介绍

生成性人工智能是创意工作流程中的一种生产能力，而不是对工作流程本身的替代。生成模型可以根据在训练期间学习的模式和用户提供的指令生成文本、图像、布局、音频或视频等变体。当创意问题被清晰地定义以便评估时，其价值最高，但仍然足够开放以从变化中受益。

一个有用的心理模型是将四个角色分开。人类设定目的并做出判断。模型生成可能的材料。工具提供界面和生产控制。当代理存在时，它协调多个行动以实现目标。这些角色可以协同工作，但不可互换。模型并不自动知道哪个受众重要，工具并不定义信息，代理也不消除批准的需求。

在实际工作中，核心问题不是人工智能是否能产生吸引人的东西。问题是输出是否传达了预期的想法，是否适合上下文，并且可以负责任地使用。本课程在引入更具体的提示或生产技术之前，确立了决策框架。

生成性人工智能能做什么

生成性人工智能在将早期想法扩展为替代方案方面非常有效。对于一个关于公共图书馆的活动，它可能会建议几种视觉方向：安静的编辑构图、俏皮的插图或纪录片风格的场景。这些选项帮助团队在投入最终制作路线之前比较语气和构图。当团队需要广度、参考或快速迭代时，模型尤其有用。

它还可以转化材料。设计师可以要求更克制的颜色方向、不同的裁剪、草稿信息的简短版本，或在改变环境的同时保留选定主题的变体。这些转化只有在所需元素被描述和检查时才有用。生成的变体可能保留一般的氛围，同时默默改变产品细节、一个人的特征或原始信息的含义。

生成性人工智能在需要精确真相、稳定重复或精确意图的任务上可靠性较低。它可能会捏造统计数据、扭曲标志、在图像中产生难以阅读的文本，或创建一个看似合理但不正确的物体。它还可以如此接近地再现熟悉的视觉惯例，以至于结果感觉平庸。将生成视为提案制作：对探索有价值，但并不能证明某个主张、设计决策或事实细节是正确的。

人类判断与工作流程角色

人类判断在生成之前就开始了。人类确定受众、目标、约束和成功标准。例如，一个博物馆海报可能需要从远处吸引游客，准确保留展览标题，并且感觉可信而不是玩乐。这些要求塑造了简报，并为团队提供了拒绝吸引但不合适的输出的基础。

模型随后根据接收到的方向提出材料。该工具提供了输入、选择、编辑、文件处理和有时协作的控制。这些接口影响速度和可重复性，但它们并不能将一个薄弱的简报转变为强有力的策略。一个精心挑选的工具可以使比较更容易，而一个组织不善的工作空间可能会隐藏版本并使决策难以审核。

代理是一个不同的工作流程层。它可以配置为收集参考资料、生成草稿选项、组织文件或通过多个步骤传递结果。它的有效性取决于明确的边界、可靠的输入和人类的检查点。代理可以协调行动，但不应被视为未经审查的创意总监。定义它可以做什么，它必须保留什么，以及在哪里需要人批准结果。

一个实用的视觉工作流程

从一个视觉简报开始，说明沟通目标，然后再描述风格。写下观众应该首先注意什么，接下来应该采取什么行动或理解，以及哪些元素不能改变。对于一个移动事件公告，固定要求可能包括事件名称、日期、地点、可达性说明和可读的行动号召。灵活的特性可能包括温暖、质感、图像处理和次要装饰元素。

生成多个方向，而不是一个所谓的最终答案。使用相同的标准进行比较：视觉层次、对比度、间距、颜色关系、受众适配性以及与预期品牌或主题的一致性。一个强有力的方向在缩小到小预览时仍应保持可理解性。如果每个元素都在争夺注意力，添加更多细节并不能解决问题。通常需要去除噪音并分配更清晰的重要性顺序。

选择一个方向，然后有意识地进行修订。手动纠正事实内容，更换不稳定的视觉元素，在真实的观看尺寸下测试设计，并记录所选版本有效的原因。工作流程应从广泛探索转向狭窄精炼。每一轮都需要一个决定，例如保持构图、改变调色板、简化背景或因为语气不对而拒绝该概念。

前后评估

想象一下气候展览的第一稿。之前的版本使用戏剧性的深色背景、大幅照片、小展览标题、三种明亮的强调色和密集的细节块。它在全屏预览中可能看起来充满活力，但层次结构很弱：图像占主导地位，标题难以找到，颜色与访客所需的信息相竞争。

之后的版本给展览标题提供了最强的对比度和清晰的位置，靠近顶部。照片被裁剪以支持主题，而不是占据所有可用空间。一种强调色标记日期和行动号召，而次要信息则获得更多空间和更平静的对比度。结果不一定更壮观。它更易读、更有意图，并且更适合观看环境。

使用简短的审核序列。首先询问信息是否在没有解释的情况下可理解。然后检查层次结构、对齐、空白、颜色对比和相关输出的一致性。最后检查事实声明、名称、日期、权限、隐私、文化假设以及模型可能虚构的任何细节。一个视觉结果可以通过美学审核，但仍然可能未通过责任审核。

常见失败模式和总结

一个常见的失败是将第一个吸引人的输出视为完成的作品。这造成了一个伪装成生成问题的选择问题。另一个失败是撰写长篇风格描述而不定义沟通目标。更多的形容词可能会改变表面外观，但它们并没有建立层次、受众或意义。第三个失败是要求代理执行多个不受控制的操作，而没有指定检查点或保留要求。

通过保持可见的简报、生成有目的的替代方案，并根据既定标准评估每个选项来防止这些失败。将必须保持准确的内容与可以更改的内容分开。利用人工智能进行探索和受控转化，然后在精确性重要的地方应用人工编辑和验证。保持版本可理解，以便团队能够解释决策是如何做出的。

基本原则是责任的划分。生成性人工智能扩展了创造性探索的范围和速度。人类提供意图、品味、背景、伦理判断和最终责任。工具使行动成为可能，而代理可以在约束下协调可重复的序列。成功的工作流程结合了这些角色，而不混淆生成的可能性与经过验证的创作工作。