今日所见

更值得设计者留意的是访谈。许多住户欢迎稳定供暖，但又不清楚设置怎样改变、怎样判断系统是否正常，甚至不知道怎样描述问题。施工人员可能在交付时解释过，却使用太多专业术语；书面说明可能在几个月后找不到。一台设备即使具备全部功能，也没有自动把这些功能转成住户的操作能力。技术效率和人的理解困难还会相互影响：用户越不知道系统怎样工作，就越难发现设置出了问题，也越难向维护人员反馈有用信息。

通常的项目流程会画到“安装—验收—交付”为止。这个案例提醒我们，服务蓝图还应该画下去：第一次独立操作、第一次遇到异常、第一次求助、维修以后能否再次独立使用。在课程里，可以让学生把一个已经交付的产品或作业平台重新画成两层：上面记录负责安装、发布和维护的人做了什么，下面记录使用者在每一步实际理解了什么。不要急着增加一本更厚的说明书；一张设备旁的操作卡、一次有针对性的回访，可能比一段完整但没人记住的讲解更有帮助。这是从研究引出的设计假设，仍需测试。

继续阅读｜Nesta 原始研究

这个方法的价值不在于“把旧物拍得更高清”。同一枚硬币、一块刻字石板或一片陶片，在正面均匀照明下可能显得很平；当光从低角度掠过，细小起伏会出现不同的阴影。研究者于是可以在不改变物件的情况下检验不同观察条件。它和常见的照片美化恰好相反：目的不是把表面修得漂亮，而是让不容易被看见的差异有机会进入证据。RTI 仍有采集、计算和解释的技术条件；一张侧光照片并不等于完成了 RTI 重建。

对一年级设计思维学生，这提供了一种十分具体的观察训练。先找一个有纹理的日常物件，固定观察位置，用手电筒分别从正面与左右低角度照明；拍下三个条件，只记录新增看见的痕迹，不急着猜它意味着什么。随后换成空间或服务观察，尝试改变距离、时段、行走方向或角色。学生会发现，最初“这里什么也没有”的结论，可能只是自己只在一种条件下看过它。设计研究的严谨，有时从承认第一次观察尚不充分开始。

继续阅读｜UCL 官方课程说明

它有力量，也有必须保留的界限。33% 是本次倡议采用的表达数字，不能与英国政府所有养老金指标无条件互换。英国就业与养老金部 2025 年发布的官方统计，以 2020—2022 年、55—59 岁且持有未领取私人养老金财富者为口径，估计男女财富中位数差距为 48%。两种数字所代表的人群、定义或材料来源并不完全一致。因此，对设计而言，“数字能否被快速记住”和“数字代表的事实能否被追问”，必须同时成立。传播海报可以提示公共问题，却不能靠强烈表情证明政策变化已经发生。

如果让学生为一项看不见的社会成本做海报，可以尝试选择一种非常熟悉的日常凭据：购物收据、保修单、考勤表、排队号码牌。再问它被放到哪个对象身上会突然改变意义。完成后不要只问画面是否醒目，还要写下一句**“最容易被误解的是什么”**，并附上统计定义。真正有力的公共设计，不应只让人震惊一秒，还要让愿意继续理解的人找得到依据。

这个变化不是简单地把文字删少。自助购物时，顾客没有随时可以解释每件商品的销售员，包装便承担着“把货架变成可以浏览的界面”的任务。人首先需要确认品牌和品类，其次才是尺寸、容量、材质或功能差异。假如每个产品系列都努力创造自己的视觉世界，顾客就得反复学习不同的阅读规则。统一的结构让基本问题可以被快速识别；真正决定购买的差异，反而有机会变得更突出。设计方展示了实际包装应用，但尚不能把销售增长、找货速度提升或环保成效作为已经独立验证的结果。

这个案例也适用于课程网站和作品集主页。让学生把六种内容卡并排缩到手机尺寸，只保留系列归属、主题、一个关键信息和进入方式，观察是不是不再需要逐张阅读整段说明。信息层级不是在文字写完后替它找位置，而是先决定一个人此时最需要回答哪一个问题。设计减法真正减掉的，不是丰富性，而是理解同一套系统所需的重复劳动。

为什么这件事值得设计学生关注？因为一张舞台效果图可以隐藏大量无法回答的问题：某盏灯什么时候亮，变化持续多长时间，光束会不会照到错误的位置，换一个舞台还可不可用。看起来相似的两个画面，也可能需要完全不同的灯具、时间安排和控制逻辑。AuraLuxMuse 并没有取消专业灯光师，反而让设计师可以在可编辑控制片段上进一步调整。但有控制指令不意味着它能脱离设备匹配、安全检查与现场排练自动执行。

课堂可以从 30 秒音乐开始，不必制作复杂系统。让学生先写下三个十秒段落，每段只规定颜色、亮度、照射区域和变化节奏，再用 AI 提供第二套候选，逐项比较“这个变化为什么必要”。这样，讨论就不会只围绕哪个视频更好看，而会回到作品最重要的结构：什么产生了效果、修改什么会影响结果、最后谁来决定执行。随着 AI 更容易给出完整画面，把可编辑的中间结构留给人，正在成为更实在的创作能力。

这份研究更有意思的，是工作怎样重新落在人身上。2026 年 4 月的一次内部问卷里，20% 的答卷主动描述自己的角色从亲自执行转向管理 AI。代理产生的内容越来越多，员工要分配任务、查看告警、审阅例外、修改规则，还要与其他人商量责任归属。研究甚至根据代理输出文本量和假定阅读速度估算，部分非技术员工若完整读完这些内容，将占去半个以上工作周；那不是实际阅读记录。机器运行时间快速增加，并不意味着人可以轻松坐等结果，注意力可能成了另一种稀缺资源。

对大学教育来说，最难的是人才成长的时间顺序。我们希望新人进入岗位后就能够判断什么重要、什么值得信任，但他们过去往往通过做基础任务、经历返工和受到指导，才一点点建立这些能力。如果入门的执行工作被自动化，成熟判断力不能凭空出现。设计课程因此需要刻意区分：哪些练习可以借助 AI 加速，哪些观察、取舍和实际验证必须由学生亲手经历。这份报告来自一家 AI 使用强度异常高的公司，不是全行业的预测；它提出的是值得认真研究的职业教育难题，而不是已经写定的未来。