今日所见

这个顺序看起来只是项目管理上的变化，实际上会改写设计 brief。传统建筑任务往往先有功能、面积、形象和预算，再去寻找合适材料；而构件再利用要求设计团队先承认现实世界已经有一批不能被忽略的东西。梁多长、楼板多厚、节点能否拆、构件状态如何，不再是后期技术问题，而会直接影响下一栋建筑可以长成什么样。

这也解释了为什么循环建筑不只是“换成环保材料”。真正困难的是建立供体建筑与接收建筑之间的信息桥梁：什么值得保留，怎样被记录，谁负责认证，什么时候进入设计，采购和法规如何配合。对学生来说，可以把一个更新项目的第一阶段倒过来：先不许画新方案，只做一份“如果拆掉就可惜”的现有资源清单。 设计不再从空白开始，而从阅读已经存在的世界开始。

查看项目｜Aalto University ReType

这三种能力恰好不是同一种训练能解决的。AI 很擅长快速告诉新人标准步骤、常见故障和处理建议，于是“不知道怎么办”的时间被大幅压缩；但熟练维修师听到异响时的警觉、药房技术员面对一个“看起来没问题”的剂量仍会多问一句的敏感，并不是看过答案就会获得。它来自失败、比较、身体经验、情境判断，以及和资深者一起工作的时间。

Pearson 的数据还显示，美国相关岗位年度空缺中约 98.5% 来自替补需求，英国约为 99%，意味着大量经验正在随着退休和转岗离开组织。报告建议把导师制、观察、模拟、反馈与真实操作重新放回训练核心。对设计教育也一样：如果 AI 太早替学生跨过所有笨拙阶段，学生将来拿什么去判断 AI 哪里错了？ 有些低效率过程，不是落后的遗留物，而是在形成未来监督能力。

查看研究｜Pearson：Building expertise in an AI-infused world

它最值得学生看的不是“随机”，而是固定与不可控如何一起工作。固定的是水池、瓷碗、水流和碰撞条件；不可控的是天气、环境噪声、每一只碗此刻的位置与相遇。设计师并没有写出一段必须被完整重复的音乐，而是搭出一套会不断生成音乐的条件。

这对今天谈 AI 生成很重要。生成并不是“模型随机给我几个版本”，而是规则、变量、反馈与边界共同作用。一个成熟的生成系统不需要每次给同一个结果，但需要让变化落在一个仍然成立的范围里。学生可以做一个简单练习：给作品只设 3 条固定规则，再故意留下 2 个不控制的变量。 最终判断的不是“结果和我预想的一不一样”，而是“变化之后，它为什么仍然成立”。

两个获奖作品都能看到“材料能力”怎样反过来影响对象。Roinisto 的 Glass Falls 把彩色玻璃与釉面瓷结合；Hirvikangas 的 Cube 则由她自己用火焰加工制作彩色玻璃元件，再进入几何灯具结构。这里重要的不是最终造型，而是学生亲手进入加工以后，方案会被材料不断修正：有些想法在纸面上成立，到了火焰、温度、重量和连接方式里就必须改变。

很多学生任务一开始就叫“设计一把椅子”“做一个灯”“设计一个展台”，于是材料只是实现既定形式的工具。如果把题目改成“木材可以……”“玻璃可以……”“纸可以……”，探索就从对象导向变成能力导向。 对材料课、创意思维课甚至 AI 出图课，这都是一个很有效的前置动作：先写 5 个动词，再决定最后要不要出现一个名词。

结果显示，人们不会简单地“更信人”或“更信算法”。他们会逐渐把依赖转向那个更经常让自己体验到成功的顾问。于是，一个真正最大化长期期望收益的算法可能反而被拒绝；一个更顺着人类“频繁成功”偏好的算法，则更容易被采纳，即使长期收益更差。更关键的是，当实验不再让参与者看到“没选的那个方案后来怎样”时，这种偏移明显减弱——说明信任不只由建议本身决定，也由反馈界面决定。

这条研究对产品设计特别重要。我们常用满意度、采纳率、留存来判断 AI 是否“有帮助”，但这些指标可能奖励的是短期顺滑，而不是长期更好的判断。一个系统如果不断让人体验“我又马上赢了一次”，很可能比真正需要耐心、延迟回报的建议更容易获得信任。AI 不只在给答案，也在训练用户如何理解成功。 目前公开的是工作坊研究摘要，并非已完成同行评议的正式期刊论文，因此更适合作为一个值得继续追踪的行为信号。