為什麼 AI 在設計方面落後

資料來源#

摘要#

Andrew Ambrosino（OpenAI Codex）回答了一個 wiki 一再繞回的問題——為什麼「這看起來像 AI 設計」仍是句貶抑之詞，AI 卻已能撰寫正式環境程式碼？——他提出前沿模型在視覺／產品設計上落後的四個原因，其中兩個務實但差距正在縮小，另外兩個則更難克服。這段第一手說明精準指出了可驗證獎勵前沿止步之處：程式碼有明確的評分方式（「能不能編譯、能不能照預期運作」）；設計的評分者則是人類品味，要把它放進訓練迴圈，成本很高。

證據註記。 practitioner-opinion——一位 OpenAI 產品領導者的觀察，並明確有所保留（「我不在我們的研究部門……說這些可能會挨罵」），並非研究主張。

四個原因#

1. 設計難以評分（最關鍵的原因）。「要建立一個迴圈，讓你能用好設計和壞設計來訓練模型，比起問『程式碼能不能編譯』要繁瑣、費力得多。」程式碼自帶驗證器；設計的驗證器則是人類品味，這「是你需要的回饋機制的一部分」。這是從設計角度陳述可驗證性論點：獎勵便宜又客觀的領域，能力進展最快；而設計的獎勵兩者皆非。

2. 設計原本不在 AI 研究飛輪之內。「實驗室過去投資模型，通常是為了讓它們擅長能加速 AI 研究的事情。」在早期的程式碼模型時代，模型能寫出正確程式碼會加速研究，這點很明顯；「設計就很難提出同樣的理由」。因此，設計得到的刻意投入較少——不是因為它不重要，而是因為它不在自我改進迴圈裡。（這是務實因素；Ambrosino 預期差距會縮小——「這些模型會變得相當擅長設計。」）

3. 設計獎勵新意；程式碼獎勵已知模式。「在軟體工程裡，你幾乎會希望它過度偏重已知模式。」設計則不是：「其中有隨機性和新意的成分。」他舉例說，有整整一年，每個新網站都像是 Linear 的複製品——「如果模型每次都輸出 Linear 的網站，這就不是我們要解決的挑戰。」向平均值回歸對程式碼而言是優點，對設計而言卻是失敗。（參見轉化式創造力／抽象障礙批評：產生新概念或許是真正的上限，而不只是下一個即將突破的能力。）

**4. 設計↔程式碼抽象層（深層問題）。**只當個更好的視覺設計師還不夠；「軟體設計和正在撰寫的程式碼之間彼此交織」，這「是視覺設計，但深得多——關乎抽象」。他用品牌重塑的思想實驗把問題說得很具體：

表層做法：「我們得逐一更新 263 個元件。」
**深層做法：**理解「這兩樣東西看起來不同，但它們都屬於清單，而且都採用一種傳達特定互動模式的樣式」——也就是元素之間的語意關係，而非它們的像素。

「以目前的技術來說，這仍有點遙不可及。」這正是設計系統作為語意層的問題：真正的設計能力存在於外觀與程式碼之間可維護的抽象層，而這恰好是模型最弱的一環。

2026 年一項實際測試把原因 4 的部分問題，從模型移到了系統：讓代理程式用 Meta 的 Astryx 處理真實品牌時，它在各處都正確讀懂品牌，輸出的元件卻仍不符合品牌調性——因為設計系統只為其中四個元件提供了自訂欄位（I tested Meta's "agent-ready" design system Astryx. Here's the results.，case-study，n=1；完整說明見Living Design System）。在這種情況下，品牌重塑思想實驗的深層做法行不通，並不是模型無法掌握語意關係，而是抽象層沒有提供表達這些關係的地方——「分層權杖被壓平成一層」。這個說法比 Ambrosino 的主張弱，值得分開看待：設計↔程式碼層面看似模型不夠能幹的部分問題，其實是工具缺少可操作的範圍；不必提升模型能力，也能修好這一點。

為何重要#

如果原因 1–2 是務實因素且差距正在縮小，而 3–4 屬於結構性問題，那麼設計就會比程式碼更長久地成為人類品味的一處堡壘——人類「回饋機制」不只是替資料貼標籤，而是獎勵函數本身。這也提醒我們，不要把模型產出的精緻外觀當成能力：模型可以產出看起來像正式產品的表面（原因 3：向「好看」的平均值回歸），卻無法掌握讓設計真正容易維護的語意抽象（原因 4）。

關聯文章#

Andrew Ambrosino——闡述這四個原因
Design by Selection——從為了縮小差距而打造的工具內部，對原因 3 提供第一手印證：「若不加引導，Claude 就會挑它最喜歡的某種美學風格——你大概認得出來。」向平均值回歸成了日常麻煩，但已有可行對策（明確指定字型／顏色、使用情緒板、讓模型透過腦力激盪跳脫自己的預設風格）
The Verifiability Thesis——原因 1 是從設計角度看這個論點：設計沒有便宜又客觀的評分方式
Verification as the New Bottleneck——一般規律：能力在驗證成本低的領域突飛猛進，在成本高的領域停滯
Research Taste as the Human Bottleneck——設計品味是持久的人類殘餘；人類是獎勵函數，不只是標註者
Jagged Intelligence (Ghosts, Not Animals)——設計是當前鋸齒狀前沿的低谷（樂觀看法是 AI 現在做不好，直到有一天做得好為止）
The Bitter Lesson／Build for the Next Model——「這些模型會變得擅長設計」是苦澀教訓的押注；原因 1–2 是等待模型進步就能填補的差距，3–4 則可能是長期存在的問題
Living Design System——原因 4 的抽象層就是設計系統問題：重點是元件之間的語意，而非元件本身。文中的 Astryx 測試提供了反例：代理程式完美讀懂品牌，交付的顏色卻不對，因為系統沒有可選欄位——問題在工具涵蓋範圍，而非模型品味
Transformative Creativity——原因 3（新意溢價）與更強的主張相鄰：產生新概念確實是個能力上限
Claude Design——正面應對模型設計落差的工具
Context Advantage, Not Taste——Andrew Ng提出另一種說法的測試案例：如果設計品味只是可以填補的情境落差，它終究會像其他落差一樣消失；若它是無法用明確準則表達的辨別力，則不會
Prototype Fidelity After Cheap Polish——對經濟效益論述的能力面補充：低成本產出高保真原型，不等於低成本設計；因此，即使不同保真度的成本曲線都被拉平，品質曲線仍不會跟著拉平

尚待解答的問題#

原因 3–4（新意、抽象層）是真正的能力上限，還是像原因 1–2 一樣，只是投入不足，一旦實驗室建立起評分機制就會迎刃而解？
能否在迴圈中沒有人的情況下，讓設計變得可評分（學得的品味模型、大規模偏好資料）？還是「人類品味的部分」就像研究品味一樣，難以自動化？
即使純視覺設計停滯，設計↔程式碼抽象層會不會隨著更擅長理解程式碼的模型而改善？換言之，原因 4 是否其實是偽裝成設計問題的程式碼能力問題？

資料來源#

OpenAI Codex lead on the new shape of product work——Ambrosino 對前沿模型為何在設計方面落後提出的四點回答
I tested Meta's "agent-ready" design system Astryx. Here's the results.——Evangeline，Substack，2026 年 7 月（case-study，n=1）：指出原因 4 的部分問題，可能來自設計系統涵蓋範圍，而非模型能力