以人为本的人工智能：用户体验设计师的 5 个关键框架

优先考虑用户需求并采用结构化的方法进行人工智能项目

2024年是人工智能进步的显著一年，这项技术迅速融入我们的职业和个人生活，令人惊叹。

在家中，我很高兴看到我三个年幼的儿子以他们自己的玩耍方式沉浸在人工智能中。他们被最新一波的人工智能玩具所吸引，尤其是我们家新的“宠物”机器人Loona，它通过与2024年5月发布的GPT-4o集成，给他们带来了几乎科幻般的对话。Loona激发了他们的好奇心、富有想象力的人机对话，甚至引发了几场关于它如何“思考”的热烈兄弟辩论。他们的兴奋提醒我们，人工智能已经在塑造下一代与技术的关系——让其变得个性化、引人入胜，甚至令人感同身受。

这种惊奇感在新的一年继续伴随我，2025年以令人敬畏的NVIDIA在CES上的主题演讲拉开序幕，展示了类人机器人的进展。NVIDIA首席执行官黄仁勋的演示突显了他对机器人技术和人工智能发展所取得的成就的着迷，以及他对未来几年我们可以期待的快速变化的强烈预测。

对于用户体验设计师来说，我们在与人工智能合作时也需要类似的好奇心。拥抱人工智能要求我们重新思考我们的流程，理解技术的基础系统，并确保人类价值观和用户需求始终是我们创造的核心。

随着人工智能成为数字创新的支柱，我们作为设计师的角色正在演变。我们不仅仅是在塑造界面，而是在创造融合以人为本原则与全新技术互动方式的体验。这一转变要求我们像技术专家一样思考，拥抱数据驱动的系统，并将用户关注引入人工智能项目。

为了指导这一转变，领先的科技公司和大学提供了以人为本的人工智能的可操作策略。在这篇文章中，我将分享来自IBM、谷歌、微软和卡内基梅隆大学的用户体验框架——为应对人工智能技术和工具的快速演变提供见解和资源。

1. IBM的AI/人类上下文模型

IBM的AI/人类上下文模型是其AI设计实践的核心。该模型提供了一个结构化框架，以确保AI解决方案与用户无缝互动，并随着用户输入而发展，同时尊重并增强其操作的上下文。

IBM的AI/人类上下文模型旨在指导与人类需求和价值观相一致的AI系统的开发。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、上下文意识和以人为本的解决方案至关重要：

理解意图： AI系统必须优先考虑以人为中心的目标，考虑用户的意图、情感和上下文。意图代表了AI系统的基本目的，包括用户和企业的目标、愿望、需求和价值观。它定义了解决方案背后的“为什么”，并确保系统以明确的以用户为中心的目的进行设计。
数据和政策： 这指的是从用户和世界收集的原始数据，以及保护和管理其使用的政策。数据构成了AI决策的基础，但其收集和处理必须遵循严格的伦理和监管标准。上下文是有效AI互动的关键。IBM强调系统理解影响用户行为的情境和环境因素的重要性。例如，位置、时间或任务紧迫性等上下文数据可以帮助AI提供更个性化和相关的推荐。
机器理解、推理、知识和表达： 这指的是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，确保知识库随着新见解的动态更新，并以与用户的上下文和期望相一致的方式传达其响应。
人类反应和系统改进循环： 这强调AI系统必须设计为与人类合作，而不仅仅是为人类工作，以确保自动化与人类自主权之间的平衡。用户反应反映了用户对AI系统表达的真实反馈——无论是显式的还是隐式的。学习在于系统如何根据用户的互动和反馈不断改进，使其能够随着时间的推移演变并更好地服务于其目的。
评估结果： 这强调结果衡量AI系统的现实影响，代表其在多大程度上有效和伦理地满足用户需求并解决问题。

2. 谷歌的可解释性评分标准

谷歌的可解释性评分标准提供了一个清晰的框架，旨在创建透明、公平和以用户为中心的AI系统，通过强调与用户共享的22个关键信息点。随着AI继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至关重要。

该评分标准分为三个信息层级：一般层级、特征层级和决策层级。

一般层级： 提供关于您的产品或服务如何运作的高层次概述，包括AI的角色。解释使用AI的主要目的和好处、商业模式，以及AI如何为价值创造做出贡献。强调为确保安全、公平和透明所采取的步骤，包括与社区的互动、解决偏见以及共享性能信息。
特征层级： 详细说明具体的AI驱动特征，包括它们的运作方式、AI何时处于活动状态以及用户控制选项。解释系统的局限性、人类参与情况和个性化选项。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利用。
决策层级： 澄清具体的AI驱动决策是如何做出的，系统对其输出的信心，以及如何识别错误或低质量结果。在做出决策后，提供用户反馈渠道，允许对决策提出异议，并清晰传达关于错误和修复的信息。

3. 微软的人机交互（HAX）工具包

微软的 HAX工具包是一个全面的框架，旨在帮助开发面向用户的AI产品的团队。它有助于构思AI系统的功能及其行为方式，使其成为设计过程早期的有用工具。

HAX工具包具有多样性，允许团队根据其独特需求、使用案例、产品类别和目标混合搭配设计工具。HAX工具包的关键组成部分包括：

人机交互指南： 这些是设计AI在用户交互期间行为的最佳实践。它们指导AI产品规划，以确保直观和有效的体验。
HAX设计库： 一个资源中心，解释人机交互指南，并提供可操作的设计模式和真实案例。
HAX工作簿： 一个协作工具，帮助团队优先考虑实施哪些指南，促进集中和高效的设计讨论。
HAX剧本： 专门针对自然语言处理（NLP）应用程序，这本剧本识别常见的人机交互失败，并提供缓解策略。

4. HCI Institute的AI头脑风暴工具包

由卡内基梅隆大学人机交互（HCI）研究所的研究人员创建的AI头脑风暴工具包，旨在提炼AI能力，帮助团队探索构建AI的方向。创新往往不是因为技术问题，而是由于团队选择了错误的项目进行追求。AI头脑风暴工具包解决了这个问题，提供了一种结构化的方法来设计既技术可行又以用户为中心的AI驱动解决方案。

该工具包的结构化方法降低了开发不相关或不必要的AI解决方案的风险。通过关注AI可以做什么和用户需要什么，该工具包使团队能够进行深思熟虑和有效的创新。该工具包将AI功能分类为不同的能力，例如：

检测模式（例如，识别图像中的面孔）
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，在不同应用程序之间执行工作流）

它提供了40个现实世界AI产品示例的概述，涵盖医疗、教育和交通等多个领域。该工具包还包括诸如创意提示、影响-努力矩阵和绩效-专业知识网格等工具，以指导用户选择高影响、可行的想法。使用该工具包时，首先查看AI能力和示例以激发团队灵感。然后，进行结构化的头脑风暴会议，以探索机会、完善概念并评估潜在解决方案。该资源非常适合研讨会、组织战略会议和创新实验室，确保团队设计出有影响力且以用户为中心的AI产品。

5. 谷歌的“人+AI指南”

由谷歌的跨学科团队People + AI Research (PAIR)创建的“人+AI指南”提供了一套全面的方法、最佳实践、案例研究和设计模式，旨在帮助设计师、开发人员和产品团队创建具有影响力的AI驱动解决方案。

该指南介绍了20多种设计模式，提供了针对AI产品设计的实用、以行动为导向的指导。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的见解。

以人为本的AI入门（5种模式）： 包括关于确定AI是否增加价值、设定明确的用户期望以及有效解释产品益处的指导。
在产品中使用AI（3种模式）： 强调在AI擅长的领域利用AI，平衡自动化与用户控制，并管理精确度与召回率之间的权衡。
引导用户使用AI功能（4种模式）： 涵盖基于熟悉感的锚定、安全的探索以及对新功能的清晰解释。
向用户解释AI（5种模式）： 专注于解释AI能力以便理解，适当地展示模型信心，并在即时用例之外提供更深层次的上下文解释。
负责任的数据集构建（6种模式）： 强调涉及领域专家、为数据标注者设计、维护数据集以及接受现实世界数据的复杂性等实践。
建立和校准信任（7种模式）： 指导团队在隐私设置、错误责任以及启用用户反馈和监督方面保持透明。
平衡用户控制与自动化（5种模式）： 提供关于逐步自动化、在需要时将控制权返还给用户以及确保自动化安全的建议。
在失败时支持用户（3种模式）： 鼓励为错误解决进行规划，并确保用户在AI系统失败时能够继续前进。

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——无论是一个有趣的对话机器人玩具，还是一个帮助我们保持组织和高效的应用程序。作为用户体验设计师，以以人为本的框架来接触AI意味着在新的技术能力与责任之间取得平衡，质疑AI在每个用例中的准备情况和适用性，并构建具有用户反馈循环的系统，以推动持续改进。