Algorithmic Identity Engine
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。
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
- 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。
- 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。
- 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。
- 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。
- 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
可玩的原型 /engine/ 已上線。它把三段流程中的第二段——參數到視覺的映射層——做成可即時操作的介面：五個參數(語氣、密度、對比、節奏、網格)即時映射為字重、字距、網格欄數、金/紙/墨的色彩比例與動態節奏，可隨機種子重抽，也能把整組結果複製成一份 design tokens JSON。這證明了「同一組參數穩定生成同一套視覺、且可被讀取與版本控制」這一環是成立的。
侷限也說清楚：目前參數仍由人手動調整，第一段——由品牌語彙自動生成參數的 LLM 約束層——尚在開發中。因此這座原型驗證的是映射的表現層，而非「形容詞進、token 出」的完整鏈條。
下一步
下一階段回頭補上最不確定的第一段：語彙結構化。目標是把手動調參的介面接上一層受約束的 LLM 輸出——定義一份與現行五參數對齊的 design token schema，測試模型能否把品牌形容詞穩定映射到 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。
實驗素材取自艷世自有媒體《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，既避免使用任何客戶素材，也讓本研究線與既有的田野採集流程接續。只有在這層映射被驗證為可信後，才會把它與 /engine/ 現有的視覺生成層併成完整管線。