← RESEARCH 研究線
RP-02 CONCEPT Computational Design

Algorithmic Identity Engine

演算法品牌語法引擎
ABSTRACT 摘要

A constrained generative pipeline that maps brand language into editable design tokens

本研究線探討如何讓語言模型不生成圖像，而是把品牌語彙轉譯成一組結構化的設計參數——網格、字距、密度、動態節奏與材質，再交由程式以 SVG、CSS 與 Canvas 生成可讀、可調、可版本控制的視覺系統。核心是一種受約束的生成路徑，把設計決策留在人能檢視與修改的層次。

LLM Structured OutputGenerative SystemsDesign TokensVariable Fonts

研究問題

一次品牌視覺的內部討論裡，反覆出現的形容詞是 quiet authority 與 warm paper——安靜而有份量，像被翻讀過的紙。這類語彙在人與人之間是可溝通的，但一旦要落成視覺，它就落進一個難以言說的縫隙：設計師憑經驗把它翻成某種字距、某種留白、某種灰，而這段翻譯過程既不透明，也難以複現。

當前的生圖工具把這道縫隙填得更快，卻沒有填得更清楚。輸入一段描述，輸出一張像素圖像——結果或許好看，但它不是一套系統：改不動單一參數、說不清為什麼是這個間距、也無法沿用到下一個尺寸與載體。對一個需要長期維護視覺一致性的品牌而言，不可讀、不可調的圖像是一種負債。

本研究線要問的是：能不能讓模型停在圖像之前——不生成畫面，而是生成一組人能讀懂、能逐項修改、能納入版本控制的設計參數？把 warm paper 這樣的詞，變成可被檢視的網格值、字重與材質規則，而非一張無法回溯的成品。

方法與系統構想

系統的核心假設是把 AI 的角色從「渲染者」改為「參數的翻譯者」。流程分三段：

其一，語彙結構化。語言模型的任務不是畫圖，而是把品牌形容詞映射到一組受限的 design tokens——版面網格、字距與行高比例、資訊密度、動態的緩速曲線與節奏、材質與明度層級。輸出被約束為結構化格式(如 JSON schema)，使模型無法自由發散，只能在預先定義的參數空間內取值。

其二，程式化生成。由 token 驅動的生成器以 SVG、CSS 與 Canvas 生成實際視覺：網格排布、字體變體、色彩層級與動態時序。這一段完全是確定性的——同一組 token 永遠生成同一套視覺，設計因此可複現、可 diff、可回滾。

其三，可變字體與參數化材質作為表現層。透過 variable fonts 的軸向連續調整，單一形容詞(如 authority)可被綁定到字重與寬度軸的具體位置，而非在數十個離散字檔間挑選。

與生圖工具的本質差異在此：生圖把設計決策封進像素，本系統把決策留在參數。前者的輸出是結論，後者的輸出是可以繼續辯論與修改的語法。

相關研究與參照

  1. Horvitz, 1999 — Principles of mixed-initiative user interfaces, CHI。本研究線把 AI 定位為與設計師協作的中介而非替代者，mixed-initiative 的原則正是這種「模型提議、人決定」分工的理論依據。
  2. Drucker, 2014 — Graphesis: Visual Forms of Knowledge Production, Harvard UP。Drucker 主張視覺形式本身即是知識生產，支撐了本研究「設計參數應可讀、可辯論」的立場，而非把視覺當成不可回溯的結果。
  3. Lupi, 2017 — Data Humanism manifesto。Lupi 對「有人味、可解釋」的資料視覺主張，提醒本系統在追求參數化的同時，不應退回冷硬的模板生成。
  4. Reas & Fry, 2007 — Processing: creative coding platform, MIT Press。Processing 所代表的 creative coding 傳統，是本研究「以程式作為生成工具、設計即程式」路徑的直接來源。
  5. Bostock et al., 2011 — D3: Data-Driven Documents, IEEE InfoVis。D3 以資料綁定驅動 SVG 的模型，為本研究「以 token 驅動 SVG/Canvas 生成」的技術構想提供了成熟的參照框架。

目前進度

本研究線目前為構想階段(concept)，尚未進入實作。已完成的僅是問題界定與技術路徑的初步規劃：確認以「結構化參數輸出」而非「圖像生成」為主軸，並盤點可用的技術棧(LLM 的 structured output、SVG/CSS/Canvas 生成、variable fonts)。

尚未驗證的關鍵假設有二：其一，語彙到 token 的映射是否穩定且可信——同一形容詞是否會被模型一致地翻譯，以及這層映射需要多少人工校準；其二，由 token 生成的視覺是否真能達到設計師手工的品質，或只是更受控的模板。這些問題在概念階段無法回答，必須進入原型才能檢驗。此處不宜宣稱任何未經實測的效果。

下一步

具體且可驗證的下一階段目標，是把三段流程中最不確定的第一段——語彙結構化——單獨做成最小實驗：定義一份約 20 至 30 項的 design token schema，選 3 至 5 組品牌形容詞，測試語言模型能否穩定地把形容詞映射到 schema 內的合理取值，並記錄映射的一致性與需要人工修正的比例。

此實驗的素材將取自艷世自有媒體《艷世紀》(yenz.tw)的田野研究——例如把某地方場域的空間氣質形容詞，嘗試轉為一套版面 token。此舉一方面避免使用任何客戶素材，另一方面也讓本研究線與實驗室既有的田野採集流程接續。只有在第一段被驗證為可信後，才會投入第二段的程式化生成器開發。