關注“在線學習”

獲取更多資訊！

刊載信息

林琳，沈書生，程一琳，& 鄧銳芳.(2026).設計思維的未來：人工智能驅動的人機協同創造. 中國遠程教育(4),79-95.

設計思維的未來：人工智能驅動的人機協同創造
林琳, 沈書生, 程一琳, 鄧銳芳

【摘要】設計思維在教育領域的廣泛應用，為學習者深度體驗創造過程提供了豐富契機。伴隨人工智能的迅猛發展，人機協同正逐漸成為未來工作與學習的新常態。設計思維與人工智能在底層邏輯上高度同構，二者均聚焦復雜問題解決能力、設計能力與創造能力的實現，并共享以人為本、迭代原型和測試、接納模糊性探索、數據驅動決策及跨學科協作等方法理念?！霸O計思維與人工智能協同創造”不僅超越了單純的多主體參與，更強調在設計思維的各環節中人機優勢互補下的共同規劃與實踐。基于此，本研究構建了設計思維與人工智能協同創造的過程模型，系統闡釋了人工智能在設計思維各環節中的賦能機制以及人類的核心價值定位。研究強調，在該過程中需要平衡機器生成與人類創造的張力，堅守人類主體責任意識，最終指向人類創造能力的持續躍升。

【關鍵詞】設計思維; 人工智能; 人機協同創造; 創造能力; 過程模型

一、

引言

在教育強國建設進程中，教育數字化具有變革性的推動作用，而其中，人機共創共生已成為開辟教育新賽道、塑造教育新優勢的關鍵基礎（袁振國, 2024）。在技術飛速發展的時代背景下，設計思維（Design Thinking，DT）作為解決復雜問題、推動創新以及促進跨學科協作的重要認知工具，已經被廣泛應用于教育實踐，并為創新型人才培養提供了有效途徑。經典的DT過程包括移情、定義、構思、原型與測試，本質是對設計師認知活動的具象化，高度依賴人類的創造力和直覺。

然而，隨著人工智能（Artificial Intelligence，AI）的興起，尤其是以生成式人工智能（Generative Artificial Intelligence，GenAI）為代表的智能技術的迅猛發展，傳統的認知流程正被深刻優化（沈書生, 2025）。AI具備卓越的計算、模式識別和數據處理能力，不僅為DT注入了新的活力，也推動了教育者重新思考人機協同創造的可能性。AI大模型的深度應用，催生了人機協同教育的新形態，并在潛移默化中改變著學習者的學習方式（黃榮懷, 2024）。可以預見，人機協同學習將成為未來教育的新常態，而創新創造仍然是人類學習的最高追求。修訂版布魯姆認知目標分類的最高層次就是創造，該層次要求學生能夠通過創新創造，提出新觀點或新方案。人類與機器的協同作用，正從基礎協作逐步邁向能力增強、深度融合乃至共同創造的理想目標（祝智庭 等, 2023）。

在這一背景下，人類正步入人機共創的新時代，培養能夠高效實現人機協同創造的人才，已成為教育領域亟須應對的重要任務（李冀紅 等, 2021）。當前，DT與AI的內在契合性如何賦能人機協同創造？教育工作者應該如何理解DT與AI的協同創造？又應如何將AI有效融入DT流程，以提升學生的創新效能？這些關鍵問題亟須深入研究和探討，以期為創新教育實踐提供新的方法論基礎，進一步促進AI背景下創新型人才的培養，從而更好地應對不斷變化的技術環境。

二、

為何：設計思維與人工智能的共性

隨著GenAI的快速發展，AI正從早期基于規則的符號推理，向以Transformer架構為基礎、面向海量文本建模的新范式轉變（Shanahan, 2024）。這些技術創新正深刻重塑人類生產生活方式，推動自動駕駛汽車、智慧醫療系統等多種AI應用蓬勃發展。同時，DT作為一種系統性的方法論，不僅在產品創新中展現出強大的驅動力，更廣泛應用于復雜社會問題的解決過程。在數字化與智能化浪潮下，AI與DT能夠成為推動多領域創新的核心引擎，根本原因在于二者在認知機制與算法邏輯層面共享高度一致的底層邏輯（如圖1所示）。

圖1 設計思維與人工智能的共性

（一）共同的目標

自然智能指人類與生俱來的認知能力，如解決問題、模式識別和決策等。DT作為一種創造性解決問題的方法，充分調動這些自然智能，包括復雜問題解決能力、設計能力和創造能力。這三者的核心均聚焦于創造，例如，提出創新性解決方案或設計富有創意的作品。AI技術通過這三者與DT建立了關聯（Baradaran, 2019, pp.64-71），具體如下。

一是復雜問題解決能力。社會系統中充斥著定義模糊、利益交織的刁鉆問題（Wicked Problem）。DT作為刁鉆問題解決框架（Buchanan, 1992），依賴跨學科團隊的多元知識與創造力，強調對問題與路徑的雙重探索。在底層認識論上，AI與DT同屬于“人工科學”，旨在有限理性的約束下尋求復雜環境的滿意解（Simon, 1996, pp.27-28, 111）。隨著AI的進步，大模型已經成為解決各領域復雜問題的強大工具，其優勢在于將原始計算能力與近似人類的推理能力相結合（Zheng et al., 2025）。

二是設計能力。設計被視為繼科學與人文之后的第三智慧（柳冠中, 2011）。DT源于對設計師的設計過程與認知方式的研究，形成的創新方法論旨在推動各行各業深入挖掘與培養人類天生的設計能力。AI在設計領域同樣展現出潛力。一方面是模擬設計。AI能夠對海量先驗數據進行學習后，于多維的潛空間（Latent Space）中進行特征重組（Peter et al., 2026），基于此可開發出能自主設計的智能系統。另一方面是支持設計。AI可通過專家系統和多智能體完成靈感啟發、草圖繪制、理解用戶等任務，參與設計過程，提升設計結果（Arda, 2024, p.27）。

三是創造能力。發散思維作為創造能力的核心，貫穿于DT的“發散—聚斂”及迭代過程。認知心理學認為，創造是一種認知加工過程，DT反映了設計師實現創新的認知方式與過程。創造能力不僅源于個人，也體現在團隊互動中，DT同樣強調跨學科協作與交流。創造能力既是人類智能的重要特征，也是AI發展的重大挑戰。早期關于計算創造力的理論指出，AI可通過概念組合、空間探索等方式實現創造（Boden, 1998）。當前，AI實現創造的機制更加多樣（胡衛平 等, 2024）。一方面，大模型技術可通過概率采樣或隨機噪聲引入不確定性，這是AI能夠發散的基礎；另一方面，復雜內容的創造需要更強的推理能力，推理技術的發展，如思維鏈和深度思考模型，實現了更加復雜的邏輯推理，使得生成的內容效果更好，能夠應對更復雜的需求。

在此需厘清：“創造能力”用以描述具體行為，與特定任務或問題解決相關，具有顯性和情境性特征；“創造力”則偏向描述核心素養，具有隱性和宏觀特征，不受具體情境限制。DT作為認知支架，在培養顯性能力的過程中，驅動隱性素養的發展，促成外化行為與內在素養的相互映射。

（二）共享理念與方法

DT的有效性體現在通過其流程實現創新，而AI的有效性則體現在開發高質量的系統或提升其應用效能。促使DT與AI有效的共享理念和方法，主要包括以人為本的設計路徑、迭代原型和測試、對模糊性與探索過程的積極接納，以及基于數據驅動的決策機制（Sreenivasan & Suresh, 2024）。此外，跨學科協作作為創新生成的關鍵動力，也是二者共同遵循的重要實踐，具體如下。

一是以人為本的思想。這一思想是DT中極為重要的理念。DT流程的首要環節是移情，這一過程要求設計者（在教育情境中即為學習者）通過主動與環境互動，從用戶的視角體驗和同理用戶的感受，從而以用戶需求為出發點發現問題并尋找創新解。大模型的訓練過程同樣貫徹以人為本原則，其輸出內容也體現了對人類需求的關注。具體而言，在AI的發展中，大模型的能力評價不僅關注客觀正確性，還融入了人類偏好對齊（Alignment）及價值判斷，例如采用基于人類反饋的強化學習（Reinforcement Learning from Human Feedback，RLHF）技術（Ouyang et al., 2022），實現與人類價值觀、倫理和偏好的深度對齊。

二是迭代原型和測試。DT過程具有非線性特征，各環節之間可能循環往復；同時，通過迭代測試推動原型優化。通過測試，設計者能夠深入了解用戶需求，獲得重新定義問題的深刻見解，并為項目開發帶來創新思路。對于AI而言，一方面，大模型的訓練經歷無監督預訓練、指令微調以及人類反饋優化（Ouyang et al., 2022），并通過多輪探索與迭代不斷提升性能；另一方面，通過多智能體框架設定不同角色（如創造者和反饋者），在“創造方案—發現問題”的迭代過程中，促進AI生成更優結果。

三是接納模糊性探索。解決問題旨在滿足現實需求，而發現問題則是創造潛在需求。DT本質上是一個探索謎題的過程。在應對設計挑戰時，往往面臨問題未知、解決方案亦未知的雙重不確定性。DT在模糊的問題背景下，通過創新漏斗機制，不斷聚焦和澄清問題及其可能的解決路徑。與此同時，當代大模型展現出對結構不良問題的極強探索能力。它是基于一個由海量文本數據訓練而成的、超高維的數學模型，通過復雜的統計模式匹配來生成文本（Peter et al., 2026）。在此機制下，AI能夠在模糊語境中，識別出人類易于忽略的模式、趨勢與關聯，進而提供新的視角與答案（Sreenivasan & Suresh, 2024）。這種能力使得AI在探索未知領域、發現隱藏規律方面具有顯著優勢。

四是數據驅動的決策。DT與AI的決策均高度依賴數據。在DT過程中，通過訪談、觀察、民族志等方法深入分析數據、確定設計挑戰，通過方案對比、用戶反饋等方法確定最優方案。AI的生成能力來源于對海量數據序列（如詞、標記）的聯合概率分布進行建模與采樣（Shanahan, 2024），其認知基座由龐大的語料庫塑造，任務執行依賴對上下文提示詞的深度解析。AI通過自然語言處理、情感分析、深度學習等高級方法深入理解數據，并利用模型預判趨勢和事件。數據驅動決策融合數據科學與AI，推動智能計算發展與各領域決策的智能化、自動化（Sarker, 2021）。然而，AI的決策結果并非總是準確，理解其決策依據對人類而言至關重要。

五是跨學科團隊協作。設計本身融合科學與人文知識，具有顯著的跨學科特性。DT實踐強調跨領域協作，設計者需具備跨學科交流能力，在多元團隊中共同激發創意，形成整體愿景。AI同樣是高度跨學科的領域，融合了計算模型、工程設計、人機交互、行為科學等多學科理論與方法（許為 等, 2021），本身就是計算科學、神經生物學、認知心理學等多領域交匯的產物。更重要的是，當前大模型已經在其萬億級參數中內化了人類多個學科領域的知識邊界，能夠扮演多元專家角色，支持跨學科團隊協作，實現跨領域知識的即時聯想與整合，大幅提升團隊創新效率。

三、

是何：設計思維與人工智能協同創造

（一）“創造”的內涵延伸至人機共創

喬伊?保羅?吉爾福德（Guilford, J. P.）于1950年首次提出“創造力”的概念?！皠撛臁弊鳛閯撛炝Φ木唧w體現，最初被視為人類特有的活動，能夠產生新穎且有價值的成果。對創造的研究經歷了從關注個體創造到關注群體創造的拓展。群體創造又稱協同創造、合作創造或團隊創造（王亞男 & 張景煥, 2010），其提出源于“創造力是個體現象還是社會現象”的討論。研究者早期關注個體創造的專業技能與創造性思維等內在因素，后續則聚焦于群體創造中的互動過程、團隊氛圍等外部因素，認為創造是在交流與反思性互動中實現的。

盡管AI在創造領域發展迅速，但對其是否具備與人類同等的創造力仍存爭議。研究表明，AI的創造力本質上是基于算法的模仿性創新，其生成新穎想法的能力受限于人類預設的規則與標準（李建會 & 夏永紅, 2020）。相比之下，人類創造力是一種身心統一、感性與理性交融的復雜認知過程（高華 & 陳紅兵, 2021），具有突破范式約束的顛覆性特質。有趣的是，在發散思維這一創造力核心維度上，GenAI在特定提示條件下表現出超越人類的能力（Hubert et al., 2024），這種看似矛盾的現象恰為理解人機共創的必然性提供了新的視角。

當前，人機協同已演進為新型創造力生產范式。有研究表明，GenAI能夠有效提升想法創新性，在產生漸進性創新方面尤為突出（Lee & Chung, 2024）。究其原因，AI在人機協同中通過強化人際協作、推動思維精煉和人格塑造等機制，促進人類認知發展（王春麗 等, 2024）。該模式使人類得以借助AI的遠程概念聯結和即時響應能力，在復雜問題解決中實現認知增強與創新加速，這標志著人機關系已從工具使用邁向深度共創的新階段。

（二）溝通、協調、合作和協同的內涵辨析

在相關研究中，協同（collaboration）、合作（cooperation）、協調（coordination）和溝通（communication）等術語有時被交替使用，但學界普遍認為“協同”代表更高層次的互動；溝通作為基礎層，通過信息交流與共享消除認知偏差，為協同奠定共同語境；協調則在溝通基礎上，通過任務分配與資源調度，實現個體行為的互補性配置，避免沖突，確保多方行動指向共同目標。合作進一步引入資源共享機制，強調各成員在分工后互助完成任務，并將個體成果整合為系統性成果產出。

“協同”更加強調共同完成的過程，側重于共同規劃與實踐。皮埃爾?狄隆伯格（Dillenbourg, P.）提出協同具有以下核心特征（Dillenbourg, 1999）：高度對稱性的參與者圍繞共同目標展開活動，任務分工不明確，成員高度互依；通過持續同步的深度互動與協商，共同建構知識與共享理解；在動態變化的角色分配與開放包容的交流氛圍中，協同不僅允許誤解與分歧的出現，更強調通過協同修正和意義協商，促進深層的認知發展和社會共建。因此，“協同”強調信息、技能等要素的充分溝通與深刻理解，要求各參與方打破邊界，實現共同規劃、動態執行與聯合反思。通過信息、資源與責任的全方位共享，構建高效的共享環境，解決共同面臨的問題，實現個人目標與集體價值的雙重躍遷。這種高階協同機制為人類與AI共同創造提供了理論依據。

（三）設計思維與人機協同的內在關系

在DT框架下開展人機協同，這里的DT與人機協同并非簡單的概念疊加，其內在關系為“框架牽引”與“能力擴增”的雙向賦能。一方面，DT為人機協同提供方法論指導與價值定位。技術的無目的生成往往會導致創新偏離實際需求。DT為AI的介入提供了一個結構化的認知框架，確保人機協同過程始終圍繞以人為本的核心。在人機互動中，DT引導人類向AI提出具有同理心和深刻洞察的問題，使AI的算力與生成能力受到人類價值觀和真實社會痛點的約束與引導，避免了技術主導下的“為了創新而創新”。另一方面，人機協同是DT的認知擴增器與效能加速器。傳統的DT高度依賴人類團隊的經驗和靈感，容易受到個體認知局限和群體思維定勢的制約。人機協同為DT注入了計算理性和生成式創意。AI不僅在DT過程中快速處理海量用戶數據，打破人類的發散思維瓶頸，提供跨領域的遠距聯想，還大幅降低了技術門檻，加速了想法的可視化與迭代反饋。最終，AI作為“外腦”與人類的“內腦”深度融合，交織成資源、信息與技能共享的有機整體，構建“復合腦”系統以實現高階認知突破（沈書生 & 祝智庭, 2023）。

（四）設計思維與人工智能協同創造的內涵

DT與AI協同創造正在成為推動新一輪創新的重要范式。其內涵可從“協同”與“創造”兩個維度進行解讀。關于“協同”，包含兩個方面。一是主體邊界的拓展。協同不僅指人際共創，更延伸至人機共創。在DT固有的團隊協作語境下，這種邊界的拓展帶來了雙重認知增益：人際共創能夠持續激發個體的創造性自我效能感（Creative Self-Efficacy），而人機共創則被證實可以有效分擔信息處理壓力，降低個體的認知負荷（張初兵 等, 2025）。二是人機優勢高效互補。其前提是明確雙方能力局限以促進溝通。AI具備高速的數據處理能力，但缺乏對經驗和復雜情感的深度理解（Kaplan, 2024）；人類則在情感洞察、直覺判斷與倫理決策上優勢顯著。通過多模態交互，雙方能夠優化信息傳遞，加速創新方案的生成。關于“創造”，亦包含兩個方面：一是在過程維度上，DT過程是個創造過程，AI對DT各環節的賦能及在效能上的提升，可作為評價協同創造的重要標準；二是在結果維度上，協同創造最終關注的仍是創新性制品的生成。

具體而言，DT過程中人機協同主要體現在四個方面。一是堅守人本價值。人機共創不僅是技術革新，更關乎倫理與社會責任。DT的移情特質錨定社會問題與人本關懷，能確保AI應用不偏離以人為本的導向。二是賦能思維發散。DT強調跨學科團隊合作，而AI憑借海量跨領域數據，能打破認知局限，極大拓展創意邊界。三是加速原型創作。設計者無需高深技術門檻，即可借助AI快速將抽象想法可視化，顯著提升原型開發效率。四是驅動動態反饋與迭代。AI能實時分析用戶行為數據，為團隊提供高效、個性化的反饋，從而加速迭代進程并提升創新質量。綜上，DT與AI協同創造，是指在DT框架下，人際及人機之間通過高效協同與深度互動，將AI的算力優勢與人類的同理心深度融合。該過程實現信息與決策共享、共同規劃與協作實踐，AI在賦能DT各環節提質增效的同時，始終貫穿以人為本的價值導向，最終生成創新性的制品。

四、

如何：人工智能釋放設計思維的新能量

在DT理論中，創新發生的核心機制在于設計者需要在“問題空間”和“方案空間”之間進行雙重探索（Dorst, 2011; Lindberg et al., 2011; 林琳 等, 2021）。在每一個空間內，設計者均需經歷“發散—聚斂”的認知迭代。當前，數據處理、虛擬助手、聊天機器人、推薦系統、圖像處理和語言處理等數據驅動的AI技術正在為DT注入新的動能。有研究者在經典雙空間結構基礎上提出“雙駝峰模型”（Luo, 2023），為理解這一賦能過程提供了重要視角。該模型指出，在數據驅動下，創新過程中的“機會空間”（對應問題空間）與“設計空間”（對應方案空間）的價值創造將達到新高度。具體而言，在機會空間，利用無監督學習分析用戶數字足跡以洞察海量潛在機會，并利用監督學習分析用戶需求或偏好數據加速機會評估；在設計空間，依托生成式算法、先驗知識庫激發多樣且新穎的方案，并利用監督學習分析先驗實驗數據，自動加速方案的評估、驗證和選擇。

基于上述理論邏輯，本研究提出“DT與AI協同創造的過程模型”（如圖2所示）。該模型將“雙駝峰”的內涵在具體DT場景中進行了具象化重構與角色分配。1）在機會空間，AI作為多模態數據源與模擬調研工具，通過提供多維數字足跡并輔助構建移情方案，實現用戶洞察的可視化與去偏見化，進而驅動底層問題的識別；人類則基于AI洞察深化移情，秉持數據解讀的責任意識，完成問題陳述的重新定義。2）在設計空間，AI轉化為輔助表達、促進想法發散與觀點聚斂的智能助手，承擔數字原型的智能生成、快速生成變體及預判式問題診斷任務；人類則在AI生成物的基礎上，專注方案的批判性重構與創造性延伸，通過補充觀察進行深度驗證。3）通過測試和迭代兩個空間，推動“更優機會”的洞察與“更佳設計”的生成。

圖2 設計思維與人工智能協同創造的過程模型

注：*表示較為常見的且易于實現的維度。

該過程模型是對“雙駝峰模型”的理論拓展：一是突破數據驅動范式的工具壁壘，全面嵌入當前成熟的GenAI技術，構建可操作的協同方法；二是在創造機制上，實現了從“探討技術如何賦能創新”向“探索人機協同如何重塑創新過程”的視角轉變。需澄清的是，該過程模型并非旨在對比人機功能差異或簡單拼接，而是一個深度融合的協同創造系統。模型以DT流程作為底層結構，以“人類價值主導、AI認知賦能”為核心驅動，旨在通過人機優勢互補實現創造力躍升。堅決規避以AI全面自動化替代人類創造力的傾向（Rana et al., 2025）。

（一）移情與定義：數據驅動的深度問題挖掘

在移情環節，AI能提供關于目標群體及利益相關者的多模態行為與需求偏好數據，并可作為認知支架輔助觀察計劃、訪談提綱等移情方案的制定。更進一步，可通過AI技術開發智能體輔助需求調研。如有研究者開發了基于大模型的推薦場景用戶模擬器，能夠高度還原真實主體的行為特征（Zhang et al., 2024）。

在定義環節，AI通過分析海量數據生成可視化報告與趨勢預測，幫助設計者發現容易被人類忽略的潛在模式（Fischer et al., 2023, pp.157-164），包括隱藏的聯系、需求和問題。此外，AI可通過社交網絡等多渠道收集數據，科學客觀地識別目標群體的行為與情緒（Cautela et al., 2019），有效削弱傳統觀察中的主觀偏見，提升洞察的精確度。AI從復雜數據中提取的真實情境信息，有助于設計者深度理解社會需求與問題演變動態，從而精準識別核心挑戰，為后續設計確立方向。

然而，“同理心”被認為是智能社會人類區別于AI的特征之一（王志軍 等, 2025）。移情不僅是數據收集，更依賴設計者與問題建立深刻聯系并理解其復雜性，這一過程難以通過AI實現自動化替代（Poleac, 2024）。因此，AI的價值主要在于呈現數據全景并輔助設計者更好地提出問題，以深化后續的實地觀察、訪談和體驗等活動。在定義環節，利用AI創建目標群體畫像要求設計者具備高水平的提問能力，這是確保AI生成高質量洞察的關鍵（Poleac, 2024）。加之AI提供的數據可能存在可靠性隱患（Fischer et al., 2023）和算法偏見（Rana et al., 2025），且缺乏對社會倫理的深層共情，因此，數據解讀的責任仍然歸屬于人類。設計者需要對AI提煉的趨勢進行批判性解釋，并構建具有教育與社會價值的問題陳述。綜上，在移情與定義環節，人機協同表現為一種動態的意義建構循環。AI依托算力呈現去偏見的數據全景，設計者則憑借同理心從中尋找最具社會意義的問題焦點。

（二）方案構思：算法賦能的跨界思維發散

在發散階段，一方面，AI可根據設定參數模擬不同學科領域專家（董艷 & 陳輝, 2024），生成大量前瞻性且個性化的創意，并支持實時擴展，從而極大提升了方案探索的廣度。AI不僅能“從零到一”生成創意，還能拓展已有想法，為設計者提供豐富的平行選擇（AL-Sa’di & Miller, 2023）；同時，它還能通過分析歷史案例數據預測問題演變趨勢，降低方案失敗的風險。另一方面，AI有助于團隊成員更好地表達創意，促進跨學科高效溝通。例如，Midjourney等工具在克服溝通障礙、提升視覺輸出效率和加速項目進度方面表現突出（Yin et al., 2023），能夠激發團隊想象力，豐富設計流程并推動創新產出（Paananen et al., 2024）。

在聚斂階段，AI能夠將大量的想法進行聚類，建立評估標準，并精煉解決方案（Tschepe, 2024, p.7），高效輔助創意篩選。具體而言：機器學習技術可以將相似性高的想法組織成簇，幫助識別關鍵領域并創建創新解決方案；通過分析歷史成功案例特征，AI能輔助建立理想解決方案的評估標準，確保創意的現實可行性與戰略一致性；在形成初步方案時，AI更能將其進一步細化并清晰呈現。

為突破AI在復雜任務語境中的理解偏差，人機協同構思急需結構化的策略支撐。例如，引入“目標—提示—策略”框架（Chang & Li, 2025），在目標層明確發散或聚斂的階段定位，在提示層規范提示詞工程的核心元素（如對象、內容、情境等），在策略層采納鏈式思維等進階方法。盡管AI在構思階段展現出顯著優勢，尤其體現在生成方案的多樣性與響應速度方面，但過度依賴AI可能會限制設計過程（Poleac, 2024）。更為關鍵的是，在處理復雜任務時，AI常因缺乏情境感知而導致任務執行偏離目標（Fischer et al., 2023）。針對這一雙重局限，設計者應將AI生成的方案視為啟發式的“思維素材”，通過批判性重構與創造性延伸，將技術輸出轉化為個人創造的催化劑。這一認知再加工過程，正是培養設計者本質洞察力與價值判斷能力的關鍵所在。

（三）原型與測試：智能增強的原型迭代優化

在原型階段，AI技術展現出顯著的效率優勢。相較于耗時長、技能門檻高的傳統原型設計方法（如手繪故事板、物理模型構建、真人情境模擬等），基于AI的智能化工具在以下幾方面實現了突破。一是智能生成。AI可將抽象的設計概念即時轉化為可視化數字原型，使設計迭代周期從數日級壓縮至分鐘級。這種自動化生成不僅可有效彌補學習者在操作技能上的短板，更能通過3D模型、交互界面等多模態輸出，大幅提升原型的具象化表達水平。二是變體生成。神經網絡算法支持在基準原型基礎上，針對界面布局、交互流程、視覺風格等核心要素自動生成數十種設計變體，從而極大地拓寬了測試樣本的豐富度。

在測試階段，AI賦能有效突破了傳統測試受限于樣本規模、時空成本和主觀偏差的瓶頸。在前期，AI能模擬用戶與原型的交互，在接觸真實群體前預判潛在缺陷并提供反饋意見；在實時測試階段，結合計算機視覺、自然語言處理和生物傳感技術，AI可實時分析眼動軌跡、操作熱區和情感反饋，提供多維度的客觀洞察；同時，AI系統能在交互中持續進行自我強化學習，動態促進設計方案優化。

然而必須警惕的是，在技術實踐導向的教學中，過度依賴AI的一鍵生成功能，往往會導致學習者核心操作技能的退化與具身訓練的缺位。例如，在以培養計算思維為核心的信息科技學習項目中（Lin et al., 2024），若由AI直接生成底層代碼，學生將喪失深度信息加工的機會，導致教育目標被懸置。此外，盡管AI能加速測試進程，卻難以敏銳捕捉真實用戶體驗中充滿情感溫度的微妙差異（AL-Sa’di & Miller, 2023）。相比之下，人類基于真實觀察的反饋更為直接有效。設計者的經驗和直覺不僅能保障質量、滿足需求，更能靈活應對不可預見的問題（Poleac, 2024）。因此，需要賦予學習者親歷實踐的機會，人的主體作用依然不可替代。研究者主張建立互動生成、深度加工與質量監控等機制，以實現數字化原型的人機共創（萬力勇 等, 2023）。其核心在于合理把控AI介入尺度，堅守學習者高階思維發展的核心育人目標。在人機協同的最終設計決策中，技術的效能必須依托人類的創造力與專業素養，由人類主體結合價值判斷來主導完成。

（四）實踐印證：人機協同創造的教學微案例

為驗證DT框架下人機協同創造的有效性，本研究在某中學七年級開展了為期8周的“智慧校園菜園”準實驗。項目以真實的校園生態建設為挑戰，要求學生綜合運用行空板及傳感器等開源硬件開發智能控制系統。實驗組（25人）依托本研究構建的人機協同創造的過程模型，結合項目真實訴求對過程模型的維度進行了適應性轉化與聚焦，然后開展了融入GenAI的項目式學習（如表1所示）；對照組（24人）則采用不融入GenAI的常規項目式學習。

表1 融入GenAI的“智慧校園菜園”項目流程

實證數據表明，該過程模型能夠多維賦能學生的創造力發展：個體層面，實驗組創造性自我效能感顯著增強（t=4.011，p＜0.001），創作意愿被充分激發；過程層面，實驗組發散思維的流暢性（Z=-2.389，p＜0.05）、靈活性（Z=-2.880，p＜0.01）與獨特性（Z=-2.155，p＜0.05）均具顯著優勢，有效拓寬了構思空間；結果層面，在保持同等實用性（p＞0.05）的前提下，實驗組設計制品的新穎性（Z=-3.009，p＜0.01）與精致性（Z=-2.578，p＜0.05）均顯著優于對照組。這充分證實了人機協同有效深化了學生的創意生成與創新表現。

（五）審慎與反思：人機協同創造的深層挑戰

盡管AI為DT注入了巨大動能，但若缺乏對技術工具的批判性審視，深度的人機協同同樣可能引發一系列深層的認知與倫理挑戰。首先是范式約束與創造力降維的風險。GenAI基于歷史數據概率分布的底層邏輯，決定了其輸出多為主流范式（Miao & Holmes, 2023, pp.20-21）。過度依賴AI易使學生的創意被限定在既有知識邊界內，陷入同質化的漸進式創新，從而削弱人類特有的突破性、顛覆式創造能力。其次是過度認知卸載導致的核心能力萎縮。DT的教育價值不僅在于創新制品的產出，更在于讓學生經歷試錯與認知重構的創新孕育過程。若AI過度代勞信息加工、創意生成與原型構建，將導致不合理的認知卸載。這種過程性思考的剝奪，長期來看極易削弱學生獨立解決復雜問題的能力（Cheng & Zhang, 2025）。最后是人機職責劃分模糊導致的倫理歸責困境。隨著人機協同邊界的消融，當生成的創新方案面臨知識產權爭議、算法偏見延續或決策失誤時，其責任歸屬難以清晰界定（劉三女牙 & 郝曉晗, 2024）。這種倫理層面的權責不清，對教育場景中創新型人才的價值引導與責任擔當意識的培養構成了嚴峻挑戰。

五、

結語

DT的核心建立在對“機會空間”和“設計空間”的雙重探索，以及“發散—聚斂”的持續迭代之上。在此框架下，AI驅動的人機協同不僅拓展了雙空間，提升了創新質量，更為破解創新教育的現實難題提供了重要啟示。其一，化解“認知超載”。AI作為認知腳手架降低了創意發散與原型實現的技術門檻，使學習者能將核心認知資源聚焦于批判性反思與價值判斷。其二，緩解“指導瓶頸”。GenAI的介入彌補了規?；逃袀€性化輔導資源的匱乏，推動了高質量創新教育的普及。其三，突破“評價黑箱”。人機協同的動態交互軌跡（如提示詞的演進）完整記錄了思維過程，為創造能力的過程性評價提供了循證支撐。展望未來，協同創造的關鍵在于科學界定并平衡AI生成與人類創造的邊界。盡管AI在發散階段具備強大的創意激發與思維拓展潛力，但人類的元認知、同理心及價值判斷始終是把控新方向、提升思考深度的核心。尤其在聚斂階段的問題識別與創意評估環節，必須堅守人類主導的決策邏輯。因此，DT的未來必將走向深度人機協同，這要求教育實踐在利用AI提升創新效率的同時，始終強調人類主體責任意識與創造能力的培養，以維護人類創造的獨特價值。

參考文獻

董艷, & 陳輝. （2024）. 生成式人工智能賦能跨學科創新思維培養：內在機理與模式構建. 現代教育技術（4）, 5-15.

高華, & 陳紅兵. （2021）. 論人工智能與人類智能之差異. 東北大學學報（社會科學版）（2）, 15-20, 126.

胡衛平, 張陽, 呂元婧, & 徐晶晶. （2024）. 人工智能創造力探究. 現代教育技術（1）, 17-25.

黃榮懷. （2024）. 人工智能大模型融入教育：觀念轉變、形態重塑與關鍵舉措. 人民論壇?學術前沿（14）, 23-30.

李建會, & 夏永紅. （2020）. 人工智能會獲得創造力嗎? 國外社會科學（5）, 52-60.

李冀紅, 莊榕霞, 年智英, 劉德建, & 黃榮懷. （2021）. 面向人機協同的創新能力培養——兼論面向智能時代的創造性人才訴求. 中國電化教育（7）, 36-42, 61.

林琳, 沈書生, & 董玉琦. （2021）. 設計思維的發展過程、作用機制與教育價值. 電化教育研究（12）, 13-20.

柳冠中. （2011）. 設計：人類未來不被毀滅的“第三種智慧”. 設計藝術研究（1）, 1-5, 8.

劉三女牙, & 郝曉晗. （2024）. 生成式人工智能助力教育創新的挑戰與進路. 清華大學教育研究（3）, 1-12.

沈書生. （2025）. 數智技術賦能新質人才培養：支持個體的差異成長. 開放教育研究（1）, 73-81.

沈書生, & 祝智庭. （2023）. ChatGPT類產品：內在機制及其對學習評價的影響. 中國遠程教育（4）, 8-15.

萬力勇, 杜靜, & 熊若欣. （2023）. 人機共創：基于AIGC的數字化教育資源開發新范式. 現代遠程教育研究（5）, 12-21.

王春麗, 陳艷艷, 顧小清, & 邢海風. （2024）. 協作學習中生成式人工智能促進創造性潛能的機理研究. 電化教育研究（11）, 76-83.

王亞男, & 張景煥. （2010）. 創造力研究的新領域：合作創造力. 心理科學進展（1）, 84-90.

王志軍, 劉相俊, & 蘇晨予. （2025）. 人何以區別于人工智能：智能社會基于設計思維的同理心培養路徑. 中國遠程教育（6）, 20-34.

許為, 葛列眾, & 高在峰. （2021）. 人-AI交互：實現“以人為中心AI”理念的跨學科新領域. 智能系統學報（4）, 605-621.

袁振國. （2024）. 重塑未來——教育數字化之于教育強國建設的突破性意義. 教育研究（12）, 4-12.

張初兵, 鄭偉, 李天歌, & 王旭燕. （2025）. 與人共創還是與AI共創？共創主體類型對內容共創意愿的影響研究. 心理科學（1）, 210-219.

祝智庭, 戴嶺, & 趙曉偉. （2023）. “近未來”人機協同教育發展新思路. 開放教育研究（5）, 4-13.

AL-Sa’di, A., & Miller, D. (2023). Exploring the impact of artificial intelligence language model ChatGPT on the user experience. International Journal of Technology, Innovation and Management, 3(1), 1-8.

Arda, D. (2024). Investigation of artificial intelligence tools in design process and creativity. Middle East Technical University.

Baradaran, B. (2019). How design thinking can be leveraged and supported by artificial intelligence. Politecnico di Milano.

Boden, M. A. (1998). Creativity and artificial intelligence. Artificial Intelligence, 103(1), 347-356.

Buchanan, R. (1992). Wicked problems in design thinking. Design Issues, 8(2), 5-21.

Cautela, C., Mortati, M., Dell’Era, C., & Gastaldi, L. (2019). The impact of artificial intelligence on design thinking practice: Insights from the ecosystem of startups. Strategic Design Research Journal, 12(1), 114-134.

Chang, H. F., & Li, T. (2025). A framework for collaborating a large language model tool in brainstorming for triggering creative thoughts. Thinking Skills and Creativity, 56, 101755.

Cheng, X. S., & Zhang, L. L. (2025). Inspiration booster or creative fixation? The dual mechanisms of LLMs in shaping individual creativity in tasks of different complexity. Humanities and Social Sciences Communications, 12(1), 1563.

Dillenbourg, P. (1999). What do you mean by “collaborative learning”? In P. Dillenbourg (Ed.), Collaborative-learning: Cognitive and computational approaches (pp. 1-19). Elsevier.

Dorst, K. (2011). The core of “design thinking” and its application. Design Studies, 32(6), 521-532.

Fischer, H., Dres, M., & Seidenstricker, S. (2023). Application of ChatGPT in design thinking. In T. Ahram, & W. Karwowski (Eds.), Application of emerging technologies (pp. 157-164). AHFE (2023) International Conference.

Hubert, K. F., Awa, K. N., & Zabelina, D. L. (2024). The current state of artificial intelligence generative language models is more creative than humans on divergent thinking tasks. Scientific Reports, 14(1), 3440.

Kaplan, S. (2024, February 28). The future of design thinking: Integrating artificial intelligence for success. Soren Kaplan. https://www.sorenkaplan.com/artificial-intelligence-in-design-thinking/

Lee, B. C., & Chung, J. (2024). An empirical investigation of the impact of ChatGPT on creativity. Nature Human Behaviour, 8(10), 1906-1914.

Lin, L., Dong, Y. Q., Chen, X. Y., Shadiev, R., Ma, Y. Y., & Zhang, H. L. (2024). Exploring the impact of design thinking in information technology education: An empirical investigation. Thinking Skills and Creativity, 51, 101450.

Lindberg, T., Meinel, C., & Wagner, R. (2011). Design thinking: A fruitful concept for IT development? In C. Meinel, L. Leifer, & H. Plattner (Eds.), Design thinking: Understand–improve–apply (pp. 3-18). Springer.

Luo, J. X. (2023). Data-driven innovation: What is it? IEEE Transactions on Engineering Management, 70(2), 784-790.

Miao, F. C., & Holmes, W. (2023). Guidance for generative AI in education and research. UNESCO Publishing.

Ouyang, L., Wu, J., Jiang, X., Almeida, D., Wainwright, C. L., Mishkin, P., Zhang, C., Agarwal, S., Slama, K., Ray, A., Schulman, J., Hilton, J., Kelton, F., Miller, L., Simens, M., Askell, A., Welinder, P., Christiano, P., Leike, J., & Lowe, R. (2022). Training language models to follow instructions with human feedback. In S. Koyejo, S. Mohamed, A. Agarwal, D. Belgrave, L. Cho, & A. Oh (Eds.), Proceedings of the 36th international conference on neural information processing systems (pp. 27730-27744). Curran Associates Inc.

Paananen, V., Oppenlaender, J., & Visuri, A. (2024). Using text-to-image generation for architectural design ideation. International Journal of Architectural Computing, 22(3), 458-474.

Peter, S., Riemer, K., & West, J. (2026). Seven axioms on the nature of generative AI: Laying the foundation for a genuine understanding of machine intelligence. In T. X. Bui (Ed.), Proceedings of the 59th hawaii international conference on system sciences (pp. 4329-4338). University of Hawaii at Manoa.

Poleac, D. (2024). Design thinking with AI. Proceedings of the International Conference on Business Excellence, 18(1), 2891-2900.

Rana, V., Verhoeven, B., & Sharma, M. (2025). Generative AI in design thinking pedagogy: Enhancing creativity, critical thinking, and ethical reasoning in higher education. Journal of University Teaching and Learning Practice, 22(4), 1-22.

Sarker, I. H. (2021). Data science and analytics: An overview from data-driven smart computing, decision-making and applications perspective. SN Computer Science, 2(5), 377.

Shanahan, M. (2024). Talking about large language models. Communications of the ACM, 67(2), 68-79.

Simon, H. A. (1996). The sciences of the artificial. MIT Press.

Sreenivasan, A., & Suresh, M. (2024). Design thinking and artificial intelligence: A systematic literature review exploring synergies. International Journal of Innovation Studies, 8(3), 297-312.

Tschepe, S. (2024). AI-enhanced design thinking. HPI d-school.

Yin, H., Zhang, Z. P., & Liu, Y. Y. (2023). The exploration of integrating the midjourney artificial intelligence generated content tool into design systems to direct designers towards future-oriented innovation. Systems, 11(12), 566.

Zhang, A., Chen, Y. X., Sheng, L. H., Wang, X., & Chua, T. S. (2024). On generative agents in recommendation. In G. H. Yang, H. N. Wang, & S. Han (Eds.), Proceedings of the 47th international ACM SIGIR conference on research and development in information retrieval (pp. 1807-1817). ACM.

Zheng, D., Du, L., Su, J. W., Tian, Y. C., Zhu, Y. Q., Zhang, J. T., Wei, L. N., Zhang, N. Y., & Chen, H. J. (2025, May 6). Knowledge augmented complex problem solving with large language models: A survey. arXiv. https://arxiv.org/abs/2505.03418

The Future of Design Thinking: AI-Driven Human-Machine Collaborative Creation

Lin Lin, Shen Shusheng, Cheng Yilin, Deng Ruifang

Abstract:The widespread application of design thinking (DT) in education offers learners rich opportunities to deeply engage in the creative process. With the rapid advancement of artificial intelligence (AI), human-machine collaboration is gradually becoming the new norm in future work and learning. DT and AI are highly isomorphic in their underlying logic, both focus on the realization of complex problem-solving, design, and creative capabilities, while sharing methodological concepts such as human-centeredness, iterative prototyping and testing, embracing ambiguity in exploration, data-driven decision-making, and interdisciplinary collaboration. “Collaborative creation through DT and AI” transcends mere multi-agent participation, emphasizing joint planning and practice driven by the complementary advantages of humans and machines in the DT process. Based on this, this study constructs a “process model for collaborative creation through DT and AI”, systematically explaining the empowering mechanisms of AI across DT stages and clarifying the core value proposition of humans. The study emphasizes, the need to balance the tension between machine generation and human creativity, uphold human agency and responsibility, and ultimately strive for the continuous advancement of human creative capability.

Keywords:design thinking; artificial intelligence; human-machine collaborative creation; creative capability; process model

作者簡介

林琳，上海師范大學教育學院講師（通訊作者：linlinedu@outlook.com 上海 200234）。

沈書生，南京師范大學教育科學學院教授（南京 210097）。

程一琳，上海師范大學教育學院碩士研究生（上海 200234）。

鄧銳芳，上海師范大學教育學院碩士研究生（上海 200234）。

基金項目

國家社會科學基金2023年度重大項目“新一代人工智能對教育的影響研究”（項目編號：VGA230012）

責任編輯：劉莉

期刊簡介

《中國遠程教育》創刊于1981年，是教育部主管、國家開放大學主辦的綜合性教育理論學術期刊，名列中文社會科學引文索引（CSSCI） 來源期刊、全國中文核心期刊、中國人文社會科學期刊AMI綜合評價（A刊） 核心期刊、中國科學評價研究中心（RCCSE） 權威期刊、中國期刊方陣雙效期刊、人大復印報刊資料轉載率最高期刊，面向國內外公開發行。

本刊關注重大教育理論與政策，推動科技賦能教育，反映國際學術前沿，聚焦本土教育改革，注重學術研究規范，提倡教育原創研究。

地址

北京市海淀區西四環中路45號

郵編

電話

010-68182514

電郵

zzs@ouchn.edu.cn

網址

cjde.ouchn.edu.cn

來源丨中國遠程教育微刊

聲明：轉載此文是出于傳遞更多信息之目的。若有來源標注錯誤或侵犯了您的合法權益，請作者持權屬證明與我們聯系，我們將及時更正、刪除，謝謝。