算力成为基础设施——第四次工业革命为什么重新定义设计

2018 年，我在写《AI 改变设计》时，最常被问到的问题是：“人工智能会不会取代设计师？”

当时，AI 给设计行业带来的冲击已经十分明显。它可以识别图像、分析数据、推荐内容，也可以批量生成广告图片。设计师一方面期待它提高效率，另一方面又担心自己的工作被自动化。那本书因此花了很大篇幅解释人工智能是什么、它能做什么，以及设计师应该怎样面对一个新的技术工具。

八年后，这个问题并没有消失，但问题的前提已经改变了。

今天的 AI 不只存在于设计软件里，帮助设计师生成一张图片、一段文案或一个界面。它还开始进入产品内部：读取用户提供的文件和上下文，解释一句并不完整的要求，选择模型和工具，规划一段任务，生成临时界面，修改数据，甚至代表用户在其他系统里采取行动。

例如，过去用户准备一次跨城客户会议，需要分别打开日历、交通、地图、文档和报销系统。他要自己查看双方时间、比较车次、整理客户资料、制作会议议程，再把信息逐项填进公司流程。现在，用户可以先说出目标：“帮我准备下周去上海的客户会议，时间不要和团队例会冲突，交通方案先给我确认。”系统则可能根据这句话读取日历、查找资料、比较方案、生成议程，并把需要用户决定的部分重新交还给他。

这类产品目前仍会犯错，也远没有可靠到可以接管所有任务。但它已经揭示了一种不同的软件结构：用户不再亲自规定每一步操作，而是先表达目标，再由系统参与解释、分解和执行。

因此，《AI 改变设计 2.0》不准备再次只讨论“AI 会不会成为设计师的工具”。这本书想讨论的是另一个更基础的问题：

当软件开始理解人的表达、在运行时生成体验，并代表人采取行动时，设计究竟在设计什么？

要回答这个问题，需要先理解为什么这些变化会在今天集中出现。

0.1　这不是又一次设计工具升级

设计行业从来不缺少新工具。桌面出版软件替代了大量手工排版，数码相机改变了影像生产，移动互联网又把界面从桌面带到每个人的手中。每一次工具升级都会提高效率，也会淘汰一部分重复工作，但设计师主要面对的仍然是一件可以被明确使用的工具：人决定目标，选择功能，执行操作，软件按照预先写好的规则返回结果。

生成式 AI 最初进入设计行业时，看起来也延续了这条路径。设计师输入文字，模型生成图片、文案、视频、界面或代码。生产速度变快了，可供选择的方案变多了，原来需要几个小时完成的工作可能在几分钟内得到初稿。从这个角度看，AI 确实是一轮重要的生产工具升级。

但如果只看到这里，就会低估这次变化。

真正需要重新讨论设计的原因，不是模型能生成多少内容，而是模型正在从设计工具进入产品结构。《Sentient Design》把 AI 视为一种新的设计材料：它不只帮助团队制作产品，还可以成为界面在运行时感知情境、调整内容和改变行为的组成部分。¹ 设计师不再只是“使用 AI 画出一个界面”，还可能需要“设计一个会使用 AI 改变自身行为的产品”。

两者看起来相似，责任却完全不同。

当 AI 只负责生成一张候选图片时，设计师可以在交付前判断是否使用。当 AI 在产品里解释用户、选择工具和执行任务时，它的判断会直接进入用户体验。一次错误不再只是一张不好看的图，也可能是读错了一份文件、遗漏了一项限制、调用了不该使用的工具，或者把尚未确认的内容发送给了其他人。

Anthropic 把 Agent 定义为能够在完成任务时自行决定过程与工具使用的 AI 模型。它会在规划、行动、观察和调整之间循环，直到任务完成或需要向人确认。² 这一定义并不意味着 Agent 拥有人的主体性，而是说明它在产品中的位置发生了变化：它不再只是被动返回内容，也开始成为能够产生外部影响的行动者。

所以，这一轮变化同时发生在两个层面。

第一个层面是 AI for Design：设计师使用 AI，提高研究、表达、原型和开发效率。

第二个层面是 Design for AI：设计师把 AI 放进产品，规定它怎样理解用户、能使用什么能力、可以行动到哪一步，以及失败时如何停下来。

前者改变设计师怎样生产，后者改变产品怎样运行。本书更关心的是第二个层面，因为一旦产品结构发生变化，界面、用户、流程、责任和好设计的标准都会随之变化。

0.2　算力从后台资源变成设计材料

把算力称为新的设计材料，并不是说过去的设计不受计算能力影响。

图形界面能够普及，离不开处理器、显示设备和存储能力的提升；移动互联网的体验，受到手机性能、网络带宽、电池和传感器的共同限制；视频、游戏、三维空间和实时协作，也一直需要设计师在画面效果、响应速度和设备负载之间取舍。技术条件从来都在塑造设计边界。

今天不同的地方在于，模型推理开始直接参与每一次体验的生成。

用户提交一个请求之后，系统可能要处理输入、组装上下文、选择模型、调用检索或其他工具，再经过生成与推理得到结果。《Designing AI Interfaces》把这个过程概括为一条从输入处理、路由到生成与推理的计算管线。³ 这条管线中的每一个选择，都会影响用户最后看到什么、要等多久、需要花多少钱，以及系统可能怎样出错。

从产业尺度看，这套能力已经不再是少数实验室里的特殊设备。Stanford HAI 的 2026 AI Index 估计，全球 AI 算力容量自 2022 年以来平均每年增长 3.3 倍，达到约 1710 万个 H100 等效单位。增长主要来自超大规模数据中心扩建，以及模型训练和推理需求。⁴ 算力正在像网络、云服务和移动设备一样，成为一层广泛影响产品能力的基础设施。

但基础设施不等于免费资源，也不等于越多越好。

国际能源署在 2026 年的报告中指出，硬件与软件效率的提升，使单个 AI 任务的能耗近几年至少以每年一个数量级下降；与此同时，视频生成、复杂推理和 Agent 任务的单次能耗，可能是简单文本生成的数百至数千倍。数据中心的全球用电量在 2025 年增长了 17%，AI 专用数据中心增长更快。⁵

这组看似矛盾的数据说明了一个重要事实：计算会越来越高效，但产品也在不断提出更复杂的需求。效率提升释放了新的设计可能，新的可能又会消耗更多计算。

因此，设计师面对的算力不是一个抽象数字，而是一组具体取舍。

这些问题表面上涉及模型、服务器和工程架构，最后都会变成体验问题。如果更好的结果需要等待一分钟，设计师就要判断用户是否愿意等待；如果完整上下文会提高效果，却包含敏感数据，设计师就要决定信息边界；如果低成本模型足以完成常规任务，就没有必要把所有请求都交给最昂贵的能力。

从这个角度看，算力成为设计材料，不是要求每位设计师都去研究芯片，而是要求设计师理解：计算资源怎样改变产品能够提供的体验，资源限制又怎样决定产品必须保持的边界。

0.3　模型把人的表达转化为可计算的意图

人与计算机交互的历史，也可以理解为一段不断翻译意图的历史。

早期命令行要求用户记住机器的语言。人需要知道准确的命令、参数和格式，一个字符出错就可能无法执行。后来，图形界面把命令变成按钮、菜单、图标和表单，普通用户不必再记住代码，但仍然需要理解软件怎样组织功能，并把自己的目标拆成一连串操作。

例如，用户想“做一份下周的销售分析”，不能只把这句话交给传统表格软件。他需要先找到数据，决定使用哪些字段，筛选时间，建立透视表，选择图表，再把结果整理成报告。界面降低了操作技术的门槛，却没有替用户分解目标。

搜索引擎已经开始改变这段关系。用户不必输入严格命令，系统可以容忍错别字、不完整表达和模糊问题，再从大量内容中推断用户可能在找什么。《Designing AI Interfaces》把从命令行、搜索到 LLM 的演变理解为交互负担的转移：过去主要由人学习机器的词汇，现在系统开始承担更多解释人的工作。⁶

大语言模型把这种变化继续向前推进。它不仅处理关键词，还能结合一段对话、当前文件、图片、声音和其他上下文，形成对任务的临时理解。用户可以先说结果，再让系统帮助补全步骤；也可以一边查看生成内容，一边修改要求，逐渐把一个模糊目标变得具体。

这里所说的“理解意图”，需要保持克制。

模型并不知道人的内心，也不会因为能够流畅对话就真正拥有人的理解。它根据输入、上下文和训练中形成的模式，对“用户可能想做什么”作出概率推断。输入越开放，它能容纳的表达越丰富，误解的空间也越大。

假设用户说：“把这份方案改得更专业一些。”所谓“专业”可能是语言更克制、结构更清楚、证据更充分，也可能是视觉更正式。系统如果直接选择其中一种解释，结果看起来也许很完整，却可能从一开始就走错了方向。

所以，模型把表达转化为可计算意图，并没有让交互设计消失，反而产生了一类新的设计任务：系统什么时候可以合理推断，什么时候应该追问；它怎样让用户看见自己理解了什么；用户如何修改目标；多种线索冲突时以什么为准；以及系统能否把一个模糊目标逐步协商成双方都能执行的任务。

过去，界面主要规定人应该怎样向机器表达；现在，界面还要帮助人和机器形成共同理解。

0.4　软件开始从预先定义走向运行时生成

软件并不是到 AI 时代才开始动态变化。

网站很早就能根据数据库显示不同内容，响应式设计会根据屏幕尺寸调整布局，推荐系统也会为不同用户排列不同信息。但这些变化通常发生在团队预先定义好的框架中：页面有哪些模块、模块能放在哪里、用户可以走哪些路径，大多在产品上线前已经确定。

生成式系统扩大了运行时可以决定的范围。

根据用户当下的目标和上下文，系统可能生成一段内容、一张图片、一段代码，也可能临时选择工具、组织工作步骤，甚至生成一套只为当前任务服务的界面。Google Research 在 2025 年公开的 Generative UI 实验中，模型能够根据提示在运行时生成网页、游戏、工具和模拟器等完整交互体验，而不只是向预制页面填充文字。⁷

例如，同样是解释一个科学概念，儿童可能得到带有游戏和图形的交互页面，专业人员则得到数据、公式和可调参数。产品没有为每一种问题和每一种用户提前制作完整页面，而是根据当前任务组合内容、结构和交互。

这并不意味着固定界面即将消失。高频操作需要稳定位置，安全设置不能每次重新生成，用户也需要通过一致的概念和反馈形成经验。Google 的研究同样承认，生成速度和结果准确性仍然是现实限制。固定界面与生成界面更可能长期共存：前者提供稳定承诺，后者处理过去难以被预先穷举的差异。

运行时生成也不等于让模型自由设计一切。

《Sentient Design》强调，可靠的动态界面应当从熟悉、稳定且受约束的组件中进行组合。设计师仍然要规定哪些组件可以使用、什么状态必须可见、哪些操作不能被隐藏、品牌和无障碍要求怎样保持，以及生成失败时如何回到一个稳定版本。¹

因此，设计工作的时间边界发生了变化。

过去，团队尽量在产品发布之前确定页面和流程；发布之后，软件主要按照已经实现的规则运行。现在，一部分内容、界面和行动路径会在用户使用时才被具体生成。设计师交付的不再只有最终页面，还包括生成规则、可用组件、权限边界、失败状态和评价标准。

设计没有被推迟到运行时，也没有被交给模型。更准确地说，设计师开始同时设计两样东西：用户此刻看到的体验，以及系统在未来不同情境中可以生成哪些体验。

0.5　第四次工业革命改变的不只是生产效率

“第四次工业革命”并不是一个所有人都采用的历史分期，但它为理解今天的变化提供了一个有用框架。

世界经济论坛在提出这一概念时，把它描述为数字革命继续发展后出现的新阶段：人工智能、机器人、物联网、自动驾驶、生物技术等能力开始跨越数字世界，与物理系统、组织和人的生活更深地结合。⁸ 这个框架真正值得关注的地方，不是“第四次”这个编号，而是技术不再只存在于电脑屏幕里，而是进入生产、交通、医疗、教育、城市和日常决策。

从这个角度看，AI 的影响也不只是让原有工作做得更快。

OECD 在 2025 年的一项研究中认为，生成式 AI 已经表现出通用目的技术的三个典型特征：可以广泛应用、能力持续改进，并能够催生大量后续创新。不过，研究同样提醒，真正的生产率提升不会自动或立即发生，它还取决于组织是否围绕新能力重新设计流程、产品和制度。⁹

这和互联网早期十分相似。企业不是给原有流程增加一个网页，就完成了数字化；移动互联网也不是把电脑页面缩小到手机里，就完成了移动化。技术只有进入真实工作和生活，并推动流程、角色与服务重新组合，才会形成更深的改变。

AI 开始触及的，是一批过去很难被软件处理的认知任务：阅读非结构化资料、归纳信息、生成表达、比较方案、规划步骤、调用工具和根据反馈继续调整。机器不再只重复一条确定流程，还可以在一定范围内处理开放问题。

但这不等于人的认知工作会整体消失。

国际劳工组织 2025 年的研究估计，全球约四分之一就业处于某种程度的生成式 AI 暴露中，但只有 3.3% 处于最高暴露等级。由于大多数职业仍然包含需要人类投入的任务，研究认为工作内容被重新组织，比整个职业被自动化更可能成为主要影响。¹⁰

这一区分对设计尤其重要。

如果 AI 只是提高生产速度，设计师主要考虑怎样让工具更易用；如果 AI 开始接手一段认知过程，设计师就必须回答谁来设定目标、谁来判断例外、谁可以执行、谁检查结果，以及出现后果时由谁负责。

过去的工业化擅长把稳定产品大规模复制给更多人。生成式 AI 则带来另一种可能：同一套基础能力可以根据不同人的目标与情境，在运行时生成不同内容、流程和服务。生产从“复制同一个结果”部分转向“生成适合这一刻的结果”，人与机器的分工也从“人操作、机器执行固定命令”部分转向“人设定目标、机器处理部分过程”。

当然，这种变化也伴随着成本。算力和数据中心会消耗能源，模型可能放大偏见，基础设施可能集中在少数组织手中，自动化也可能把新的监督劳动和风险转移给用户。第四次工业革命不是一个自动走向更好未来的故事。技术能做什么，与社会最终选择让它做什么，是两个不同的问题。

而设计正处在这两个问题之间。

0.6　AI 改变设计的真正起点

如果把前面的变化放在一起，可以看到一条清楚的递进关系。

算力、数据与模型的进步，让软件能够处理语言、图像、声音和更长的上下文；这些能力让系统可以从人的自然表达中形成意图假设；工具与 Agent 又把这种假设继续转化为计划和行动；运行时生成则让产品能够根据任务临时组织内容、界面和流程。

这些变化最终共同指向一种新的人机关系：

人与机器之间，正在从“人操作工具”，逐渐走向“人表达意图，并把一部分过程委托给机器”。

这里最重要的词不是“自动”，而是“委托”。

《Sentient Design》把 Agent 关系概括为“委托，而不是放弃”。用户可以把重复执行和资料整理交给系统，但仍需要决定目标、范围、不可触碰的内容和完成标准。¹¹ 一段合理的委托应该减少从决定到结果之间的无意义劳动，而不是把人的判断、权利和责任一起拿走。

这也是为什么 AI 产品不能只追求“少点几次”“自动完成更多”或“结果看起来更聪明”。系统越能行动，越需要让人知道它理解了什么、依据了什么、准备做什么、已经改变了什么；系统越能自主完成长任务，越需要明确什么时候必须停下来，把决定交还给人。

不是所有任务都适合委托，也不是所有用户都希望把同一部分工作交出去。整理私人笔记与发起付款的风险不同，生成内部草稿与代表用户对外承诺的后果不同，新手和专家对过程的需要也不同。设计的目标不是把所有产品推向最高程度的自动化，而是找到与任务、风险和用户能力相匹配的人机关系。

因此，AI 改变设计的真正起点，不是聊天框，也不是某一种生成工具。它开始于软件能力跨过一条边界：机器不再只等待精确操作，而开始参与理解、生成和行动。

一旦跨过这条边界，设计需要重新回答一组基本问题：

• 设计对象还是不是一组页面和流程？
• 用户不再操作每一步之后，会变成什么角色？
• 面对无法穷举的结果，设计方法应该怎样改变？
• 当生产变得便宜，怎样判断一个结果真的足够好？
• 设计师要怎样进入代码、模型、规则和运行时系统？
• 当 AI 越来越能替人完成任务，设计怎样继续为人保留选择、判断与成长？

后面的章节会从这些问题出发，依次讨论确定性软件的基本假设如何松动，设计对象怎样从界面扩展到意图、上下文与行为，用户怎样从操作者变成委托者和监督者，设计方法、质量标准与设计师工作如何变化，以及设计最终可能走向怎样的未来。

全书的逻辑可以用一句话概括：

算力改变了软件，软件改变了人与机器的关系；人与机器关系的变化，又重新定义了设计。

¹ Josh Clark with Veronika Kindred, Sentient Design: Crafting Intelligent Interfaces with AI, Rosenfeld Media, 2026。

² Anthropic, “Trustworthy agents in practice,” 2026，https://www.anthropic.com/research/trustworthy-agents 。

³ Louise Macfadyen, Designing AI Interfaces, O’Reilly Media, 2026。

⁴ Stanford Institute for Human-Centered Artificial Intelligence, The 2026 AI Index Report: Research and Development, 2026，https://hai.stanford.edu/ai-index/2026-ai-index-report/research-and-development 。

⁵ International Energy Agency, Key Questions on Energy and AI, 2026，https://www.iea.org/reports/key-questions-on-energy-and-ai/executive-summary 。

⁶ Louise Macfadyen, Designing AI Interfaces, Chapter 3, “Designing for AI Inputs,” O’Reilly Media, 2026。

⁷ Google Research, “Generative UI: A rich, custom, visual interactive user experience for any prompt,” 2025，https://research.google/blog/generative-ui-a-rich-custom-visual-interactive-user-experience-for-any-prompt/ 。

⁸ World Economic Forum, “What is the fourth industrial revolution?”, 2016，https://www.weforum.org/stories/2016/01/what-is-the-fourth-industrial-revolution/ 。

⁹ Flavio Calvino, Daniel Haerle, Sarah Liu, Is generative AI a General Purpose Technology? Implications for productivity and policy, OECD Artificial Intelligence Papers, No. 40, 2025，https://doi.org/10.1787/704e2d12-en 。

¹⁰ International Labour Organization, Generative AI and Jobs: A Refined Global Index of Occupational Exposure, 2025，https://www.ilo.org/publications/generative-ai-and-jobs-refined-global-index-occupational-exposure 。

¹¹ Josh Clark with Veronika Kindred, Sentient Design, Chapter 7, “Delegation, Not Abdication,” Rosenfeld Media, 2026。