上海科技大学信息科学与技术学院李权课题组（交互智能与可视分析实验室ViSeer LAB）致力于构建以人为中心的可解释性人工智能系统，通过融合交互式可视分析与自动机器学习技术，重点增强模型的可信性、公平性和鲁棒性，推动人机协同的深度发展；研发人工智能驱动的可视化及创意设计自动化技术，覆盖视觉编码、数据叙事生成等创新应用；开发面向重大社会及科学问题的人机协同可视分析技术，提供数据驱动的决策支持与解决方案优化。近日，课题组在ACM 智能用户界面会议（ACM IUI 2026）上发表了两篇论文。ACM IUI是人工智能（AI）与人机交互（HCI）领域的重要学术会议，汇聚全球研究人员与行业专家，共同探讨前沿技术与创新应用。第31届ACM IUI将于2026年3月23日至26日在塞浦路斯帕福斯举行。
一、 DesignBridge：AI赋能时尚设计新范式，实现设计师与用户的高效协同共创
时尚设计领域长期面临一个核心矛盾：设计师的专业创意如何与用户的真实偏好有效融合？传统设计师主导的模式往往将用户置于被动接受的位置，而完全由用户驱动的定制又可能牺牲专业审美与设计完整性。针对这一行业痛点，李权课题组发布了一项名为“DesignBridge”的创新性AI增强协同设计系统。该系统通过一个结构化的多阶段流程与先进的AI技术栈，成功搭建了一座连接设计师专业知识与用户个性化偏好的“桥梁”，为时尚产业的数字化、智能化协同设计提供了全新范式。
图1：DesignBridge的工作流程分为三个阶段。第一阶段：设计师输入初始信息，定义设计框架并生成图像。第二阶段：用户查看设计在场景模型和独立视图中的呈现，并在局部与整体层面表达偏好。第三阶段：设计师分析用户反馈，合成设计属性，并根据预测响应迭代优化设计。
DesignBridge的核心创新在于其三阶段AI协同工作流，无缝融合设计师创意、用户反馈与AI分析能力，实现从概念到成品的智能协同：1）智能设计框架构建：设计师输入场景、类型与设计原则。系统通过大语言模型解析语义，并运用生成式扩散模型生成场景化背景。关键创新在于系统基于结构化九维设计空间（涵盖袖长、领型、图案等），智能筛选协调属性，划定兼具专业性与开放性的创作范围。2）多模态用户偏好捕捉：用户可通过虚拟试穿在场景中直观体验设计，并借助“刷选”与评论对局部或整体表达偏好。系统通过视觉语言模型与卷积神经网络，将涂鸦实时转化为具体设计属性，完成从“直观感知”到“设计语义”的精准转译。3）数据驱动的生成与解释：用户偏好被建模为共识分数与个性化偏好神经网络（PPNN），并以“拼图式”界面和可下钻的偏好树可视化。设计师可精细选择反馈数据，通过模块化LoRA技术对生成模型进行定向微调，输出融合群体偏好与设计主题的方案。系统进一步集成可解释AI技术，为每个生成结果提供偏好归因分析，揭示“为何用户喜欢/不喜欢”，指导迭代优化。整套流程以结构化设计空间为桥梁、实时反馈为驱动、可解释生成为输出，实现了人机之间深度、透明且高效的创意协作。
图2：（上）：DesignBridge用户端界面由两个视图组成：（A）信息视图接收用户的相关信息，以在给定场景中构建用于设计试穿的虚拟模型。（B）交互视图使用户能够表达对每种设计的偏好。（下）DesignBridge设计端界面由四个视图组成：(A) 框架面板视图接收设计师的初始输入以构建初步设计框架；(B) 设计库视图基于设计框架构建设计图像数据库；(C) 设计调色板视图整合用户反馈，协助设计师构建设计；(D) 智能生成视图展示生成的设计图像及当前设计的预测用户偏好反馈。
通过涵盖10名设计师与32名用户的实验验证，DesignBridge在效率与体验上显著优于传统基线系统。对用户，场景化虚拟试穿与直观刷选交互，大幅提升参与沉浸感，使偏好表达更准确、高效；对设计师，系统通过可视化数据视图清晰呈现偏好共识与冲突，结合AI生成与预测，辅助其在设计主题与用户喜好间达成最佳平衡，提升迭代信心。该系统的模块化技术架构，包括结构化设计空间、混合偏好建模与基于LoRA的偏好引导微调，具备高度通用性，可扩展至鞋履、家具、室内设计等多元创意领域。展望未来，团队将进一步探索大规模协同场景，推动用户偏好模型向可复用、可组合的数字化资产演进，构建持续学习与进化的“用户偏好生态”，为设计行业提供持久价值。此项研究不仅为时尚设计提供智能工具，更贡献了一套可复现的人机协同框架，助力AI赋能整个创意产业。
该研究成果由上海科技大学信息科学与技术学院李权课题组完成，并以“DesignBridge: Bridging Designer Expertise and User Preferences through AI-Enhanced Co-Design for Fashion”为题发表于ACM IUI 2026。信息科学与技术学院2024级硕士研究生邵煜恒（syh-1018.github.io）、2023级博士研究生徐源松（yansen-xu.github.io）为论文的共同第一作者，李权教授为通讯作者。
论文链接：
https://arxiv.org/abs/2601.14639
二、 SCSimulator：基于大语言模型的可视化供应链伙伴选择仿真平台
供应链伙伴选择一直是企业运营中的核心难题，涉及多方博弈、动态评估与复杂决策，传统方法往往依赖简化数学模型或专家经验，难以全面捕捉真实世界的动态性与复杂性。为此，李权课题组提出一款创新的供应链决策支持系统SCSimulator，该系统首次将大语言模型驱动的多智能体仿真与交互式可视分析深度结合，为供应链中的伙伴选择问题提供了一种全新的动态推演与决策支持工具。
图3：SCSimulator系统界面概览，用户可以在同一平台中配置仿真、观察网络演化并分析策略效果。
SCSimulator构建了一个基于大语言模型驱动的多智能体仿真环境，其中每个企业被建模为具备自主决策能力的智能体。首先，系统通过“计划—查询—请求—回复”四阶段交互流程，模拟企业在供应链网络中动态寻求合作、评估伙伴与响应请求的全过程。大语言模型不仅能够理解复杂的供应链语义，还可生成符合商业逻辑的决策理由，从而实现对多标准决策与博弈行为的自然融合。其次，在交互设计方面，课题组提出了创新的“浆果园”视觉隐喻，将供应链关系以果树与果实的形式进行动态可视化。上游供应商以暖色调树莓表示，下游客户则以冷色调黑莓呈现，果实的颜色与位置实时反映合作阶段及相互影响程度。这一设计显著降低了用户理解复杂供应链动态的认知负荷，并支持从全局宏观到局部细节的多层次探索。再次，为进一步提升决策透明度与可信度，SCSimulator 融合链式思维（CoT）与 SHAP 量化解释方法，不仅展示智能体的推理逻辑，还能从数据层面量化各项合作对绩效的具体影响。此种“定性推理 + 定量归因”的双重解释机制，有效缓解了大语言模型可能出现的幻觉问题，增强了系统的可解释性与可靠性。此外，系统同时支持用户在仿真过程中实时干预智能体行为、调整合作策略，并完整记录不同决策路径。用户可通过“模拟路径视图”回溯与对比不同策略下的供应链演化过程，从而实现“假设分析”与策略优化。
图4 以单一企业为中心的关系演化展示示例：上下游伙伴被类比为两侧的“莓果丛”，颜色与位置编码合作状态及影响，以帮助用户快速识别关键伙伴与潜在风险。
SCSimulator 已在纸包装行业真实数据集中完成验证，用户研究表明，该系统在降低主观偏差、提升决策可解释性、支持复杂动态分析等方面表现显著。未来，该系统有望广泛应用于制造业、物流、电子商务等依赖供应链协同的领域，成为企业数字化转型与智能决策的重要工具。
该研究成果由上海科技大学信息科学与技术学院李权课题组与上海科技大学创业与管理学院刘宝龙教授，浙江省北大信息技术高等研究院联合完成，并以“SCSimulator: An Exploratory Visual Analytics Framework for Partner Selection in Supply Chains through LLM-driven Multi-Agent Simulation”为题被ACM IUI 2026正式接收。信息科学与技术学院2021级本科生高胜寒 (gaoshh711.github.io)为论文第一作者，李权教授为通讯作者。
论文链接：
https://arxiv.org/abs/2601.14566
沪公网安备 31011502006855号
