AI 驱动的创新/想法碰撞方法论框架

📍 位置：IDEA工作台设计 / evidence 📌 核心发现：9 个经典方法论 + 2 个补充框架均可被 AI 自动执行，关键在于将人类启发式步骤转化为结构化 prompt 管线 📥 输入：全网搜索（学术论文、方法论官网、实践案例） 📤 流向：→ IDEA工作台设计的管线架构设计

目录

1. TRIZ（发明问题解决理论）
2. SCAMPER（七步改造法）
3. Design Thinking — Ideation 阶段
4. First Principles Thinking（第一性原理）
5. Bisociation（双联想/跨域碰撞）
6. Forced Connection / Random Stimuli（强制关联法）
7. Jobs to Be Done (JTBD)
8. Lateral Thinking（水平思考）
9. AI + Creativity 学术研究
10. 补充框架：Morphological Analysis（形态分析 / Zwicky Box）
11. 补充框架：Six Thinking Hats（六顶思考帽）
12. 方法论对比矩阵
13. AI 管线集成建议

1. TRIZ（发明问题解决理论）

核心原理

TRIZ（俄文 Teoriya Resheniya Izobretatelskikh Zadatch）由苏联工程师 Genrich Altshuller 在分析 40,000+ 专利后提炼而成。其核心洞察：所有创新问题本质上都是”矛盾”的解决——改善一个参数时另一个参数恶化。TRIZ 将这些矛盾归纳为 39 个工程参数之间的冲突，并提供 40 个发明原理作为解决方案模板。

40 个发明原理（完整列表）

注：上表选取了对 idea 碰撞最适用的原理。完整 40 条中部分偏物理工程（如 #29 气体液压、#36 相变、#37 热膨胀、#38 强氧化剂），在软件/产品创新中适用度较低，但可作为隐喻性启发使用。

具体操作步骤

1. 问题定义：将模糊需求转化为清晰问题陈述
2. 矛盾识别：找出”想改善什么”和”会恶化什么”，映射到 39 个工程参数
3. 原理检索：查询矛盾矩阵（39×39），获取推荐的 3-4 个发明原理
4. 解法生成：基于推荐原理，结合领域知识生成具体解决方案
5. 评估筛选：对生成方案进行可行性和创新性评估

AI 自动执行方案

已有验证：AutoTRIZ 论文（2024, arXiv:2403.13002）

AutoTRIZ 实现了完整的四模块自动化管线：

• Module 1（LLM）：问题澄清——LLM 将用户输入重组为标准问题陈述
• Module 2（LLM）：矛盾检测——基于内置的 39 参数知识库，LLM 识别改善/恶化参数对
• Module 3（确定性函数）：原理检索——查询矛盾矩阵（非 LLM，避免幻觉）
• Module 4（LLM）：方案生成——综合问题、矛盾、原理生成结构化解决方案报告

关键发现：实测中 7/10 案例与教科书专家分析 top-3 匹配；即使检测到不同矛盾，也能从不同原理出发生成可行方案——说明同一问题存在多条有效创新路径。

实际效果：用此管线设计的电池热管理系统，分组效率提升 26%，体积能量密度提升 24%，热管理效率提升 64%。

Idea 管线集成方式：

输入(问题/需求) → LLM提取矛盾 → 查矛盾矩阵(规则引擎) → LLM基于原理生成N个idea

• 矛盾矩阵作为确定性知识库嵌入，不走 LLM
• 每次运行可让 LLM 识别多组矛盾，走多条路径并行生成 idea
• 将 40 原理的详细描述和子原理作为 few-shot 知识注入 prompt

适合什么类型的想法生成

• 存在明确技术矛盾的问题（提升 A 必然损害 B）
• 工程/产品设计类创新（功能优化、架构重构）
• 需要系统性穷举而非灵光一闪的场景

2. SCAMPER（七步改造法）

核心原理

SCAMPER 由 Bob Eberle 在 Alex Osborn 的创意检核表基础上发展而来。核心思想：所有新想法都是对已有事物的改造。通过 7 个固定维度的提问，系统性地对现有产品/服务/流程进行变形，强制产生新视角。

七个维度详解

具体操作步骤

1. 选定目标：确定要改造的产品/服务/流程/概念
2. 逐维度提问：对 7 个维度逐一提出具体问题（每个维度 3-5 个问题）
3. 强制回答：即使某个维度看似不相关，也必须生成至少一个答案
4. 交叉组合：将不同维度产生的想法进行交叉组合
5. 评估筛选：可行性、新颖性、价值三维评估

AI 自动执行方案

Prompt 模板化：SCAMPER 是最适合 AI 直接执行的方法论之一，因为 7 个维度天然构成结构化 prompt：

你是一个创新顾问。对以下目标应用 SCAMPER 方法论：
目标：{target_description}
上下文：{context_from_inputs}

请对每个维度生成 3 个具体的创新想法：

1. SUBSTITUTE（替代）：{target} 中的哪些元素可以被替换？用什么替换？
2. COMBINE（合并）：{target} 可以和什么合并产生新价值？
3. ADAPT（适应）：其他领域有什么可以借鉴到 {target} 的？
4. MODIFY（修改）：如果把 {target} 的某个特性放大 10 倍或缩小到极致？
5. PUT TO ANOTHER USE（另用）：{target} 能应用到哪些意想不到的场景？
6. ELIMINATE（消除）：{target} 中什么是可以去掉的？去掉后会怎样？
7. REVERSE（逆转）：如果把 {target} 的流程/角色/假设反过来？

增强策略：

• 为每个维度注入上下文种子（如相关 GitHub 项目、X 推文中的趋势），让 AI 的替代/合并不是凭空想象
• 7 个维度可以并行执行（7 个独立 prompt），最后汇总交叉组合
• 对每个维度的输出再做一轮**“为什么这个 idea 可能失败？“**的对抗性检验

适合什么类型的想法生成

• 改进型创新：已有一个基础产品/方案，需要拓展变体
• 功能探索：穷举某个产品的可能变形方向
• 快速发散：需要在短时间内产生大量初始 idea
• AI 特别优势：7 个维度 × N 个上下文 = 大量组合，AI 的并行能力远超人类

3. Design Thinking — Ideation 阶段

核心原理

Design Thinking 的 Ideation 阶段是从”定义问题”到”生成方案”的桥梁。其核心信念：问题的框定方式决定了解的质量。两个关键工具：

1. How Might We (HMW)：将问题重构为开放式的”我们如何可能…”句式，既不太宽泛（无从下手）也不太狭窄（限制创意）
2. Crazy 8s：8 分钟画 8 个方案草图，用时间压力逼出非显而易见的想法

How Might We — 具体操作步骤

1. 输入：用户洞察 / 痛点 / 需求（User needs X because Y）
2. 重构公式："How might we" + 动作动词 + "for" + 用户 + "so that" + 期望结果
3. 变体生成（5 种重构角度）：
   • Amp up the good：放大积极面（“HMW 利用 X 的能量来…”）
   • Remove the bad：去除消极面（“HMW 将 X 与 Y 分离…”）
   • Explore the opposite：探索反面（“HMW 让等待变成最令人兴奋的部分…”）
   • Question an assumption：质疑假设（“HMW 在没有 Z 的情况下…”）
   • Create an analogy：创建类比（“HMW 让机场像水疗中心一样…”）
4. 优选：投票选出最有启发性的 3-5 个 HMW 问题
5. Ideation：对每个 HMW 进行发散式 brainstorming

Crazy 8s — 具体操作步骤

1. 将纸折成 8 格（或数字画布分 8 区）
2. 设定 8 分钟计时器
3. 每分钟完成一个方案草图/描述
4. 不允许批评、不允许回头修改
5. 量大于质——逼出非显而易见的想法
6. 完成后分享、投票、选出值得深入的方案

AI 自动执行方案

HMW 自动重构引擎：

输入：{用户需求/痛点/洞察}

步骤 1：生成 POV 声明
"[用户类型] 需要 [需求] 因为 [洞察]"

步骤 2：对 POV 应用 5 种重构角度，每个角度生成 2-3 个 HMW 问题
- Amp up the good: "HMW..."
- Remove the bad: "HMW..."
- Explore the opposite: "HMW..."
- Question an assumption: "HMW..."
- Create an analogy: "HMW..."

步骤 3：对每个 HMW 问题生成 3 个快速方案概念（模拟 Crazy 8s 的量产模式）

Crazy 8s 的 AI 等价物：

• 设定 temperature=1.0 或更高，要求 LLM 在单次调用中生成 8 个截然不同的方案
• 约束条件：每个方案不超过 3 句话，必须与前面的方案有本质差异
• 可以设计”多样性惩罚”——如果新方案与已有方案的 embedding 余弦相似度 > 0.8，要求重新生成

适合什么类型的想法生成

• 以用户为中心的产品/服务创新
• 问题重构：不确定问题本身是否正确时
• 从需求到方案的桥接：已有用户洞察，需要转化为具体 idea
• HMW 特别适合作为管线的入口模块——将模糊输入重构为结构化的创新问题

4. First Principles Thinking（第一性原理）

核心原理

源于亚里士多德，被 Elon Musk 推广的思维方法。核心：不依赖类比（“别人怎么做”），而是将问题分解到不可再分的基本事实，从零开始重建解决方案。类比思维在已有框架内思考，第一性原理打破框架。

Musk 的表述：“Physics teaches you to reason from first principles rather than by analogy.”

具体操作步骤（三步法）

Step 1：识别并定义假设

• 列出当前问题中”大家都认为理所当然”的假设
• 问：“为什么？“（连续 5 次 Why）
• 直到触及不可再分解的基本事实

Step 2：分解到基本元素

• 去掉所有假设后，问题的最基本组成元素是什么？
• 经典案例——电池：组成材料（钴、镍、铝、碳）在伦敦金属交易所的价格约 $80/kWh，远低于成品电池价格
• 经典案例——火箭：原材料（铝、钛、铜、碳纤维）成本仅为成品火箭的极小比例

Step 3：从基本元素重新构建

• 不参考已有方案，用基本元素组合出新的解决路径
• 不受”行业惯例”约束

AI 自动执行方案

解构-重构管线：

输入：{一个产品/服务/流程/概念}

Phase 1 — 假设挖掘：
"列出 {输入} 中人们通常认为理所当然的 10 个假设。
对每个假设追问：这个假设真的是不可改变的事实吗？还是历史惯性？"

Phase 2 — 基本元素分解：
"去掉以上所有假设后，{输入} 的最基本组成元素是什么？
列出 5-8 个不可再分的基本事实/组件/需求。"

Phase 3 — 从零重建：
"仅基于以上基本元素，不参考任何现有方案，设计 3 种全新的解决方案。
每个方案必须至少违反一个传统假设。"

增强策略：

• Phase 1 可以注入行业报告/竞品数据，帮助 AI 识别哪些是”假设”而非”事实”
• Phase 3 可以与 SCAMPER 的 E（消除）和 R（逆转）联动
• 输出方案附带**“此方案违反了哪个传统假设”**的标注，方便评估创新程度

适合什么类型的想法生成

• 颠覆式创新：需要打破行业常规
• 成本重构：当前方案成本不合理时
• 范式转换：从 0 到 1 的新产品设计
• 反直觉方案：所有显而易见的路都走过了

5. Bisociation（双联想/跨域碰撞）

核心原理

由 Arthur Koestler 在《创造的行为》(The Act of Creation, 1964) 中提出。核心概念：创造力的本质是在两个”自洽但习惯上不兼容”的思维框架（matrices）的交汇处产生新想法。

• 联想（Association）：在同一个已有思维框架内的思考（常规思维）
• 双联想（Bisociation）：同时激活两个独立的思维框架，让一个事件”同时在两个不同波长上振动”

关键洞察：真正的原创性需要”组合成分此前的独立性”——如电学和磁学原本是独立领域，合并后产生了电磁学。

三种表现形式

1. 幽默：双关语是最简单的双联想——“一个语音形式同时关联两个含义，两条思维线被一个语音结打在一起”
2. 科学发现：两个独立领域的框架碰撞产生新理论（“向统一普遍规律的逐步汇流”）
3. 艺术创作：两个框架的并置（而非融合）产生审美体验

具体操作步骤

1. 识别 Matrix M1：当前问题所在的领域/框架（如”教育”）
2. 随机选取 Matrix M2：一个与 M1 完全无关的领域/框架（如”电子游戏”）
3. 列出各自核心概念：M1 的关键词列表 + M2 的关键词列表
4. 强制碰撞：逐一尝试 M1×M2 的概念交叉，寻找有意义的连接
5. 发展碰撞点：对每个有意义的连接，追问”如果这个类比成立，意味着什么？“

AI 自动执行方案

双矩阵碰撞引擎——这是 AI 最擅长的方法论之一：

输入：
- Domain A: {当前问题/领域的关键概念列表}
- Domain B: {随机选取或用户指定的远距离领域}（也可以从输入源中提取）

步骤 1：概念提取
"从 Domain A 提取 8 个核心概念/原理/模式"
"从 Domain B 提取 8 个核心概念/原理/模式"

步骤 2：碰撞矩阵（8×8 = 64 个交叉点）
"对以下每个概念对，尝试建立有意义的连接：
- A1 × B1: ...
- A1 × B2: ...
..."

步骤 3：筛选与发展
"选出最有潜力的 5 个碰撞点，每个展开为具体的创新方案"

增强策略：

• Domain B 可以从用户的多源输入中自动提取（GitHub 项目 → 技术领域，X 推文 → 社会趋势）
• 可以设计多轮碰撞：第一轮 A×B → 产生 C，第二轮 C×D → 产生更高阶创新
• 用 embedding 空间中的余弦距离来量化两个领域的”远度”——越远的碰撞越可能产生突破性想法
• 已有学术验证：2024 年论文 “LLMs can Realize Combinatorial Creativity”（arXiv:2412.14141）实现了基于 L1-L4 四层抽象的跨域检索系统，在 87 篇论文测试中，AI 生成的 idea 与实际发表的研究高度吻合

适合什么类型的想法生成

• 跨领域创新：将 A 领域的解决方案迁移到 B 领域
• 突破性创新：需要打破现有思维框架
• 概念融合：将两个看似不相关的概念合成新概念
• AI 特别优势：LLM 训练数据覆盖几乎所有领域，天然具备跨域碰撞能力

6. Forced Connection / Random Stimuli（强制关联法）

核心原理

Edward de Bono 的 Random Entry 技术的延伸。核心思想：引入一个与问题完全无关的随机刺激物（词语、图像、物体），强制建立连接，打破思维定势。当大脑被迫在毫无关联的事物之间寻找联系时，往往能发现非显而易见的创新路径。

与 Bisociation 的区别：Bisociation 强调两个领域的碰撞；Forced Connection 更强调用随机元素打破单一思维定势，是 Bisociation 的一种简化操作手法。

具体操作步骤

1. 定义问题：清晰描述要解决的挑战（如”如何提升员工参与度？”）
2. 引入随机刺激：随机选取一个词/图片/物体（如”蜂巢”）
3. 列出属性：列出随机刺激物的所有属性和特征（蜂巢：六角形、高效空间利用、分工明确、蜂王机制、蜂蜜储存…）
4. 强制连接：将每个属性与原问题建立关联（六角形空间 → 办公空间重新设计？分工明确 → 角色轮换制？）
5. 发展想法：选出有潜力的连接，展开为具体方案
6. 评估：可行性筛选

AI 自动执行方案

输入：{问题描述}

步骤 1 — 随机种子生成：
从以下来源中随机提取一个概念作为刺激物：
- 用户最近浏览的 GitHub 项目的某个功能
- 最近的 X 推文中的某个观点
- 自然界的某个现象
- 历史事件
- 一个完全随机的名词

步骤 2 — 属性展开：
"列出 {随机概念} 的 10 个核心属性/特征/运作方式"

步骤 3 — 强制连接：
"将每个属性与 {问题} 建立连接。即使连接看起来荒谬，也必须尝试。"

步骤 4 — 可行性筛选：
"从以上 10 个连接中，选出 3 个最有潜力的，展开为具体方案"

增强策略：

• 随机种子从用户的多源输入中提取，而非完全随机，兼顾随机性和相关性
• 多次运行，每次不同的随机种子，产生大量初始 idea
• 可与 SCAMPER 的 A（Adapt）维度联动——“如果把 X 的属性适应到 Y 上？”
• 关键参数：随机刺激物与问题的”语义距离”可调——太近则缺乏突破性，太远则难以建立有意义的连接

适合什么类型的想法生成

• 打破思维定势：团队/AI 陷入同质化输出时
• 初始灵感触发：调研早期需要大量粗糙 idea
• 创意枯竭时的强制重启
• AI 特别优势：AI 可以从极其广泛的知识库中抽取随机种子，且不会有人类的”这太荒谬了”的自我审查

7. Jobs to Be Done (JTBD)

核心原理

由 Clayton Christensen 推广、Tony Ulwick（Outcome-Driven Innovation）系统化。核心洞察：用户不是在”购买产品”，而是”雇佣产品来完成一项任务”。将分析单元从”产品”转移到”用户试图完成的任务（Job）“上，包含功能、情感、社会三个维度。

经典案例：人们买钻头不是因为想要钻头，而是想要墙上的洞——更深层地说，他们想要挂一幅画来让家更温馨（情感 Job）。

九大核心信条

1. 人们购买产品是为了完成一项”任务”
2. 任务是功能性的，附带情感和社会组件
3. 任务是解决方案无关的（solution-agnostic）
4. 成功来自将”任务”（而非产品或客户）作为分析单元
5. 任务是稳定的——随时间变化的是解决方案，不是任务
6. 用户用可量化的指标来衡量任务完成的好坏
7. 人们需要多种解决方案来完成整个任务
8. 机会在于任务的”未被满足的需求”
9. 创新变得可预测——找到未满足的需求，设计更好的解决方案

具体操作步骤

八步任务地图（Job Map）：

1. Define（定义）：确定用户试图完成什么任务
2. Locate（定位）：找到完成任务所需的输入
3. Prepare（准备）：为执行任务做准备
4. Confirm（确认）：确认准备就绪
5. Execute（执行）：执行核心任务
6. Monitor（监控）：监控执行过程
7. Modify（调整）：根据反馈调整
8. Conclude（结束）：完成任务并收尾

对每个步骤，识别用户的期望结果指标（Desired Outcomes），找出未满足/过度满足的指标 → 创新机会。

AI 自动执行方案

输入：{一个产品领域/用户群体/使用场景}

Phase 1 — Job 发现：
"分析 {输入}，列出用户试图完成的 5 个核心 Jobs。
每个 Job 用格式表述：'当 [情境] 时，用户想要 [动词+对象]，以便 [期望结果]'
区分功能性 Job、情感 Job 和社会性 Job。"

Phase 2 — Job Map 展开：
"对每个核心 Job，展开八步任务地图。
标记每个步骤中的痛点和未满足需求。"

Phase 3 — 机会识别：
"基于未满足需求，生成 3-5 个产品/功能创新方案。
每个方案说明：解决哪个 Job 的哪个步骤中的什么未满足需求。"

增强策略：

• Phase 1 的 Job 发现可以注入用户反馈数据（Reddit 帖子、X 推文中的抱怨、GitHub Issue）
• 将 JTBD 与 First Principles 联动：对每个 Job 追问”这个 Job 的第一性原理是什么？”
• 输出格式化为机会评分矩阵：重要度 × 满意度，高重要低满意 = 高机会区

适合什么类型的想法生成

• 以用户为中心的产品创新
• 需求发现：不知道做什么时，先找用户的 Job
• 市场机会识别：从 Job 的未满足需求推导产品方向
• 与 HMW 的协同：Job 发现 → HMW 重构 → Idea 生成

8. Lateral Thinking（水平思考）

核心原理

由 Edward de Bono 发展。核心：大脑是自组织模式识别系统，一旦形成思维模式就很难改变。Lateral Thinking 提供系统性工具来主动打破模式，产生”非线性”的创新。

与 Vertical Thinking（逻辑推理，步步推导）和 Horizontal Imagination（天马行空但不落地）都不同——Lateral Thinking 追求有纪律的创造力。

四类思考工具

1. Idea Generation Tools（生成工具）——打破当前思维模式

   • Random Entry：引入无关输入打开新思路（参见 Forced Connection）
   • Provocation（PO）：故意提出荒谬的陈述（“PO: 汽车应该有方形轮子”），然后从荒谬中寻找有价值的元素
   • Challenge：质疑”这一直是这样做的”——不是因为现行方式有问题，而是假设可能有更好的方式

2. Focus Tools（聚焦工具）——扩展搜索范围

   • 不只关注明显的问题，主动寻找不明显的创新入口

3. Harvest Tools（收获工具）——从创意中提取价值

   • 从大量粗糙 idea 中系统地提取有价值的元素

4. Treatment Tools（处理工具）——考虑现实约束

   • 将创意与现实资源、限制对接

具体操作步骤（Provocation 技术）

1. 提出挑衅陈述：用 “PO:” 前缀提出一个故意荒谬的命题
2. 不评判：明确标记为”挑衅”而非建议
3. Movement（运动）：从挑衅出发，探索它能引导到什么方向
   • 提取原理：这个荒谬命题中有什么底层原理是有道理的？
   • 聚焦差异：与现实的差异指向什么？
   • 瞬间评估：暂时假设这是真的，会带来什么好处？
4. 落地：将从荒谬中提取的元素转化为可行的创新方案

AI 自动执行方案

Provocation（PO）引擎：

输入：{当前方案/现状描述}

步骤 1 — 生成挑衅：
"对 {现状} 生成 5 个'PO:'挑衅陈述。要求：
- 每个必须违反常识或现有假设
- 越荒谬越好
- 标记它违反了什么假设"

步骤 2 — Movement（从荒谬中挖掘价值）：
"对每个挑衅陈述：
a) 如果这个荒谬的陈述是真的，有什么好处？
b) 这个陈述中隐藏了什么有价值的原理？
c) 它指向了现实中的什么被忽视的可能性？"

步骤 3 — 落地转化：
"将以上挖掘出的价值点转化为 3 个可行的创新方案"

Challenge（质疑）引擎：

输入：{某个流程/产品/做法}

"列出 {输入} 中'一直是这样做的'但从未被质疑的 10 个做法。
对每个做法追问：
- 为什么要这样做？（追溯历史原因）
- 历史原因是否仍然成立？
- 如果完全不做这一步/换一种方式做，会怎样？"

适合什么类型的想法生成

• 打破思维定势：尤其是长期形成的行业惯例
• 从荒谬中发现创新：Provocation 技术特别擅长
• AI 特别优势：AI 没有”社会面子”压力，可以毫无顾忌地提出荒谬命题；人类往往因为怕被嘲笑而自我审查

9. AI + Creativity 学术研究

关键论文与发现

9.1 LLM 用于创意生成（Wharton, 2024）

论文：Meincke, Girotra, Nave, Terwiesch, Ulrich — “Using Large Language Models for Idea Generation in Innovation”（SSRN）

核心发现：

• AI 生成的 idea 在平均购买意愿上优于人类生成的 idea
• Few-shot prompting 略优于 zero-shot
• 但 AI idea 被评为新颖性较低，且相互之间更相似（pairwise similarity 高）
• 启示：AI 擅长平均质量，但缺乏极端创新——需要方法论引导来提升多样性

9.2 AI 增强个体创造力但降低集体多样性（Science Advances, 2024）

论文：Doshi & Hauser — “Generative AI Enhances Individual Creativity but Reduces the Collective Diversity of Novel Content”

核心发现：

• 使用 AI 辅助的故事被评为更有创意、写得更好、更有趣
• 特别对创造力较低的个体帮助最大
• 但 AI 辅助的故事之间更加相似——集体层面的多样性下降
• 关键警告：如果 idea 管线完全依赖 AI 而不加干预，会产生”创新同质化”风险
• 启示：需要在管线中设计多样性机制（如 Forced Connection 的随机种子、Bisociation 的远域碰撞）

9.3 LLM 实现组合创造力（arXiv:2412.14141, 2024）

论文：“LLMs can Realize Combinatorial Creativity: Generating Creative Ideas via LLMs for Scientific Research”

核心框架：

• 半结构化 Ideation Format：将创新存储为 L1-L4 四层抽象（从具体领域实现到普遍原理）
• 跨域检索：对问题提取多层结构，用 embedding 在不同抽象层级上匹配已有创新
• 组合生成：
  1. 并行在各抽象层分析已有创新（成分分析、跨域潜力、构件评估）
  2. 集成 Agent 综合所有层级产出，生成最终 idea
• 结果：在 87 篇 OAG-Bench 论文测试中，生成 idea 与实际发表论文的设计原理相似度 0.85（vs 基线 0.78），关键机制相似度 0.87（vs 0.77）

对管线设计的启示：

• 多层抽象是关键——不仅在具体概念层碰撞，更要在原理层碰撞
• 需要一个创新知识库来存储已有 idea/方案/原理，供检索碰撞

9.4 AutoTRIZ（arXiv:2403.13002, 2024）

已在 TRIZ 章节详述。核心验证：LLM 可以有效自动化 TRIZ 的完整推理流程。

9.5 人类-AI 混合创意过程（ScienceDirect, 2025）

论文：“Human Agents, Generative AI, and Innovation: A Formal Model of Hybrid Creative Process”

核心观点：

• AI 应被视为协作工具而非独立创造者
• 最有效的模式：AI 的快速生成多样且语义丰富的 idea + 人类的批判性评估、选择、精炼
• 启示：管线设计应保留人类的判断节点（筛选和精炼），而非完全自动化

9.6 GPS 框架（2025）

论文：“A Framework for Collaborating a Large Language Model Tool in Brainstorming for Triggering Creative Thoughts”

框架：Goals, Prompts, Strategies (GPS)

• 引导设计师系统性地与 LLM 协作进行 brainstorming
• 通过结构化的目标设定 + prompt 设计 + 策略选择，显著提升 AI 辅助创意的质量
• 启示：管线中的每个方法论模块都需要精心设计的 prompt 策略，而非简单地”让 AI 用 SCAMPER”

综合启示

10. 补充框架：Morphological Analysis（形态分析 / Zwicky Box）

核心原理

由天体物理学家 Fritz Zwicky 在 1940 年代开发。核心思想：将复杂问题分解为独立参数维度，列出每个维度的可能取值，然后系统性地组合所有可能。Zwicky 的野心是让”发明变得可例行化”。

两大原理：分解（Decomposition）+ 强制组合（Forced Association）

具体操作步骤

1. 分解：将问题分解为 4-7 个独立的参数维度（如：产品形态、目标用户、核心技术、交付渠道、商业模式）
2. 枚举：对每个维度列出 4-8 个可能的取值
3. 矩阵构建：形成 N 维矩阵（解空间）
4. 系统组合：从每个维度各取一个值，组合成一个完整方案
5. 筛选：评估组合的可行性和创新性

AI 自动执行方案

这是最适合 AI 自动化的方法论——本质上是组合搜索：

输入：{问题/产品领域}

步骤 1 — 维度分解：
"将 {问题} 分解为 5-6 个独立的参数维度"

步骤 2 — 枚举：
"对每个维度列出 6-8 个可能的取值（包括常规和非常规的）"

步骤 3 — 组合生成：
"从解空间中生成 20 个有趣的组合方案。
优先选择包含至少 2 个非常规取值的组合。"

步骤 4 — 评估：
"对每个组合评估：可行性(1-5)、新颖性(1-5)、价值(1-5)"

增强策略：

• 维度和取值可以从多源输入中提取（GitHub 项目 → 技术维度取值，X 推文 → 趋势维度取值）
• 组合数通常很大（6^5 = 7,776），AI 可以智能采样而非穷举
• 可以设定约束条件排除不可行组合
• 与 TRIZ 联动：矛盾矩阵可以帮助识别哪些维度取值之间存在冲突

适合什么类型的想法生成

• 系统性创新：需要穷举解空间
• 产品组合设计：多个独立参数的排列组合
• 方案对比：生成大量候选方案后比较
• AI 特别优势：计算组合空间是 AI 的天然强项

11. 补充框架：Six Thinking Hats（六顶思考帽）

核心原理

Edward de Bono 的另一个经典框架。核心：将思考过程分解为 6 种独立模式（帽子），每次只戴一顶帽子思考，避免多种思维模式同时竞争导致混乱。

六顶帽子

AI 自动执行方案

多角色评估管线：

输入：{一个初始 idea}

对以下每个角色生成独立分析（可并行）：

白帽分析："关于 {idea}，我们已知的事实是什么？缺少什么数据？"
红帽分析："纯从直觉和情感角度，{idea} 给人什么感觉？"
黄帽分析："列出 {idea} 的所有积极价值和潜在好处"
黑帽分析："列出 {idea} 的所有风险、弱点和可能的失败模式"
绿帽分析："基于以上分析，生成 3 个 {idea} 的改进版本或替代方案"
蓝帽总结："综合以上所有视角，给出对 {idea} 的整体评估和建议方向"

在 Idea 管线中的定位：Six Hats 更适合评估和精炼环节（位于发散之后），而非发散生成环节。

适合什么类型的想法生成

• Idea 评估与精炼：对初始 idea 进行多角度审视
• 风险识别：在 idea 早期发现潜在问题
• 不适合：纯粹的 idea 发散生成（那是绿帽单独的工作）

12. 方法论对比矩阵

13. AI 管线集成建议

推荐管线架构（分层）

Layer 0: 输入层
├── 用户随想 → 自然语言处理
├── GitHub 项目 → 技术概念提取
├── X 推文 → 趋势/观点提取
└── 本地调研结论 → 结构化知识

Layer 1: 问题定义层（选用 1-2 个）
├── JTBD → 发现未满足的 Job
├── HMW → 将需求重构为创新问题
└── First Principles → 分解到基本要素

Layer 2: 发散层——核心 Idea 生成引擎（并行运行多个）
├── Bisociation 碰撞引擎 → 跨域概念融合
├── SCAMPER 改造引擎 → 7 维度变形
├── Forced Connection 随机引擎 → 随机种子碰撞
├── Morphological Analysis → 参数组合搜索
├── Lateral Thinking PO 引擎 → 荒谬→价值提取
└── TRIZ 矛盾引擎 → 矛盾识别→原理匹配→解法

Layer 3: 收敛层——评估与精炼
├── Six Thinking Hats → 多角度评估
├── 去重与聚类 → embedding 空间去相似
├── 可行性打分 → 技术/市场/资源三维
└── 多样性保障 → 确保输出不同质化

Layer 4: 输出层
├── 排序后的 Idea 卡片
├── 每个 idea 的来源溯源（哪个方法论 + 哪些输入碰撞产生）
└── 建议的下一步验证路径

关键设计原则

1. 方法论并行而非串行：多个方法论同时运行在同一输入上，产生多样化的 idea
2. 多样性机制必须内置：学术研究反复证明 AI 的同质化倾向，需要 Forced Connection 的随机种子、Bisociation 的远域碰撞来对抗
3. 来源溯源：每个 idea 标注”由哪个方法论 + 哪些输入碰撞产生”，便于理解和迭代
4. 人工节点保留：至少在 Layer 3 到 Layer 4 之间保留人工判断——AI 善于生成，人类善于评估
5. 方法论选择可配置：不是每次都用全部方法论——根据输入特征自动选择最适合的 2-3 个

各方法论的最佳 prompt 策略

参考来源

方法论原始文献

• Altshuller, G. — TRIZ 40 发明原理
• Eberle, B. — SCAMPER
• Koestler, A. — The Act of Creation (1964), Bisociation 理论
• de Bono, E. — Lateral Thinking (1970), Six Thinking Hats (1985)
• Christensen, C. & Ulwick, T. — Jobs to Be Done / Outcome-Driven Innovation
• Zwicky, F. — Morphological Analysis (1940s)

AI+创造力学术论文

• AutoTRIZ (arXiv:2403.13002, 2024) — LLM 自动化 TRIZ 推理
• “LLMs can Realize Combinatorial Creativity” (arXiv:2412.14141, 2024) — 跨域组合创造力框架
• Doshi & Hauser, “Generative AI Enhances Individual Creativity but Reduces Collective Diversity” (Science Advances, 2024)
• Meincke et al., “Using LLMs for Idea Generation in Innovation” (Wharton/SSRN, 2024)
• “Human Agents, Generative AI, and Innovation” (ScienceDirect, 2025)
• GPS Framework: “A Framework for Collaborating a LLM Tool in Brainstorming” (2025)

在线资源

• TRIZ 40 Principles
• SCAMPER Guide — IxDF
• How Might We — NN/g
• First Principles — James Clear
• First Principles — Farnam Street
• Bisociation — The Marginalian
• Bisociation — Grand O Mastery
• Forced Connections — Deliberate Innovation
• JTBD — Strategyn
• Lateral Thinking — De Bono Group
• Zwicky Box — Ness Labs
• Six Thinking Hats — De Bono Group