工作主要包含了以下几个环节：收集复杂情景下的用户诉求-提炼关键设计问题-列举针对性的解决方案-基于环境特征决策最优方案。它可以分成两个部分：“收集问题-总结问题”、“产出方案-决策方案”。前者是一个从很多复杂个例中寻找共性的过程，后者则是基于一个问题发散并评估不同方案的过程。

当前，“收集问题-总结问题”的过程最容易被人工智能支持。我们之前已经提过，只要能给予人工智能足够多高质量的数据，那么它自己就可以通过自主学习，从这些杂乱无章的信息中寻找到规律。而这正是人类需要耗费大量人力才能做到的。

举个例子，我们做定性用户调研的分析时，需要从浩如烟海的用户口头语言中提炼出有价值的信息点并进行多次归纳整合，最终形成有价值的用户观点。做定性研究的学者或者用研需要阅读大量文本、手动标注关键词汇，然后进行整理总结。文献/访谈资料越多，整理难度越大。但现在有了 AI 支持，我们可以更快从大文本中总结出关键信息。

类似的场景包含：

数据分析：AI 可以帮我们监控大规模用户行为数据的变化，并且整合成结论告知我们。比如“最近用户月活异常下降，同一时间上线了功能 A，推测可能是因为功能 A 的影响引起数据异常”。甚至未来也许 AI 能帮我们结合不同来源、不同形式的信息（比如行为数据和问卷形式的用户态度反馈），帮助我们更快速地消化多种用户反馈。 行为预测：假如我们“喂”AI 足够多的用户行为数据，那么未来我们可能可以使用 AI 去预测用户在我们平台上的需求和行为，我们可以基于这些预测修改设计。比如说现在有些公司提供的 AI 眼动测试服务就是这个方向下的延伸。 一致性走查：当 AI 足够了解我们的平台交互/UI 规范、文案规范等“规范类”的信息，那么它可以帮助我们快速找到新页面和之前页面的差异，降低我们维护设计系统的成本。

另一方面，近期也产生了许多设计支持工具，支持设计师在“生产方案-决策方案”这个流程中进行设计方案的快速生成。这些方案可能短期内达不到可用的水平，但 AI 的方案生产时间快、产生方案的成本低，

类似的场景包含：

方案生成工具：比如将文字/手稿草图转化为排版整齐的页面、图标、营销效果图 方案微调工具：比如对间距/字号/层级样式的微调对齐 风格扩展工具：比如基于一个 icon，我们可以用 AI 快速生产 20 多个同风格的 icon 进行扩展。又比如我们可以迅速调整一个复杂精美的营销落地页的配色方案

虽然 AI 能够带来如此多的便利，但由于它的运作方式，chatgpt 认为推广 AI 具有以下两个主要问题点：

AI 需要需要大量数据来训练模型，因此设计部门首先需要提供足够多的、高质量的数据，才能保证 AI 的产出准确可用。这不仅带来成本问题，还会带来用户隐私问题。 对于用户洞察类的工作来说，现实世界中的用户提供的反馈可能并不完全坦诚，他们可能会回避问题、撒谎、夸大、前后不一致、使用新术语或口头表达等等。在我们真实的用户调研中，调研者会使用一些话术追问，并且基于经验判断用户的反馈是否可靠。但是 AI 暂时在这个方面并不灵敏，因此最后产出的结果很可能还是需要研究人员验证、调整。

四、未来？ 虽然说短期内 AI 无法替代设计师进行问题洞察、设计决策的工作，但是可以预料到它会极大的减少设计师的工作负担，或者叫做“工作量”。而一旦设计师这个执行职位只有工作价值，但工作量不大的时候，我们很可能被合并成一个职位。

未来，假如 AI 能很好的融合进产品的构思-研发工作流中（据我所知，现在某些厂已经在探索 AI 出图工作流了），或许所谓的“全栈设计师”又兴起。

我们甚至猜想，未来可能是这样一种工作流：整个产品研发流程里只有 1 位产品设计师和 1 位研发，前者负责在 AI 的辅助下判断核心用户痛点，并且生产一个大致的服务或任务流程，绘制一些草图。AI 会基于草图产出多种可用的方案，并基本上自动化开发-测试，将若干个方案投入线上若干个小流量池，最后自动收集不同方案的用户反馈，挑选出表现最优的一个推广全量。

欢迎关注作者微信公众号：「白话说交互」

最近 AI 设计真的在设计圈投下了一颗重磅核弹，炸的大家人心惶惶，而且有大厂开始投入使用 AI 工具作为真实业务的生产力工具，像一些海报、插画，在 AI 工具中编辑好关键词，直接就可以生成一张堪比 3 年经验设计师画 1 天时间设计出来的图，这你受得了吗？这不得不感叹，原本设计师通过创意想象靠自己的双手来实现，现...

最近 AI 设计真的在设计圈投下了一颗重磅核弹，炸的大家人心惶惶，而且有大厂开始投入使用 AI 工具作为真实业务的生产力工具，像一些海报、插画，在 AI 工具中编辑好关键词，直接就可以生成一张堪比 3 年经验设计师画 1 天时间设计出来的图，这你受得了吗？这不得不感叹，原本设计师通过创意想象靠自己的双手来实现，现在用不到手了，只要你能想的出来的词，没有 AI 画不了的画，这让很多游走在底层的 设计师 们无路可走。

了解最新的AI工具和趋势 ? https://www.uisdc.com/category/ai

所以，这个工具一火了之后，行业内就发生了很大的变化。然后还有人说以后设计师都可以不用招了，就算招，对设计师的要求重点也不是会根据业务需求做图，而是考察你有没有一套成体系的关键词衍生能力，以后就叫关键词设计师得了，稍微懂点 PS，修修补补可能就够了。那大家真的很担心很焦虑，这个 AI 这么强，我们设计师该何去何从呢？

听我分析一下，本质上一个岗位能不能被替代或者说这个行业还需不需要这个岗位，取决于这个岗位能贡献的价值，以及能否满足业务需求。按照道理说，既然 chatgpt 那么强， 是不是可以以后连产品经理、开发都不需要了呢？而 AI 制图和 chatgpt 原则上也是同类型的工具，我给出问题/需求，你收集大数据通过算法给出解决方案，这是底层逻辑。

而目前设计师做的是什么呢？拿到业务方给的文案和要求，进行制图，这和人工智能的工作流程是一样的，唯一比 AI 有优势的地方在于你知道业务方的口味，同时也知道产品调性，那你做的图能够更快的 get 到点上。缺点就是你的图没有 AI 视觉冲击力那么强，那么快，那么丰富，那么多，所以如果你单纯只会画图，而老板对品牌调性的需求不高，等工具再成熟一些他完全可以用这个工具代替你，比如我用 AI 生成一张海报，海报中的所有元素都可以分层、打组，同时我可以对生成后的图层进行再次进行关键词描述修改，让 AI 来判断局部调整的更多可能性，那我甚至连打开 ps 都没必要了。

既然 AI 已经发展到这程度，我觉得这个是完全有可能实现的，当初阿里推出鲁班的时候，大家也觉得，哇，banner 都可以自动化合成了，虽然当时技术不成熟，banner 看起来拼凑痕迹严重，但是你看现在的 AI 制图，真实浑然天成的感觉。甚至昨天还看到一位 c4d 博主说，现在虚拟引擎界的 AI 都可以根据一副速写插画来自动建模和贴图渲染了，连 二维化的人物脸上的伤疤也给自动建模出来了。

那有小伙伴说了，你之前说的品牌调性怎么办，AI 通过学习和大数据分析，你可以上传你们之前的海报或者公司定位、愿景等关键词，说不定真的能设计出符合调性的图，这个也说不定，对吧。所以纯画插画的设计师，唯一能欣慰的是，可以在画图中找到自我和成就感，用 AI 工具画图在艺术家眼中是粗鲁的，绝对理智的世界是很可怕的。

UI 设计师会怎么样 连插画这么复杂的活都能做的这么好，那么 AI 在做 UI 方面是不是也能用关键词去生成 UI 界面呢？之前已经有个工具测试过了，是可行的。但目前 AI 还不能解决设计系统的问题，或者说目前 AI 还没深入干涉到 UI 领域（其实已经又了）。

我给大家感受下，如果以后 AI 来干涉 UI 领域会怎么样：

如果你需要设计图标，那么你可以制定关键词：图标含义、风格、尺寸、粗细、圆角、颜色、疏密留白、质感…..你将会得到成千套的图标。 如果我不只是要一张飞机稿的 UI 界面，那么我只需要描述，一个任务中包含的功能、目标，描述清楚用户场景以及业务需求，AI 也可以给你生成数十种界面流程，但这里关键的是用户场景和业务需求很复杂，它和插画不一样，一会来讲。 我只要把我认为 OK 的 UI 风格界面上传给 AI，让它学习，如果它真的足够聪明，它甚至就知道我什么时候用卡片，什么时候给卡片加阴影，什么地方该用主色，什么地方用分割线…. 第二个问题中，为什么 UI/UX 和插画不一样，因为插画没有那么精确，比如你说我想要一只狗站在山顶看日落，其实需求方自己也不知道会呈现一种什么样的结果，当你画出来，诶，大概靠近他的感觉了，他就会觉得 OK，甚至有时候虽然结果跟他预期的不一样，但是 AI 画的实在太 diao 了，也就本能接受了。但是 UI 不一样，不同的产品有不同的用户以及业务的需求，可能现在市面上 UI 风格真的不多，但是不同产品的定位，对页面布局、流程、交互细节还是有非常大的影响。

再比如，一个控件的变化，可能就涉及到多个界面以及其他联动控件的同时变化，AI 如果要做的话，就需要把所有市面上的解决方案都输入进去，同时，UI 不只是一张界面而是一套系统，这套系统也实在整个产品生态下的衍生物之一，所以 AI 如果要来定义 UI，还是有一段路要走的，但这个时间并不会太久。

那最后行业会变成什么样呢？我预测，我预测哈，人员缩减是没跑的，人和工具将会同时存在，工具只是更多的提高人的效率，那大家可以想想，提高人的效率之后，那么给人节省出来的这部分时间，人应该去干嘛呢？留给大家思考。

最后还是想说，AI 真的剥夺了设计师很多的东西，当我们热爱设计并付诸实践，能够换来客户的认可，以及价值的时候，AI 一分钟就完成了，感觉很悲哀，当你花费数小时甚至数天的作品完成后，你会非常有成就感，而 AI 就马上泼一盆冷水给你，让你再也提不起做设计的心思。

AI 现在做的事是什么呢？就是把世界上所有人的作品都变成了数据进行组合，版权也没有了，其实这个图片的版权就是来自于每一个原创的设计师，但他组合的太 tm 多样了，忍不住一句粗口。

设计不存在了，我们看到的都只是数据，创意是什么，创意就是看 AI 的算法够不够复杂，数据量大不大，关键词够不够花哨，哎，就很没有意思了懂吧。

现在设计师还有能力和 AI 掰手腕的地方在于我们生为人的情绪情感、思维以及沟通表达和人情世故。

所以下方聊聊你们的感受吧

欢迎关注作者的微信公众号：「应谋鬼计」

背景2022 年上半年期间，全球虚拟世界相关的应用已获得 1.7 亿下载，其中游戏应用下载量高达 1.1 亿，占比 67.3%。虚拟世界的爆发式发展也带来了游戏行业的改变，本文尝试通过对目前比较流行的虚拟世界游戏进行研究，对虚拟世界类游戏类型和特点进行总结，以期窥探未来游戏产业可能的发展方向~更多虚拟世界的趋势科...

背景

2022 年上半年期间，全球虚拟世界相关的应用已获得 1.7 亿下载，其中游戏应用下载量高达 1.1 亿，占比 67.3%。虚拟世界的爆发式发展也带来了游戏行业的改变，本文尝试通过对目前比较流行的虚拟世界游戏进行研究，对虚拟世界类游戏类型和特点进行总结，以期窥探未来游戏产业可能的发展方向~

更多虚拟世界的趋势科普：

腾讯重磅出品！2022-2023 设计趋势报告：NFT虚拟形象篇（下） 往期回顾： 1. NFT & Web3.0 的依赖及并生关系 Web3.0 和虚拟货币为 NFT 提供了生长的土壤和骨骼，而 NFT 作为一种创意玩法逐渐定义了数字艺术的呈现形式。

阅读文章 >

一、新的游戏体验 1. 游戏经济系统由封闭转向开放

目前虚拟世界类游戏中最普遍的就是 Play-to-Earn（边玩边赚）类型的游戏,所谓 Play-to-Earn 是指通过使用区块链技术，让玩家可以获得游戏内资产的奖励。在此之前，游戏经济模式是封闭的服务-消费模式，即开发者为玩家提供游戏体验，开发者垄断了游戏内资产售卖权，游戏玩家之间的交易是不被允许的。而随着 Play-to-Earn 类型游戏的兴起，这些游戏内的资产可以作为 NFT 拥有，让游戏资产可归属个人，也让游戏资产转化为现实收入成为可能。

例如，一款名为 Axie Infinity 的游戏，由越南初创公司 Sky Mavis 创立，在最高峰时候每个月活跃玩家高达 280 万，并在 1 年内吸金超 10 亿美元。用户可以在游戏内培育出名为“Axies”的数字角色，通过参与游戏获取代币，通过代币交易获取收入；游戏内的数字角色或道具也是可以在玩家之间进行交易的，通过交易带来收入。

2. 更公平的游戏体验

很多玩家对游戏一个比较大痛点是，游戏奖励发放对玩家来说是黑箱的，公平性存疑。比如游戏中开宝箱获得稀有道具的概率，如果是由开发者或玩家控制，这将极大动摇整个社区对于游戏公平性的看法。目前很多虚拟世界游戏通过使用区块链技术保障所有玩家都能够以公平的概率获得最罕见的物品，为玩家提供了一个更加公平、可靠的游戏环境。

二、更多元的游戏制作过程 在主流游戏领域，通常游戏内容是开发者掌控的。他们控制了游戏开发过程、权限和游戏内容，这就是我们通常所说的中心化游戏制作方式。这种制作方式碰到的一个核心问题就是，随着游戏产业的发展，高质量的游戏制作成本越来越高。如何降低游戏开发成本，让游戏内容更有吸引力、更丰富，是游戏产业发展面临的一个大问题。

1. 平台+UGC

由于区块链技术带来数字资产收益能够根据所有权分配，让游戏开发的多元合作成为可能。比如堡垒之夜关于虚拟世界的设想，是通过游戏编辑器孵化 UGC 玩法以及主动接入 PGC/OGC 产品，逐渐发展为多玩法的游戏平台；通过在其中举办非游戏的多种社交活动和 UGC 内容，发展为 3D 角色形象互动的社交平台。作为平台方的 Epic 通过促进创作者经济，获得收益。

2. 游戏创作的智能化

随着 AI 技术的飞速发展，在游戏开发过程中也越来越多内容由 AI 辅助完成。AI 在剧情设计、人物道具设计、音频音效等内容创作方面，为开发者提供灵感来源和素材库。AI 作为一种重要的自动化技术，还可以驱动 NPC 推动剧情、配合任务、影响主线的发展，从而配合预设叙事，让 NPC 和玩家的互动更真实、自然。比如一款沙盒类游戏《Modbox》开发人员在游戏中实现玩家跟 NPC 之间的对话没有脚本，而是采用 ChatGPT 实时生成的，甚至两个 NPC 之间的对话也是如此，效果非常好。还有一款 RPG 游戏《Mount&Blade II: Bannerlord》也是通过 ChatGpt 驱动 NPC 与玩家互动。

三、打破游戏与现实的边界 在虚拟世界游戏中，打通虚拟世界和现实世界的壁垒是它最大的特点。比如，游戏的道具可以在现实中拿到，又比如可在游戏中参与明星演唱会等。很多人认为虚拟世界游戏的一个方向是对现实世界的映射，如何让玩家在游戏中有更真实的体验，也是众多开发者努力的一个方向。

1. 真实的模拟现实世界

Epic Games 最近发布了新一代的虚幻引擎，为虚拟世界游戏在积极布局，从低成本的 3D 模型制作，到提供开发者丰富的 3D 素材库，以及提供强大的渲染技术，让玩家沉浸在充满电影大片感的游戏场景。

虚幻引擎推出一款“把照片转成高清 3D 模型”的手机 APP—RealityScan。人们通过智能手机可以把自己想要的东西按照既定规格拍照上传，然后RealityScan就能将2D照片转化为3D模型。生成的模型可以被直接上传到3D模型分享平台SketchFab，或随时导入到虚幻引擎的项目中使用。

同时官方在虚拟引擎编辑器中集成了拥有超过 16000 种高精度数字资产的素材库，其中包括 3D 物体、人物、植物、表面材质、图案纹理等。

在虚拟引擎 5 发布会上演示的《黑客帝国觉醒：虚幻引擎 5 体验》为未来的互动内容提供了一个愿景，创造丰富多彩而又复杂的城市与环境，以及逼真的、引人注目的游戏场景。通过 B 站 UP 主 Abang 的体验内容可以看到建筑物每个窗户都不再是单调的贴图，而是通过虚幻引擎渲染而成。

2. 虚拟与现实的体验打通

根据全球最权威的 IT 咨询机构 Gartner Research 的研究报告指出，到 2026 年，近四分之一的互联网用户将每天至少花一个小时在数字虚拟世界中工作、购物、学习、社交和进行娱乐活动。游戏作为用户在互联网消费最多的场景之一，也正积极尝试打通虚拟世界与现实世界体验。比如《堡垒之夜》正致力于在游戏中为玩家提供各种现实世界活动体验。歌手特拉維斯·斯科特(Travis Scott)在游戏《堡垒之夜》举办了一场虚拟演唱会，有 1230 万人观看。

时尚和奢侈品牌也纷纷试水虚拟世界里的产品。对于多数品牌而言，直接与游戏行业跨界联名，是试水虚拟数字产品的一种更便捷的方式，同时也提升了与消费者的互动，让品牌与社群一起，打破界限，探索创新路径。例如，巴黎世家和《堡垒之夜》合作打造了精致的服装和配饰，双方的合作还包括一个限量版的实体服装系列，包括一系列帽子、t 恤、帽衫和夹克。这些真实的服装已于 9 月 20 日在巴黎世家的门店和网站发布，售价在 2900 至 9600 人民币。奢侈品牌 Moncler 也与 Epic Games《堡垒之夜》合作，打造了全新游戏皮肤，这款衣服随着玩家海拔的升高，衣服颜色会从浅色变为深色。

总结 游戏行业经过么多年的爆发式发展，虽然前景向好，但弊病也日益显露，包括游戏体验上、游戏制作方式上的系列问题。在虚拟世界的爆发式增长的激发下，各大游戏厂商都纷纷做出属于自己的探索，虽然距离像《头号玩家》电影中描述虚拟世界场景的到来或许还有段路要走，但在新技术、新的制作模式下，可以对未来游戏产业变化做出一些期待。

参考

一文读懂 Play to Earn https://blog.chain.link/what-is-play-to-earn-zh/ 争夺 10 亿“元宇宙”用户的竞赛已经开始，Epic Games 遥遥领先 https://www.yuanyuzhouneican.com/article-116401.html 第三方内容生态是“元宇宙”的最大瓶颈 https://www.yuanyuzhouneican.com/article-187423.html 元宇宙游戏有哪些（解析元宇宙 10 款顶级元宇宙游戏） https://www.yuanyuzhouneican.com/article-149389.html 游戏巨头 Epic Games 为何坚定看好元宇宙？其做了哪些布局？ https://www.8btc.com/article/6707647 堡垒之夜上线 Creative 模式：可自行创建地图并邀请他人游戏 https://hot.cnbeta.com/articles/game/795463.htm 从 Roblox、堡垒之夜、VR 和动物之森谈元宇宙 https://km.woa.com/articles/show/543705?kmref=search&from_page=1&no=4 许怡然发文：我怎么看元宇宙和游戏行业的未来 https://km.woa.com/group/29321/articles/show/489025?kmref=knowledge 欢迎关注作者微信公众号：「腾讯ISUX」

上一篇讲了基础组件，本篇我们说一下展示组件。超全面的B端设计规范指南（一）：基础组件新的一年，先祝大家运势涨如脱兔，因为年前和过年这段时间工作没那么忙，就抽空继续整理了一些工作中对B端设计的总结，希望可以带给需要的人一些启发。阅读文章 > 展示组件在页面中主要承担着向用户传达信息功能，以帮助用户快速地定位和...

上一篇讲了基础组件，本篇我们说一下展示组件。

超全面的B端设计规范指南（一）：基础组件 新的一年，先祝大家运势涨如脱兔，因为年前和过年这段时间工作没那么忙，就抽空继续整理了一些工作中对B端设计的总结，希望可以带给需要的人一些启发。

阅读文章 >

展示组件在页面中主要承担着向用户传达信息功能，以帮助用户快速地定位和浏览数据。常用的 展示组件 包含徽标、标签、走马灯、文字提示、气泡卡片、折叠面板、表格等。接下来我将逐个讲解一下这些组件。

一、徽标 徽标常出现在通知图标或者头像右上角，用来展示需要处理的消息或任务条数。

常见徽标类型有带数字样式、圆点样式、多彩圆点样式。徽标常见位置有右上角及左右排布。有一点要注意的是徽标设计时建议加上一个颜色和大背景色一致的描边，以便徽标和底下内容清晰区分。

二、标签 标签一般有两种使用场景：一是用于标记事物的属性和维度，二是进行分类。标签常见的样式有描边样式、浅色填充样式、描边+浅色填充样式、深色填充样式。部分标签可支持删除功能。

三、走马灯 走马灯又叫轮播图，一般用于一组平级内容的并列展示模式，例如图片或卡片轮播，轮播方式一般支持用户主动触发或者系统自动轮播两种方式。比较常见于产品介绍页面或运营广告模块。轮播的数量建议控制在 3~5 个之间，同时应清晰展示轮播数量以及当前轮播位置。

四、文字提示 即文字简单的气泡框，鼠标移入则显示提示，移出后消失。文字提示应有两不承载，一是不承载复杂文本，二是不承载任何操作。一般气泡填充为暗黑色半透明，特殊场景下可用彩色填充，之所以用色块填充是因为文字太少信息不明显 ，需要用大色块凸显。

文字提示一般有如下 12 种样式，根据页面所处位置进行灵活选用。

五、气泡卡片 气泡卡片也是气泡框样式，鼠标移入或点击则显示提示，移出或再次点击后消失。

气泡卡片适合文字较多情况下，且支持承载操作，同时填充一般为浅色（常见为白色） 气泡卡片一般有如下 12 种样式，根据页面所处位置进行灵活选用。

气泡卡片常见类型包括纯文本、文本+按钮/链接、带标题文本等。 这里还归纳总结了文字提示与气泡卡片的特点，以便我们加深理解。

六、折叠面板 折叠面板可以将较多或较复杂的内容进行分组，分组内容区可以折叠展开或隐藏，利用好折叠面板可以将复杂页面内容收纳的更简洁有条理。折叠面板放置内容可以是纯文本、图文、子列表等形式。

从功能上讲折叠面板可分为常规式、手风琴式、嵌套式，常规式可以同时展开多个折叠项，且每个折叠项展开后需要手动收起；手风琴式则只允许单个折叠项展开，展开另一个会自动折叠当前展开内容；嵌套式指折叠内容多层嵌套的折叠面板，可实现对更复杂内容收纳。

从样式上说折叠面板可分为带框与不带框，图标位于左侧与右侧等常见几种

七、表格 表格常用于大量同类结构下多种数据展示，方便用户对数据进行对比分析与组织，同时支持搜索、排序、筛选、编辑数据，以及对数据分页。表格可以说在 B 端设计中是必不可少且应用非常高频的一类组件，接下来我们着重来聊下关于表格的那些事儿。

1. 风格样式

常见表格样式有常规式，线框式，斑马纹式。其中常规式样式简约轻量，对表格内容视觉干扰最小，优先应用于大部分场景。

Tips：在实际设计中常规式与线框式表格存在横向阅读不够直观缺陷，可用 hover 状态整行浅灰填充方式来弥补。

2. 基本构成

表格一般由表头、行、列、单元格这些基本元素构成。

① 表头

a. 表头常见样式

表头常见样式有标准表头、带排序/筛选表头、分组表头。其中分组表头适合采用前面提到的线框式表格。为了直观区分表头与内容区，一般会让表头区背景色与内容区不一样，以及将表头文字与内容区文字样式做出区分。

b. 表头标题

表头标题文案应当足够精简且表意清晰，这里有两种方法保证文案简洁：一是如果表头标题文案重复啰嗦，可去掉重复字段精简文案；二是当表头标题过长且无法精简时，表头上可只保留简短标题，用文字提示承载长标题全称。

c. 表头固定

纵向滚动表格时，为了方便用户高效获取信息，表头应保持固定。

② 单元格

这里总结了几个关于单元格的几个设计要点：

③ 行

行分为单行文本与多行文本两种情况，下面给出了两种情况常规表格行高参考计算公式，如若计算结果为非偶整数可就近取偶整数。

当然除了常规行高，为了满足不同用户阅读习惯，我们还可以支持用户自定义多种行高功能，一般行高建议 3-4 种为宜。

④ 列

a. 列宽自适应规则

假设我们定义表格左右空白间距为 a，列间距为 b。其中 a 固定不变，b 根据表格内容自适应，同时可定义 b 一个最小值，随着表格列数增加，当表格内容宽度超出页面宽度时，固定首或尾列（可同时固定首尾列），出现横向滚动条可左右滑动。

b. 对齐规则

列常见对齐方式一般有左对齐与右对齐，通常情况下建议采用左对齐方式，以便用户高效阅读。两种情况下可采用右对齐方式，一是涉及比较数据大小时，二是位于尾列操作列可采用右对齐。至于居中对齐由于视觉动线曲折，通常不建议在表格中运用。

小 Tips：当表格列数较多时，一般有两种处理方式，一是将列数控制在 7 条左右，只展示用户最关注的内容，其他次要内容放到详情中展示即可；二是当多用户对内容关注侧重点不同时，可支持用户自定义列展示。

3. 详情查看

① 详情入口

表格很多都会涉及到详情查看这一块内容，一般详情查入口有两种形式：一是将标题高亮，点击进入详情，这种适合查看详情为高频操作或操作列已有较多按钮场景；二是操作列放置详情按钮，点击进入详情，这种适合操作列没有或较少操作按钮场景。

② 交互方式

常见查看详情交互方式有：表格展开收起、弹窗、抽屉、页面。

表格展开收起适用于追求轻量简洁体验、用户操作连贯性高的场景；

弹窗则适用于详情页面承载中等量重要信息与操作，且可接受弹窗打断场景；

抽屉适用于追求快捷查看详情且快速切换不同项目详情（抽屉去掉黑色遮罩即可），以及详情内容量较多且不希望跳转页面查看详情情况；

页面适用详情页面承载大量重要信息与操作场景，需要新开页面前往操作。

到这里关于 B 端的展示组件就全部梳理完了，后续有时间我再整理一篇关于录入组件的总结，敬请期待。

部分参考资料：

《B 端产品设计-Mia》 《Ant Design》

先讲大事，我们有 B 端交互设计课了。停更了小半年，期间也总有很多人来咨询我们有没有课，所以抽时间和优设一起做了一套面向 B 端交互新人的录播课。我本身就是交互专业出身，其实刚入行那会也买课，但这些课一个很大的问题是大多数光教你怎么做一些乱七八糟的调研，却不跟你说怎么落地，也看不到交互方案是怎么推导出来的。

先讲大事，我们有 B 端交互设计课了。

停更了小半年，期间也总有很多人来咨询我们有没有课，所以抽时间和优设一起做了一套面向 B 端交互新人的录播课。我本身就是交互专业出身，其实刚入行那会也买课，但这些课一个很大的问题是大多数光教你怎么做一些乱七八糟的调研，却不跟你说怎么落地，也看不到交互方案是怎么推导出来的。结果就是看完了你也不可能懂怎么做交互。

所以我基于我和做 B 端的朋友之前的典型项目写了这套一共 12 节的短课，剔除废话、套话、不用钱也能看得到的小窍门，主讲 B 端交互的方案生产过程和真实的思考流程，涵盖改信息架构、优化流程、优化页面 3 种典型项目。这周打折，大家有兴趣的可以看看：

课程原价169元， 限时新课价直减40元，仅需129元！

移动端扫码学习，网页端右戳学习?  https://wei.xet.tech/s/2pMvzq

关于课程的详细介绍：

大厂名师出品！12节B端设计实战必修课帮你快速入门！ 金三银四招聘季悄悄开始了。

阅读文章 >

最近因为 open ai 旗下两款产品（基于文本数据的 chatgpt、基于图像的 dall e）在国内爆火，很多文章/视频作者又开始发文讨论人工智能代替当前交互设计师/UI 设计师 的可能性，简单来讲：所有人又要失业了！

失业的可能性当然是有的，但因为体验设计是一个基于实际场景的应用性领域，流程不固定，输入和输出的形式也比较多样，因此我们预想中的那种“突然有一天，一个体验设计机器人横空出世，导致所有人类体验设计师都被解雇了”的场景出现的概率非常小。

那么，人工智能到底将如何影响体验设计行业和我们的工作流程？虽然市面上已经出现了很多类似的文章，但都没有把人工智能这个东西说清楚、说明白。所以今天我们想从人机交互和人工智能的发展历程的角度中，深度挖掘这个问题的答案。此文由我们和 chatgpt 共同撰写。

关于ChatGPT：

设计师如何使用ChatGPT提升工作效率？25个案例告诉你！ 随着美国人工智能对话聊天机器人 ChatGPT 的发布，人类在人工智能领域又迈向一个新的台阶，最近笔者总在一些微信群里看到一些设计师提出的问题“ChatGPT 会代替设计师吗？

阅读文章 >

一、我们为什么需要人工智能？ 所谓体验或者交互设计，主要“设计”的是人和机器之间的互动方式。从家用计算机的诞生到今天，人和机器的互动方式经历了鼠标键盘等外部设备到触屏手机、VR/AR 的跃迁，但截止目前，任何机器之间的“互动”往往还是以“人迁就机器”的形式为主导。人，或者按我们的习惯称为用户，在这个互动形式中需要付出大量的学习成本或认知成本去让机器理解人，或让自己理解计算机的输出内容。

举个例子，假如我们想知道明天的天气预报，现在我们可以打开手机 app-选择我们的地点-查看明天的天气。但是这种交互有几个前提：我们要会使用手机、并且双手是空闲的可以用来操作手机。假如不满足这两个前提，那这个操作就很难完成，因此这种操作实际上还是非自然的，人还是要去使用机器能理解的方式、而非自己习惯的方式来和机器交互。

那么有没有方法能够解决这个问题呢？有。

一方面，我们可以扩充机器识别信息的方式，让机器不只被动接受信息，也“长出眼睛”主动识别信息。在这个思路的影响下，语音、手势等新交互形式迅速发展，并且在车载/智能家居领域产生许多应用。而另一方面，我们是不是也可以让机器变得更聪明、更“灵”，甚至能通过某种方式模仿人类的认知、思考和决策能力“举一反三”？

这就是人工智能。

二、人工智能的演变 既然人工智能有这么神奇的效果，那它到底是怎么做到的？在 chatgpt 的帮助下，今天我们给大家拆开来解释这个概念的发展历程和变迁。

1. 人工智能的兴起 人工智能一词最早出现在 1956 年在新罕布什尔州的达特茅斯学院，当时的研究人员提出了几个在今天看来依旧不过时的问题：

“我们能不能像日常说话一样编程？’” “计算机程序能不能模拟人脑，通过学习进步？” “通过优化算法，能不能提高计算机的创造力？” ——为了寻找这些问题的答案，学者们分别提出了三个人工智能发展方向，很长一段时间都在这三个方向的可行性上争论不休：

方向 1：教计算机逻辑推理

以麦卡锡为代表的派系致力于用逻辑化的计算机语言使计算机学会推理思考，他们认为：“不管你想做什么，你必须先设计一套正确的逻辑，把它清晰地表达出来”。

简单来说，就是“先教计算机道理，再让它执行”。在计算机里写好正确的逻辑推理代码，让计算机根据逻辑去执行的命令。举个例子，假如我们要让计算机在明天早上 7 点提醒我们起床，我们就可以把这段逻辑教给计算机：

“工作日要早上 7 点钟提醒我起床” “明天是工作日” 那么计算机就自动产出了结论：“明天 7 点要提醒你起床”。 这种思路还可以应用在更复杂的案例中，比如我们可以基于象棋规则编写一段代码，让计算机陪人下象棋。其核心在于编程者要要先了解人脑思考的逻辑，才能编写出模拟人脑思考的人工智能代码。

方向 2：将计算机看作人的神经系统

以麦卡洛克、皮茨维代表的学者认为构建神经元模型才是正道。

初中生物知识告诉我们人脑是由许许多多的神经元连接组成的。每个神经元接收来自其他细胞的刺激/冲动，刺激/冲动达到阈值后就会引起该细胞产生兴奋，并向其他细胞传递兴奋。麦卡洛克-匹兹的这个“神经元模型”就用逻辑电路模拟了真实神经元的工作，试图用人工神经元模型来模拟大脑工作。

这段话是不是看起来很难理解？所以我们请 chatgpt 帮大家举一个例子：

假如我们发现在医学中，患者的年龄和体重与心脏病可能有关联关系，那么我们就可以训练一个简单的神经元模型来找到这两个因素对心脏病的影响大小（权重）。

这个模型可以写作：

患者是否有心脏病 = f(患者年龄 * x1 + 患者体重 * x2)

其中 f()代表激活函数，x1、x2 则是权重。

我们可以将这个模型想象成一个神经元，它收到了两个因素刺激（年龄、体重），而这种刺激一旦达到了一个阈值，就会输出一个结果（患者有心脏病或没有心脏病）。

方向 3：教计算机现实世界的知识

最后，第三派以明斯基为代表，认为计算机想要实现智能化，必须先具备现实世界的所有知识。他提出了“框架”的概念，但并没有解释这个叫“框架”的“黑盒”是如何运作的。明斯基的框架理论相比其他人的案例更模糊、更难理解，这里不再展开叙述。

2. 两次寒冬 罗森布拉特（Frank Rosenblatt）在 1957 年对麦卡洛克-匹兹的神经元模型进行了扩充，在它的基础上发明了最早的神经网络模型，起名“感知机”。其结构简单，易于实现，被认为是人工智能研究中的一个重要里程碑。

但明斯基强烈地不认可“感知机”，甚至撰写出版物公开批评分析，认为它只能解决一些简单问题，而无法处理更复杂的问题。这样的批评对于当时的人工智能研究带来了极大的冲击，也因此被称为“人工智能的第一次寒冬”。

由于当时的研究环境和计算能力都有限，人工智能研究陷入低迷，直到 20 世纪 80 年代，随着新的算法和技术的出现，人工智能又出现在人们的视野中。但当时的人工智能较多应用于所谓的“专家系统”，即计算机通过模仿人类专家的知识和推理过程，来解决某个领域的专业问题。

举个例子，当时有一个用于诊断细菌感染疾病的专家系统系统 MYCIN。

建立它需要医生首先向 MYCIN 提供病人的症状、检查结果，MYCIN 则会将这些数据与它的知识库内医学专家经验总结出的规则进行比对，基于这些规则进行推理，最终得出对疾病的诊断。MYCIN 还会解释它的推理过程，告诉医生为什么会得出这样的结论。

但人们很快发现建立这种系统需要耗费漫长的时间收集专业知识，而且如果专家系统遭遇了专业领域外的问题，就无法给出令人满意的答案。因此人工智能再次进入了寒冬。

3. 从“设计大脑”到“设计学习” 90 年代麻省理工学院教授布鲁克斯提出，此前出现的传统主流人工智能的构建方法方法是自上而下的，即先设计抽象的符号系统，再用它来模拟人类的思维和行为，这种构建方式把主次颠倒了，它忽略了真实世界的复杂性和不确定性，也忽略了生物系统中底层的感知、运动和控制等基本机制。因此，他认为我们不应该盲目地直接对大脑进行构建，而应该像生物系统的真实情况那样，自下而上地构建。

chatgpt 帮我们举了一个例子：

假设有一个机器人被用来在一个仓库中搬运货物，仓库中有许多货架，上面摆放着不同种类的货物。机器人需要识别不同的货物和搬运工具，然后把货物搬运到指定的地点。

“自上而下”传统人工智能系统需要先对机器人进行大量的编程，然后机器人受到程序规则和逻辑推理的控制而产生行为，相当于提前告诉机器人每一步做什么。

我们首先需要将各种货物的大小、重量、形状等特征进行编码，并为机器人编写各种规则，比如如何识别不同的货物和工具，如何进行搬运等等。最后机器人则基于这些逻辑推理来进行决策，例如判断哪些货物需要先搬运。

而“自下而上”构建的人工智能更注重机器人的自主决策能力，机器人基于周边环境、通过自身的感知和交互能力来进行行为调节，相当于让机器人自己根据“感觉”自己判断下一步要做啥。

在这个案例中，机器人首先需要感知环境，比如识别货物和搬运工具的位置、仓库中的障碍物。然后机器人根据自己的感知结果进行自主决策，决定选择哪个货物和工具以及如何搬运货物。

布鲁克斯这种“自下而上”构建的人工智能更加接近自然状态，且不需要预装知识库。因此他的观点吸引了许多科学家并朝着“自适应行为”的方向持续探索，让人工智能领域又重新焕发了生命力。随后，遗传算法、贝叶斯网络、深度学习、“人工”人工智能等诸多人工智能相关的思想或理论相继被提出，人工智能逐渐通过深蓝、微软小冰等产品进入普通人的日常生活。

我们现在所使用的大多人工智能都是基于简单的神经网络或深度学习算法构建的，包括我们今天使用的 chatgpt。这些算法由我们一开始介绍的神经元模型为基础构成，可以说神经元是神经网络的基本单元，而神经网络又构成了深度学习的基础。深度学习利用多层神经网络进行学习，可以处理大规模、高维度的复杂数据，并在各种任务中取得了非常优秀的结果。

然而，尽管今天的人工智能看起来已经很厉害了，人工智能当前的学习方式仍然和人类的学习方式存在本质上的区别。人工智能虽然可以通过训练从已有的数据中学习模式和规律，但无法通过感性或者直觉去认知事物，特别是数据库中没有的未知事物。虽然我们今天使用的 chatgpt 因为拥有巨大的语料库和更深的神经网络层数所以显得很智能，但它的运作逻辑决定了它不理解自己在说什么。

三、人工智能，将如何应用在设计中？ 人工智能貌似是一个万灵药一样的“魔法”。放在哪里，哪里就能产出神奇的效果。但人工智能真的能迅速地大规模应用在设计生产中，甚至取代交互设计师吗？

——暂时来说，这个答案是否定的。计算机辅助设计已经有超过60年历史了，我们迄今为止还没有找到一种办法完全替代人类进行设计产出。当前的AI更适合做“可以被轻易总结出规律的结构化工作”，简称脏活累活。我们预测未来AI将在以下方面上对体验设计进行支持。

1. 应用与弱点

从体验设计师的工作内容来讲，我们日常的工作主要包含了以下几个环节：收集复杂情景下的用户诉求-提炼关键设计问题-列举针对性的解决方案-基于环境特征决策最优方案。它可以分成两个部分：“收集问题-总结问题”、“产出方案-决策方案”。前者是一个从很多复杂个例中寻找共性的过程，后者则是基于一个问题发散并评估不同方案的过程。

当前，“收集问题-总结问题”的过程最容易被人工智能支持。我们之前已经提过，只要能给予人工智能足够多高质量的数据，那么它自己就可以通过自主学习，从这些杂乱无章的信息中寻找到规律。而这正是人类需要耗费大量人力才能做到的。

举个例子，我们做定性用户调研的分析时，需要从浩如烟海的用户口头语言中提炼出有价值的信息点并进行多次归纳整合，最终形成有价值的用户观点。做定性研究的学者或者用研需要阅读大量文本、手动标注关键词汇，然后进行整理总结。文献/访谈资料越多，整理难度越大。但现在有了 AI 支持，我们可以更快从大文本中总结出关键信息。

类似的场景包含：

数据分析：AI 可以帮我们监控大规模用户行为数据的变化，并且整合成结论告知我们。比如“最近用户月活异常下降，同一时间上线了功能 A，推测可能是因为功能 A 的影响引起数据异常”。甚至未来也许 AI 能帮我们结合不同来源、不同形式的信息（比如行为数据和问卷形式的用户态度反馈），帮助我们更快速地消化多种用户反馈。 行为预测：假如我们“喂”AI 足够多的用户行为数据，那么未来我们可能可以使用 AI 去预测用户在我们平台上的需求和行为，我们可以基于这些预测修改设计。比如说现在有些公司提供的 AI 眼动测试服务就是这个方向下的延伸。 一致性走查：当 AI 足够了解我们的平台交互/UI 规范、文案规范等“规范类”的信息，那么它可以帮助我们快速找到新页面和之前页面的差异，降低我们维护设计系统的成本。

另一方面，近期也产生了许多设计支持工具，支持设计师在“生产方案-决策方案”这个流程中进行设计方案的快速生成。这些方案可能短期内达不到可用的水平，但 AI 的方案生产时间快、产生方案的成本低，

类似的场景包含：

方案生成工具：比如将文字/手稿草图转化为排版整齐的页面、图标、营销效果图 方案微调工具：比如对间距/字号/层级样式的微调对齐 风格扩展工具：比如基于一个 icon，我们可以用 AI 快速生产 20 多个同风格的 icon 进行扩展。又比如我们可以迅速调整一个复杂精美的营销落地页的配色方案

虽然 AI 能够带来如此多的便利，但由于它的运作方式，chatgpt 认为推广 AI 具有以下两个主要问题点：

AI 需要需要大量数据来训练模型，因此设计部门首先需要提供足够多的、高质量的数据，才能保证 AI 的产出准确可用。这不仅带来成本问题，还会带来用户隐私问题。 对于用户洞察类的工作来说，现实世界中的用户提供的反馈可能并不完全坦诚，他们可能会回避问题、撒谎、夸大、前后不一致、使用新术语或口头表达等等。在我们真实的用户调研中，调研者会使用一些话术追问，并且基于经验判断用户的反馈是否可靠。但是 AI 暂时在这个方面并不灵敏，因此最后产出的结果很可能还是需要研究人员验证、调整。

四、未来？ 虽然说短期内 AI 无法替代设计师进行问题洞察、设计决策的工作，但是可以预料到它会极大的减少设计师的工作负担，或者叫做“工作量”。而一旦设计师这个执行职位只有工作价值，但工作量不大的时候，我们很可能被合并成一个职位。

未来，假如 AI 能很好的融合进产品的构思-研发工作流中（据我所知，现在某些厂已经在探索 AI 出图工作流了），或许所谓的“全栈设计师”又兴起。

我们甚至猜想，未来可能是这样一种工作流：整个产品研发流程里只有 1 位产品设计师和 1 位研发，前者负责在 AI 的辅助下判断核心用户痛点，并且生产一个大致的服务或任务流程，绘制一些草图。AI 会基于草图产出多种可用的方案，并基本上自动化开发-测试，将若干个方案投入线上若干个小流量池，最后自动收集不同方案的用户反馈，挑选出表现最优的一个推广全量。

欢迎关注作者微信公众号：「白话说交互」

大家好，这里是 TCC 翻译情报局，我是张聿彤。最初接触设计思维之时，听说过这么一个比喻，设计思维好比是一份菜谱，很多人都可以照着做。现在回头细想，才发现这句话只说了一半。

大家好，这里是 TCC 翻译情报局，我是张聿彤。最初接触设计思维之时，听说过这么一个比喻，设计思维好比是一份菜谱，很多人都可以照着做。现在回头细想，才发现这句话只说了一半。因为设计思维的运用不只是做出一道菜，更要做出一道好菜。标准化的流程只能保证按部就班做出，唯有差异化的、具有个人特质的“厨师”（设计师）才能做出符合对应“食客口味”（用户需求）的好菜。“菜谱”的广为流传只能造就能做饭的厨子，却改变不了菜不好吃的事实。希望以下 31 件零散的小事，可以帮助大家更好地理解“设计思维”这一“菜谱”。

设计科学才是对人类的恰当之研究，它不仅是技术教育的专业组成部分，也是每位经受文科教育之人的核心学科。”—— 赫伯特·西蒙

更多 设计思维 ：

这 10 位顶尖的日本设计师，有哪些私藏的设计思维？ 优秀的设计师是怎样构思设计方案的？

阅读文章 >

1. 并不存在单一的设计过程 设计过程被描述为多个阶段，每个阶段都包含不同的活动来完成该阶段，它没有统一的标准流程，每个公司和设计师都有自己的流程版本。

尽管存在多个流程，但一般流程和阶段类似于以下内容:

了解问题：初步了解问题。观察、采访和倾听用户。

定义问题：解释和定义要解决的问题。

构思：通过头脑风暴产生尽可能多的想法。

原型设计：构建原型并与其他人分享（ 再次缩小解决方案空间，为实验阶段 ）。

测试：测试可能的解决方案、实施、改进或重新设计。

2. 设计思维是传统解法和创造性设计过程的结合 传统的问题解决采取有条不紊而又科学的形式。该过程从一个问题开始，定义要采取的步骤以及达到解决方案的工具或方法。

设计思维是一种创造性的策略，可以产生创造性的未来结果和/或创造性的问题解决方式，它应该被认为是一种以解决方案为中心的思维策略。

它通常被描述为一种创造性、主观和感性的对许多大型组织的分析逻辑（ 布朗，2008 年 ），或作为分析和创造性推理模式的组合（ 邓恩 & 马丁，2006 年；利特卡，2015 年 ）。

3. 设计思维是问题解法的进阶 设计思维来源于常规问题解决方法，常规问题解法是设计思维的基础。

从解决问题到设计思维，Liedtka (2013)

结果发现，设计思维实际上也是一个解决问题的过程，而不仅仅是一个创新过程（ 利特卡，2013）

一个例子是，丰田采用设计思维从头开始分析其西海岸的一个客户联络中心，在重新设计过程中，组建了一个由一线呼叫代表、软件工程师、业务主管和变革代理组成的跨职能团队，这一举动最终改变了客户和员工的服务中心体验。

4. 从起床到入睡，你都在解决问题 我们每天都会遇到问题，但是当我们解决同样的问题时，它们就成了例行公事（ 似乎已经忘记它们是问题了 ），我们甚至都没有意识到正在解决这些问题。例如，我的办公室在 30 分钟路程之外，该怎么到达那里？开车、坐火车或巴士到目的地；除非车子轮胎被刺破，否则你就需要弄清楚如何到达办公室。

5. “设计思维”术语的产生 1990 年代，IDEO 的 David Kelley 和 Tim Brown 与 Roger Martin 共同创造了特定术语：“设计思维”，并将多年来酝酿的方法和想法封装成一个统一的概念。

6. 工程设计思维现在被称为设计思维 设计思维是以人为中心、开放式、基于问题的方法论。这种方法最初是为了改变工程教育中的教学方式，而工程师处理和解决问题的方式有其设计思维的基础。

作为工程设计过程的设计思维范式示意图

7. 设计思维的历史早已出现（2000 年） 设计思维一词可以追溯到 1987 年 Peter Rowe 的著作：“设计思维。” 他描述工程师和建筑师处理问题的方法有很大不同。

90 年代初，认知科学家 Don Norman 加入 Apple 团队，担任他们的用户体验架构师，这使他成为第一个在职位中包含 UX 的人。他提出了“用户体验设计”这个术语，因为他想“涵盖人们对系统体验的所有方面，包括工业设计、图形、界面、物理交互和手册。” 从那时起，这些领域中的每一个都将用户体验，扩展到了自己的专业领域。

8. “棘手的”设计思维 设计思维在解决“棘手问题”时特别有用。

棘手问题的特征

“棘手问题”一词是由设计理论家 Horst Rittel 在 1972 年创造的，用来描述本质上非常模糊 \ 特别棘手的问题。棘手问题，有很多未知因素，没有确定的解决方案。问题或解决方案可能与另一个棘手的问题有关，因此这是一个需要设计思维的持续过程。贫困、饥饿和气候变化是一些现代的棘手问题。

9. 设计思维不仅限于数字化设计的应用 设计主题的范围是普遍的，因为 设计思维可以应用于人类经验的任何领域。

它可以用于：

符号和视觉传达：这包括平面设计的传统工作，如排版和广告、书籍和杂志制作、科学插图、摄影、电影、电视和计算机显示。 材料：这包括对日常用品的形式和视觉外观的传统关注 —— 服装、家用物品、工具、仪器、机械和车辆。 人类活动和组织性服务：包括对物流的传统管理关注，结合物质资源、工具和人类低效的序列和时间表，以达到特定的目标。 复杂的系统或环境：生活、工作、娱乐和学习。这包括系统工程、建筑和城市规划的传统关注点，或复杂整体部分的功能分析及其随后在层次结构中的集成。 10. 设计思维不仅限于设计师的实践 设计思维起源于设计师的培训和专业实践，但这些原则可以被每个人实践并扩展到每个活动领域。（布朗，2013 年）

在企业中，设计过程可以为企业环境中的问题解决带来创新思维。它还可以用于医疗保健，通过向护士、医生和管理人员教授设计思维技术，我们可以激励相关从业者贡献新的想法。

11. 了解问题是第一 不管是什么设计，理解和研究问题是必不可少的，因为我们能够从其出发，从而进行以用户为中心的设计。

设计思维的最早阶段是搞懂你能带来的情感价值。设计思维方法迫使你停留在提问与质疑阶段，而不是准确定义出问题后进入下一阶段。我们都有过快进入解决方案模式的倾向，所以设计思维方法迫使你真实地存在于这个不清楚、有时还非常混乱的时刻，从而使你对要解决的问题产生更好的理解。（利特克，2013）

12. 设计思维需要两种不同的思维 传统的问题解决涉及提出一个解决方案，但设计思维首先使我们发散，试图为问题生成各种可能的替代解决方案。然后让我们进行收敛性思维，缩小多种可能性，找到单一的最佳解决方案。

13. 设计思维是可以传授和学习的，它不是一种人格特质 根据利特卡和奥美 (2011) 的说法，设计思维的全部意义在于学习一种新的、系统的解决问题的方法。正如我们思考创造力一样，即使是设计思维也可以通过实践来教授和改进。

14. 设计过程不是线性的 设计过程从来都不是线性的，它由多次失败和迭代组成（布朗，2018）。

首先，设计师试图将问题与过去的类似案例联系起来。如果这种方法不能提供任何解决方案，下一步就是使用知识和创造力作为一种实验思维形式来产生新的想法。使用决策矩阵对这些想法进行评估，从而会产生被进一步分析和测试的解决方案。如果成功，它将被实施。如果不成功，则需要重新表述问题，并重复该过程。这是一个迭代过程，即循环方法。

这一持续不断的重新再设计过程，源于和客户亲密接触的洞察。

15. 调研是设计思维非常重要的工具 学习设计思维不仅仅意味着学习一套新的工具。它还意味着：学习收集和分析大量数据；学习挖掘对象可能的形态而不是自主认为他是什么；学习管理不确定感，以及与许多新的伙伴合作（ 利特卡和奥美，2011）。你可以进行的研究类型分为三类：生成性研究、评估性研究和验证性研究。

16. “要么很快失败，要么经常失败” 一种常见的表述 —— 实际上是设计思维的另一种视角 —— 即设计师应该预料到会“很快失败或经常失败”（布朗，2009）。

当过程早期发生故障时，例如被拒绝的原型，实质上它可以为有效解决方案提供关键见解。这种观点与传统的先形成理论，再检验正误的方式相矛盾。

17. 公司正在将设计思维作为解决问题的核心方法 Airbnb、Braun 和百事可乐等多元化公司都在 采用设计思维并将其作为核心战略。例如，IBM 为全球旗下的 44 个设计工作室聘请了 1600 名设计师，并且正在培训数以万计的设计师员工建立深度创新能力 ( O'Keefe, 2017 )

18. 以人为本的思维 设计思维为我们解决问题添加了以人为本的元素。当我们试图通过牢记人们的想法来解决问题，并使用基于直接观察乃至访谈的研究时，我们便会捕捉到与消费者需求一致的意外见解和创新。

19. 可观的商业价值 它有助于将成功的产品更快地推向市场，最终节省企业资金。 IBM 的健康和人类服务组织的设计思维实践，通过有效使用设计和设计思维帮助企业将缺陷数量减少了 50% 以上。这种更高效的工作流程导致计算出的 ROI 超过 300%。

20. 对复杂问题的作用性 由于复杂的问题从来不能被所有人完全理解，因此在尝试设计解决方案时，处理歧义和多个并发的思路方向的能力是至关重要的素质。

设计思维通过综合和归纳思维，帮助实现质的飞跃。它允许通过解构来测试约束，并允许通过多样性思维和批评思维，来拥抱和探索歧义。

消费者通常不知道他们有什么问题需要解决，或者他们无法用语言表达出来。只有经过仔细观察，设计者才能根据真实消费者行为中看到的东西来识别问题，而不是简单地根据对消费者的想法来确定问题。这有助于定义模棱两可的问题，并找到解决方案。

21. 别名：跳脱框架的思维 该方法鼓励“跳出框架思考”（“疯狂的想法”）；它蔑视显而易见的事物并采用更具实验性的方法。 在早期的流程阶段鼓励大胆的想法，以产生创造性的解决方案。使用它是为了让设计师可以尝试开发新的不受约束的思维方式，或对常见问题的创新解觉方法。

22. 设计思想家的特征 根据大多数设计学院的说法，具备特定特质的人能够更好地发挥设计思维的作用。

同理心：从多个角度想象世界 —— 同事、甲方客户、实际使用者和消费者的角度。要成为更好的同理心，必须倾听和观察他人的行为，注意并获得洞察力。

综合思维：重要的是不仅要有分析能力，而且要能够提出新颖的解决方案，还要凭直觉。

乐观：除非你相信有解决方案，否则在遇到挑战且解决方案遇到瓶颈时，你可能会放弃。

实验主义：重大创新并非来自渐进式调整。设计思想家以创造性的方式提出问题并探索限制因素，并朝着全新的方向发展。

协作：产品、服务和体验日益复杂，因此必须拥有一支具有不同背景的团队，以帮助从多个角度看待问题。

23. 有助于对抗某些偏见 当我们想到一个问题的多种解决方案时，对我们解决问题会非常有帮助，因此“功能固定性”阻止了我们以新颖的方式使用旧工具解决新问题。想要摆脱功能固定，首先是要让人们可以使用“改造后的衣架进入上锁的汽车”。这也是盗贼第一次可以用信用卡撬开简单的弹簧门锁。

24. 实用 为了帮助设计师利用文科和技术理论，整合多个领域的知识以找到创新的解决方案，我们采用设计思维来获得洞察力。该方法侧重于可视化和操作，因而帮助我们更容易地了解实际解法，而不仅仅是理论模型。

25. 执行 第一批美国公司在 2000 年代初期开始实施设计思维，这一概念引起了德国投资者 Hasso Plattner 的兴趣，他于 2006 年资助创建了两所设计学校（d.schools），其中一所位于波茨坦大学（德国），另一所位于美国斯坦福大学。由于两所学校都成功地为大型组织提供了高管设计思维培训，因此该研究重点关注这些国家，以寻找早期实施者。

26. 团队思考 设计思维通常涉及希望参与整个设计和开发过程的庞大利益相关者团队。

观点、才能和经验的多样性被认为是注入新思维的部分重要来源。多样性确保通过融合不同的观点、技能和知识来产生创意（卡振思，2018 年；萨梅和德拉赫-扎哈维，2013 年）。设计思维的协作方法和工具可帮助团队以积极的方式利用他们的差异。

决策是平等的，因为每个成员的意见都被征求和使用（卡尔格伦等，2016）。

27. 不需要花哨的技术原型 当 IDEO 去 Apple 展示他们的鼠标时，它不是什么花哨的设备，而是一个用胶带粘起来的原型。

低保真原型制作起来既快速又便宜（ 想想几分钟和几分钱 ），但可以从用户和同事那里得到有用的反馈，这符合快速验证、廉价试错的原则。为每个想法投入尽可能少的资源意味着前期投入的时间和金钱更少。此外，将多个原型带到现场进行测试为用户提供了比较的基础参考，同时也有助于揭示某些需求。

28. 过程强调心态和行动 为了创新，设计思维意识到认知和行动对创新过程很重要。认知包括接受度、乐观和创造性的信心（ 凯莉 & 凯莉，2013；郑，2018），而行动包括快速原型设计、旅程地图和假设浮现（ 假设浮现：assumption surfacing，这是一种评估技术，涉及写出潜在的假设和反假设。）（ 卡尔格伦等，2016；利特卡，2015）

29. 在组织中实施设计思维的挑战 如果领导层不欢迎风险、模棱两可和风格的改变，实施起来就会变得更加困难。它会被管理者“质疑”其具体指标

沃尔特斯 ( 2011 ) 声称，由于设计思维的模糊性，它与组织文化相冲突。

据受访者称，在日常业务中使用设计思维之所以不会是最优选项， 因为它是资源密集型的，增加了工作量。（ 丽莎等，2016）

在医疗保健等规避风险的行业和公司中，“经常和早点失败”的方法被认为是非常困难的。

30. 设计思维的问题 许多设计师反对设计思维这一观点，设计思维不仅关乎一个过程，而且关乎改变思维过程并提高人们可能提出的解决方案的创造力。

“设计思维”的推广已被大型全球公司用来增加业务。不过，在更广泛的设计世界中，我甚至会说“设计思维”的过度宣传导致了所提供设计质量的下降。—— Yasushi Kusume

弗吉尼亚理工大学科学、技术和社会助理教授 Lee Vinsel 在《设计思维运动是荒谬的》中写道，“归根结底，设计思维与设计无关。这与文科无关。这与任何有意义的创新无关。如果这意味着重大的社会变革，那肯定不是关于“社会创新”。这是关于商业化的。”

31. 为什么需要共情 观察人们的行为以及他们如何与环境互动，可以为你提供有关人们想法和感受的线索。

你可能认为你知道问题所在，但只有通过观察才能了解消费者真正需要什么。

宜家派设计师到人们家中，观测他们的互动行为来了解他们的需求。这将使设计者能够推断这些经历的无形含义，以发现洞察。这些洞察提供创新解决方案的构思方向。而事实上，最好的解决方案来自于对人类行为的最佳洞察。

Good Kitchen 是一家为老年人和体弱者提供膳食的社会服务机构。起初的问题似乎是设计不当的膳食菜单。然后设计思维揭示了无数问题，所有问题都源于服务本身的性质。因此，经由对服务进行了彻底改革的之后，最终提高了客户和员工的满意度（利特卡，2014）

欢迎关注作者微信公众号：「TCC翻译情报局」

大家好，这里是 TCC 翻译情报局，我是张聿彤。最初接触设计思维之时，听说过这么一个比喻，设计思维好比是一份菜谱，很多人都可以照着做。现在回头细想，才发现这句话只说了一半。

大家好，这里是 TCC 翻译情报局，我是张聿彤。最初接触设计思维之时，听说过这么一个比喻，设计思维好比是一份菜谱，很多人都可以照着做。现在回头细想，才发现这句话只说了一半。因为设计思维的运用不只是做出一道菜，更要做出一道好菜。标准化的流程只能保证按部就班做出，唯有差异化的、具有个人特质的“厨师”（设计师）才能做出符合对应“食客口味”（用户需求）的好菜。“菜谱”的广为流传只能造就能做饭的厨子，却改变不了菜不好吃的事实。希望以下 31 件零散的小事，可以帮助大家更好地理解“设计思维”这一“菜谱”。

设计科学才是对人类的恰当之研究，它不仅是技术教育的专业组成部分，也是每位经受文科教育之人的核心学科。”—— 赫伯特·西蒙

更多 设计思维 ：

这 10 位顶尖的日本设计师，有哪些私藏的设计思维？ 优秀的设计师是怎样构思设计方案的？

阅读文章 >

1. 并不存在单一的设计过程 设计过程被描述为多个阶段，每个阶段都包含不同的活动来完成该阶段，它没有统一的标准流程，每个公司和设计师都有自己的流程版本。

尽管存在多个流程，但一般流程和阶段类似于以下内容:

了解问题：初步了解问题。观察、采访和倾听用户。

定义问题：解释和定义要解决的问题。

构思：通过头脑风暴产生尽可能多的想法。

原型设计：构建原型并与其他人分享（ 再次缩小解决方案空间，为实验阶段 ）。

测试：测试可能的解决方案、实施、改进或重新设计。

2. 设计思维是传统解法和创造性设计过程的结合 传统的问题解决采取有条不紊而又科学的形式。该过程从一个问题开始，定义要采取的步骤以及达到解决方案的工具或方法。

设计思维是一种创造性的策略，可以产生创造性的未来结果和/或创造性的问题解决方式，它应该被认为是一种以解决方案为中心的思维策略。

它通常被描述为一种创造性、主观和感性的对许多大型组织的分析逻辑（ 布朗，2008 年 ），或作为分析和创造性推理模式的组合（ 邓恩 & 马丁，2006 年；利特卡，2015 年 ）。

3. 设计思维是问题解法的进阶 设计思维来源于常规问题解决方法，常规问题解法是设计思维的基础。

从解决问题到设计思维，Liedtka (2013)

结果发现，设计思维实际上也是一个解决问题的过程，而不仅仅是一个创新过程（ 利特卡，2013）

一个例子是，丰田采用设计思维从头开始分析其西海岸的一个客户联络中心，在重新设计过程中，组建了一个由一线呼叫代表、软件工程师、业务主管和变革代理组成的跨职能团队，这一举动最终改变了客户和员工的服务中心体验。

4. 从起床到入睡，你都在解决问题 我们每天都会遇到问题，但是当我们解决同样的问题时，它们就成了例行公事（ 似乎已经忘记它们是问题了 ），我们甚至都没有意识到正在解决这些问题。例如，我的办公室在 30 分钟路程之外，该怎么到达那里？开车、坐火车或巴士到目的地；除非车子轮胎被刺破，否则你就需要弄清楚如何到达办公室。

5. “设计思维”术语的产生 1990 年代，IDEO 的 David Kelley 和 Tim Brown 与 Roger Martin 共同创造了特定术语：“设计思维”，并将多年来酝酿的方法和想法封装成一个统一的概念。

6. 工程设计思维现在被称为设计思维 设计思维是以人为中心、开放式、基于问题的方法论。这种方法最初是为了改变工程教育中的教学方式，而工程师处理和解决问题的方式有其设计思维的基础。

作为工程设计过程的设计思维范式示意图

7. 设计思维的历史早已出现（2000 年） 设计思维一词可以追溯到 1987 年 Peter Rowe 的著作：“设计思维。” 他描述工程师和建筑师处理问题的方法有很大不同。

90 年代初，认知科学家 Don Norman 加入 Apple 团队，担任他们的用户体验架构师，这使他成为第一个在职位中包含 UX 的人。他提出了“用户体验设计”这个术语，因为他想“涵盖人们对系统体验的所有方面，包括工业设计、图形、界面、物理交互和手册。” 从那时起，这些领域中的每一个都将用户体验，扩展到了自己的专业领域。

8. “棘手的”设计思维 设计思维在解决“棘手问题”时特别有用。

棘手问题的特征

“棘手问题”一词是由设计理论家 Horst Rittel 在 1972 年创造的，用来描述本质上非常模糊 \ 特别棘手的问题。棘手问题，有很多未知因素，没有确定的解决方案。问题或解决方案可能与另一个棘手的问题有关，因此这是一个需要设计思维的持续过程。贫困、饥饿和气候变化是一些现代的棘手问题。

9. 设计思维不仅限于数字化设计的应用 设计主题的范围是普遍的，因为 设计思维可以应用于人类经验的任何领域。

它可以用于：

符号和视觉传达：这包括平面设计的传统工作，如排版和广告、书籍和杂志制作、科学插图、摄影、电影、电视和计算机显示。 材料：这包括对日常用品的形式和视觉外观的传统关注 —— 服装、家用物品、工具、仪器、机械和车辆。 人类活动和组织性服务：包括对物流的传统管理关注，结合物质资源、工具和人类低效的序列和时间表，以达到特定的目标。 复杂的系统或环境：生活、工作、娱乐和学习。这包括系统工程、建筑和城市规划的传统关注点，或复杂整体部分的功能分析及其随后在层次结构中的集成。 10. 设计思维不仅限于设计师的实践 设计思维起源于设计师的培训和专业实践，但这些原则可以被每个人实践并扩展到每个活动领域。（布朗，2013 年）

在企业中，设计过程可以为企业环境中的问题解决带来创新思维。它还可以用于医疗保健，通过向护士、医生和管理人员教授设计思维技术，我们可以激励相关从业者贡献新的想法。

11. 了解问题是第一 不管是什么设计，理解和研究问题是必不可少的，因为我们能够从其出发，从而进行以用户为中心的设计。

设计思维的最早阶段是搞懂你能带来的情感价值。设计思维方法迫使你停留在提问与质疑阶段，而不是准确定义出问题后进入下一阶段。我们都有过快进入解决方案模式的倾向，所以设计思维方法迫使你真实地存在于这个不清楚、有时还非常混乱的时刻，从而使你对要解决的问题产生更好的理解。（利特克，2013）

12. 设计思维需要两种不同的思维 传统的问题解决涉及提出一个解决方案，但设计思维首先使我们发散，试图为问题生成各种可能的替代解决方案。然后让我们进行收敛性思维，缩小多种可能性，找到单一的最佳解决方案。

13. 设计思维是可以传授和学习的，它不是一种人格特质 根据利特卡和奥美 (2011) 的说法，设计思维的全部意义在于学习一种新的、系统的解决问题的方法。正如我们思考创造力一样，即使是设计思维也可以通过实践来教授和改进。

14. 设计过程不是线性的 设计过程从来都不是线性的，它由多次失败和迭代组成（布朗，2018）。

首先，设计师试图将问题与过去的类似案例联系起来。如果这种方法不能提供任何解决方案，下一步就是使用知识和创造力作为一种实验思维形式来产生新的想法。使用决策矩阵对这些想法进行评估，从而会产生被进一步分析和测试的解决方案。如果成功，它将被实施。如果不成功，则需要重新表述问题，并重复该过程。这是一个迭代过程，即循环方法。

这一持续不断的重新再设计过程，源于和客户亲密接触的洞察。

15. 调研是设计思维非常重要的工具 学习设计思维不仅仅意味着学习一套新的工具。它还意味着：学习收集和分析大量数据；学习挖掘对象可能的形态而不是自主认为他是什么；学习管理不确定感，以及与许多新的伙伴合作（ 利特卡和奥美，2011）。你可以进行的研究类型分为三类：生成性研究、评估性研究和验证性研究。

16. “要么很快失败，要么经常失败” 一种常见的表述 —— 实际上是设计思维的另一种视角 —— 即设计师应该预料到会“很快失败或经常失败”（布朗，2009）。

当过程早期发生故障时，例如被拒绝的原型，实质上它可以为有效解决方案提供关键见解。这种观点与传统的先形成理论，再检验正误的方式相矛盾。

17. 公司正在将设计思维作为解决问题的核心方法 Airbnb、Braun 和百事可乐等多元化公司都在 采用设计思维并将其作为核心战略。例如，IBM 为全球旗下的 44 个设计工作室聘请了 1600 名设计师，并且正在培训数以万计的设计师员工建立深度创新能力 ( O'Keefe, 2017 )

18. 以人为本的思维 设计思维为我们解决问题添加了以人为本的元素。当我们试图通过牢记人们的想法来解决问题，并使用基于直接观察乃至访谈的研究时，我们便会捕捉到与消费者需求一致的意外见解和创新。

19. 可观的商业价值 它有助于将成功的产品更快地推向市场，最终节省企业资金。 IBM 的健康和人类服务组织的设计思维实践，通过有效使用设计和设计思维帮助企业将缺陷数量减少了 50% 以上。这种更高效的工作流程导致计算出的 ROI 超过 300%。

20. 对复杂问题的作用性 由于复杂的问题从来不能被所有人完全理解，因此在尝试设计解决方案时，处理歧义和多个并发的思路方向的能力是至关重要的素质。

设计思维通过综合和归纳思维，帮助实现质的飞跃。它允许通过解构来测试约束，并允许通过多样性思维和批评思维，来拥抱和探索歧义。

消费者通常不知道他们有什么问题需要解决，或者他们无法用语言表达出来。只有经过仔细观察，设计者才能根据真实消费者行为中看到的东西来识别问题，而不是简单地根据对消费者的想法来确定问题。这有助于定义模棱两可的问题，并找到解决方案。

21. 别名：跳脱框架的思维 该方法鼓励“跳出框架思考”（“疯狂的想法”）；它蔑视显而易见的事物并采用更具实验性的方法。 在早期的流程阶段鼓励大胆的想法，以产生创造性的解决方案。使用它是为了让设计师可以尝试开发新的不受约束的思维方式，或对常见问题的创新解觉方法。

22. 设计思想家的特征 根据大多数设计学院的说法，具备特定特质的人能够更好地发挥设计思维的作用。

同理心：从多个角度想象世界 —— 同事、甲方客户、实际使用者和消费者的角度。要成为更好的同理心，必须倾听和观察他人的行为，注意并获得洞察力。

综合思维：重要的是不仅要有分析能力，而且要能够提出新颖的解决方案，还要凭直觉。

乐观：除非你相信有解决方案，否则在遇到挑战且解决方案遇到瓶颈时，你可能会放弃。

实验主义：重大创新并非来自渐进式调整。设计思想家以创造性的方式提出问题并探索限制因素，并朝着全新的方向发展。

协作：产品、服务和体验日益复杂，因此必须拥有一支具有不同背景的团队，以帮助从多个角度看待问题。

23. 有助于对抗某些偏见 当我们想到一个问题的多种解决方案时，对我们解决问题会非常有帮助，因此“功能固定性”阻止了我们以新颖的方式使用旧工具解决新问题。想要摆脱功能固定，首先是要让人们可以使用“改造后的衣架进入上锁的汽车”。这也是盗贼第一次可以用信用卡撬开简单的弹簧门锁。

24. 实用 为了帮助设计师利用文科和技术理论，整合多个领域的知识以找到创新的解决方案，我们采用设计思维来获得洞察力。该方法侧重于可视化和操作，因而帮助我们更容易地了解实际解法，而不仅仅是理论模型。

25. 执行 第一批美国公司在 2000 年代初期开始实施设计思维，这一概念引起了德国投资者 Hasso Plattner 的兴趣，他于 2006 年资助创建了两所设计学校（d.schools），其中一所位于波茨坦大学（德国），另一所位于美国斯坦福大学。由于两所学校都成功地为大型组织提供了高管设计思维培训，因此该研究重点关注这些国家，以寻找早期实施者。

26. 团队思考 设计思维通常涉及希望参与整个设计和开发过程的庞大利益相关者团队。

观点、才能和经验的多样性被认为是注入新思维的部分重要来源。多样性确保通过融合不同的观点、技能和知识来产生创意（卡振思，2018 年；萨梅和德拉赫-扎哈维，2013 年）。设计思维的协作方法和工具可帮助团队以积极的方式利用他们的差异。

决策是平等的，因为每个成员的意见都被征求和使用（卡尔格伦等，2016）。

27. 不需要花哨的技术原型 当 IDEO 去 Apple 展示他们的鼠标时，它不是什么花哨的设备，而是一个用胶带粘起来的原型。

低保真原型制作起来既快速又便宜（ 想想几分钟和几分钱 ），但可以从用户和同事那里得到有用的反馈，这符合快速验证、廉价试错的原则。为每个想法投入尽可能少的资源意味着前期投入的时间和金钱更少。此外，将多个原型带到现场进行测试为用户提供了比较的基础参考，同时也有助于揭示某些需求。

28. 过程强调心态和行动 为了创新，设计思维意识到认知和行动对创新过程很重要。认知包括接受度、乐观和创造性的信心（ 凯莉 & 凯莉，2013；郑，2018），而行动包括快速原型设计、旅程地图和假设浮现（ 假设浮现：assumption surfacing，这是一种评估技术，涉及写出潜在的假设和反假设。）（ 卡尔格伦等，2016；利特卡，2015）

29. 在组织中实施设计思维的挑战 如果领导层不欢迎风险、模棱两可和风格的改变，实施起来就会变得更加困难。它会被管理者“质疑”其具体指标

沃尔特斯 ( 2011 ) 声称，由于设计思维的模糊性，它与组织文化相冲突。

据受访者称，在日常业务中使用设计思维之所以不会是最优选项， 因为它是资源密集型的，增加了工作量。（ 丽莎等，2016）

在医疗保健等规避风险的行业和公司中，“经常和早点失败”的方法被认为是非常困难的。

30. 设计思维的问题 许多设计师反对设计思维这一观点，设计思维不仅关乎一个过程，而且关乎改变思维过程并提高人们可能提出的解决方案的创造力。

“设计思维”的推广已被大型全球公司用来增加业务。不过，在更广泛的设计世界中，我甚至会说“设计思维”的过度宣传导致了所提供设计质量的下降。—— Yasushi Kusume

弗吉尼亚理工大学科学、技术和社会助理教授 Lee Vinsel 在《设计思维运动是荒谬的》中写道，“归根结底，设计思维与设计无关。这与文科无关。这与任何有意义的创新无关。如果这意味着重大的社会变革，那肯定不是关于“社会创新”。这是关于商业化的。”

31. 为什么需要共情 观察人们的行为以及他们如何与环境互动，可以为你提供有关人们想法和感受的线索。

你可能认为你知道问题所在，但只有通过观察才能了解消费者真正需要什么。

宜家派设计师到人们家中，观测他们的互动行为来了解他们的需求。这将使设计者能够推断这些经历的无形含义，以发现洞察。这些洞察提供创新解决方案的构思方向。而事实上，最好的解决方案来自于对人类行为的最佳洞察。

Good Kitchen 是一家为老年人和体弱者提供膳食的社会服务机构。起初的问题似乎是设计不当的膳食菜单。然后设计思维揭示了无数问题，所有问题都源于服务本身的性质。因此，经由对服务进行了彻底改革的之后，最终提高了客户和员工的满意度（利特卡，2014）

欢迎关注作者微信公众号：「TCC翻译情报局」