AI 除了作为工具增进我们的设计效率和质量外，也成为了许多产品设计增强自己竞争力，许多新解决方案应运而生的一种机会。
作为设计师，我们也需要根据自己负责的产品范围了解一些基础的技术点，才能更好的设计出能够被用户理解的好产品，所以我会分享一些 AI 产品中常见的技术知识点。
更多基础干货：
作为一个曾经的 VUI 领域从业者，LLM 出现后非常想要弄清大模型对 VUI 领域的影响，于是有了此文。想深度掌握AI？先搞懂语言大模型：技术原理
一、智能体（Agent）
智能体最近聊得比较多，它是一种能感知环境（通过传感器或数据输入）、自主决策（基于预设规则或机器学习模型）、并执行行动（如语音反馈、机械操作）的智能实体。其核心架构包括感知模块（Perception）、推理引擎（Reasoning Engine）和执行器（Actuator）。例如，自动驾驶汽车的智能体通过摄像头感知路况，用深度强化学习模型规划路径，再控制方向盘执行转向。
二、Copilot（智能副驾）
Copilot 是基于大语言模型（LLM）的实时辅助工具，通过上下文感知（如代码编辑器中的函数名）和意图预测来协助人类的工作交互模式。其核心技术是 In-context Learning（根据当前内容生成结果），期望构建更智能的人机协作工作流。
目前很多 AI 产品的 Copilot 相对于上下文感知和意图预测的应用还只是一个最初级的雏形，形式上更接近于一个单纯的控制界面。例如大疆无人机的 Copilot 界面和交互。
三、算法（Algorithm）
算法是解决问题的明确步骤的规则集合，例如排序算法、搜索算法。交互设计领域中也会涉及到算法，比如规定“若用户输入 A，则优先为用户显示 XX，其他不推荐项顺序排列在下方”等。 在 AI 领域，算法通常指机器学习模型训练和推理的数学方法，如梯度下降、决策树分裂规则。
四、算法模型（Algorithm Model）
定义： 算法模型是通过数据训练得到的数学函数（如神经网络），能够从输入数据中提取特征并输出预测结果。例如，卷积神经网络（CNN）通过多层卷积核提取图像边缘、纹理等特征，最终分类为“猫”或“狗”。
算法和算法模型实际经常混用，但严格来说，算法是固定逻辑，比如代码中的 if—else条件分支，而算法模型是一种概率化预测，要经过数据训练。可以理解为一个是严格执行程序的机械操作，一个是看过书刷过题真正学习理解后的判断操作。
五、数据处理与标注（Data Processing & Labeling）
数据处理包括清洗（删除重复数据）、归一化（统一图片尺寸）、特征提取（将文本转为词向量）；数据标注是为原始数据添加标签（如框出图片中的狗并标注“金毛犬”），是训练“算法模型”的过程，标注质量直接影响模型效果。
六、自然语言处理（NLP）
NLP 是让机器理解、生成人类语言的技术，涵盖词法分析（分词、词性标注）、语义理解（实体识别、情感分析）、文本生成（对话回复、文章摘要）。 比如对话流设计中根据意图识别结果（如用户问“退款流程”），预设回答分支并标注跳转逻辑。
七、计算机视觉（CV）
定义： 计算机视觉使机器能“看懂”图像和视频，核心技术包括目标检测（YOLO 模型）、图像分割（Mask R-CNN）、姿态估计（OpenPose）。例如，人脸识别技术通过提取五官特征点确认身份。
如果 AR 应用中基于物体识别的信息展示它在真实环境里所看不见的内容。
在我的《AR 界面设计》中，也展开介绍了与此相关的许多技术点。
八、强化学习（Reinforcement Learning）
强化学习通过“试错-反馈”机制训练 AI，核心要素包括环境（Environment）、智能体（Agent）、奖励函数（Reward Function）。例如 AlphaGo 通过与自己下棋获得胜负反馈，不断优化策略。
理解技术的基础概念和基础运作原理，才能更好的为用户翻译、解释这些技术，从而让人和智能系统互相理解和信任，创造更好的体验。
共勉、共进！
