چرا هوش مصنوعی تو دیزاین ضعیفه؟
هوش مصنوعی
فرانتاندخلاصهٔ کاملتر
فیل مورتون از یه تناقض شروع میکنه: اگه یه چیز باشه که هوش مصنوعی توش عالیه، نوشتن کده؛ ولی هرکی ابزارهای دیزاین مثل Figma Make یا Claude Design رو جدی امتحان کرده میدونه خروجیشون قابلقبول به نظر میرسه ولی خیلی عمومیه و با دقت بیشتر پر از ایراد درمیاد. به گفتهٔ نویسنده، این حس شخصی نیست و دلایل فنی مشخصی داره.
اون یه نمونه از اپ خودش میآره: صفحهای که توضیح میده چرا یه روز برای خشک کردن لباس بیرون مناسبه یا نه. طرح اولیهای که مدل ساخته بود نمودارهایی بدون عنوان و بدون برچسب محور داشت، ناحیههای رنگی و خطچینهایی که معنیشون معلوم نبود، و تیترهای انتزاعی که هیچی نمیگفتن.
ریشهٔ ماجرا به نظر نویسنده اینه: کد قابل راستیآزماییه، دیزاین نه. جهش توانایی مدلها تو کدنویسی از روشی اومد که مدل بارها تلاش میکنه و یه داور خودکار به هر تلاش نمره میده؛ برای کد این داور از قبل هست، چون کامپایل شدن و پاس شدن تست جواب بله یا خیر داره. همون دلیلی که مدلها تو شطرنج و Go قوی شدن.
برای دیزاین همچین معیاری وجود نداره. هیچ تستی نمیشه نوشت که بگه یه رابط قابلاعتماد به نظر میرسه یا برند رو منتقل میکنه. وقتی نمره دادن خودکار ممکن نیست، جایگزینش نمره دادن آدمهاست که کند و گرون و بیثباته؛ نتیجه اینکه مدل چیز «درست» رو یاد نمیگیره، چیزی رو یاد میگیره که آدمها معمولاً ترجیح میدن.
از همینجا مشکل دوم درمیاد: مدلها محتملترین چیز بعدی رو پیشبینی میکنن و به وسط چیزی که دیدن میل میکنن. برای کد، افتادن تو وسطِ امن و متعارف معمولاً اشکالی نداره و حتی برای یه صفحهٔ پرداخت با دیزاینسیستم موجود هم جواب میده. مشکل جایی شروع میشه که دنبال چیز متمایز، خلاقانه یا بیانگر برند باشی — دقیقاً همونجا که میانگین بیفایدهست.
سومین دلیل، دادهٔ آموزشیه. کد هم فراوونه هم راحت ازش یاد گرفته میشه؛ بزرگترین دیتاست عمومی کد دهها ترابایت داده از میلیاردها فایل داره. بزرگترین دیتاست عمومی رابطهای واقعی حدود ۷۲ هزار اسکرین اندرویده و بیشتر کار باکیفیت هم داخل فایلهای فیگما و اسکچ حبس شده. مهمتر از کمبود داده اینه که دیزاین خوب به سلسلهمراتب، فاصله، ریتم و دلیلِ پشت هر تصمیم وابستهست و هیچکدوم تو یه اسکرینشات ثبت نمیشن.
دلیل چهارم اینه که مدل عملاً کور طراحی میکنه. وقتی از یه مدل تصویرساز عکس میخوای، خودش تصویر رو میبینه؛ ولی وقتی رابط میخوای، مدل داره کد مینویسه و عناصر رو با مختصات میچینه بدون اینکه نتیجه رو ببینه. نویسنده میگه به همین دلیل تو ساختن SVG هم ضعیفه. ابزارهای جدید خروجی رو رندر و اسکرینشات میکنن و برمیگردونن به مدل، ولی دو مشکل میمونه: بینایی مدل دقیق نیست و اون که داره نگاه میکنه همون مدلیه که سلیقهٔ بصری نداره.
جمعبندی نویسنده اینه که بخشی از این محدودیتها با بهتر شدن بینایی مدلها کم میشه، ولی بخش اصلی ساختاریه: برای سلیقه و خلاقیت نمیشه داور خودکار ساخت. توصیهٔ عملیش هم اینه که کل فرایند دیزاین رو دستش ندی؛ بهجاش مشخص کن کدوم قدمها رو آدم باید انجام بده و کدوم قدمها رو میشه به هوش مصنوعی سپرد.
نکات کلیدی:
- مدلها تو کد قوی شدن چون داور خودکار (کامپایل و تست) از قبل وجود داشت
- دیزاین جواب درست قطعی نداره، پس آموزش با بازخورد انسانی کند و بیثبات میشه
- مدل به میانگین میل میکنه؛ برای کد قابلقبوله، برای کار متمایز نه
- دادهٔ دیزاین هم کمه هم چیزی که کار رو خوب میکنه تو اسکرینشات نمیگنجه
- مدل موقع ساخت رابط، خروجی رو نمیبینه و حلقهٔ اسکرینشات فقط خطاهای آشکار رو میگیره
