本日設計情報｜2026/07/27：Google 用數學幫 AI「創造力」辯護、系統縫隙裡的複雜度、UX 研究要寫給 AI 看

Google 這幾天丟出一篇論文，想用數學幫生成式 AI 的「創造力」正名，但站在創作第一線的人不太買單。同一時間，設計圈討論的重點沒放在哪個工具又更新，是更底層的東西：系統模組拆得再乾淨，複雜度都會躲進交界的縫隙裡；被冷落二十年的資訊架構，現在成了 AI 燒錢燒到的地基；當 AI 開始幫忙做設計決定，UX 研究該把報告寫給誰看，也得重新想一次。今天沒有新工具發布，四篇文章剛好兜出同一個提問：設計這行的地基，撐不撐得住現在的重量。

🔥 Google 用一篇數學論文，幫生成式 AI 的「創造力」辯護

Google 研究科學家 Zhengdao Chen 在 ICLR 2026 發表一篇論文，題目直白到像在挑釁：《On the interpolation effect of score smoothing in diffusion models》。核心主張是：擴散模型如果訓練得夠精準，理論上應該會把雜訊一步步拉回訓練資料裡的某一張圖，那叫記憶，不叫創造。但神經網路的訓練過程會自然產生一種模糊效果，讓模型的判斷力鬆動，於是輸出不再死板地黏回某一張圖，落點會落在多張訓練圖之間的中間值。Google 說，這個中間值，就是創造力的來源。

Creative Bloq 專欄作者 Tom May 的反駁很直接：插值不等於自我表達。梵谷的漩渦星空並非兩張畫的數學中點，是他吸收浮世繪、扛過精神狀態、試驗多年技法後，帶著一個要解決的問題畫出來的；莫內畫三十次盧昂大教堂，追問的是光線這件事本身，跟兩個資料點之間找平衡完全是兩回事。模型在訓練圖之間找到的模糊地帶，沒有等價的問題要解決，只是一團沒有立場的力場——而且這篇論文也沒有正面回答，這些訓練資料當初有沒有徵得創作者同意。

數學能證明模型怎麼運作，證明不了它為什麼配得上創造兩個字。

閱讀原文 →

拆得越乾淨的系統，問題越藏在縫隙裡

UX Collective 專欄作者 Takuma Kakehi 用一個地理奇觀開場：佛羅里達州的 Cape Coral，一座在沼澤裡硬生生梳出來的運河小鎮。從衛星圖看，它整齊得像被尺量過，但他試著在 Google Maps 上規劃一條穿越全城的路線，卻怎麼樣都兜不起來——問題出在地塊跟地塊之間根本沒有連接組織，跟距離遠近無關：沒有街角，沒有一條街理所當然接到下一條，整座城只有地塊，沒有城市。

這正是軟體系統在重演的劇本。把系統切成乾淨的微服務、把介面拆成整齊的元件，不會讓複雜度消失，只會把複雜度搬到模組交界的縫隙裡。城市規劃學了兩百年才搞懂，分區（zoning）如果沒有街角這種連接組織就會散掉；軟體業現在正一個一個微服務地，重新補這堂課。設計系統也一樣：component 拆得再工整，如果沒人維護 token 跟元件之間的邊界規則，每個團隊最後都在自己重新發明一次縫隙。

系統會不會壞，關鍵從來不在模組乾不乾淨，而在那道沒人管的縫隙。

閱讀原文 →

資訊架構，是 AI 現在最缺的地基

UX Collective 作者 Patrick Neeman 講了一句很扎心的話：資訊架構（IA）是被冷落了二十年的職位，headcount 一個個消失，「幫全公司對齊同一套命名方式」這種苦工沒人想做，失敗也悄悄被公司吸收，帳從來沒人算過。AI 出現後，這筆隱形帳單全部浮上檯面：模型幻覺、答錯、檢索抓到不相干的資料，追根究底都是同一件事——沒人整理過的內容庫。

檢索增強生成（RAG）的機制是「先抓文件、再回答」，但抓取只能從你給的那堆資料裡挑。資料庫如果是一堆沒有結構、互相矛盾的文件，檢索找到的往往不會是最正確的答案，只是用詞跟問題最像的那份——不管它過不過時、對不對。這也呼應了本篇稍早提到的 DESIGN.md 邏輯：把過去只寫給人看的知識，轉成 AI 能讀的結構化格式，本質上都是同一種解法。

模型再貴，也補不回一份沒人維護過的目錄。

閱讀原文 →

當 AI 開始做設計決定，UX 研究該寫報告給誰看

NN/G 研究員 Tony Alicea 觀察到一個角色轉換：過去 UX 產出人物誌、旅程圖、標注線框稿，是寫給「人」看，人讀了再做決定；現在做設計決定的常常是 AI——PM 隨口叫 AI 出一版 mockup 讓提案更具體，工程師叫 coding assistant 加個匯出功能，按鈕擺哪、文案怎麼寫、錯誤狀態長怎樣，全被順手決定掉了。模型看過大量搜尋畫面，被問到就生出一個「平均值」搜尋畫面，它不知道你的使用者、你的設計規範，也不知道團隊做過的研究學到了什麼。

Alicea 的解法重點不在禁止大家用 AI，是把研究和設計的產出，從「寫給人看的文件」改造成「餵給 AI 的情境」。他提出一個假設性格式 UX.md，把使用者輪廓、設計標準、過去研究學到的教訓，寫成 AI 生成畫面時會參考的背景知識——邏輯上跟 Google Stitch 那份 DESIGN.md 完全呼應，只是這次補的是使用者研究這一塊。

模型永遠會生出一個平均值的畫面，除非你先把使用者的樣子餵給它。

閱讀原文 →