从被患者赶出房间到98%接受率：一套设计系统之外的“人本系统”实战方法论。
Beyond design systems: designing for robots and seniors ft. Anna Oh (Norbert Health) | Config 2026 · Anna Oh
全片 19 分钟·真正值得盯屏约 11 分钟·3 个必看点
- 0:11 – 3:36略
为什么是老人、为什么是现在
用数据铺陈“在场危机”：2030年全球65岁以上人口将破10亿、首次超过10岁以下儿童，每班次1名护士要照顾40名患者。
最需要AI的人往往最难适应AI——这是全片所有设计决策的出发点。
画面主要是人口结构与老龄化速度的数据幻灯片（126s、156s 两处关键图），扫一眼数字即可，论述听音频足够。▶ 跳到 0:11讲者 · Anna Oh - 3:36 – 6:06略
Norbert 与第一次惨败
介绍把现成机器人变成临床机器人的4传感器边缘AI设备，随后讲述逐房巡视方案的彻底失败：患者害怕、把机器人赶出房间。
养老院房间是患者住了多年的“家”，未经建立关系的技术闯入必然被拒——形态与模型都打不开那扇门。
217s 处有硬件设备展示图值得一瞥，失败故事本身是口头叙述，快速过画面、认真听故事。▶ 跳到 3:36讲者 · Anna Oh - 6:17 – 9:40看
泰迪熊的胜利：信任三要素
6轮、40多位患者的面孔测试：泰迪熊脸每轮全胜，所有患者都选3D立体面孔；由此提炼出信任三要素——熟悉、清晰、温暖。
深度线索让低视力老人觉得“它听得见我”——清晰不是屏幕分辨率，是感知层面的可读性；可爱的本质是让人感到安全。
348s、378s、441s 密集分布面孔形态对比与测试结果画面，不看图无法体会各形态差异和泰迪熊为何胜出。▶ 跳到 6:17讲者 · Anna Oh - 9:44 – 13:29看
识别与感知：共享现实怎么建
关系四层模型的前两块：识别创造身份，感知创造共享现实。重点是真实高风险环境里人脸识别的混乱程度，以及运营者通过控制台充当Norbert眼睛的人在回路设计。
团队大部分时间不是花在模型上，而是花在构建持续教模型排除误检的专门工具上——真实环境与演示是两个世界。
703s 的误检实例画面（电视人脸、湿巾、椅子被认成患者）和 784s 的控制台画面是本段论点的核心证据，必须亲眼看。▶ 跳到 9:44讲者 · Anna Oh - 13:32 – 16:48看
表达与延续性：抵达98%
后两块：表达用微笑、挥手、表情镜像建立情感连接；延续性则教AI知道自己处在关系的哪个阶段——第1天自我介绍、第5天跳过介绍、同日第3次到访先致歉。最终98%患者接受了Norbert。
延续性是可以被具体设计的：当AI是主动发起交互的一方，它必须记得关系走到了哪一步。
813s 的眉毛/脸颊表情迭代与 878s 的实时表情镜像画面，是Disney式“我与你同在”小信号的直接演示，听描述远不如看效果。▶ 跳到 13:32讲者 · Anna Oh - 16:51 – 18:56听
收束：你的人本系统是什么
行业在为速度优化，但最需要AI的人需要更多时间去信任。核心主张：实体AI的正确抽象不是设计系统，而是人本系统——它不是软技能，是技术赖以存在的地基。
没有接受就没有数据、没有测量；人本系统的最终成果是一段人想主动延续的关系。
结尾是纯口头论述与升华，无关键画面，适合边做别的边听完。▶ 跳到 16:51讲者 · Anna Oh