设计不是装饰：Figma演讲揭示机器学习产品真正的胜负手

很多人以为，机器学习的成败取决于模型、数据和算力。但在这场 Figma Config 的演讲里，Lalo Martínez 抛出一个让人警醒的观点：真正决定 ML 产品是否“好用”的，往往是设计。更准确地说，是你如何为机器学习“设计信号”。

最反直觉的事实：机器学习不是智能问题，而是沟通问题

Lalo 一上来就戳破了一个行业迷思：我们总把机器学习想象成“越来越聪明的机器”，但在真实产品中，它更像一个需要被耐心教导的新同事。问题不在于模型能不能学，而在于——你有没有把正确的东西，清楚地告诉它。

他在 Quora 的经历尤其典型。加入公司后，他发现许多 ML 功能效果不佳，并不是算法不行，而是产品设计没有为模型提供足够清晰、稳定、可解释的用户信号。用户的每一次点击、停留、忽略，都是在“说话”。而设计的职责，就是决定这些话到底是含糊其辞，还是表达明确。

这也是为什么他说，设计 ML 产品时，会“打开一大堆问题”。因为一旦你意识到模型依赖信号生存，你就不得不重新审视几乎所有交互细节。

第一性原则：好设计不是好看，而是“明确”

在所有原则中，Lalo 把“明确性（Explicitness）”放在第一位。这并不意外，却经常被忽视。

很多产品希望用户“自然地用起来”，但对机器学习来说，自然往往等于模糊。一个点赞按钮，如果用户不知道它代表“有用”“有趣”还是“我同意”，那对模型来说就是噪音。

明确性要求设计师做一件并不讨喜的事：减少暧昧。让用户知道这个动作意味着什么，也让系统知道这个动作该如何被解释。ML 不怕用户表达少，它怕的是表达不清。

这条原则背后，其实是一个设计立场的转变：你不是只在为人设计，也是在为模型设计。

频率与具体性：模型只相信你反复、具体地说过的话

第二个原则是“频率（Frequency）”。Lalo 给出的例子非常现实：一次性的反馈几乎没有价值，持续、重复的信号才是模型真正会“记住”的东西。

这直接影响到产品是否要设计轻量、低成本的交互。一个需要三步才能完成的反馈动作，注定不会有足够频率。设计越懒，模型越聪明。

接着是“具体性（Specificity）”。比起“我不喜欢这个”，模型更需要知道：是因为不相关？质量差？还是已经看过？具体性不是为了满足好奇心，而是为了让模型在下一次做出更接近人类预期的判断。

很多 ML 产品失败，并不是用户不配合，而是设计从未给过用户“说清楚”的机会。

最后一击：不一致的设计，会把机器学习直接带偏

最后一个原则是“一致性（Consistency）”，也是最容易被低估的。

如果同一个行为，在不同页面、不同场景下代表不同含义，那么模型学到的，只会是混乱。对用户来说，这只是体验割裂；对模型来说，这是灾难。

Lalo 强调，这不仅是交互层面的一致性，更是产品决策层面的一致性。今天为了增长牺牲信号质量，明天再指望模型“自己变好”，几乎不可能。

当设计和机器学习开始协作时，任何短期妥协，都会被模型长期放大。

总结

这场演讲的核心启发在于：机器学习不是一个可以“交给算法团队”的模块，而是一种贯穿产品设计的能力。如果你在做 ML 产品，今天就可以自问四个问题：我的设计是否足够明确？用户是否能高频、低成本地给出反馈？信号是否足够具体？整个产品是否前后一致？

这些问题看似基础，却决定了模型能走多远。真正成熟的 AI 产品，不是模型炫技，而是让人和机器，彼此听得懂。下一次你吐槽“模型不聪明”之前，或许该先看看设计有没有拖后腿。

关键词： 机器学习， 产品设计， 用户信号， Figma Config， AI产品

事实核查备注： 需核查：演讲者 Lalo Martínez 的身份背景；加入 Quora 的时间描述；演讲所属活动 Figma Config 2021 及发布时间；提出的四个设计原则名称与顺序