在人工智能影响更多
网页设计决策的世界里，人们很容易将预测误认为是确定性。本文介绍了概率设计，这种思维方式使用户体验和产品团队能够接受不确定性，细致地解读AI输出，并做出聪明且适应性的决策。概率系统包裹在确定性界面中。人工智能提供猜测，界面将其呈现为真实，用户或组织根据其进行行动。
人类天生就有决定论思维。我们更愿意相信过去的行为决定了未来的结果。抛硬币999次，每次都是正面，决定论的大脑会认为硬币是控的。概率思维接受第1000次翻转仍有可能走向任何一方。这种第二种心态更难坚持，但正是网页设计师们现在所需要的。产品运行在复杂且非线性的环境中，而人工智能正在加速这种复杂性。当设计师和产品团队将AI输出视为答案，而非众多可能答案之一时，他们构建了脆弱的体验，在某些情况下，比如医疗诊断或财务预测，甚至是真正危险的体验。
我们问AI的大多数问题都不会产生二元答案。它们基于数据中的模式产生概率。如果你问“外星人存在吗？”，答案会介于合理和不确定之间。科学家认为宇宙中其他地方存在生命的可能性很大，但由于没有确凿证据，我们无法确认这一点。答案并不能解决这个问题;它把它框定为一种概率。网页设计师也应该以同样的方式读取AI输出。它们是信号，而非结论，是必须在产品目标、用户行为和业务限制的背景下解读的可能结果。
设计决策也可以遵循同样的逻辑。人工智能模型可以将行为分析与研究洞察结合，估计某些结果的可能性，这些概率可以作为设计策略的标尺。假设分析显示用户完成购买的信心为60%对90%。在60%时，设计需要做更多说服工作，推荐、解释、比较和安抚信号可能帮助用户做出决策。在90%时，用户已经有动力，设计应开始消除摩擦，使动作迅速发生。屏幕相同，设计问题却完全不同。AI还可以在你确定方向前，利用历史数据和行为模型模拟结果。这些模拟的价值很大程度上取决于提示的结构、它们定义的上下文、所测试的假设、用户动机以及你希望强调的边缘情况。
我们能想到一个实用用途：通过结构化提示评估早期设计，尤其是在你无法直接接触到所设计用户群体时。以下提示也是一个从神经多样性用户角度评估设计的起点。把它当作模板，调整用户组、标准和输出格式以适应你的产品，并作为与团队对话的开端，而不是一个评判。话虽如此，模拟并不能替代实验。由于模型是基于历史数据训练的，它们更能反映过去的行为，而非预测未来的变化。想象一下，为那些在触摸屏上有困难的老年用户设计一个语音界面。基于移动交互数据训练的模型可能预测参与度较低，并非因为想法缺乏价值，而是因为数据集反映了不同的用户行为。模拟应始终揭示假设，而非阻碍创新。
人工智能系统建立在历史数据之上，更具体地说，是基于它们训练的数据集。这种基础塑造了我们所接收的产出。在法国的人工智能峰会上，印度总理纳伦德拉·莫迪举了一个很好的例子说明了这一点。如果你让AI模型生成一个用左手写字的人图像，输出可能仍然显示一个人用右手写字。原因是统计学：大多数人是右撇子，训练数据也反映了这一点。这种情况可能随着时间有所改善，但这一点依然相关。我偶尔在生成类似模型的图像时仍会遇到这种情况。你得到的不是真理。根据现有数据，这是统计上最有可能的结果。始终要问，过去的数据是否能有效预测未来的行为。如果额外的背景能提升预测效果，请包含。没有上下文，输出只是众多可能答案之一，被包装成唯一的答案。
信心分数也应受到同样的审视。过度信任高信心输出会导致加拿大航空的困境。忽略低置信度的信号可能导致团队错过埋藏在噪声数据中的真实信号。90%置信度的预测不一定正确，40%的信号也不一定毫无用处。设计师仍需权衡各种可能性，考虑眼前的案例，并对AI的建议做出判断。透明度是实现这一点的关键。随着人工智能系统日益影响决策，人们需要了解输出如何生成、来源、推理以及推荐背后的总结。黑箱系统滋生不信任。揭示推理的系统让用户能够自行评估输出。这种透明度是良好的设计和伦理实践。它尊重人们对这些工具的信任。
概率思维往往意味着抵制快速回答的诱惑。人工智能能比以往更快地加速研究和揭示模式，但这些输出只是起点，而非最终决策。设计决定了产品最终的体验——设计师所做的决定决定体验是否足够、直观或卓越。而设计本质上充满了假设和赌注。即使是最严谨的研究，也可能对同一问题产生多个有效的解决方案，每种解决方案的成功概率不同。概率思维意味着认识到设计决策很少产生二元结果。它们带来了一系列可能的结果，设计师的角色就是在这些可能性中导航，找出最有可能创造价值的路径。这种心态还能培养适应力：用户需求会演变，策略会变化，有时想法也会失败。依赖数据信号、实验和学习循环的团队能更快朝着最有效的解决方案迈进。
