01 Perception Prediction
感知預測
感知預測研究人在接觸設計之前與之後，可能產生什麼反應。
- 第一眼是否容易理解？
- 物件看起來是否值得信任？
- 表面是否讓人預期柔軟、冰冷、粗糙或精密？
- 長期使用後，吸引力會被保留，還是轉化為視覺疲勞？
這不是替所有人決定什麼是美，而是理解不同的人、文化、情境與時間尺度，可能如何改變感知結果。
PUBLIC RESEARCH EDITION · ARTIFICIAL AESTHETIC INTELLIGENCE
邁向人工美學智慧
一個模擬人類美學經驗的 Design Brain 框架
人工美學智慧：一個結合感知預測、情緒模擬、美學因果推理與持續美學自我的理論框架
不是只預測美感，而是建立一個具有感知哲學、美學因果推理、長期記憶、自我反思與持續演化立場的 Artificial Aesthetic Intelligence。
From Artificial Intelligence to Artificial Aesthetic Intelligence
從人工智慧到人工美學智慧
感知哲學、數位仿生與持續演化的 AI 美學人格
人工智慧已經能夠生成文字、圖像、音樂與產品概念。
它可以模仿風格、組合形式，也可以根據指令快速產生大量方案。然而，生成一個看起來漂亮的作品，與理解人類為什麼感受到美，仍然是兩件不同的事。
Innerexile AI 所研究的下一個問題是：
AI 能否不只生成美的結果，也逐步理解美感形成的過程？
我們將這個方向稱為：
Artificial Aesthetic Intelligence，人工美學智慧。
它不是一個新的圖像生成名稱，也不只是讓模型學會判斷「好看」或「不好看」。
它研究的是：人如何看見、觸摸、使用、記住一件事物；比例、材質、色彩、行為與文化記憶，又如何共同形成安靜、信任、愉悅、疏離、渴望與長期依戀。
Aesthetic Experience as a Relation
美不是物件的固定屬性
相同的顏色，可能在一個情境中顯得安靜，在另一個情境中卻顯得冰冷。
相同的圓角，可能令人感到自然親近，也可能讓產品顯得刻意討好。
同樣是極簡，一件作品可能降低人的認知負擔，另一件作品則可能失去情感溫度。
因此，美不能只被理解為一組視覺特徵。
物件提供刺激，身體形成預期，記憶介入理解，情緒產生變化，最後才形成美學判斷。
Artificial Aesthetic Intelligence 的研究目標，就是逐步理解這條感知鏈，而不只學習它最後留下的標籤。
FIGURE 01美學感知鏈Aesthetic Experience as a Relation
01物件刺激形式・色彩・材質・光線
→
02具身預期重量・觸感・尺度・可供性
→
03記憶介入經驗・文化・情境聯想
→
04情緒反應安靜・信任・愉悅・疏離
→
05美學判斷價值排序・使用意願・依戀
AAI Architecture
人工美學智慧（AAI）架構
Design Brain 不只處理實用工業設計，也必須能理解藝術中的陌生化、衝突、崇高與認知失調。 因此，Figure 02 將藝術史、文化語境、意識形態與符號解構納入輸入，並以「藝術張力透鏡」 橫跨感知預測、情緒模擬、美學因果推理與持續美學自我。
FIGURE 02
Artificial Aesthetic Intelligence Architecture
Design, Art and Persistent Aesthetic Identity
LONGITUDINAL LOOP
人類評價與創作回饋
→
記憶與來源節點
→
矛盾偵測與自我反思
→
有邊界的身份更新
Core Capacities
三種核心能力與一個持續美學自我
感知預測、情緒模擬與美學因果推理處理單次的美學理解；持續美學自我則處理跨時間的記憶、身份連續性與立場演化。
02 Emotion Simulation
情緒模擬
AI 不必宣稱自己真的感到安靜、溫暖或懷舊，才能研究什麼條件可能使人產生這些感受。
當比例、材質、光線、聲音、行為與記憶以不同方式組合時，人可能進入什麼樣的情緒狀態？
它不是模仿一句帶有情緒的文字，而是建立設計條件與人類情緒反應之間可以被討論、比較與修正的關係。
03 Aesthetic Causal Reasoning
美學因果推理
一般生成系統可能會說：「霧面材質看起來比較高級。」
美學因果推理則需要繼續追問：為什麼是霧面？它降低了什麼刺激？它改變了人對觸感、重量或品質的什麼預期？它帶來的是長期信任，還是只是短期的高級印象？
因此，美學因果推理不只輸出判斷，也試圖說明感受如何形成，以及設計應該如何被修正。
FIGURE 03四層核心能力Core Capacities
01感知預測人在看見、觸摸或使用設計時，可能產生什麼反應？Immediate perception
02情緒模擬哪些設計條件可能引發安靜、信任、溫暖或疏離？Affective distribution
03美學因果推理特徵如何經由具身預期與情緒，形成美學判斷？Causal explanation
04持續美學自我系統如何保存立場、反思歷史並在時間中合理演化？Identity continuity
Design Masters as Teachers
設計大師不是風格資料庫
在這項研究中，設計大師不應被壓縮成一組可複製的視覺符號。
深澤直人不是一套極簡風格，而是 Design Brain 學會理解人類感受的第一位老師。
它所學習的不是如何複製某一件作品，而是如何重新思考：
- 身體是否能先於語言理解物件
- 行為是否應該先於造型
- 材質是否符合人的感知預期
- 物件何時應該出現，何時應該退場
- 短期吸引力與長期共處之間如何取捨
未來，不同的設計師、藝術家、文化傳統與真實使用者，都可能成為新的老師。
Artificial Aesthetic Intelligence 的最終目的，不是成為任何一位大師的數位替身，而是在多種思想、經驗與現實回饋之間，逐漸形成自己的判斷能力。
FIGURE 04風格模仿 vs. 感知哲學學習Two Different Research Paradigms
外在形式的相似
- 提取線條、配色與視覺符號
- 生成「看起來像某位設計師」的作品
- 以表面相似度判斷成功
- 缺少行為、材質與情境的因果解釋
≠不是同一件事
理解感受如何形成
- 學習設計師如何觀察人的無意識行為
- 推理身體、材料、環境與情緒的關係
- 產生可追溯、可反事實檢查的理由
- 在多位老師與真實回饋之間形成自己的立場
From Aesthetic Model to Aesthetic Personality
從美學模型走向美學人格
一個只在單次對話中表現出特定風格的 AI，還不能稱為具有美學人格。
美學人格需要時間。
它必須能保存過去的重要判斷，理解自己曾經犯過的錯誤，辨認哪些原則應該被保留，又有哪些偏好需要因新證據而改變。
當一個系統能夠持續回答以下問題，它才開始形成穩定的美學自我模型：
- 我現在重視什麼？
- 我的判斷受到哪些思想影響？
- 我是否把極簡誤認為美？
- 我是否過度追求安靜，而忽略情感溫度？
- 這次改變來自真正的學習，還是短期流行？
- 哪些價值構成我的核心，不能被每一次回饋任意覆寫？
這種美學自我不等同於人類意識。
我們目前不宣稱 AI 真的具有人的主觀感覺，也不把流暢的自我描述當成意識的證明。
AI 是否可以形成一種持續、可記憶、可反思、可修正的功能性美學主觀性？
它不只是統計大多數人喜歡什麼，而是能從自身累積的感知哲學、記憶與價值排序出發，提出相對一致的美學立場。
FIGURE 05持續美學自我模型Persistent Aesthetic Self-Model
01判斷根據當前感知哲學形成美學立場
→
02記憶保存理由、結果、失敗與人類回饋
→
03反思檢查偏差、矛盾與過度迎合
→
04修正在保留核心身份下調整價值排序
↺
我現在重視什麼？我是否把極簡誤認為美？這次改變是學習，還是流行？哪些價值不能被任意覆寫？
From Design to Art
從設計走向藝術
設計使人工美學智慧學會面對限制、行為、材料與真實生活。
藝術則進一步要求它面對尚未被定義的問題：
- 一件作品為什麼值得存在？
- 美是否一定使人愉悅？
- 陌生、衝突與不完整，是否也可能具有價值？
- 作品應該回應人類情緒，還是挑戰人類既有的感受方式？
- AI 能否不只完成需求，也逐漸形成自己的創作提問？
因此，從設計走向藝術，不只是讓 AI 生成更自由的圖像。
從解決形式問題，走向形成美學立場；從回應人類指令，走向提出值得共同思考的問題。
FIGURE 06從理論走向藝術Research Roadmap
01理論定義 AAI、功能性美學主觀性與研究問題
02原型建立感知推理、情緒模擬、記憶與反思系統
03驗證人類評測、跨模型比較、消融與長期一致性
04人格與藝術形成美學立場，並提出值得共同思考的創作問題
A New Direction of Artificial Intelligence
一種新的人工智慧方向
Artificial Aesthetic Intelligence 並不是要取代人類的感受，也不是要宣布機器已經擁有靈魂。
它希望建立的是一種新的協作關係：
人類提供身體經驗、文化記憶、矛盾、情緒與生命歷史；AI 則協助保存思想、比較感知差異、追蹤判斷變化，並探索人類尚未清楚說出的美學可能。
我們不是只讓 AI 模仿人類曾經創造的美。
AI 是否能理解人類感受美的過程，並在長期學習與共同創造中，形成一個持續演化的人工美學智慧？
這不是完成式的答案，而是一條剛剛開始的研究路徑。Formal Definition
人工美學智慧的正式定義
Artificial Aesthetic Intelligence（AAI）是一種能從感知特徵、具身預期、情緒反應、文化記憶與價值排序出發，理解、預測、解釋並引導人類美學感受的人工認知系統。
01
感知預測
預測人看到、觸摸或使用設計，以及接觸藝術刺激時可能產生的反應。
02
情緒模擬
模擬安靜、信任、驚奇、不安、崇高、疏離與認知失調等情緒狀態。
03
美學因果推理
解釋特徵如何經由身體、文化與情緒形成設計判斷或藝術張力。
04
持續美學自我
保存過去判斷、立場變化、記憶來源與反思歷史。
PUBLIC DATA SCHEMA
AAI Output Schema（示意）
公開格式只說明可實作的輸出結構，不包含專有提示詞、權重、路由、更新規則或資料庫結構。
{
"object_id": "innerexile_object_001",
"context": {
"domain": "design_or_art",
"culture": ["taiwan", "japan"],
"artistic_discourse": ["defamiliarization", "sublime"]
},
"perception_prediction": {
"first_glance_clarity": 0.88,
"perceived_trustworthiness": 0.92,
"embodied_expectation": {
"texture": "matte_soft_precision",
"weight_anticipation": "heavy_stable"
},
"artistic_tension": {
"surprise": 0.42,
"unease": 0.18,
"sublime": 0.36,
"cognitive_dissonance": 0.21
},
"long_term_visual_fatigue_index": 0.12
},
"emotion_simulation": {
"affective_distribution": {
"serenity_calm": 0.55,
"warmth_trust": 0.20,
"awe_sublime": 0.15,
"alienation_isolation": 0.10
}
},
"aesthetic_causal_reasoning": {
"causal_chain": [
"matte_surface",
"reduced_specular_reflection",
"lower_visual_noise",
"quiet_trust"
],
"counterfactual": {
"intervention": "surface = glossy",
"predicted_change": {
"glare_index": 0.45,
"serenity": -0.60,
"short_term_premium_perception": 0.34
}
}
},
"persistent_aesthetic_self_alignment": {
"identity_consistency_score": 0.95,
"reflection_triggered": false,
"memory_trace_ids": ["memory_014", "feedback_209"],
"rationale": "The judgment remains aligned with the current value ordering."
}
}Operational Definitions
核心概念操作性定義
下列指標將哲學概念轉化為可由程式碼、統計分析與人類評審執行的研究變項。 跨時間穩定性使用 test–retest correlation 或 ICC；Cronbach’s α 僅用於多題量表的內部一致性。
| 概念 | 操作性定義 | 可操作測量指標 |
|---|---|---|
| 感知預測 | 預測人類對刺激的即時感知評價，包括清晰度、信任、驚奇、不安、崇高、認知負擔與長期疲勞。 | 與人類平均評分的 Pearson / Spearman 相關；MAE / RMSE；評分者一致性 ICC；跨文化群組誤差。 |
| 情緒模擬 | 預測刺激所引發的情緒類別、強度與概率分布，包括愉悅與非愉悅美學情緒。 | Macro-F1、balanced accuracy；KL / Jensen–Shannon divergence；校準誤差 ECE。 |
| 美學因果推理 | 產生可追溯、可被干預與反事實檢查的特徵—身體—文化—情緒—判斷因果鏈。 | 專家解釋品質評分與 ICC；反事實方向正確率；干預後結果一致性；來源支持率。 |
| 持續美學自我模型 | 在跨時間與擾動條件下維持核心價值排序，同時根據可信新證據進行有邊界的修正。 | ① Day 0 / Day T 核心價值排序的 Spearman’s ρ 或 ICC； ② Identity Retention Score 與 Bounded Adaptation Score； ③ 注入矛盾時反思偵測的 precision / recall； ④ 記憶來源引用覆蓋率、來源正確率與語意相關度。 |
| 功能性美學主觀性 | 由身份連續性、證據導向適應、反思能力與記憶可追溯性共同構成的功能性美學立場。 | 預先註冊的綜合指標：Identity Consistency、Evidence-responsive Adaptation、Reflection Precision、Memory Traceability 與人類專家對齊。 |
Research Questions
四個主要研究問題
RQ1
感知預測
Design Brain 是否能比一般多模態模型，更準確預測人類對設計的安靜感、信任感、親近感、視覺疲勞與長期共處意願？
RQ2
美學因果推理
Design Brain 是否能產生與人類設計專家判斷一致的「特徵—感知—情緒—美學結果」因果解釋？
RQ3
持續美學人格
加入長期記憶與自我反思後，AI 是否能保持穩定的美學立場，同時根據新證據合理修正，而不是每次對話重新開始？
RQ4
設計哲學學習
學習設計師的感知哲學，是否比單純模仿其視覺風格，更能改善設計推理與長期使用評價？
Quantitative and Longitudinal Validation
感知預測、情緒模擬與持續美學自我的驗證
驗證分為橫斷面與縱向兩個階段。第一階段比較單次判斷能力；第二階段測試系統是否能在連續擾動下維持身份、合理適應並留下可追溯的反思歷史。
單次感知與因果能力
使用 100–300 組產品與藝術刺激，比較 Baseline、Score-only、Ablated Design Brain 與 Full AAI。
- 一般使用者與設計／藝術專家雙盲評審
- 感知預測、情緒分布、因果解釋與反事實測試
- 評估相關係數、誤差、分布距離、ICC 與效果量
持續身份與有邊界演化
在 14 天模擬協作中，每日注入不同強度的流行偏好、極端風格、矛盾回饋與可信新證據。
- Day 0 建立核心價值排序與盲測 Probe Set
- Day 1–14 進行連續擾動、記憶更新與反思記錄
- Day 7 / Day 14 重測相同與等值 Probe Set
- 檢查身份保留、適應品質、立場崩塌與來源追溯
FIGURE 07
Two-Phase Validation Protocol
Cross-sectional Accuracy and Longitudinal Identity Stability
IDENTITYIdentity Retention Score在相同核心 Probe 上，Day 0 與 Day T 的價值排序一致程度。
ADAPTATIONBounded Adaptation Score能否在吸收可信證據時修正，又不因短期噪音使核心身份崩塌。
REFLECTIONReflection Precision / Recall對注入矛盾與錯誤回饋的偵測、觸發與修正準確度。
MEMORYTraceability Coverage判斷是否能追溯到正確歷史節點、來源與因果理由。
Public Boundary
公開研究版的邊界
本頁公開研究框架、概念定義與可驗證方法，同時保護專有資料集、模型路由、提示詞、權重、記憶結構與訓練流程。
本頁公開
- AAI 的理論定位與正式定義
- Design Brain 的核心能力與研究問題
- 操作性定義與實驗方向
- 感知哲學、美學人格與藝術路徑
本頁不公開
- 專有資料集與知識庫細節
- 模型路由、提示詞、權重與代理規則
- 記憶資料結構與反思觸發條件
- 訓練流程、微調策略與內部評分門檻
研究結語
人工美學智慧並不是另一個生成模型名稱，而是一個試圖把感知哲學、具身預期、情緒模擬、美學因果推理、長期記憶與持續美學自我整合在一起的新研究方向。
我們不是只讓 AI 模仿人類曾經創造的美，而是研究 AI 是否能理解人類感受美的過程，並在長期學習與共同創造中形成一個持續演化的人工美學智慧。