上周末，我们一伙人凑凑又去参加了XdHacks SH，本来也没有什么准备，加之主办方现场也加了题目，再结合我们之前做的那些数字化项目，所以这次我们就想尝试一下跨界，看看能不能在时尚领域，有没有一些新的可能性。
人如果想要成为一个设计师，应该是需要接受系统设计学的学习，在掌握了设计能力之后，才可以进行设计。同样，如果让机器去做设计，那么也是需要教会机器如何去做设计，让机器理解设计元素和设计元素背后的语义，实际上是需要构建一个专家系统，在这个系统框架之下，遵循着一定规律和边界约束，比如颜色搭配、图片情感，或如实际执行中的物理约束。这种情况下的机器做出的设计是
可以被解释的，以及可以精确复现。
2016 年“双11”期间的 1.7 亿个 banner，都来自阿里的设计人工智能“鲁班”
相比使用人工智能，比如生成对抗网络，从一堆图片之中，生成一堆新的图片，可能是某种程度上看上去，可能与专家系统生成图片相似，但也有可能变得非常奇怪，
但是这都是不可被解释，也难以精确复现。
艺术小组Obvious Art的[ ()]]+ [( − (()))]，贝拉米家族的肖像系列之一，《爱德蒙·德·贝拉米肖像》（2018），图片：Courtesy Christie's Images Ltd
设计应该是一个创造前所未有的过程（虽然工程上很多是在查表，但是最终落地的形式还是有所不同）。如何让机器创造过程变得可控而又充满惊喜，我们觉得应该是通过一个精确的专家模型加上不可解释的AI算法，通过一定比例，尝试探索边界下的不确定性之美。
衍生式设计（generative desgin）是模仿自然演化的一种设计方式。设计师或者工程师将设计目标输入设计生成软件或者算法，通过对一些参数的约束，比如材料、制造方式、成本、重量等。通过计算机算法，探索所有可能的解决方案。
通过不停的迭代测试，从海量的衍生方案中挑选出最适合的设计。
这是我们上一次比赛做的关于手环的Generative design，尝试用计算机代替我们进行手环参数的探索，而我们就仅仅专注于挑选符合心意的造型即可。
所以如何描述好一个generative model，是我们技术的关键。
虽然说软件行业，电子商务，通过互联网的媒介，成功撼动了长尾，比如在阿里巴巴上面可以找到各种各样的隐秘店铺，因为网络汇集了之前的隐蔽的需求，使得能够突破让商家备货的阈值。
但是在现在制造业仍然是服务于看的见的大多数，
因为大量生产带来的规模效应，是最为经济的，一方面摊低了成本让大多数人得以负担，另一方面大多数人的购买又使得商家厂商可以得以获得更多的利润，所以因为经济性的问题，长尾需求一直以来被制造业给选择性忽视了。不过随着数字制造的发展，制造也开始变得柔性，让我们看到了撼动长尾曙光。
服装纺织业实际上已经有几千年的历史了，从最早的手工编织，到后面工坊生产，再到现在的大型的服装流水线，一件服装上需要要变动的参数，往往会比大多数的工业产品要多的多。所以服装制造一直以来都是劳动密集型的，需要大量的人参与，也正因为如此，人的参与也就使得服装生产变得柔性。同时现在的服装行业也开始大步迈向数字化，也就意味着数字化的设计可以快速转化成对应的图样和工艺卡，快速的被生产响应。
所以相比其他的数字制造，比如3D打印、CNC这种现在仍然处于快速原型生产阶段，距离直接产品还是有一定的距离，但是服装则是一个可以直接完成成品生产，是现在最易得、可行的柔性制造。
雅戈尔的智能工厂
不过现在智能定制服务，无外乎两种，一种是用户手调，实则是一堆选项集合，将原来一些细小的参数变动呈现给用户，让用户自己调参，通过一大量的选择过程，让用户忽略自己实际上是在调参，给用户带来一种自己在定制的感觉。
这一点没有问题，通过细微的参数变动，在允许的范围内去逼近用户真实的想要的，但是这对于用户来说，用户首先得非常明白，自己想要的是什么，然后有耐心去完成这一系列的选择。
云衣定制，关于西装定制的一个界面
一种是自动调好给用户看，比如通过三维扫描，直接获取用户的参数，或者通过上传一些信息，通过匹配算法，自动调参，这样用户不需要进行复杂的选择，所以这种方式所呈现的结果，相当于通过算法或者模板，去揣测用户具体的需求，这直接就会带来一个问题，就是这个算法是否真的能够满足用户的复杂多变刁钻以及难以直接表述的需求。
同时用户之所以会选择尝试定制，是因为用户并不满足于制式产品带来的标准体验或者服务，所以问题的关键就是在于如何创造非标的体验或者服务，并非一味追求刻意的迎合。
用户-收集信息-人工智能辅助设计-柔性制造-物流配送
首先，假设我是用户，第一次打开我们的潮牌INIT网站， 要定制一款独一无二的潮牌T恤，在注册之后，选择上传图片，根据我上传的图片，这张图片可以是我最喜欢的一幅画，我挑选的专辑封面，只要是张是我喜欢的图片。iINIT会自动分析这个图片，并给这个图片打上标签。
这张图片是我们在比赛期间出去买奶茶的时候，老包在合生汇拍的一张，老包很喜欢这个风格，上传照片之后对于INIT，它会自动分析，这张图片的设计情感的感情倾向是积极的还是消极的？感情强烈程度是微弱还是强烈？同时识别出图像是什么艺术风格（需要人工打标签，先人工后智能，后续可以使用DesignNet，它建立了创意元素和对应属性库，作为设计行业面向数据运算的基础数据集，帮助机器理解设计）
识别之后，这次我们使用Tensorflow-Slim和OlavHN / Fast-neural-style，基于深度学习的图像风格迁移(style transfer)去自动生成同样设计风格图片。
在赛场拍的团队照（左） 同样Scream艺术设计风格的图片（右）
有了这样图片还不够，这只是利用深度学习做了一张图片而已，还算不上潮牌，作为潮牌怎么能少了联名呢？有了喜欢的风格，下一步，我们用processing写了一个粗糙的生成器，结合这次Hackthon的品牌LOGO，根据用户的个性去自动化生成设计T恤。
导入以上的设计素材到generator，然后开始从上面的素材中提取对应的标签，对素材进行位置排布、风格的转化，开始尝试遍历所有的这些组合的所有可能性。
再根据生成的过程一步步约束迭代，每次迭代都是由对应的代码，根据这个代码，可以重新复现出结果，然后再挑选了最喜欢的一组衣服，下单，工厂柔性制造，物流配送到家。
目前只能做到，教机器理解设计风格&情感，设计归属于什么风格，传达了什么样的情感，目前无法做到教机器理解设计，去评价一个设计的好坏，也就是说我们Generative design出的衣服在美学方面，系统还无法去判断。同时我们的目前的设计元素和语义并没完备的描述，也只是一个初步的排列，如何从我们的价值主张出发，去构建这个generator，是我们接下来要做的。一个比较折中的方法是先构建一个由设计师主导的参数化系统，设计师先把图案和排版的大框架进行数字化构建，使得系统随机出来的图案或是组合不至于太离谱，也更容易形成风格化。还有一点非常关键的就是寻找提供制造接口的供应商，实现从设计到生产的无缝衔接。
设计，时尚，艺术……选择一件衣服，是一件很主观的事情
为了把这个数字化“潮牌”的项目推进下去，我们会在手袋上先做一个尝试，另一方面也是作为公众号成立一周年的一个小小的周边，届时回馈给长久以来支持我们的读者，如果你也对数字化艺术有想法，也可以后台给我们留言……
INIT YOURSELF
会是什么样的呢？
这需要大家一起来定义！
欢迎关注作者公众号取得联系
相关推荐
扫一扫
6113
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
