本研究主要是聚焦于生成式人工智能对产品设计的应用探索，所以在产品方面，生成式人工智能对产品设计更多是进行到了辅助与优化的作用。借助这项技术，我们可以获得大量的建议和参考，从而更有效地进行二次设计，直至最终的产品诞生。

在这个过程中，技术的强大功能为我们提供了丰富的选择性和创新性。同时，我们也可以根据实际应用情况，对这项技术的优缺点提出建设性的反馈，从而形成一个正向的提供技术与逆向反馈的循环过程。这种互动性使得技术和产品之间能够更好地相互促进和发展。

本项目将研究重点放在如何将生成式人工智能应用于产品设计中，包括设计创意的生成、设计方案的优化等，以实现更高效、智能的产品设计。产品设计的过程是通过需求分析来确定产品定位、设计方向、设计内容之后再进行市场调研，通过对消费人群分析、产品痛点分析等分析点来找出产品的机会点和不足之处，最后进行产品的创新功能设计。在本次研究中，我们将在确定好产品的设计方向和内容后，让生成式人工智能通过学习和模仿大量的数据，生成新的产品外观，造型，并将这些与之前所确定的产品的设计方向和内容相结合，创造出更高效、智能的产品设计。

目前较为成熟的生成式人工智能技术有生成对抗网络（GANs）、基于对比文本-图像对的预训练方法或者模型( CLIP )、变分自编码器（VAEs）、自注意力模型（Transformer）、生成式对抗自编码器（GANAE）等

1． 生成对抗网络（Generative Adversarial Networks, GAN）

生成对抗网络（Generative Adversarial Networks, GAN）是一种深度学习模型，近年来在复杂分布上的无监督学习中崭露头角。该模型通过至少两个关键模块——生成模型（Generative Model）和判别模型（Discriminative Model）的博弈学习，在无监督状态下训练，产生出令人印象深刻的输出。以GAN为基础的许多AI模型，通过生成器创造图像，通过对GAN进行训练，能够生成真实感十足的材料和纹理。这种技术对产品设计中的表面设计和纹理选择具有重要意义。设计师得以在虚拟环境中实时预览不同材质的外观，同时可以借助GAN生成个性化定制的产品设计。通过了解用户的偏好和需求，GAN能够创造符合个体用户口味的设计。此外，GAN还能学习各种设计风格的特征，实现设计风格的灵活转换，使设计师能够在不同的设计场景中灵活尝试和应用各种风格元素。这一技术进展为设计领域提供了前所未有的创意空间。

2. 基于对比文本-图像对的预训练方法或者模型CLIP

CLIP，一种基于对比文本-图像对的预训练方法或模型，通过同时训练两个关键任务来培养人工智能（AI）的能力。利用预先标注的“文字-图像”训练数据，CLIP分别对文字和图像进行模型训练。通过不断调整两个模型的内部参数，确保它们输出的文字特征值和图像特征值在简单验证中能够相互匹配。这意味着模型可以判断图像和文字提示之间的对应关系，例如将“猫”的图像与相应的文字完全匹配。随后，一些团队将CLIP与生成对抗网络（GAN）相结合，以便利用CLIP计算任意文本与哪些图像特征值相匹配。这将匹配验证过程与负责生成图像的AI模型相连接。生成图像的模型反向推导出合适的图像特征值，确保生成的图像通过匹配验证，最终产生与文字描述相符的结果。这一创新方法打开了在图像生成领域融合文本和图像信息的新可能性。

3.  变分自编码器（Variational Autoencoders，VAEs）

VAEs是一种生成模型，属于自编码器（Autoencoder）的一种变体。自编码器是一种无监督学习算法，通过学习数据的潜在表示来实现数据的压缩和解压缩。而VAE引入了概率潜在空间的概念，使得它不仅能生成数据，还能生成潜在空间中的新样本。 VAE能够在潜在空间中进行采样，从而能够生成具有多样性的新样本。这使得模型在生成数据时更具有创造性。潜在空间中的样本通常是连续的，这意味着相似的样本在潜在空间中也是相近的。这种性质使得VAE在对数据进行插值和探索潜在空间时更为有效。引入概率分布的潜在空间使得模型更具统计学意义，有助于更好地理解和控制生成过程。由于VAE的潜在空间具有一定的结构，可以通过对潜在空间的分析来理解模型对数据的表示和生成过程。VAE是一种无监督学习方法，不需要标签信息，因此在处理无标签数据时表现出色。

1.项目研究方向新颖：

    尽管生成式人工智能在市场上的应用范围日益扩大，并为大众所熟知，但其应用领域主要局限于AI绘画和二维图像转三维建模等方面。目前，尚未出现将生成式人工智能与产品设计相融合所产出的完整作品，使产品设计领域的创作仍是一块空白。这与新时代产品设计应具备的科技创新特性并不相符，也给项目组提供了宝贵的创作机会。

2.项目成果的意义针对性强：

本项目的创新点就在于将生成式人工智能与新时代产品设计结合，企图将设计与时代前沿的科学技术融合，使得设计创新更加具有时代创新性，让设计领域更能适应时代的变迁。

3.研究方法新：

本课题依据个人设计方案与生成式人工智能设计方案相结合的方法，一方面通过个人的设计方案为生成式人工智能作品提供基础,一方面通过生成式人工智能作品来完善方案或者提高方案的表达效果。

4.设计过程与思考创新：

在整个设计过程中，对与技术带来的边界与改变，也能使我们思考到工业设计行业在未来会发生怎么样的改变，提出设想、思考规划。

5.发展前景良好：

本项目在指导老师的带领下，通过从实践到理论，再从理论到实践的科学方法展开研究和创作，重点学习如何将图像生成技术和创新设计进行融合，我们的学习技能、动手能力、团队协作能力都会明显得到提升。

预期成果设想：

1.  本次项目预期能够完成多个拥有设计创新功能同时具有较好视觉感受、符合时代审美、具有前瞻性的概念产品。

2.  希望这些产品能够在未来的市场上进行推广和应用，能够解决目标人群生活中的痛点，增加人群的生活便捷程度，提高当代人的生活幸福指数。

3.  发表1-2篇相关学术论文，通过实践总结经验与思考，意在探讨设计与技术结合的可发展点和难点、领域融合的前景和可能性等。

4.  同时预期这些产品能够参加“红点奖”、“IF奖”、或国内大学生工业设计大赛、两岸新锐设计竞赛“华灿奖” 等设计类比赛中获得奖项。

2023年12月-2024年1月：进行调研与交流，充分了解人工智能生成技术的原理及应用实例。

2024年1月-2024年3月：接触一些人工智能生成产品技术的软件，并掌握一定的技巧，并分析不同软件的优略。

2024年3月-2024年6月：用图像生成技术进行理念以及部分草稿设计，改进一些产品的创意方案。

2024年6月-2024年7月：对第一次设计过程进行分析，找寻技术不足并寻求方法进行改善。

2024年7月-2024年9月：汲取第一次的经验，再次利用人工智能技术对一些创意方案进行创作。

2024年9月-2024年11月：选出一些成功的方案进行整理完善作为成果展示。