文献研读 | 增进视觉图样文化原真性的AIGC设计策略研究

摘要：目的 针对AIGC转译过程中传统文化内在肌理缺失问题，本研究意在探索AIGC生成体现视觉图样文化原真性的设计作品时面临何种阻碍，并提出增强AIGC生成传统文化视觉文化原真性的设计策略。方法：采取半结构访谈的方式，对20名具有使用AIGC进行传统文化视觉设计经历的受访者进行半结构式访谈，通过扎根理论三级编码分析策略对访谈数据进行质性分析，得到理论模型。结论：通过分析得出影响AIGC辅助传统文化视觉设计中文化原真性的三大阻碍；进而发展增进文化原真性的三大策略。本研究发现有助于理解AIGC增强文化原真性的机制、原理阻碍和设计机会，有助于视觉设计师在AIGC辅助设计中更好地传达文化原真性。

关键词：生成式人工智能（AIGC）；文化原真性；扎根理论；视觉设计

文字框架：

近年来，生成式人工智能受到设计学研究者广泛关注。研究表明，AIGC的发展有助于提高设计师的生产效率、降低设计门槛、激发设计创造力、并促进更多利益相关方以较低学习成本参与到设计过程中。这些探索表明，理解设计师如何学习和应用AIGC进行设计实践正在成为设计学科的前沿议题。现有研究从不同切入点对AIGC辅助设计实践进行分析，包括多元化应用路径探索、专属资源库模型训练、设计系统算法搭建等。然而，现有研究对于视觉形象中的文化真实性关注较少。文化原真性指的是一个文化具备它的特殊性和真实性，符合原有的文化内容。保护视觉图样的文化原真性有助于文化的传承与发展。而通过设计保留视觉图样的原真性有助于传统文化传播，对非物质文化遗产保护、视觉传播等领域具有重要价值。然而，文化原真性在AIGC转译时却往往面临失真、误解甚至歪曲。由于人类和算法的推理逻辑存在内在不兼容性，现有视觉纹样往往过于饱满、标准，容易丢失很多传统文化的内在机理。由此，探索AIGC辅助生成具有文化原真性的传统文化视觉形象设计中的阻碍和策略尤为必要。为了回应上述研究不足，本研究探索如下研究问题：（1）AIGC生成具备文化原真性的传统文化视觉设计时的阻碍是什么？（2）增强AIGC生成传统文化视觉文化原真性的设计策略是什么？探索这些问题对AIGC研究、视觉设计、非物质文化传播等研究领域具有价值，研究成果亦为视觉设计师提供策略参考。

（一）AIGC辅助视觉图样生成

AIGC是ArtificialIntelligenceGeneratedContent的简称，它指的是基于生成对抗网络、大型预训练模型等人工智能的技术方法，通过已有数据的学习和识别，以适当的泛化能力生成相关内容的技术。在设计领域，运用AIGC技术辅助生成也得到了较为广泛的关注。一系列研究支持AIGC对于增进和表现传统文化广泛应用前景。例如，张子康等通过研究AIGC与中华文化传承的内在关系，发现AIGC能够有效提升中华传统文化的生产力、传播力、感染力。薛峰等运用AIGC深度学习、模型训练、视觉生成等优势，对于传统文化进行梳理和创新，从而生成带有传统文化特征的设计产品。在视觉设计领域，AIGC辅助传统文化在纹样、家居图案、文创图样等方面的价值得以凸显。例如，林儒凡等探索人机协同民族传统文化设计方法，以此吸引年轻消费者对传统民族服饰文化的关注。尽管提供了较多启发，但现有研究者较少关注一个核心问题：AIGC在解读视觉文化传统时与人类的审美和推理方式存在显著差异。AIGC缺乏真正的创造力以及人类情感和审美的理解能力，其学习和生成过程都是基于已有的模式和数据。因此，生成结果雷同或偏差容易导致内容缺乏价值判断，从而无法引起人类文化共鸣。例如：AIGC在理解传统文化方面，无法彻底理解传统文化的精髓，结果表现不尽如人意。在传统文化传播的过程中，为使接受方能够接收到准确的信息以及良好的体验，在作为传播路径的起点，有必要探索如何保护视觉图样文化原真性。

（二）文化原真性

原真性又被称为真实性、本真性。这一概念最早出现在博物馆研究中，用于描述研究原始艺术或民族艺术的专家检测艺术品或少数民族遗存是否表里如一，或者如其所宣称的那样名副其实的判断。几十年来，研究者将这一概念引入旅游学、社会学、遗产学等不同研究领域。出于领域偏好差异，文化原真性尚不具备一个清晰、同意的定义。例如，曹妍雪等《民族旅游的真实性研究》中的解释更贴合本文的观点：依靠科学的客观标准来衡量游客感知到的客体和标准之间是否相一致,与传统文化、原创、原先、独特等概念相关，因此真实性是指无论从表面还是内涵来看都是真实的，没有掺假的行为。传统文化传承本就具有特殊性、真实性等特性。因此，本文研究遵循客观主义原真性研究阵营。客观主义原真性追求绝对的真实，基于客观主义原真性的特性，传统文化在结合创新思维的同时需保证其内容的真实，不因过度创新而脱离文化原本意义。

鉴于现有理论较少揭示设计实践中生成文化原真性现象的内在机制，本研究使用扎根理论作为研究方法论。扎根理论是美国学者巴尼·格拉斯和安塞尔姆·施特劳斯于1967年共同提出的一种经典性研究方法。

（一）抽样与数据收集

本研究遵循理论性抽样原则。理论性抽样是扎根理论中的一种核心抽样方法，其目的是通过有目的地选择样本，逐步构建和发展理论。笔者招募了20名有AIGC使用经验的设计师进行访谈，我们遵循最大化差异的抽样原则，这些访谈对象在AIGC使用经验、职业类型、文化理解程度等维度存在较大差异。这种差异较大的抽样方式有助于增强本研究发现的普适性，使得研究发现更有潜力拓展到不同应用场景。访谈对象为具备使用AIGC进行设计的人群。为获取用户对于AIGC生成传统文化视觉设计中文化原真性的感受，本文采取半结构访谈法进行数据收集，访谈主题包括AIGC生成文化原真性的使用经验、感受度、优劣势等。具体而言，访谈大纲围绕四个主要部分进行提问，分别包括（1）AIGC生成内容能否感受到文化原真性；（2）在模型训练过程中，有哪些因素会影响真实感；（3）AIGC能否真正理解文化背景或内涵；（4）AIGC生成具有文化原真性的视觉设计中的优势与劣势。本研究的访谈问题层层递进，意在引出受访者的使用经历，从中获取研究所需要的信息。本次访谈通过线上的方式进行，选取了20名具有使用AIGC进行传统文化视觉设计经历的受访者，根据扎根理论质性研究要求，与每位受访者进行20～40分钟交流探讨，根据半结构访谈法的要求，基于访谈提纲基础上对交流内容进行延伸拓展，鼓励受访者根据自己的使用经验以及经历发表自己的看法，促进访谈内容的延展深度。

（二）开放式编码

在开放编码阶段，通过分析案例语料、组合编码，为选择文本赋予初始概念，共归纳出43个初始概念，通过对其初始概念中的联系和从属关系中归纳出文化原真性存疑，产出图片像素模糊、产出图片缺乏质感、产出图片有虚构性等22个副范畴。

（三）主轴式编码

在主轴式编码阶段，将22个副范畴之间的结构关系进行梳理，进而整合成更为抽象的6个范畴，即产出文化表达失真、算法文化理解偏差、设计师算法素养不足、建立优质文化大模型、培养设计师算法素养、平衡产出文化配比。

（四）选择式编码

在选择式编码阶段，梳理六个范畴之间的联系，得出“AIGC增强文化真实感的阻碍”及“AIGC增强文化真实感的策略”两个核心范畴，建立核心范畴、范畴、副范畴之间的关系，两个核心范畴各自包含三个主范畴，“AIGC增强文化真实感的阻碍”中包含“产出文化表达失真”“算法文化理解偏差”“设计师算法素养不足”，“AIGC增强文化真实感的策略”中包含“建立优质文化大模型”“培养设计师算法素养”“平衡产出文化配比”。

（五）理论饱和度检验

在理论构建完成后，根据扎根理论质性研究要求，首先选取5/6（共17份）进行数据编码分析，剩余1/6（共3份）进行理论饱和度检验。检验结果显示，第18到20份数据样本虽有少量差异较小副范畴产生，但仍包含在六个范畴之中，未发现新的理论洞察，支持研究已达到饱和状态。

根据以上研究，分析出AIGC增强文化原真性中的阻碍，并提出AIGC增强文化原真性中的策略。研究结果中以文化、AI、设计师三种角度出发进行分析，得出产出文化表达失真、算法文化理解偏差、设计师算法素养不足三个阻碍，进而针对性提出建立优质文化大模型、培养设计师算法素养、平衡产出文化配比三个策略。

（一）AIGC增强文化原真性中的阻碍

AIGC增强文化原真性中的阻碍主要分为三个方面：“产出文化表达失真”“算法文化理解偏差”“设计师算法涵养不足”。

1.产出文化表达失真

“产出文化表达失真”指的是AIGC产出文化表达与现实中的文化表达有偏差。当中影响因素有“文化本身原真性存疑”，可能存在文化传承过程中出现遗漏、记载错误、人为主观修改等现象。“产出图片原创性不足”，会导致文化趋同，失去文化唯一独特性以及本身的文化价值。“产出图片缺乏意境”，无法让大众领域到文化真正的魅力所在，进而失去文化热度。“产出图片缺乏质感”，对于接收者来说，会造成现实脱节感，使文化显得不那么真实。“产出图片像素模糊”，会丧失文化辨识度，而“产出图片有虚构性”，会造成文化错误解读，综上所述，皆不利于文化传承与传播。

2.算法文化理解偏差

“算法文化理解偏差”指的是AIGC算法与设计师之间文化理解的差异，表现在“产出图片稳定性低”，文化理解有偏差导致无法达到生成结果的满意度，增加了时间成本。“产出图片逻辑性差”，导致文化站不住脚，从而失去信任感。“产出图片有误导性”，会导致文化失去原真性和可信度，造成文化错误解读。“人机理解表达偏差”，转译过程中对于信息理解的不一致导致生成效果不理想，进而影响文化输出。

3.设计师算法素养不足

“设计师算法素养不足”主要表现在三个方面：“设计师对于AIGC算法语言理解不足”，无法进行文本提示词正确描述、文本语序正确表达；“设计师对于AIGC使用经验不足”，无法正确操控AIGC进行文化内容的生成；“设计师对传统文化理解力不足”，无法正确地表达文化内涵，导致生成文化内容出现偏差。

（二）AIGC增强文化原真性中的策略

通过分析“AIGC增强文化原真性中的阻碍”提出“AIGC增强文化原真性中的策略”，主要体现在三个方面：“建立优质文化大模型”“培养设计师算法素养”“平衡产出文化配比”。

1.建立优质文化大模型

“建立优质文化大模型”指的是建立一个不存在虚假数据信息、以真实文化内容为主，同时能够对文化内容进行识别筛选、吸收优质文化素材资源的优质文化大模型，例如：与国家或地方文化相关部门合作，派遣专业人员对录入数据进行审核以确保文化的原真性。通过建立优质文化大模型，能够弥补一些例如数据库虚假信息、文化素材不足、多元文化语境理解不足等影响文化原真性体现的问题。

2.培养设计师算法素养

通过“培养设计师算法素养”能够弥补设计师对于“AIGC使用经验不足”、对于“AIGC算法语言理解不足”以及对于“传统文化理解力不足”的弊端，尽力做到设计师技术文化兼备。

3.平衡产出文化配比

“平衡产出文化配比”指的是老新文化、单一与多元文化、保守和创新文化之间的平衡，达到一个让大众所能接受的同时又不影响文化原真性的体现。平衡产出文化创新程度，避免产出文化拼凑感强、产出文化理解偏差等问题。

本研究探索了AIGC辅助传统文化视觉形象设计时如何增进文化原真性，揭示其中阻碍和设计策略。研究发现，阻碍包括“产出文化表达失真”“算法文化理解偏差”“设计师算法素养不足”；策略包括“建立优质文化大模型”“培养设计师算法素养”“平衡产出文化配比”。理论贡献层面，本研究有助于理解AIGC增强文化原真性的机制和原理。主流研究关注AIGC应用性以及可行性上的提升。本文发现，文化原真性高度依赖人类解读，而在算法如何将其转译上现有研究发现有限。本研究为设计过程中如何协同人与算法优势提供了新的启发。实践层面，对于视觉设计师而言，研究发现的一系列策略有助于增进设计中更好地传达文化原真性。例如，提高设计师的文化素养以及操作素养，有助于设计师在AIGC时代维持和传播传统文化。尽管本研究提出了初步的框架，但是由于样本案例有限以及主要关注层面仅限于视觉设计，所以研究发现的普适性值得后续研究中进一步提高。未来研究可以探索更多不同类型的设计在使用AIGC辅助设计时的困难和挑战，进而为现有模型提供新的发展。

【课程活动】

AIGC训练营系列/创意引擎高研班