今日所见

真正值得看的是它重新定义了“教育设计”的边界。学校可以把一门课的教学体验做得很好，但学生仍可能在转学时失去学分、在获得证书后找不到下一条路径，或在跨机构申请时不断重复提交材料。对学生来说，教育不是一组彼此独立的课程，而是一段需要持续移动的旅程；任何一个组织只优化自己的节点，都可能让下一站继续出现断裂。Education Design Lab 因而同时追问资金、数据、学分互认、部门责任与当地产业，而不仅是课程内容。

这个项目目前公布的是参与网络与实施计划，尚不是经过验证的改革成效。它给设计思维课程的启发却很具体：我们能不能像绘制服务蓝图一样绘制学习旅程？ 在“观察—问题定义—创意拓展—方案发展—交付”之间，学生究竟带着什么进入下一站？谁来确认上一阶段真正发生了学习？如果一个阶段只交出漂亮结果，却没有可迁移的判断和证据，它很可能无法帮助学生跨越下一道门槛。

查看项目｜Education Design Lab

在平面设计里，文字往往被放进一个可以整体观看的矩形；在这里，建筑不给观众这样的特权。人无法同时读完整个圆厅，只能随着行走不断遇到新的句子、光线和声音；身体在阅读之前已经被空间安排。Kruger 对广告、权力与消费语言的长期关注，也因此不只存在于“她说了什么”，还发生在“这句话从什么位置向我逼近”。文字越大，不一定越容易理解；它也可能让读者更加意识到自己身处一套语言与权力的环境。

这对空间、展陈和视觉传达课程提供了一个很好的试题：同一句话放在手机、教室投影、入口墙和环形走廊，究竟还是同一种设计吗？ 与其只让学生改变字体、颜色和字号，不如让他们标出三种阅读距离、一条移动路径与一个必须停下来的位置。文字不再是最后贴上去的说明，它可以成为组织空间经验的材料。

这个任务有四个相互配合的条件：低精度材料、具体使用者、现实约束和公开解释。如果只有华夫饼，它可能只是一次热闹的手工活动；如果只有人物设定，又容易停留在同情性的想象。限制卡会迫使不同需求在一个空间里相遇：需要安静的人和需要讨论的人如何共存？照护儿童和开放办公怎样不彼此挤压？团队不可能靠一张精美效果图回避所有矛盾，必须尽早做决定。

这场活动的官方页面核实了任务规则与日期，但没有提供足以评价现场参与效果的成果记录；因此不能据此声称它已经改善了某类使用者的真实处境。可以直接带进课堂的，是任务结构本身：让学生先拿“使用者卡＋限制卡”，只用纸片做两个彼此不同的布局，然后讲清楚各自牺牲了什么。 快速原型不是把复杂项目简化成玩具，而是把最难解释的选择提前暴露出来。真实用户的访谈与测试，仍然要在下一步进行。

结果值得注意：接受训练的学生在 AI 辅助修订成绩上显著更好，效应量 d = 0.81；把原来错误答案修正为正确答案的比例为 69.3%，对照组为 41.3%。对话分析发现，训练组更常寻求理解、比较解释，并在 AI 回答不合适时继续诊断。两组自报的总体认知负荷没有显著差别。这里比较的是一次任务内的协作修订表现，研究并未证明 45 分钟训练就能永久提高脱离 AI 的独立学习能力，也未涉及所有专业和年龄层。

这对设计课有一个很现实的启发：我们常教学生“去和 AI 聊聊”，却没有训练他们在答案出现以后怎么办。一个更清楚的教学练习是：先独立写下判断与依据，再让 AI 提出不同解释，最后标记自己接受、拒绝或修改了什么。 AI 的帮助并不在于始终把答案做对；当它给出一处错误时，学生有没有足够的知识、耐心与策略指出问题，才真正决定协作是否发生了学习。

查看原始研究｜International Journal of STEM Education

这种失败方式非常贴近真实设计工作。模型可能没有发现“两项要求不能同时满足”，也可能悄悄更改原本必须保留的对象，让画面看上去自然，却已经违反任务。研究团队提出 VisTA 训练方式，让模型学习在可行时编辑、无解时拒绝；训练后的 VisTA-BAGEL 在该基准中拒绝 93.0% 的不可行请求，同时完成 74.3% 的可行编辑。必须说明：这些数字属于特定实验基准与模型，论文仍是预印本；它并不意味着只在普通 Prompt 里多加一句“先检查”，就能得到同等效果。

它把 AI 视觉工作流里一个重要的边界说清了：可生成，不等于可交付。 对建筑真实案例、历史照片、产品图或课程视觉尤其如此。遇到“必须保留真实项目照片、又要改变它的结构”“必须满足互相冲突的几何限制”等任务时，一个可靠系统应该先回答“是否可行”，再回答“怎样做”。知道停下，和知道如何生成，是两种需要分别训练的设计能力。

这不是随机分派的单变量实验，两个部门不只有一句宣传话术不同，学习资源、管理支持与可进入的新任务也不同。它更可靠地说明：工具采纳与人能否感受到“自己的工作正在变得更有意义”有关。若员工发现 AI 只是让自己更快处理相同任务，原有的专业经验反而显得越来越廉价；若省下来的时间可以进入学习、研究与更高层次的判断，他就有理由主动探索工具能够改变什么。

对设计管理和高校教育来说，这个问题同样尖锐。AI 帮学生或员工节省的一小时，最后是谁的？ 如果只把它换成更多产出，系统优化的是吞吐量；如果留给观察、试错、阅读、修改和较复杂的工作，人机协作才可能改变人的成长路径。组织的评价标准也需要跟着改变：不能鼓励参与深度研究，却仍只按完成了多少份文件来判断价值。