对话式 AI 工具到头了?该考虑改变了

人工智能工具正在改变我们的生活。几乎每天都会出现新工具。虽然我们中的大多数是使用者,但有些人也会设计它们。这些设计师将决定如何使用和实施人工智能工具。设计师有机会再次塑造新技术来改变我们的生活。目前我们已经有了太多的chatbase AI 工具,但它们的能力已经到了瓶颈,必须要思考如何转变了。

交互方式的转变

之前有关UI的讨论中提出了:人工智能正在引领用户界面设计的新时代。它正在使我们从传统的基于命令的交互转向基于意图的交互。这意味着用户不再需要发出特定命令来完成任务。相反,他们可以表达自己想要的结果,让人工智能处理必要的步骤。

与互联网的早期或移动电话的出现类似,我们正在进入未知的领域。近二十年来我一直在设计数字体验。每当处在这种时刻都要求我们重新评估我们的行业现状。我们必须再次创新。我们必须重新构想我们的思维模型、模式和指南,以确保人工智能工具像网站或移动应用程序一样直观。

chat-based 模型面临的挑战

许多领先的人工智能工具,如Chat GPT、MS Copilot和Midjourney,都依赖于基于聊天的界面。这些界面反映了一对一的对话。两个人相对而坐,一边提问一边回答。这对于简单的问题(例如搜索术语的详细信息)非常有效。相比之下,它无法完成更复杂的任务。即使在与某人交谈时,也很难用几句话来描述我们想要什么。在我们达成共识之前,我们常常需要进行更长时间的对话。

使用 Midjourney 时您可能会意识到这种复杂性。除非您学习过 prompt 工程,否则要让它创建一个图像,使用正确的样式在正确的框架中显示特定主题,需要大量的试验和错误。使用 Sora 创建视频可能会使挑战加倍。使用 Chat GPT 进行更复杂的操作也是如此。它可以是每天的假期行程、网站代码,甚至是其他人工智能工具的提示。仅在一个查询中很难做到足够具体,尤其是对于更有意的输出。近年来,我们在 Alexa、Google Assistant 和 Siri 中同样遇到了这些挑战。

协作模式

我们类比现实生活的中的场景,来思考应该如何进行改变。在现实中,我们不是进行一对一的对话。我们坐在一起,面前可能有一张纸、一块白板或一个屏幕。我们一起做一些事情,同时考虑多种选择,一旦我们找到了好的方向,我们就会完善细节,然后每个人都进行编辑。

同样的,为了释放 AI 的魔力,我们必须改变生成式 AI 工具的思维模型。我们需要创建一个反映这种现实生活协作方法的用户界面。为了实现这一目标,需要考虑以下四个关键因素

1. 提供永久的画布

如上所述,共享的永久画布将是最重要的变化之一。该画布将是一个可以更新的区域,不需要在每次提示时都重新渲染。用户应该能够了解更改了什么,以评估更新是否符合意图。微软已经使用类似的模型来定位Copilot 。 AI 伴侣坐在您旁边,画布(您的 Word 或 Excel 文档)位于你们的中间。

2.让用户比较多个选项

这一点可能是个人的。我通常会广泛地开始我的创作过程。我喜欢探索不同的方向------不仅在设计屏幕时,而且在文本轮廓或图表时也是如此。在这个探索的过程中,我需要比较不同的方向,考虑它们的优缺点。直接在工具中执行此操作的能力将是一个巨大的帮助。Midjourney已经为每个请求提供了多个选项。然而,这些目前都是暂时的,并且或多或少会随着后续的提示被遗忘。

3.提供手动编辑的能力

通常,自己进行一些更改比提示 AI 工具进行更新更容易。直接操作输出的能力使用户能够更快、更精确。grammarly.com 是一个很好的例子。虽然它也可以从头开始生成副本,但我主要用它来改进我已经写好的文本。更新后,我可以继续编辑,这往往会导致多轮来回。

4. 用户能够完善细节

如果你有特定的想法,生成式人工智能就会变得难用。总是有一些小细节与你的意思有所不同。重新渲染可能会解决当前问题,但也可能会产生新问题。您可以随后在其他应用程序中调整这些内容,但您可能想继续使用 AI 工具,这使得工作流程变得繁琐。如果将添加或编辑功能结合,这将使许多人工智能工具更加简化和高效。例如:Photoshop 的 AI 照片编辑器使您能够为选定区域生成新图像。它有助于解决构图的特定部分,从而逐层创建您想要的图像。

总结

人工智能工具正准备从根本上改变我们与技术互动的方式。与其他新技术一样,设计师准备塑造这些工具。人工智能工具存在问题,但我们有能力改进它们。我建议将心理模型从一对一的聊天转变为协作画布。这可以消除许多障碍并使用户更加精确和高效。让我们彻底改变现状,创建让用户和人工智能顺利并肩工作的工具。

相关推荐
deephub6 分钟前
使用 PyTorch-BigGraph 构建和部署大规模图嵌入的完整教程
人工智能·pytorch·深度学习·图嵌入
deephub38 分钟前
优化注意力层提升 Transformer 模型效率:通过改进注意力机制降低机器学习成本
人工智能·深度学习·transformer·大语言模型·注意力机制
搏博1 小时前
神经网络问题之二:梯度爆炸(Gradient Explosion)
人工智能·深度学习·神经网络
KGback1 小时前
【论文解析】HAQ: Hardware-Aware Automated Quantization With Mixed Precision
人工智能
电子手信1 小时前
知识中台在多语言客户中的应用
大数据·人工智能·自然语言处理·数据挖掘·知识图谱
不高明的骗子1 小时前
【深度学习之一】2024最新pytorch+cuda+cudnn下载安装搭建开发环境
人工智能·pytorch·深度学习·cuda
Chef_Chen1 小时前
从0开始学习机器学习--Day33--机器学习阶段总结
人工智能·学习·机器学习
搏博1 小时前
神经网络问题之:梯度不稳定
人工智能·深度学习·神经网络
GL_Rain2 小时前
【OpenCV】Could NOT find TIFF (missing: TIFF_LIBRARY TIFF_INCLUDE_DIR)
人工智能·opencv·计算机视觉
shansjqun2 小时前
教学内容全覆盖:航拍杂草检测与分类
人工智能·分类·数据挖掘