范凌：设计与人工智能行业报告与商业实践（上）

范凌：设计与人工智能行业报告与商业实践（上）


分享一篇精彩而又急需设计从业人员知道的文章。
本文来自阿里UED，公众号AlibabaGroupUED


在不久前的UCAN大会上，范凌发布《“人工智能”与“设计的未来”——2017设计与人工智能报告》 。报告由同济x特赞设计与人工智能实验室撰写，联合同济大学设计创意学院、特赞信息科技和阿里巴巴人工智能设计实验室共同发布。该《设计与人工智能报告》通过对学术文献、技术资料和产业案例的定性和定量分析，专家采访、趋势预测、劳动力再分配观察和教育改革等方面第一次对设计与人工智能的交叉学科问题进行建构，希望帮助更多设计师为人工智能时代做准备。 
 
首先，他提出几个问题：
第一，设计本身能不能可量化，能不能算法化，能不能数据化。
第二，我们希望知道人工智能到底对设计意味着什么。除了取代之外，是不是还可能产生一种共生的关联。
第三，我们希望去分析一下。既然很多商业已经发生了数据算法带来的重大改变，那么是不是在这个改变当中设计能够扮演更积极的角色，或者已经扮演了一些角色。
第四，更人文性的问题，如果机器能做设计了，知识产权的归属如何确定，相应的设计师或者设计行业作为一种文化，能够在数据垄断里扮演什么角色。
 
一、工业设计4.0与设计

人工智能如何在这样的人文语境里去理解，并且如何启发创意性的工作。
他分享了四个观点：
需求侧的极度细分
在线/连接/交互
超细分个体的涌现
人/机交互的新组织
 
围绕着这四个观点，他讲述了我们正处在个性经济下， 5-10年的巨大数据积累可以做到千人千面，万人万面，亿人亿面。而通过数据的极大化，能够产生每个人重新回归到个体。它引起了人工智能所带来的一系列思想方式，带来了消费或者需求侧极大的变化，产生极小的数量，极大品类的转变。纵观20年的科技进化史，科技不断把与人更接近的部分变道线上去，未来思想和感情能不能联网，能不能在线交互，而设计能力现在也是一种个人能力，能不能成为一种可以被连接在一起的能力。在这个时代，人人都可以被找到的时代，你的短板不再成为局限你发展的弱势，反而是你的长板，超细分不可被取代的技能成为你在这个社会上主要的竞争力。在这个点上，可以认为所谓“平均”就是人工智能能达到的水平，而每个人所赋于平均的附加值，这是每个人的超细分技能。去年几个麦肯锡报告里非常强调新组织形式的出现，这种组织形式是把原来简单组织方式的工作，变为更灵活的去匹配资源。这种匹配资源一方面是对接实体之外按需的个体，每一个超细分能力的人。


二、为什么设计需要智能


对于第二个问题，他分别从宏观和微观的角度来分析。


宏观的角度：
设计与运算的历史
技能的民主和数据的垄断共存
技术与设计工作，更多还是更少了


他讲述了设计与运算之间的关联已经有了很长的历史，并没有像想象的那样新。


在宏观的第二个角度，有两样与世界发展趋势共通的东西：一样是“技术的民主化”，或者“技能的民主化”。在“技术的民主化”中，我们以另一个创造性的工作——摄影为例。从过于写实的绘画到拥有暗房工具，到很大很笨重的光学相机，到傻瓜相机，再到照片数据化、到数码相机，最后现在每个人手上都有了摄像头和App。另一样是“数据的垄断”。在用户指数级增长的过程当中，有一些机构、设备、终端，以及平台会开始积累大量的数据。而我们又会进行反思我们总在想，技术的发展是否必然会取代一些人的工作？这一点我们没有办法避免。但是 30 年前的例子告诉我们，一方面 photoshop 作为一种工具确实取代了排版工人，但在美国却给设计行业的薪资带来了 3 倍的涨幅。所以在这个过程当中，正如《经济学人》杂志一直秉承的观点：技术摧毁更多旧的工作，但更会创造新的工作。这一点上，我们还是要乐观一点。
 
从微观来讲，存在三个难点：创造、确定性／不确定性、形式／内容。
第一个难点，设计是一个创造性的工作，你试图在设计中创造艺术，但你能不能创造艺术，实际上就得听天由命。第二个难点，确定性和不确定性。我一直认为设计的魅力是在于“不确定性”。正是因为“不确定性”，设计师有自己作为人的价值。
第三个难点，形式和内容


微观的角度：
如何让“机器”理解“创造”？
如何让“机器”分析“不确定”
如何让“机器”处理“形式和”内容“？
如何让“机器”“设计”？
 
他分享说在文献调查研究中发现，很少有文献是关于“机器怎么做设计”的，而有很多是关于“机器怎么样做创造性的工作”。在设计的领域里，有个作家写了一篇文章，这篇文章发表在人工智能引用次数最高的文献里。他认为，设计有三种方式来做创造性的工作，第一种是组合，第二种是探索，第三种是转换。所谓组合，就是指在两个已知之间建立关联；所谓探索，就是在已知空间里寻找某个答案；所谓转换，就是在已知里寻找未知。这三种方式都是基于设计师的工作方法，以设计师的工作规则去寻找创造的可能性，从而发现机器做创造的可能性。


在分析“不确定”时，可以变成确定性的问题：什么是和好设计最接近的设计？我们可以把这个过程总结为设计、数据、建模、运算、评估，评估之后再反过来进行运算。如此一来，我们就能把“不确定性”的设计，转化成了“确定性”的数据。对于如何让设计处理“形式和内容”的问题，可以拆分成“形式”和“内容”两个因素。所谓形式，就是用什么样的形式感讲故事；所谓内容，就是这个故事背后意味着什么，讲的是什么。比如说有这么多人和山，有这么多绿色的植被，也许它代表的就是一种农村生活。形式感则是说有远景、中景、近景，有上有下有平衡，也许还原出一种艺术的价值，这两者之间又能够进行相应函数的评分。归根到底，形成的内容不是创造性，而是用统计的方法获得某种关联度。


对于如何让设计处理“形式和内容”的问题，可以拆分成“形式”和“内容”两个因素。所谓形式，就是用什么样的形式感讲故事；所谓内容，就是这个故事背后意味着什么，讲的是什么。形成的内容不是创造性，而是用统计的方法获得某种关联度。


下一个问题：让机器做设计的转折点在哪里？这个转折点在过去，很多都是关于“如何用机器重建规则”的研究——先分析设计师的脑子是怎么想的，再把这个规则用编程的方式写出来。我们把基于规则的东西逐渐转化成基于数据和统计的东西，而过程就很有意思。通过设计产生数据，将人的设计，转化为设计的数据。这个数据变为某种模型，这个模型可以进行运算，运算之后再评估，评估打分之后，再进行运算的迭代——我觉得只有这种模式，才能真正产生会设计的机器。


那么做这件事的意义是什么？意义就在于，消费端的技术在过去五年十年已经发生了极度的丰富，我们已经知道千人千面，已经知道每个人的用户信息。所以我们给他们推送合适的咨询、服务和产品，只有精准才是商业的未来。


未完待续，来自公众号 AlibabaGroupUED