引言

进入21世纪以来，人工智能技术的迅速发展成为推动全球创新体系变革的重要力量。国务院自《新一代人工智能发展规划》（2017年）发布以来，明确提出要构建人工智能创新体系，推动AI与各行业的深度融合。《数字中国建设整体布局规划》（2023年）进一步强调智能创意与数字文化产业的协同发展，为AI生成设计的实践提供了政策与产业基础。AI在设计领域的渗透正呈现出多元化特征。无论是视觉传达设计、品牌策划、交互设计还是产品造型，AI生成技术都在重塑设计流程。设计师不再仅是手工创作的执行者，而成为与智能系统协同创意的策划者与决策者。与此同时，这种技术也带来了设计伦理、原创性与版权等新的讨论议题，国内外关于AI与设计关系的研究逐渐形成多维度体系。随着2022年之后生成式AI模型的突破，AI在设计学中的地位由“辅助工具”上升为“智能共创体”。那么由此可见，设计范式也会从传统的“生产导向”向现代的“用户导向”进行转变，坐具设计领域的核心驱动力已聚焦于用户需求。其中，满足用户情感与反思层面的高层次需求，已成为提升产品价值与用户体验的关键。本研究旨在回答三个问题：AIGC如何重塑坐具设计流程？模型协同如何实现用户导向？AI设计结果的舒适度与生成变量间是否存在关联？

一、AIGC概念起源与运用

生成式人工智能（AIGC）的核心概念起源于深度学习技术的发展。2014年，Goodfellow提出生成对抗网络（Generative Adversarial Network, GAN）模型，其通过生成器与判别器的对抗训练，使计算机能够自主生成与真实数据相似的内容。此后，扩散模型（Diffusion Model）的提出进一步突破了生成质量与稳定性的限制，为AI在图像、视频、文本等多模态内容生成中奠定了算法基础。这一系列技术革新为“AI生成设计”概念的形成提供了技术根基。从设计学的角度看，“AI生成设计”（AI-Generated Design）不仅是技术的应用，更是一种设计思想的延伸。它强调设计师与算法之间的协同关系，即人机共创（Human-AI Co-Creation）的理念。早期的设计自动化主要解决效率问题，而生成式AI则扩展了创意空间，使设计过程成为“思维—算法—生成—修正”的循环系统，而AI生成逻辑中的语义—视觉映射特征，与坐具设计的人机工学与美学语义有天然契合点，为本文后续研究奠定理论基础。

（一）AIGC过程中的影响及特征

在生成式AI进入设计领域的初期阶段，其影响因素主要体现在技术性能、创意表达与视觉控制三个维度。以ChatGPT、Midjourney和Stable Diffusion为代表的三类AI工具，分别体现了AIGC在语义识别、视觉创意和生成准确性方面的特征。

（二）ChatGPT的识别性

ChatGPT（Chat Generative Pre-trained Transformer）是OpenAI公司研发的一款聊天机器人程序。它的工作原理是通过对大量文本数据的预训练，学习语言的模式和规律。ChatGPT基于大规模语言模型（LLM），具备强大的语义理解与文本生成能力。其识别性体现在能将抽象设计概念转化为逻辑清晰的语言表达，支持设计师进行前期的概念构思与语义描述。在设计流程中，ChatGPT的作用类似“智能策划者”，为创意思维提供语言驱动的支持。如下，向他提问“怎么用Midjourney设计一个北欧风皮革调节高度椅子”，便会根据设计师的需求进行关键词文案的生成。

（三）Midjourney的创意性

Midjourney作为视觉生成AI，侧重图像风格、情绪氛围与构图创新的探索。其独特的算法美学使设计师能够突破传统工具的视觉限制，生成具有艺术风格差异化的作品。它强化了AI在视觉创意层面的表现力，成为探索AI艺术与设计融合的重要实验平台。如想创作一把椅子可对它下达（线条清晰，简洁，北欧风格，皮革座椅和靠背，自然木框架，可调节高度，清晰、精确的线条，突出人体工学形状）通过以上的关键词Midjourney很快就能生成多个符合要求的设计草图。这使得设计师能够在更短的时间内探索更多的设计可能性，提高了设计效率。

（四）Stable Diffusion的准确性

Stable Diffusion采用扩散模型原理，具有高可控性与细节生成能力。它允许设计师通过提示词、控制参数与负面权重精确调节输出结果，实现设计意图的量化表达。这种准确性为AI生成设计的落地实施提供了技术保障。在Midjourney生成草图之后再采用Stable Diffusion软件的ControlNet插件处理图片：1.点击上传图片；2.启用ControlNet并且选择Canny线条检测和control_sd15_mlsd模型后，点击预览预处理结果，就能看到一张黑底白线条的图。ControlNet中其他部分的设定参考图片中的数值即可，也可以在后续的操作中不断摸索尝试各种不同数值带来的效果。

（五）AI体系间的关联机制

该体系以“语义驱动—视觉生成—结果优化”为核心逻辑，实现了从语言认知到视觉呈现的连续生成过程。在体系结构上，ChatGPT负责概念语义的生成与逻辑建构，为设计提供语言驱动的认知框架；Midjourney承担视觉生成与风格探索的任务，通过扩散模型实现语义图像化；Stable Diffusion则位于体系末端，负责图像细化与结构控制，实现结果优化与高精度输出。三者之间通过Prompt语义映射与ControlNet参数反馈形成动态循环：ChatGPT输出的语义结构经Midjourney生成图像后，再由Stable Diffusion进行视觉精修，最终反馈至ChatGPT进行语义再生成与Prompt优化。此过程构成“语义生成—视觉转译—结果反馈—语义修正”的闭环体系。该体系不仅提升了生成结果的结构一致性与视觉质量，还在认知层面实现了人机协同与设计思维扩展。AI不再是单一的生产工具，而成为与设计师共同参与创意逻辑构建的“智能共创主体”，体现了设计活动从“工具驱动”向“认知驱动”的范式转变。

二、影响因素分析与用户导向机制

（一）技术层面影响因素

坐具设计兼具功能性与艺术性，是验证AIGC生成机制有效性的典型产品类型。AIGC技术在坐具设计中的生成表现受到多种技术变量的影响。研究发现，模型算法版本、Prompt语义复杂度、扩散参数与系统优化策略是决定生成结果质量与一致性的关键因素。模型版本差异对生成结果的视觉特征具有显著影响。ChatGPT不同版本在语义理解与结构化Prompt生成能力上存在差距，直接决定了Midjourney生成的概念图像是否具备语义连贯性。以Midjourney v6与v5版本为例，v6模型在语义到视觉的映射精度提高约18%，但生成风格的多样性略有降低，这表明模型的稳定性与创造性存在权衡关系。Prompt语义结构是影响生成逻辑的重要因素。语义层级越清晰、逻辑越完整，模型越容易建立语义—视觉映射。扩散算法参数（如风格化程度 Stylize、迭代步数 Steps、相似度参数 Chaos）直接影响图像的视觉表现与形态稳定性。参数设定过低可能导致输出缺乏层次感，过高则易产生形态失真或风格过载现象。实践结果显示，当Stylize取值在600–700区间、Chaos控制在20以内时，生成图像在艺术表现力与结构合理性之间达到最佳平衡。系统优化策略（如ControlNet与LoRA微调）在Stable Diffusion阶段尤为重要。通过ControlNet可实现姿态、比例与结构约束，而LoRA可针对特定风格进行局部微调，从而提升生成图像的语义稳定性与细节真实度。这些技术因素共同构成了生成式AI体系的底层支撑，为设计的可靠性与精确性提供技术保障。

（二）设计层面影响因素

在设计实施层面，影响AIGC生成结果的主要因素包括Prompt风格类型、人工干预率（HIR）与设计任务约束条件。不同Prompt风格会显著影响生成结果的视觉倾向与信息密度。通过对比三类Prompt结构——结构型（Structural）、叙事型（Narrative）与情感型（Emotional），研究发现结构型Prompt生成的形态更具几何秩序与逻辑性；叙事型Prompt输出的图像在情境表达上更完整，而情感型Prompt则在色彩与光影上具有更高的感性表现力。对坐具设计而言，叙事型Prompt可在功能逻辑与艺术意象之间取得平衡，是设计阶段最有效的输入形式。人工干预率（HIR）反映设计师在生成过程中的参与程度。由此可见，设计师应扮演“语义调控者”而非“形态操作者”的角色，通过Prompt优化与参数调整实现人机共创平衡。设计任务约束（如人体工学标准、材料可行性、使用场景限定）是影响结果可落地性的重要条件。AI生成的图像虽具有高度视觉吸引力，但若缺乏现实约束，将可能导致结构不可实现或功能性不足。因而，研究者应在Prompt语义层中明确人体参数与环境条件。

三、用户导向协同机制模型

为了在AIGC坐具设计中更系统地融入用户反馈，本研究提出用户—AI—设计师三元协同模型（User–AI–Designer Collaborative Model），以实现语义理解、视觉生成与情感反馈的多层联动机制。

（一） 用户导向层（User Layer）

在该体系中，用户导向层承担信息输入与语义构建的基础职能。用户的审美偏好、身体感知与行为习惯通过问卷、语义标签或Prompt反馈输入系统，形成初步的“认知语料库”。这些数据不仅是设计任务的起点，也是后续AI生成逻辑的核心变量。当用户表达“希望椅子具有包裹感与柔和线条”时，ChatGPT会自动在Prompt结构中强化相关语义层级（如 curvature, comfort, soft texture），从而引导后续视觉生成的风格方向。这种基于语义学习的用户建模机制，使AI在一定程度上具备了用户认知共感（User Cognitive Empathy）的能力。

（二） AI生成层（AI Layer）

AI生成层则是系统的核心计算与表现环节。ChatGPT在此层中实现语义逻辑构建，Midjourney与Stable Diffusion分别完成视觉转译与图像精修。三者协同运行，形成“语义—视觉—优化”的动态迭代结构。更重要的是，这一层的运行结果会被反向输入用户与设计师端，从而实现语义反哺（Semantic Feedback）。用户对生成图像的满意度评分或语言反馈（如“造型过于硬朗”）可被重新转化为新的Prompt权重参数，使系统在下一轮生成中自动调整风格方向。这种循环优化机制体现了AI模型在设计语境下的自学习能力与进化性。

（三） 设计师调控层（Designer Layer）

设计师调控层在整个体系中起着“语义中介”与“判断校正”的作用。由于AI生成模型仍存在语义模糊与逻辑漂移问题，设计师的专业判断成为体系稳定运行的关键。设计师通过语义再编辑（Prompt Refinement）与视觉对比分析，既能矫正AI生成的偏差，又能激发系统的潜在创造性。换言之，设计师的介入不仅是监督，更是认知协作（Cognitive Collaboration）：他们在AI生成的多样性结果中发现新的形式规律与美学逻辑，进而反哺设计思维本身。

（四） 三者协作：创新与优化循环

首先，通过语义反馈机制，将用户与设计师的经验知识转化为可学习数据，构建“人—机—语义”三元融合的生成系统。其次，设计认知的再结构化：AI的语义生成逻辑改变了传统设计以视觉思维为中心的认知路径，使语言、视觉与数据的融合成为新的创意逻辑核心。然后，用户体验的动态嵌入：系统通过多轮反馈持续学习用户偏好，实现设计从“为用户设计”向“与用户共创”的转变。最后案例验证了“语义驱动—视觉生成—反馈优化”逻辑在用户满意度提升上的有效性，为三元协同模型提供了实证支撑。

四、AIGC应用于坐具设计带来的思考

人工智能恰似一经开启便难以闭合的技术容器，ChatGPT、Midjourney、Stable Diffusion等生成式人工智能（AIGC）工具，正以高效生成速率、低成本投入及高品质输出特性，持续产出高质量概念设计图像。这种新兴创意生产范式，正逐步重构设计领域传统概念设计的实施路径与操作逻辑。值得注意的是，此类智能工具的迭代速率远超预期，往往仅需数月乃至数周即可迭代出更具便捷性与高效性的版本。在坐具设计领域引入AIGC技术后，设计师得以将更多精力聚焦于设计核心议题，深入探究设计的人性化需求、易用性特征、人机工程学适配性及市场定位精准度，进而有效提升设计实践的实效性。在此技术应用背景下，设计师在熟练掌握新型工具的过程中，更需深度反思设计的本质价值。从发展趋势来看，未来设计师或无需在效果图精细呈现与概念设计建模环节投入过多时间成本，这一变化预示着更为纯粹的设计时代即将来临。AIGC技术的广泛渗透，或将进一步明晰设计师与美术工作者的职责边界，为设计行业构建全新的分工机制与价值体系。需正视的是，当前AIGC在生成内容原创性、审美维度多样性及知识产权认定方面仍存在显著局限，未来需进一步探索算法伦理规范构建与人机共创边界界定问题。

参考文献：

1. [1] 宋阿媛. 基于“人工智能+”赋能下的智能家具设计发展趋势研究[J]. 家具与室内装饰, 2024, 31(09):54-58.
2. [2] 卢兆麟, 宋新衡, 金昱成. AIGC技术趋势下智能设计的现状与发展[J]. 包装工程, 2023, 44(24):18-33+13.
3. [3] 邹志娟, 陈思洁. 基于AI图像生成技术的家具设计研究[J]. 林产工业, 2024, 61(11):62-67.
4. [4] 周天辰, 吴智慧. 基于人工智能绘画模型STABLE DIFFUSION的椅类家具设计研究[J]. 设计, 2024, 37(11):94-97.
5. [5] 桑懿, 程玉宇, 陈子君. AIGC在城市家具设计中的应用探究[J]. 丝网印刷, 2024(13):97-99.
6. [6] 毛玮婧. 人工智能时代下的产教融合新模式——家具设计课程实践与创新研究[J]. 科技风, 2024(09):90-92.
7. [7] 李文龙, 张凡. 设计中的人工智能——设计师视角下人机协作关系研究[J]. 美术研究, 2024(04):99-103.
8. [8] 张玉萍, 崔舟媛. 融合AIGC与感性工学的照明情景设计研究[J/OL]. 家具与室内装饰, 1-7[2024-12-14]. http://kns.cnki.net/kcms/detail/43.1247.ts.20241213.0848.004.html.