也许这篇文章会像我们在过去几年中看到的行业中所有变化一样迅速过时。但即使我冒着这个风险，我觉得我需要写一些关于我在与数字产品合作的设计师中看到越来越多的传播的感觉：职业身份危机。
随着LLM在全球范围向所有受众普及，人工智能已经不再是最近的事了。即使它始于专注于文本的大型模型，在短时间内我们看到了无数创造一切的工具的指数级增长。
当这在我们的领域变得越来越明显时，我开始注意到人们又开始理解到，在数字产品领域，通才设计师正在回归。NN Group甚至发表了一篇文章，谈到UX通才的回归作为一个可能的——也是可取的——角色，因为AI在我们流程的这么多不同部分的交付方面取得了进展。
起初，我将其解释为积极的——即使意识到AI的伦理和社会影响（这不会是本文的主题）。然而，更仔细地观察当前的格局，我注意到的是：
在现有LLM模型的帮助下回归泛化不一定有积极效果，从长远来看可能产生肤浅和创新减少。
在这个空间里，我将更多地解释这种感觉——特别是对于那些一直对AI如何影响他们在当今世界的职业和个人身份感到焦虑的人。
这篇文章不是反对使用AI：它只是一篇关于设计师与LLM当前互动时刻的反思文章。
1、超专业化作为一种痛苦
在我的硕士学习中，帮助我最多思考我喜欢工作方式的作者之一是 Edgar Morin**。**他是一位思想家，谈论所有现代知识（特别是自文艺复兴科学知识革命以来）如何一直通过还原主义思维的简化来引导。这种还原主义将个人从广泛的基础教育推向高等教育，限制在单一学科，然后进入逐渐变窄的专业化（直到期望他们在余生中致力于单一主题）。
我一直厌恶这种培训，我亲身感受到了不遵循预期道路的影响。直到很多年后我才意识到这样做是非常积极的——特别是看到Edgar Morin讨论的关于二十世纪教育的这种脱节在实践中。
在二十一世纪过去的近三十年里，可以看到数字产品设计领域专业化得如此之多，以至于最终打开了内部的裂缝。我倾向于将其视为至少三个主要轴，人们在其中专业化并导航：
- 一个传播轴，与品牌、语言和艺术指导相关，其中界面的艺术方面很重要；
- 一个经验科学轴，与研究、方法、数据、验证和决策相关——有时被ROI和回报话语所捕获，但不可简化为那；以及
- 一个精确和技术轴，与软件工程相关，其中一部分设计与前端、组件、系统和实现保持接近，正如2010年左右更强烈地看到的那样。
当然，这是因为每个主要领域的复杂性规模——仅数字产品部分就与人类和机器之间的通信相关。但即使有正当理由，经常发生的是封闭利基之间的生产线，彼此之间没有太多交流。
超专业化导致沟通减少，因为每个部分只深入了解自己的领域和自己的主题，但无法理解旁边存在的问题。
有了这些，信息从一个领域传递到另一个领域，直到到达流程末端的专业人员：开发人员。我打赌你们中的许多人已经见证了这种现象，这在障碍或分歧周围制造了噪音。
这就是为什么Morin如此多地谈论未来教育，在这种教育中，复杂性被接受——在教学不会漏斗式缩小而是打开视野的同时，保持学习的深度。然而，即使复杂性范式存在于教育领域（我相信它并尽我所能捍卫它），谨慎是很重要的！
能够拥抱如此多不同领域的专业人员的影响一直是市场许多部门所期望的。这就是为什么"独角兽设计师"的想法（即使经常是虚构的）一直如此有前途——一个 caricature 名字，给予"全能"的想象：一个人，独自生产一个超级艺术和互动的界面，决策基于科学和实证，仍然可以在前端使解决方案具体化。
在这个一直想要的想法中的"但是"是，让单个专业人员转变为需要如此不同认知训练的角色是人类不可能的——特别是如果你想要一个真正在每个方面都好的产品。
但这种集体想象从未停止存在，现在随着人工智能的出现和普及而重生。通过将活动委托给机器——即使没有给定领域的专业知识——可以刺激这种存在于每个角落的专业人员的存在，并可以在任何活动中交付良好。
正是在这个特定点上，一个承诺诞生了——但也有无数风险尚未完全可预测。
2、泛化作为一种风险
我一直在反思这个问题。而且越来越多，我感觉问题不是通才回归本身的承诺：问题是在我们拥有的场景内这可能出现的方式。
看：在改革后的教育中，人们不会孤立成利基，目前可能发生的是：
一个保持与以前相同能力的专业人员，但开始将他们不知道如何发展的责任委托给机器。
正如NN/G文章接近这个问题，专业人员可以获得AI提升——即，设法在他们以前不精通的领域生产输出。输出了，但用户的认知可能保持与以前相同。
好的，但这有什么问题？
这里的问题是我们主要使用大型语言模型，由在全球层面运营的公司专门创建。这些模型从大量数据中学习人类语言（无论是文本还是图像），通过统计和概率生成对我们人类来说连贯的响应。用更技术的话说，它们充当token"预测"机器：给定输入文本（提示），模型估计最可能的下一个token是什么，并使用它来构建输出。我知道每个AI都会有更具体的功能（使用图像和视频模型），但一般来说，它们都使用创建它们的公司的特定训练统计数据进行操作。
这就是为什么今天的AI不是人类意义上的智能：它是一台超级复杂的机器，可以在数据 digitally 可用的所有领域学习无数模式。这就是为什么它（至少还不是）没有一些人所称的神经符号推理。
Massimo Attoresi给出的一个教学例子是关于医学推理：如果患者出现以前研究中没有报告的罕见症状，人类可以调动医学知识来理解如何解开该症状。LLM不能这样做：它可以产生幻觉并产生似是而非的答案或图像，因为它的训练优先考虑生成可信的响应，即使在缺乏解决某些问题的足够知识的情况下。
对于大多数用户来说，收到"我不知道"更令人沮丧，这是这些平台一个有问题的UX决策。因此，当一个拥有专业的设计师开始使用LLM生产任何其他专业时，他们将只用那台带来全球平均最期望的概率结果的机器的支持来发展。而且，更重要的是，那个人会理解他们的工作就是输出本身！
相反，专业身份不仅由最终交付的东西定义，而且由允许人跨越复杂过程的认知和符号构建定义——包括那些对模型或人类本身仍然未知的过程。
我在这里说了这么多，我想添加一个括号：是的，今天使用LLM可以做很多设计——在我们工作的所有实例中，包括那些没有AI由于培训限制我们无法做的。现在，有必要理解，当我们训练一个代理使机器像UX/UI过程的某些部分的专业人员一样操作时，我们总是在生成没有神经符号背景来面对新的、未映射的情况的概率答案。
风险就在这里。这是解决方案、写作风格、创新过程、视觉同质化甚至代码的风险，在对LLM的大规模依赖的情况下。除非支持来自专业身份路径。
3、作为身份的专业路径
通过一个例子和我一起思考：
我们有一个从事数字产品工作的设计师，她从很小的时候起就一直更适合传播轴。
她花了数年时间深入创建具有独特动画的高度视觉化平台，创造许多品牌想要的影响。
她还通过培养审美敏感性而成长，设法将品牌与产品设计很好地融合在数字平台中。
换句话说，她在视觉上做的一切都是由贯穿该专业轨迹建立的感觉指导的。这种感觉基于多年研究的概念和方法，使她能够克服非常不同的问题而不受阻碍。
今天，那个人可能看着当前的场景，开始感到焦虑和身份危机：“也许我的工作在一段时间后不会因为AI而受到重视。” 有了这些，她可能开始使用不同的LLM，试图在研究（定性和定量）领域交付，也生产设计系统，创建已编码的组件。
如果这个人不开始学习这些领域，而只是用AI创建输出，从长远来看可能会发生什么？我们在一个领域失去一个人才，创造一个通才，生产一点一切——但只是通过LLM。而且因为它只是在这种工具的帮助下，她的交付将倾向于符合全球预期的统计平均值。
现在，如果同一个人开始使用AI来深化她的工作，但也试验相邻领域以学习它们如何运作，会发生什么？正是在这一点上，我认为我们今天从LLM的使用中获得了更多。
除了自动化手动和令人疲惫的任务外，AI提升可以应用于我们的培训，实现与过去非常困难的同行的对话和合作。而且，回到我们亲爱的Edgar Morin，集体思维变得更加复杂，因为即使每个人保持他们的专业化，每个人都可以理解或做队友工作的基础——即使深度较小。
我认为这是一个非常微妙的差异，但对于理解二十一世纪生产力和创新之间的差异是根本的。
原文链接：AI时代的设计师：专业化vs.泛化 - 汇智网
