一件設計的深度，常常來自一個連結。把一種工藝的結構帶進版面，把一段歷史的節奏放進動線，把某個地方的生活方式轉成色彩。
每接起一個精準的點，作品就多一層。
技術有天花板
比例、字級、配色、完稿，這些技術都有標準，可以練習，也可以檢查。練到一定程度，設計師之間的差距會縮小；工具普及之後，差距又更小了。
技術讓作品完成。作品能走多深，取決於它背後的連結。
連得遠，也要連得準
連結的距離越遠，作品越難被取代。距離遠，也越容易失準。
一個失準的連結，看起來也許很聰明，放進作品裡卻顯得牽強：觀眾讀不懂，或讀成了另一個意思，或和品牌本身沒有關係。一個精準的連結，放進作品之後像是本來就在那裡，觀眾不需要說明，就能感覺到它對。
精準的意思是：符合這個品牌、這群觀眾、這個時間點。同樣的連結，換了對象就可能失效。
連得遠，作品才有深度；連得準，深度才能成立。
AI 給的是可能，人給的是準確
AI 讀過的東西，遠遠超過任何一個人。
以公開資料為例，2024 年發布的 Llama 3 語言模型，訓練時使用了超過 15 兆個 token 的文字；常用來訓練圖像生成模型的 LAION-5B 資料集，收錄了約 58.5 億組圖文配對。token、字詞和圖文配對不是同一種單位，無法直接換算；它們共同說明的是資料規模。
所以 AI 能跨越領域建立連結，範圍比任何人都廣。給它一個題目，它能在幾秒內提出許多說得通的方向。
說得通，不等於準確。這些資料再多，也不包含這個品牌經歷過什麼、這群觀眾在意什麼、哪一種說法在這個地方會被誤讀。要讓它變準，需要把脈絡一點一點提供給它。脈絡越多，耗費的運算越多；脈絡也需要被記錄與維護，才可能延續到下一次任務。
AI 的成本，大部分花在逼近精準。
人的精準從哪裡來
一個人擁有的資料少得多。
假設一個人每年讀 50 本書，持續 40 年，總共約 2,000 本。若每本以 10 萬字計，大約是 2 億字。BabyLM 研究則以約 1 億字詞作為模擬兒童語言接觸量的資料基準。這些數字不能和模型的 token 直接相比，但量級上的差距很清楚。
用這麼少的資料，人仍然能做出精準的判斷，原因在於資料的性質。人的經驗是親身經歷的、被挑選過的，而且每一段都連著結果：哪個顏色在某個場合讓人不安，哪句話曾經被誤解，哪個東西放進某個空間之後顯得突兀。一個人一生經歷的場合和對話有限，但每一段都留下了驗證過的判斷。
所以人往往不需要試很多次。一趟旅行、一本書、一次和工匠的談話，就可能成為往後多年都用得上的判斷依據。人腦運作所需的能量大約只有二十瓦，比一盞燈泡還少。
資料少，判斷卻準，因為每一筆都有經驗作為依據。
判斷會累積，精準會延續
每一個專案都會留下判斷。哪些連結成立，哪些看似聰明卻站不住，哪些在提案時成立、放進真實的場景卻失效。這些經驗不需要重新輸入，會留在設計師身上，成為下一次判斷的依據。
時間越長，判斷越準。新的經驗修正舊的經驗，一個領域的理解延伸到另一個領域。累積到一定程度之後，就成了一般所說的眼光。
AI 能調用的脈絡，取決於資料如何被保存與提供；人則帶著所有過去的判斷面對下一個題目。
設計的上限在哪裡
工具可以完成執行，也可以提供大量的可能。哪一個連結準確，要由人判斷。
設計的上限取決於兩件事：能把多遠的東西接在一起，以及接起來的東西是否準確。前者決定深度，後者決定深度能否成立。
結語
技術讓作品完成，連結讓作品有深度，精準讓深度成立。
AI 擅長提供可能，人擅長判斷準確。這份準確來自經驗，而且會隨著時間累積。
善用連結，設計才走得遠。
幾個值得停下來想的問題
- 你作品裡最重要的那個連結，換一個品牌或一群觀眾，還成立嗎？
- 一個連結「說得通」和「準確」，你怎麼分辨？
- 最近一次被否定的方向，是距離不夠遠，還是不夠準？
- 你的判斷，有沒有從一個專案延續到下一個專案？
