从真实情境中提出问题
通过观察和访谈，理解客户与员工遇到的困难。区分事实与假设，再判断 AI 可以在哪些环节提供帮助。
设计思维 × AI
以人为本，让 AI 转型找到方向。
从真实需求出发，用 AI 拓展可能，把共同的想法变成可体验、可验证的原型。
01 — 转型的方向
AI 转型，需要从人的需求开始。
引入 AI 工具只是开始。真正的转型涉及员工如何工作、客户如何体验，以及组织如何做出决策。
哪些问题值得用 AI 解决？哪些环节需要人的判断？新的工作方式如何获得信任？设计思维通过研究、共创与实验，帮助组织建立清晰的方向。
设计人与 AI 的协作方式
理解人的能力、需求与顾虑，明确 AI 的角色、人的判断与必要的介入点。
将转型变成可验证的行动
通过小范围原型与试点，检验实际效果、使用体验和业务价值，逐步积累转型依据。
让团队参与改变
邀请不同角色共同定义问题、探索方案，让转型建立在共享理解与共同实践之上。
02 — 设计思维 Mindset
用 AI 增强思考，也保持人的判断。
把好奇、共情与实验精神落实为具体行动。AI 辅助整理和拓展思路，人负责收集证据、作出选择并反思。
与 AI 协同学习的三条规则
先看，再问
先记录自己的观察，再请 AI 帮助追问。
先想，再生成
先形成自己的想法，再借助 AI 拓展可能。
先试，再判断
让真实参与者体验，用证据解释结论。
学习节奏
- 慢输入
- 快扩展
- 慢收束
为观察与倾听留出时间，借助 AI 扩展思路，再回到真实证据作出判断。
以人为本与共情
先与真实的人接触和倾听，再形成判断。AI 可以整理经授权的研究记录；团队需要核对摘要是否忠实于参与者的表达。
好奇心与开放性
记录自己还不知道什么。请 AI 提出不同解释与反例，再通过研究核实，避免把建议当成事实。
重新定义问题
比较不同人对同一情境的经历。用 AI 探索其他问题表述，再由团队依据证据确定研究重点。
接纳不确定性
明确列出事实、假设与待研究问题。AI 协助整理，团队决定下一步优先验证什么。
实验与行动
制作原型前先说明要验证什么。用 AI 辅助制作，再观察真实参与者的体验并记录结果。
协作与共创
邀请不同角色参与，保留分歧。AI 协助归纳观点，参与者共同核对记录、讨论并作出决定。
反思与迭代
对照预期与实际观察。AI 帮助比较差异，团队说明哪些证据改变了判断，以及下一版如何回应。
AI 可以模拟不同视角，真实的共情仍然来自人与人的接触。AI 提出的洞察与建议，需要证据支持和人的判断。
03 — 六阶段，持续学习
哪些由人完成？哪些与 AI 协同？
从理解问题出发，收集证据、探索方案，再回到真实情境验证。每个阶段都明确人的责任和 AI 的辅助作用。
提出／理解问题
人来完成观察现象，记录困惑，区分事实与假设。
与 AI 协同辅助追问，梳理隐藏假设，提示遗漏。
关键边界先有自己的观察，再请 AI 协助探索。
共情用户
人来完成走进真实情境，开展访谈，认真倾听。
与 AI 协同优化访谈提纲，整理经授权使用的记录。
关键边界模拟用户不能替代真实访谈证据。
综合／定义问题
人来完成对照证据，解释差异，确定研究重点。
与 AI 协同聚类信息，提出其他解释，检查推论。
关键边界最终的问题定义由团队判断并负责。
创意发散
人来完成先独立思考，再共同讨论，说明取舍理由。
与 AI 协同拓展方向，提供类比，探索不同约束下的构想。
关键边界共同确定选择标准，保留人的判断。
原型制作
人来完成明确验证目标，决定原型范围与细节。
与 AI 协同辅助生成故事板、脚本、界面或演示。
关键边界原型的重点是检验问题，完成度服务于验证目标。
测试／迭代
人来完成邀请真实参与者，观察行为，决定如何修改。
与 AI 协同整理反馈，对比结果，提示问题模式。
关键边界结论必须基于真实证据，AI 不能代替实际测试。
测试也可能改变问题本身。根据证据，回到观察、访谈或问题定义，持续迭代。
展开各阶段：具体任务、产出与人的判断
提出／理解问题
说清楚观察到了什么、还有什么不知道。用 AI 检视最初的理解，再确定需要研究的问题。
学习证据初始问题、假设与待研究清单。
人的判断先有自己的观察，再请 AI 协助探索。
共情用户
准备开放式问题，取得参与者同意，记录他们的原话。对照原始材料检查 AI 摘要，主动了解不同的经历。
学习证据观察笔记、访谈记录与后续追问。
人的判断模拟用户不能替代真实访谈证据。
综合／定义问题
比较不同参与者的观察与诉求，区分反复出现的现象和个别意见，记录不确定性，说明选择这一问题的依据。
学习证据有证据支持的问题定义与待验证问题。
人的判断最终的问题定义由团队判断并负责。
创意发散
先形成自己的想法，再借助 AI 扩展。比较用户或文化价值、现实约束与可行性，记录方案被保留或舍弃的原因。
学习证据多个方案、比较标准与取舍理由。
人的判断共同确定选择标准，保留人的判断。
原型制作
选择能检验关键假设的最小体验，用 AI 辅助制作，核对内容，并准备参与者可以实际尝试的任务。
学习证据可测试原型、测试任务与反馈计划。
人的判断原型的重点是检验问题，完成度服务于验证目标。
测试／迭代
对照最初假设和共同确定的标准检查结果，保留相互矛盾的反馈；当证据改变理解时，回到前面的阶段重新探索。
学习证据测试记录、修改内容与迭代依据。
人的判断结论必须基于真实证据，AI 不能代替实际测试。
04 — 共创改变
在共创中，让 AI 转型成为团队的共同实践。
让与问题相关的人共同参与：企业中的员工与客户，或课程中的教师、学生与项目伙伴。AI 辅助记录和探索，为倾听、追问和共同决策留出更多时间。
01 · 待研究问题
青年参与者：怎样才能理解并参与这项非遗？
非遗传承人：哪些文化含义与实践需要准确解释？
02 · 待验证假设
理解、参与与持续运营
由传承人带领的体验，能否将文化理解与动手参与连接起来？
AI 协助归类研究记录，团队核对证据、分歧与未解问题。
03 · 原型与验证
非遗体验服务原型
听懂故事 · 与传承人核对内容
动手体验 · 观察参与过程
邀请传承人、社区伙伴与青年参与者试点，检验文化理解、参与体验和运营投入。
问题、假设与原型均为教学示例，不代表真实访谈发现或已完成的项目成果。
展开 AI 在工作坊前、中、后的具体支持
工作坊前：建立共同起点
利用 AI 整理已有研究、访谈和业务材料，提炼初步线索与待验证问题，辅助设计议程及活动材料。带入现场：清晰的挑战、可追溯的研究材料与开放的问题。
工作坊中：增强发散与对话
利用 AI 聚类便利贴、整理讨论记录、提出替代方案，并生成故事板或原型草图。通过匿名输入与观点汇总，帮助不同声音进入讨论。参与者共同选择与判断。
工作坊后：把成果推进到实验
利用 AI 整理方案、决策依据与未解决的问题，辅助形成实验计划、责任分工及跟进材料。明确下一步验证什么、由谁推进、如何衡量结果。
工作坊的成果由参与者共同形成。AI 的归纳应当回到团队中核对，保留少数意见与尚未解决的分歧，处理研究资料时保护用户隐私。
05 — 从理解走向行动
从共同理解，走向可执行的转型实验。
一次聚焦的设计思维 × AI 工作坊，可以帮助团队将共同学习转化为具体的下一步。
- AI 转型机会地图 识别客户与员工旅程中的问题及潜在价值。
- 优先挑战与关键假设 明确先解决什么，以及需要验证什么。
- 人与 AI 的协作方案 梳理任务分工、人的介入点与体验要求。
- 可测试的原型 用具体情境呈现新的产品、服务或工作方式。
- 试点与学习计划 明确负责人、验证方法与成功标准。
AIDT 高等教育创新
以真实项目驱动学习，以 AIDT 探索中国高等教育的未来。
AI 正在改变知识的获取方式，也在重新定义人才需要具备的能力。中国高等教育面临的新课题，是如何帮助学生理解真实需求、提出有价值的问题，跨越学科边界，并将知识转化为能够被验证的行动与成果。
人工智能设计思维 (AIDT) 将人工智能与设计思维相结合：以人的需求确定方向，以真实项目组织学习，以 AI 扩展探索能力，以持续实践培养判断力和创造力。
战略合作伙伴
携手中国传媒大学设计思维学院，共同推动项目驱动的教育创新。
WorkspaceX 与中国传媒大学设计思维学院建立战略合作伙伴关系，将设计思维的教育实践、CUC AIDT Lab“AI⁺未来创造力实验室”的探索方向，与人机协作能力相结合。双方围绕课程、师资、工作坊和真实项目开展合作，共同探索可实践、可评价、可持续改进的 AIDT 教学模式。
让课堂连接社会，让专业连接问题，让师生在共同创造中学习。
让一个真实问题，成为一段完整的学习旅程。
跨学科团队可以在一个项目中连接设计、传播、社会研究与技术。教师指导研究质量，项目伙伴提供实践经验，并参与评价。
示例项目
让地方非遗走进年轻人的日常
如何与非遗传承人、社区和青年共同设计兼顾文化准确性、参与体验与运营可行性的公共文化服务？
研究问题卡
探索文化理解、参与体验与实际运营如何兼顾。提出方案前，先记录假设。
田野与访谈记录
走访传承人、社区伙伴与青年，记录授权、来源及不同诉求。
利益相关者与洞察图
梳理各方需求与分歧，用研究证据支持选定的问题。
多方案比较
从文化准确性、参与体验与运营投入出发，比较展览、导览体验和数字故事等方案。
体验服务原型
制作故事讲述、动手体验及服务流程原型，与传承人核对文化内容。
试点反馈与迭代
观察真实参与和理解情况，记录合作方的运营投入，说明下一版为何修改。
教学项目示例，用于展示 AIDT 的学习过程，不代表已完成的高校合作项目。
展开完整的项目学习过程
提出／理解问题
探索文化理解、参与体验与实际运营如何兼顾。提出方案前，先记录假设。
共情用户
走访传承人、社区伙伴与青年，记录授权、来源及不同诉求。
综合／定义问题
梳理各方需求与分歧，用研究证据支持选定的问题。
创意发散
从文化准确性、参与体验与运营投入出发，比较展览、导览体验和数字故事等方案。
原型制作
制作故事讲述、动手体验及服务流程原型，与传承人核对文化内容。
测试／迭代
观察真实参与和理解情况，记录合作方的运营投入，说明下一版为何修改。
每个阶段都留下可追溯的学习成果，让问题如何被理解、方案为何被选择、团队如何改变判断，都成为教学的一部分。
展开教学心态、合作方向与学习评价
在 AI 时代，培养学生面对未知的思维方式。
设计思维为 AI 的使用提供方向。共情让学生关心技术影响了谁；好奇心鼓励他们提出更好的问题；开放与协作帮助不同专业形成共同理解；实验精神推动他们尽早验证；反思则帮助他们识别偏差、承担责任。
AI 可以帮助学生提出更多假设、比较更多可能、获得更及时的反馈。学生需要在这个过程中核验信息、解释选择，并对成果负责。真实访谈、现场观察和用户反馈，是学习不可缺少的依据。
让工作坊成为师生与 AI 共同探索的课堂。
设计思维工作坊连接教师、学生、行业伙伴与真实用户，为项目建立共同的问题意识和行动方向。
工作坊前，AI 协助整理背景材料、设计研究任务，让不同专业的参与者带着共同背景进入讨论。工作坊中，AI 支持记录、归纳、视角拓展和快速原型，让更多时间用于倾听、质疑与共创。工作坊后，AI 协助整理行动计划、跟踪实验、汇总反馈，推动课堂中的想法进入持续实践。
教师负责引导学习、把握研究质量和促进反思，团队共同作出关键判断。
从一门课程开始，逐步形成学校的创新能力。
双方合作聚焦四个方向：
AIDT 项目课程
将真实议题、跨学科协作和原型验证融入课程设计。
教师发展与共创工作坊
帮助教师设计项目任务、组织人机协作，并建立适合 AI 时代的评价方式。
校企与社会创新项目
让学生与真实需求方共同探索，在实践中理解专业知识的价值。
教学研究与案例沉淀
记录项目过程、学习证据和教学反思，形成可以复用和持续改进的资源。
让学习成果看得见，让教育创新有据可依。
结合最终作品，评价问题质量、证据使用、方案取舍、协作、迭代与个人反思。在阶段评审中，学生需要说明亲自完成了什么、AI 在哪里提供帮助、哪些建议被舍弃，以及哪些证据改变了判断。
WorkspaceX 为这段过程提供共同工作空间，将项目资料、团队讨论、AI 协作、原型成果和评价反馈连接起来，支持师生持续推进项目。
从值得解决的问题开始
用共同理解开启 AI 转型，用真实验证推动改变。
从一个值得解决的问题开始，邀请团队共同探索 AI 的可能性。让设计思维为转型确立方向，让 AI 增强洞察、创意与行动，让每一步改变都回应人的真实需求。
围绕团队目标，共同设计适合你的共创工作坊。邮件联系：hello@boardx.us。