.png?table=collection&id=cbe6506e-1263-8358-a4d7-07ce62fcbb3f&t=cbe6506e-1263-8358-a4d7-07ce62fcbb3f)
AI“烂方案”的价值：深度解析800人实测背后的创意密码
type
status
date
slug
summary
tags
category
icon
password
网址
AI的“最优解”陷阱：我们对智能的期待是否出了偏差？
在AI技术飞速发展的今天，我们对智能助手、内容生成工具的期待似乎总是聚焦于“效率”与“精准”。无论是ChatGPT、Cursor还是其他AI产品，其核心价值似乎都建立在能否提供最快、最好、最准确的答案或方案上。然而，一项由Swansea大学主导的、涉及800人的大规模人机协作创意实验，却为我们揭示了一个颠覆性的认知：AI给出的“烂方案”，有时比“最优解”更能激发人类的创造力，甚至更有价值。
这项名为“Genetic Car Designer”的在线实验，让参与者设计一辆虚拟汽车，目标是在30秒内跑得越远越好。参与者可以调整车辆的多达85个可调参数。研究者巧妙地设置了两种AI建议模式：一种是基于MAP-Elites算法的“结构化多样性”方案，展示了按速度、轮径、几何形状等维度排列的高性能、奇怪甚至低劣的设计；另一种则是毫无章法的随机历史记录，作为对照组。
实验最令人惊讶的发现在于，那些主动与AI方案互动、尤其是从“烂设计”中汲取灵感的参与者，反而产出了质量最高的设计，并花费了更多时间进行深度思考和探索。
结构化多样性：AI“烂方案”的创意催化剂
研究数据清晰地表明，与AI方案互动过的参与者，平均花费时间是未互动者的2.4倍，设计质量提升幅度更是高达373%。其中，与MAP-Elites方案互动的参与者表现尤为突出。这并非偶然，而是源于AI提供的“结构化多样性”。
与一锅乱炖的随机建议不同，MAP-Elites算法生成的方案，即使是那些看起来“差强人意”的设计，也按照特定的维度进行了组织。这种“好的、怪的、差的方案按维度排列在一起”的呈现方式，迫使参与者超越直接复制最优解的冲动，转而开始主动思考：为什么这个方案不行？这个奇怪的设计有何启发？
当AI不直接给出完美答案，而是呈现一系列不完美的选项时，它制造了一种“认知摩擦”。这种摩擦并非效率的阻碍，而是创意的起点。它拦住了我们可能陷入的“过早固化”（early fixation），逼迫我们绕远路，而正是这些“弯路”，构成了创造力产生的土壤。正如一位参与者所言：“我发现方案在后期更有用，当我自己做的修改不再产生更好结果的时候。”这说明，AI多样化建议的价值，往往体现在我们自以为达到局部最优，实则可能停滞不前时，提供新的视角和突破口。
你花钱买的不是答案，是“刺激”
这项研究对AI产品经理和用户都提出了深刻的挑战，因为它直接对抗了主流的“AI=提效”营销叙事。从ChatGPT到Midjourney，大多数AI工具的卖点都是“更快、更好、更省力”。然而，800人的实测结果表明，真正有价值的人机协作，往往是让你花更多时间、投入更多精力去探索的那种。
AI省下的，不是我们的时间，而是那些我们原本可能不会去走的弯路——那些通往真正创新的“弯路”。研究者直言，基于方案的人机协作工具，不应被视为省时工具，而应是通过增强人类创造力来产出更好结果的工具。
这种发现，也促使我们重新审视AI产品的评估指标。传统的“点击率”、“复制率”、“采纳率”等指标，只能捕捉到表面的行为参与，却忽略了AI真正产生的认知参与（你是否在思考）和情绪参与（你是否在乎）。仅仅是“看”一眼AI提供的多样化方案，即使未被采纳，也可能在无形中影响了你的设计过程，拓宽了你的思维边界。
AI的未来：拥抱“不那么好用”的设计
对于每一个为AI工具付费订阅的用户而言，这项研究提供了一个全新的视角：我们每月花费的费用，不应该仅仅期待一个提供最优解的系统。好的AI，可能恰恰不是那个直接给你完美答案的，而是那个用一堆不完美的方案，逼迫你去思考、去探索、去创造的。
当ChatGPT、Claude等大模型都在卷“输出质量”时，也许AI产品设计的下一个蓝海，恰恰在于故意“不那么好用”。这种“不那么好用”，不是技术缺陷，而是一种精妙的设计哲学——通过提供结构化的多样性，制造恰到好处的认知摩擦，从而激发用户深层的思考与创造力。你花钱买的，不是一个现成的答案，而是一个强大、且往往是“出乎意料”的创意刺激源。
这正是AI技术在AINEWS领域中展现出的深刻洞察力。它提醒我们，真正的智能协作，是人与AI共同进化，在“不完美”中寻找无限可能。
Loading...