AI 技术正在重新定义产品设计的边界，从界面布局转向系统学习。本文通过对比用户体验数据与AI训练语料库的相似性，揭示了设计流程与机器学习在反馈机制、损失函数和梯度下降等核心概念上的共通逻辑。当设计师开始理解这些AI底层原理，他们的角色将从像素操控者进化为意图系统的架构师。

本文探讨 AI 的核心概念如何重塑产品设计师对反馈、意图以及自身角色未来的思考方式。

在我还曾花数小时坐在巴诺书店（Barnes &amp； Noble）试图弄懂 “H、C、I” 这几个字母含义之前，就已有大量关于用户体验演变的论述。从那时起的 12 年间，我们使用的工具日益成熟，交互规则愈发稳固，设计的作用也不断拓展。我们已成为连接用户、企业及为其服务的技术的桥梁。

如今，随着 AI 走进公众视野，一个新问题浮现：我们接下来该何去何从？

我并非要向大家推荐氛围编码、Figma Make 或任何特定路径。相反，我想分享我在学习大语言模型基本工作原理时萌生的一个想法。这是一种开始跨领域连接核心概念的方式，能助力产品设计师迈向技术新时代。随着我们超越对话式界面，需要新的思路来思考如何与这种新兴智能交互。

首先要明确，就本文而言，“产品设计” 一词含义丰富。甚至 Figma（ https://www.figma.com/resource-library/what-is-product-design/）自身定义的职责也远不止 “摆弄像素”。当产品设计师深入理解技术运作方式以及企业衡量成功的标准时，才能发挥出色。无论是支持关键指标还是制定战略，我们的工作都融合了不同领域。

为做好这些，我们已从系统、框架、研究和遥测角度思考，以影响指标并推动更好的成果。若将同样思路应用于 AI 中的训练语料库、损失、梯度和意图等概念，我们就能预见一个未来：设计不再只是界面布局，而是理解系统如何学习。这就是我想探索的桥梁。

AI 在反馈与学习方面带给我们的启示

如今，几乎每次谈及技术，“数据” 这个词总会出现。它塑造了我们设计的体验、企业做出的决策，以及驱动现代系统的智能。在这部分，我想聚焦 AI 中的数据如何为我们自身设计流程带来启示，尤其是我们如何学习与迭代。

假设有一系列数据可供我们使用。

在用户体验领域，我们常接触两种数据：定性数据，描述人们说了什么；定量数据，描述人们做了什么或做的频率。我们先关注定量数据。想象将可用性研究结果绘制在简单的 x 轴和 y 轴上，展示努力程度与成功率。现在，对 AI 模型学习的数据（即训练语料库，见 FastCompany 文章《何为 “语料库”》）做类似处理。（https://www.fastcompany.com/90916291/what-is-a-corpus-ai-corpora-chatgpt）

让我们想象一下，我们把数据绘制出来，一次是可用性研究，一次是训练数据。

当然，大语言模型（LLM）的数据并非如此简单，但以此作比有助于理解。当两组数据都可视化后，我们可以想象在一张图表上绘制代表平均用户反馈的线，在另一张上绘制 AI 预测理解的线。这两条线之间的距离代表了两个领域共有的东西：期望与观察之间的差距。

现在让我们用绿色线来可视化，平均用户响应或大型语言模型的预测可能是什么样子。

在设计中，我们称之为 “摩擦”；在 AI 中，它被称为 “损失”。这两个术语都描述了出错的代价。当我们对流程进行迭代或重新设计功能以消除摩擦时，从某种意义上说，就是在最小化损失。每一轮测试都为我们提供更多数据，以调整对用户心理模型的认知，就像机器学习系统调整内部权重以更好地预测结果一样（IBM：什么是损失函数）。（ https://www.ibm.com/think/topics/loss-function）

我们的预测与现实之间的差异会成倍影响我们的工作，无论是针对体验还是我们正在创作的大型语言模型。

例如，在新手引导流程中，用户多次在 “公司名称” 字段放弃填写表单。一旦发现这个问题，我们可能会重新标注该字段或使其变为可选，从而减少摩擦并提高完成率。这种调整与 AI 系统发现错误后修正参数的方式类似。

调整LLM的参数，或迭代体验，有助于我们同时优化两者。

这就涉及到 “梯度” 的概念。在机器学习中，梯度衡量减少损失所需变化的方向和幅度。可以想象成让球沿着地形滚向最低点（IBM：什么是梯度下降？）。（ https://www.ibm.com/think/topics/gradient-descent）坡度告诉模型如何调整参数以提高性能。在产品设计中，每次我们解读可用性数据或客户反馈以决定下一步更改时，也在做类似的事。我们的梯度就是方向性洞察，即知道朝着哪个方向改进体验会更流畅。

通过调整大型语言模型或体验的参数，我们应该能减少摩擦和损失，理想情况下它们消失。

良好设计的迭代过程在很多方面就是一种梯度下降。我们找出用户遇到困难的地方，调整假设，然后再次衡量。随着时间推移，我们的认知会逐渐趋近于用户需求。这并不完美，机器学习模型也一样；两者都是通过反馈不断优化的近似结果。

从这种类比中可得出一点：反馈，无论是来自人还是数据，都不是事后才考虑的事。它是使系统与现实保持一致的学习机制。就像模型可能过度拟合训练数据一样，团队也可能过度依赖内部假设或利益相关者的偏好。在这两种情况下，解决办法相同：构建结构化、持续的反馈循环，平衡探索与修正。

作为优化系统的设计

既然我们理解了设计与 AI 在反馈和学习方面的共同语言，不妨从宏观角度看看这些循环如何存在于我们工作的各个层面。大多数资深产品设计师都知道，我们设计的界面只是一个更大系统的一部分。正如尼尔森・诺曼（Nielsen Norman）的 UX 成熟度层级所述，（ https://www.nngroup.com/articles/ux-maturity-model/）成熟的团队和从业者会超越像素层面，构建框架、战略模型和协调结构。即便在这些更高层面，紧密的反馈和迭代循环也指导着我们的工作。

如果学习和迭代存在于各个层面，我们的任务就是理解这些层面如何相互关联。每个层面都有需要最小化的特定损失和需要优化的信号。大致可分为三个层面：

1. 设计师优化界面：减少摩擦并改进微交互（微观 “待办任务”）。
2. 界面优化用户旅程：帮助用户完成能够传递产品价值的关键 “待办任务”（JTBD）。
3. 组织优化成果：将这些旅程与业务指标（如采用率、留存率和收入）对齐。

从战略角度工作的产品设计师自然会在这三个关键层面进行优化。利用每个层面的关键信号以及目标（或意图），我们就能理解损失所在，并通过迭代消除损失。

在第一个层面，设计师关注点击率或错误事件等即时信号，以减少摩擦并引导用户完成虽小但有意义的任务。在下一个层面，我们将视角扩展到更高阶的目标，比如 “用户在 30 天内完成个人资料填写”。这些综合结果表明我们的产品是否兑现承诺。最后，在组织层面，我们再次扩大视野，审视整个用户旅程和功能集如何为更大的关键绩效指标（KPI）和目标与关键成果法（OKR）做出贡献。每个层面相互影响，形成从微观交互到业务战略的持续优化循环。

传统体验设计中的优化周期映射及其伴随信号，可能大致如下。

作为产品设计师，我们的工作正从静态界面设计转向协调这些意图系统，在我看来，这与 “待办任务” 仍属同一范畴。随着更多生成式体验的到来，我们的影响力不再主要体现在决定每个像素的位置，而是定义系统应学习的方向。我们的任务变为确定每个层面的目标，确保其中流动的反馈有意义，并引导系统在各个层面减少损失。

信号更多地关乎识别用户需求（意图）的准确性，以及大语言模型为支持期望结果所采取的行动（例如提供最具影响力的文案以鼓励他人购买产品）之间的关联。

要做到这一点需要数据，但这正是许多组织面临困难的地方。以我在大小企业的经验，很少有成熟的监测策略能将产品内信号与 KPI 或 OKR 关联起来。这就产生了盲点：团队无法了解用户意图如何转化为业务成果，尤其是在 AI 日益影响的环境中。当监测策略经过精心设计，这些信号就成为我们遵循的梯度。它们让我们看到体验的不足之处，衡量偏差程度，并通过迭代使产品、用户和业务保持一致。

与其他思路类似，比如克劳迪娅・卡纳莱斯（Claudia Canales）《超越模型：AI 产品设计的系统方法》中，（ https://uxdesign.cc/beyond-the-model-a-systems-approach-to-ai-product-design-fd9917750993）将设计定位为一个系统，我认为它是一个优化系统，而非创造完美界面。这关乎培育与用户共同学习的反馈系统。当产品设计师学会解读意图、协调信号并平衡各层面目标时，我们就能为真正自适应、融入 AI 的体验奠定基础。

从控制到引导

作为产品设计师，我们很多人习惯控制体验的每个元素。但随着生成式系统开始为我们构建部分界面，我们的价值从塑造最终形式转变为定义塑造它的条件。我们从创造者转变为引导者 —— 设计意图、数据和反馈如何相互作用，使系统与人类目标保持一致。

想象打开设计工具，看到围绕推断意图构建的生成式原型。你无需重新绘制组件，而是评估信号：模型是否正确理解任务？反馈循环是否闭合？从创造到筛选的这种转变，可能是我们工作的一个发展方向。我们的影响力并未消失，而是在演变。

当我们将设计视为一个优化系统时，就不再把 AI 当作一个单独的学科或最新工具，而是看作一面镜子。它反映了我们已有的工作方式：学习、调整，在人类意图和技术可能性之间寻求平衡。设计的下一次演变并非取代我们现有的工作，而是拓展我们的学习方式。