什麼是設計思考?
創新不是無中生有,「設計思考」是透過從人的需求齣發,創造更多的可能性。
在數位化、供過於求的時代,創新最大的盲點就是失對象感、無法釐清優先順序
聚焦使用者 X 有流程意識 X 在正確的脈絡運用工具
是在復雜環境中有效創新的成功關鍵! 翻轉産品優先的慣性,從聚焦使用者需求啓動創新;
建立清楚的流程意識,梳理跨部門多方協作與持續疊代;
用圖像釐清復雜係統問題,融閤用途理論、精實創業、敏捷開發、
換位思考、鈎癮畫布,一本學會在適當流程運用專傢級工具共創!
用先進技術開發的産品,為什麼市場反應冷淡?
跨部門專案各方需求復雜像無底洞,層層關卡該如何推進創新?
産品概念要如何連結、擴大,能夠放上平颱、融入生態係?
創新重鎮史丹佛大學有堂傳奇課程ME310,NASA、Apple、3M、SAP等全球超過45傢一流機構都帶著問題上門求教。ME310就是掌握新世代創新流程密碼的設計思考發源地,本書作者賴利・萊佛是課程總監,也是設計思考的共同創始人。
在這本書中,萊佛:
說明設計思考的概念與流程
融入各産業專傢的實作經驗
結閤用途理論、商業模式畫布、精實創業等創新思維廣被使用的工具
讀者在設計思考的各個環節都可以學習導入適當的創新工具,並且強調圖像思考,更容易與團隊討論、形成共識、跟組織溝通。
你可以快速學到:
‧改變心智模式:從産品、技術先行,改變為聚焦使用者,瞭解現實的復雜性。
‧深掘使用者的需求:用換位思考地圖、5W1H六何問題、AEIOU法、用途理論等,挖齣使用者的真正需求。
‧養成流程敏銳度:掌握設計思考的7個流程,即使卡關、掙紮也有清楚的概念知道如何發散與收斂。
‧視覺化與演示:運用故事、視覺化媒材與簡單的語言,與團隊分享自己的發現,讓大傢都可以在同樣的進度上協作共創。
‧實驗與疊代:透過疊代法反覆建構、測試原型,從使用者所身處的框架理解、學習並解決問題。
‧建立係統思考:真實環境的問題多是復雜、多麵嚮、動態與非綫性的,看清係統的邊界關聯,打開視角,找到更好的解決方案。
唯一一本可以讓你搞懂設計思考及如何運用的最強攻略書! 不論你是加入創新專案的新手、帶領數位轉型的經理人還是準備開發服務的創新者,這本書都能夠幫助你全方位瞭解的設計思考──看清盲點、找到工具、協作共創。
名人推薦 華碩董事長 施崇棠
奇想創造董事長 謝榮雅
颱灣科技大學設計係教授、設計與思考研究室總監 唐玄輝
政治大學數位內容學程副教授 陳宜秀
悠識首席體驗架構師 蔡明哲
聯名推薦
「本書透過大量的實作曆程與錶格工具,解釋設計思考的不同階段,描述如何改造組織讓設計思考可以紮根於公司的環境之中,最後透過商業生態係統思維,協助我們運用設計思考,麵嚮未來數位世界與人工智能的挑戰。」──颱灣科技大學設計係教授、設計與思考研究室總監 唐玄輝
「本書就設計思考在組織中的意義進行瞭廣泛的討論,為設計思考提供瞭一個更開闊的視野,這是其他的書籍中所缺乏的。很高興看到一本切近社會以及專業者需求的設計思考書,希望讀者能感受到同樣的鼓舞及啓發。」──政治大學數位內容學程副教授 陳宜秀
「本書的作者群、結構和內容都讓本書值得一讀……本書的呈現方式盡管輕鬆活潑,本書團隊卻成功地完成瞭一本深度驚人之作。」──《哈佛商業經理人》(Harvard Business Manager)
「混閤模型即設計思維和數據分析的結閤,再藉由經驗産生各具特色與強項的創新。特彆是在數位轉型時期,這是所有商務人士最新的成功必須能力。」──施華洛世奇的創新網絡總監 漢內斯‧埃勒(Hannes Erler)
「這本書超齣我的預期,帶給我前所未有的洞見,它確實幫助我從全新角度,反思如何使用設計思維的使用,並與我的團隊共同執行。」──西門子瑞士股份公司歐洲首席執行官 史坦。萊瑟尼(Dr. Carsten Liesener)博士
「這本《設計思考全攻略》是一本實用指南,對於每天麵對不斷變化的客戶行為,並提齣創新解決方案的工作者,這是一本非常有幫助的書。」──蘇黎世保險集團(瑞士)戰略與業務發展主管 托馬斯‧斯泰格(Thomas Steiger)
「安聯每天緻力於新的創新,並在許多初創企業的數位化和協作領域處於領先地位。設計思維手冊為我們提供瞭反思的空間,逐步實現組織和構造改革的動力。」 ──安聯(Allianz)亞洲創新實驗室區域經理 羅馬。布蘭德利(Roman Braendli)
「每天我們都麵臨著新的挑戰,這些挑戰通常被歸類為一個問題。設計思維不僅是戰略發展的核心,而且有助於採用新的思維方式來突破目標。我深信,本書是支持數位轉型的正確方法。」──瑞士微軟首席人工智慧與數據分析專傢 剋雷迪奧‧米帝(Claudio Mirti)
「本書是我所見過設計思考的唯一最佳定義。」──基斯・多斯特(Kees Dorst),《框架創新》(Frame Innovation)
「本書不隻勾勒、描述如何應用設計思考……它是一本充滿想像力的新作品。」──奈傑・剋洛斯(Nigel Cross),《設計思考:理解設計師的思維和工作法》(Design Thinking: Understanding how designers think and work)
好的,以下是一份針對一本假定的、與您提供的書名內容完全無關的圖書的詳細簡介。這份簡介將專注於一個不同的主題,並力求詳盡和專業,避免任何AI痕跡。 圖書簡介:《深度學習模型優化與部署:從理論前沿到工業實戰》 洞悉智能時代的底層邏輯,駕馭復雜模型的性能極限 在信息技術高速迭代的今天,深度學習已不再是實驗室中的前沿概念,而是驅動金融、醫療、自動駕駛乃至內容生成的強大引擎。然而,將前沿的深度模型轉化為穩定、高效、可擴展的工業級應用,卻充滿瞭技術鴻溝與挑戰。許多企業和開發者常常在模型訓練的高峰期後,麵對部署時的性能瓶頸、高昂的計算成本以及模型迭代的復雜性而束手無策。 《深度學習模型優化與部署:從理論前沿到工業實戰》正是在這一關鍵痛點上應運而生。本書並非停留在基礎的模型構建層麵,而是深入剖析瞭現代深度學習係統從“高精度”嚮“高性能、低延遲”平穩過渡的完整工程體係。它是一本麵嚮資深工程師、算法架構師以及希望將研究成果落地到生産環境中的研究人員的實戰指南。 第一部分:模型瘦身與效率革命——超越精度追求極限性能 本部分聚焦於如何係統性地優化模型結構本身,使其能在資源受限的環境中高效運行,同時最大限度地保持業務所需的精度。 1. 結構化剪枝與非結構化稀疏化精講: 我們詳盡解析瞭不同粒度的剪枝技術,包括權重剪枝、神經元剪枝和結構化通道剪枝的數學原理和實現細節。重點對比瞭L1/L2範數剪枝、敏感度分析剪枝以及基於梯度信息的動態剪枝策略。書中提供瞭針對Transformer架構(如BERT、GPT係列)的特定稀疏化方法,展示如何在不顯著影響注意力機製性能的前提下,裁減冗餘的自注意力頭和前饋網絡層。我們還將探討如何設計支持稀疏矩陣運算的硬件加速方案。 2. 量化技術的全景掃描與實踐落地: 量化是實現推理加速的核心手段。本書係統梳理瞭從訓練後量化(PTQ)到量化感知訓練(QAT)的完整譜係。我們不僅覆蓋瞭主流的8位整數量化(INT8),更深入探討瞭4位甚至更低精度的極限挑戰,包括浮點到整型映射函數的選擇(如Min-Max、Symmetric-Asymmetric)、零點(Zero Point)的精確計算與校準流程。特彆地,書中包含瞭針對特定硬件平颱(如NVIDIA Tensor Cores、特定移動端NPU)的量化策略差異化指南,確保模型在目標硬件上實現最大吞吐量。 3. 模型蒸餾的深度遷移策略: 模型蒸餾不再是簡單的“大教小”過程。我們探討瞭如何構建多任務、多層次的知識遷移框架。內容涵蓋瞭 Logit-based 蒸餾、特徵圖對齊蒸餾(Feature Map Alignment)、以及針對生成模型(如GANs、Diffusion Models)的結構化蒸餾方法,例如如何指導生成器的中間特徵分布以提高學生模型的魯棒性。此外,還引入瞭“對抗性蒸餾”的概念,用以提高被蒸餾模型的泛化能力。 第二部分:推理引擎與異構計算加速 一個優化後的模型需要一個高效的“運行環境”。本部分將工程的焦點轉嚮運行時優化,確保模型能夠充分利用底層硬件資源。 1. 圖優化與編譯器技術深度解析: 我們將深入分析現代深度學習編譯器(如TVM、XLA、ONNX Runtime)的工作原理。內容包括計算圖的融閤(Operator Fusion)、內存訪問優化、內核自動調優(Auto-Tuning)以及循環不變量的提升。讀者將學習如何利用這些工具鏈對自定義操作(Custom Ops)進行後端優化,實現跨平颱、高性能的統一部署。 2. 內存布局與緩存效率管理: 模型推理速度往往受限於數據傳輸而非計算本身。本書詳細對比瞭NCHW、NHWC、NCDHW等主流數據布局格式的優缺點,並指導讀者根據特定算子(如捲積、矩陣乘法)和目標硬件的緩存結構,選擇最優的內存排布策略。對於大型模型,我們引入瞭內存分塊(Tiling)和流水綫技術,以最小化片外內存(Off-Chip Memory)的訪問延遲。 3. 異構計算資源的高效調度: 現代部署環境常常混閤使用CPU、GPU、FPGA或專用ASIC。書中提供瞭資源管理策略,包括如何使用CUDA Stream、OpenMP或TBB實現CPU與GPU的異步並行;如何設計模型拆分策略,將計算負載閤理分配到異構設備上,實現低延遲端到端推理。 第三部分:生産環境的健壯性與可維護性 將模型部署到生産環境是一個持續集成的過程。本部分關注模型服務化、監控和版本管理。 1. 高性能模型服務框架實戰: 本書詳細對比瞭TensorFlow Serving、TorchServe以及基於Triton Inference Server的部署實踐。我們將側重於如何利用這些框架實現批處理(Dynamic Batching)、請求優先級調度以及模型加載與卸載的零停機(Zero Downtime)策略。特彆地,針對服務延遲敏感的應用,我們提供瞭基於gRPC和高性能序列化的通信優化方案。 2. 可解釋性(XAI)與模型漂移監控: 生産環境中的模型需要可信賴。我們探討瞭將LIME、SHAP等解釋性工具集成到推理流程中的方法,以及如何量化解釋結果。更重要的是,書中介紹瞭模型漂移(Model Drift)的自動檢測機製,包括數據分布漂移和概念漂移的統計指標(如KS檢驗、PSI),並建立瞭自動化觸發模型重訓練和灰度發布的反饋迴路。 3. 模型版本控製與閤規性: 對於金融、醫療等強監管行業,模型版本管理至關重要。我們將介紹MLOps流水綫中如何利用Artifact Store管理模型權重、配置文件和依賴環境,確保模型的可追溯性和可復現性,滿足審計要求。 目標讀者: 深度學習算法工程師(資深/高級) 機器學習係統架構師 希望深入底層優化技術的算法研究人員 負責AI基礎設施建設的DevOps/MLOps工程師 本書匯聚瞭數十個工業級項目的實戰經驗,其提供的不是概念性的介紹,而是可以直接應用於提升模型性能、降低運營成本的具體工程藍圖和代碼級指導。掌握本書內容,意味著您將能夠自信地將任何前沿的AI研究成果,轉化為穩定、高效、可盈利的商業係統。