1. 看到“智赋设计 数启新篇”这场宣讲会我先划了三个重点先说个背景。今年年初我在项目群里看到同行转来一条CCUD新闻标题是“智赋设计 数启新篇——2026年人工智能应用培训宣讲会”。做了这么多年设计相关工作我对“人工智能”这个词早就建立了基本免疫力因为听得太多、落地太少。但这条新闻我还是认认真真看完了原因很简单这次的主办主体不是互联网大厂而是设计院自己面向的也是设计师、工程师和项目管理人员聊的是在真实生产流程里怎么把AI用起来。圈内人应该都有同感过去两三年大家嘴里挂着的人工智能更多是“尝鲜”有人拿它生成几个概念图有人让它帮忙写一段报告开头新鲜感一过就扔在那里。但“人工智能正从尝鲜工具变日常帮手”这个趋势在2025年下半年开始变得非常明确。到了2026年任何一个设计团队如果还只是把AI当聊天窗口那就不是趋势问题而是竞争力问题。这场宣讲会最大的价值在我看来是它没讲那些虚的没有讨论“AI会不会取代设计师”这种聊烂了的话题而是直接围绕设计业务场景来讲应用、讲岗位、讲安全边界。我把原文看了几遍之后从标题、关键词和释放出的信息里梳理出三个最值得关注的方向第一是设计工作流里哪些环节真的能由AI提效第二是配套的新岗位比如人工智能训练师、人工智能应用与安全工程师到底该干什么第三是落地过程里避不开的数据与模型问题。这篇文章就是我的拆解和延伸思考。2. 从“讲故事”到“干实事”AI在设计流程里的三个落地切口2.1 方案早期多方案比选不再是加班噩梦宣讲会内容里最打动我的一点是把人工智能放在了方案阶段的最前端。做过设计的人都知道项目一开始最痛苦的不是画图而是“找方向”。甲方需求模棱两可、场地条件复杂、案例参考满天飞设计师常常要做七八个方向性方案才能探到靠谱的路线这个阶段的人力和时间消耗是非常恐怖的。人工智能在早期方案阶段的用法我认为核心是“发散收敛”两步走。发散阶段利用大模型的跨领域知识去生成空间组织思路、功能布局逻辑、形态控制策略甚至模拟不同使用人群的行为动线收敛阶段再结合设计师自己的专业判断和甲方约束条件把候选方案压缩到两到三个放进后续深化流程。这里有个很关键的技术逻辑人工智能擅长的恰恰是“从海量组合里找可能性”而不是替你拍板。很多设计团队第一次用AI失败就是因为想让AI直接出一个最终方案结果出来的东西没法用然后得出结论“AI不适合设计”。这是对工具的误解。它更像一个“高水平的陌生创意库”而设计师始终是那个做判断的人。2.2 中后期生产渲染、制图、文本的高强度辅助聊完方案阶段再看生产阶段。宣讲会里释放的信息很明确目前AI在设计生产中渗透率最高的其实是三件事——渲染后处理、图纸说明生成、文本报告撰写。渲染这件事最直观。以前做一张效果图可能要反复调灯光、调材质后期还要用图像软件修半天。现在的局部重绘、扩图、风格迁移能力已经能把这个过程从小时级压缩到分钟级而且修改成本极低。我不止一次看到同事拿着一版渲染图用指令把它从傍晚阳光换成夜晚灯光再换成雨景氛围一次能出十几个候选最后还是自己选最喜欢的一张去精修。这种“批量生成人工筛选”的模式比单纯追求一步到位更符合设计师的使用习惯。文本类工作可能更隐晦但更普及。项目建议书、可研报告、专题分析、会议纪要这些文档里的结构套路非常固定模型在“结构化生成”这件事上天然占优。成本低、容错高至少能把初稿时间省掉一大半。但必须记住一点文字可以快速生成专业判断和责任不能外包。AI生成的内容只能作为底稿重要结论必须人工复核尤其是涉及合规、计算和规划指标的地方绝不能直接照抄。2.3 为什么“日常帮手”比“惊喜瞬间”更重要网络上很多人对AI的认知来自那些“一键生成震撼效果图”的短视频看的时候确实过瘾真正放到项目里反而很难用。为什么因为设计工作绝大部分不是高光时刻而是大量重复、琐碎、必须保证一致的日常工作。比起偶尔一次的超预期表现我更看重AI在下述场景里的表现批量命名文件、检索历史项目资料、统一出图格式、快速补齐标准条文。这些事情听起来不起眼但在一个几十人的设计院里它们每天吃掉的时间总和非常惊人。宣讲会传递出来的那种“日常帮手续事感”正好对上了最近热门的那句判断——“人工智能正从尝鲜工具变日常帮手”。设计院引入AI不能只看一个惊艳的功能而是要挑那些天天用得上的功能把它嵌到工作流里才能形成真正的效率增量。3. 大模型之外的第二主线人工智能训练师与应用安全工程师在忙什么3.1 训练师这个岗位比想象中更靠近业务搜索“人工智能训练师职业画像”时会发现这个岗位已从最早的“数据标注员”演变出非常复杂的内涵。一个合格的人工智能训练师并不是整天对着屏幕打标签而是要做系统性工程定义业务问题、准备训练材料、构造评测集、观察失败案例、设计修正方案。落到设计院场景里训练师更像是“懂设计的模型教练”。比如你要让AI学会写施工图设计说明不能只扔几篇范文给它而是要把不同类型项目、不同地区规范、不同深度要求的数据分门别类整理好设计一段又一段针对性的提示语模板反复让模型生成、对照标准、发现问题、再优化。这个过程极度依赖对设计业务的理解纯技术背景的人做不了纯设计背景的人也要补不少新知识。我在过往项目里学到的一个教训是训练师的核心能力不是“会提问”而是“会评价”。你让AI生成十次结果能不能一眼看出哪些细节不对这需要扎实的专业功底。对应到人才培养上设计团队里那些经验丰富、表达清晰、做事有条理的老工程师反而比年轻人更容易转成优秀的训练师因为他们知道什么是“好答案”。3.2 应用与安全工程师把智能化关进笼子的人这次宣讲会相关热词里有个职业方向让我印象很深“人工智能应用与安全工程师AIS”。如果说训练师负责让AI“更聪明”那应用与安全工程师负责的就是让AI“更可控”。设计院的业务特点决定了它的数据高度敏感项目图纸、客户信息、未公开的规划方案、商业测算这些数据如果直接交给公开的云端大模型风险是非常大的。应用与安全工程师要做的通常包括几件事制定内部AI使用规范明确哪些数据能进、哪些数据不能进搭建本地化或私有化部署环境跟踪模型版本更新和漏洞信息建立异常行为告警防止内部人员把敏感文件贴到外部工具里。这里特别要提醒一句很多团队用的AI工具是免费公开服务数据流向了哪里完全不可控。哪怕只是内部试运行也应该把数据安全作为一个前置条件而不是事后补救。AIS这类角色的出现本质上是行业在给AI应用划安全边界设计院如果要规模化用AI这个角色绝不能缺。3.3 传统设计师转型的两条现实路径说起来宣讲会给我印象最深的一句话概括起来就是岗位不是消失了而是分化了。基于目前的应用格局设计师大致有两条路可以走。第一条路是“AI增强型设计师”目标是把AI当作工具箱里的新装备同样画图但速度更快、方案更广、表达更丰富第二条路是“AI系统型人才”往训练师或应用安全方向深入负责搭平台、调模型、定规则成为团队里那个别人搞不定问题时要找的人。两者都需要设计背景但第一条路更轻适合绝大多数人第二条路更重回报也更高。建议有兴趣的人先别急着选方向而是花两三个月时间把自己常用的设计场景都拿AI跑一遍看看哪个环节最顺手、哪个环节遇到的坑最多。你觉得最有成就感、最愿意深挖的那个地方往往就是你的转型方向。转型方向核心任务适合人群投入周期AI增强型设计师把AI嵌入现有工作流提高个人产能一线设计师、制图员1-3个月AI系统型人才训练调优、安全治理、平台搭建经验丰富、逻辑强的骨干半年以上4. 落地途中躲不开的四个“现实考题”4.1 人工智能偏见不是道德问题而是工程缺陷最近“人工智能偏见”这个词出镜率很高但在设计行业里它不只是伦理层面的讨论更是非常具体的工程缺陷。举个例子用某个公开的图像模型生成城市街道场景它默认输出的是欧式立面、玻璃幕墙、宽阔马路这些在训练数据里占多数的画面特征真要到某个南方老城的窄巷、骑楼、水乡肌理它生成出来的东西就“不像”。为什么因为模型的训练数据在来源上本身就不均衡互联网上关于欧美城市和现代建筑的图文资料远多于中国传统街区模型学到的“城市”概念自然偏向一方。如果设计团队不做数据层面的干预AI生成的所有前期成果都可能会带着这种“样本偏差”轻则误导方向重则让方案从一开始就脱离本土语境。解决办法其实也在实践中摸索出来了建立本地化的需求样本集把项目所在地的照片、规范、历史文献、空间特征描述都喂给模型并用这些素材重新构建检索库。相当于给模型补上以前缺失的地方课。4.2 模型幻觉AI一本正经地编项目数据怎么办很多刚接触AI的设计人员第一次翻车都是因为轻信了模型给的数据。大模型的本质是概率预测生成它根本不在乎自己要生成的数字是不是真实存在于某个文件里。你说“帮我写一段项目概况”它可以流畅地写出“项目总用地面积约xx公顷规划建筑面积xx万平方米”——数字看起来毫无破绽实际上可能是完全编造的。我处理这类问题的方法就三条第一凡是涉及面积、指标、造价等硬数据的必须回到原始项目资料里核对第二要求AI在生成结果时标注信息来源宁可让它把不确定性说清楚第三把AI的产出限定为“草稿”用固定流程审校后再进入正式文档。时间长了团队就会形成条件反射不再对AI输出的“确定性”抱幻想。4.3 本地离线部署不是完美方案却是设计院的安全底线讨论应用的时候很多同事会问为什么不直接用市面上那些在线AI工具效果不是更好吗答案是安全问题。设计方案和客户资料是设计院的核心资产一旦泄露带来的法律和商业损失是任何效率提升都无法弥补的。所以目前不少设计院都在尝试把模型部署到内网环境也就是“人工智能软件电脑离线版”的思路。离线部署当然有代价。模型更新滞后、生态不完整、性能不如云端最强版本都是现实问题。但安全边界比极致性能重要得多。我的建议是“分类分级”对外公开的通用资料可以用在线工具提效涉及项目核心数据的环节必须走内网环境。两条线并行既享受效率红利又守住安全底线。4.4 效果评估别问“好不好用”改问“哪里能省多少时间”最后是评估问题。我见过很多团队引入AI之后领导问效果怎么样下面只能回答“感觉还不错”。这种评价方式没法复制也没法优化。真正可执行的评估应该落在具体指标上比如概念生成环节的方案产出时间有没有缩短30%报告初稿的人均耗时有没有从三天降到一天返工率是否下降。我建议设计团队在引入AI的阶段就建立一个简单表格把高频场景的使用前后数据记录下来持续跟踪一到两个月。不用多复杂就让参与者自己估一个“时间节省比例”数据攒够之后自然就能判断哪些工具该留、哪些该淘汰而不是靠直觉拍脑袋。5. 宣讲会之后我给想系统学习人工智能的设计从业者整理了一套务实路径5.1 基础阶段从人工智能导论开始别被“看不懂”吓退很多人一听到“人工智能”就联想到数学公式和代码。实际上对于一个设计背景的从业者来说第一目标不是会写模型而是搞清楚基本概念、原理和边界。比如机器学习、深度学习、大语言模型、多模态这些词到底指什么训练数据对输出结果的影响是什么为什么同一个问题换一种问法答案差别很大。建议优先读一本经典的人工智能导论类教材或者找几份系统性的讲义来看。不用贪多关键是建立知识框架。也提醒一句没必要到处收集各种网盘资源资料堆多了反而是负担真正需要的只是两三份高质量材料配合实践反复阅读。我更推荐带着问题去看选一个自己手上的真实设计任务看看导论里的哪个概念能对应上它比单纯背书有效得多。5.2 实践阶段把真实项目当训练场而不是做AI大作业大学生喜欢用“人工智能大作业”练手但这套思路放到职场里往往行不通。大作业追求的是功能展示但设计项目追求的是相对可靠、过程可控、结果可交付。我见过太多案例开头狂吹效果一到关键环节就崩原因就是没有真正把场景限定住。正确的姿势是选一个固定场景做最小闭环。比如就针对“居住区总图方案说明”这一个任务收集历史项目文档整理出结构模板构造一组提示语反复测试生成结果再把常见错误归纳成一条条修正命令。这么做一两个迭代之后你会发现AI的产出质量会有非常明显的提升而且这些经验可以直接迁移到其他场景。5.3 进阶阶段读论文和行业报告追踪前沿但不迷失设计从业者不需要读那些数学推导密集的原始论文但完全有必要读行业白皮书、应用报告和一些偏综述性的文章。最近的很多人工智能白皮书都在讲同一件事应用成熟度、安全评估、数据治理。理解这三个词基本就理解了行业接下来发展的主线。如果精力允许还可以挑选与设计交叉的AI论文读摘要重点关注它们的数据集、评估指标和失败案例。失败案例比成功案例更有价值因为你能从中判断哪些路自己不必再走。网上搜索“人工智能论文”能找到大量公开资源关键是带着过滤意识去读把时间花在与自己工作相关的方向上。5.4 用“教别人”的方式倒逼自己输入还有一个被我验证过多次的学习技巧找一位愿意听你讲同事把你学到的人工智能应用方法讲给他听。教学是最严格的信息整理过程你在讲的过程中会发现很多自以为懂了其实没懂的地方。反过来当你能把一个复杂功能讲得让完全不懂AI的同事听懂说明你离专家的距离已经很近了。宣讲会结束之后我自己做了一个小决定不再把AI当成偶尔试鲜的玩具而是每周固定抽出时间用真实项目去打磨一条完整的AI应用流程。我觉得对绝大多数设计从业者来说这也是最值得投入的事情。技术迭代速度很快但需求和场景不会消失谁能先把工具嵌进日常谁就能在下一个项目里赢在起跑线上。