设计师的就业机会

作者|迟志伟

编辑|赵南

标题|酷罗海站

阿里的人工智能设计师“鲁班”在2016年双十一期间设计了1.7亿个量级的素材。这种产量需要100个设计师不吃不喝干300年。海量数据所取得的惊人成绩背后，带给了我们很多思考。

机器学习在设计领域的应用前景如何？效率和美观如何同时在线？设计师和艺术家会被AI取代吗？10月25日，DT君邀请智能产品架构师/全栈工程师/跨界设计师、MIXLAB无界社区创始人迟志伟做客数据人实验室。他会为我们一一解答以上问题。这篇文章是他演讲的记录。

大家好，我是一个有十年工作经验的技术宅和设计师。毕业后长期从事设计工作。同时我也是一名程序员，每天不断的从设计师变成程序员。今天我就结合这两个工作身份来谈谈设计师和艺术家会不会被AI取代。

在开始之前，我们先来猜猜下面哪张图片是人工智能创作的？我会在文末为你揭晓答案。

关于“设计师和艺术家会被AI取代吗”这个问题，我采访了很多业内人士。做技术的人认为AI做不了一些创造性的工作；但是懂技术的设计师或者艺术家认为AI有创造艺术和设计的潜力。

▍关于机器是否有创造性的两点思考

一直以来，我们都认为设计师和艺术家是机器无法取代的，因为他们有想象力和理解力。

从想象力的角度来说，首先机器不具备真正的创造力，因为机器没有想象力。创造力，其实是人类独有的。美国生物学家爱德华·威尔逊在《创造的起源》中提出，创造源于人的冲动。人的思维是发散的，无法用数学公式来描述。人类设计师在从事设计工作时，会偏离正确的轨道。正因为有这种冲动，才有可能创造。

但机器不会出错，它只会处理“1+1 = 2”的问题，并有一个明确的结果。即使我们在AI的系统中引入一些概率，假设程序正常运行，那么机器也不会偏离正确的轨道太多。

所以从冲动的角度来说，机器并不具备真正的创造力。

从理解的角度，我们认为机器没有理解，但是理解是可以假装的。

约翰·塞尔提出了一个著名的思想实验中文室。整个实验的场景如下:

“一个母语为英语，对中文一无所知的人，被关在一个只有两个开口的封闭房间里。房间里有一本用英文写的手册，正式解释了汉字句法和语法组合的规则，还有大量的中文符号。房间外的中国人不断把用中文写的问题推进房间；房间里的外国人按照手册上的说明把中国符号组合成答案，把答案传到房间外面。”

在这个实验中，约翰·塞尔认为，虽然房间里的外国人可以以假乱真，让房间外的中国人以为他是以中文为母语的人，但事实是他根本不懂中文。把这个场景放到机器操作中，你就可以理解为，程序员相当于实验中房间外的中国人，计算机相当于房间内的外国人，代码相当于手册。就像房间里的外国人没有理解中文的能力，必须通过手册才能理解中文；同样，计算机也不可能通过代码获得理解。但就像房间外面的中国人会误以为里面的外国人懂中文一样，我们其实也可以认为计算机有理解的能力，因为它会读码。

基于这个实验，我们认为理解是可以伪造的。

所以，机器学会“创造”的前提是让它们理解我们的艺术，既然理解的能力是可以伪造的，那么当我们回到创造力这个方面的时候，就会发现并不一定要让机器拥有哲学意义上的创造力，假装拥有创造力就可以了。

如果把创意的定义稍微放宽一点，定义为创新，从技术角度来说，只要把数据做好，这种创新的创造完全可以做到。

基于前面两个观点，以及我们对创造力的重新定义，我们认为机器创作和机器的艺术行为是可行的。

▍创造机器的具体方法

基于艺术规则

在日常艺术创作中，总有一些艺术规律可循。结合Adobe最近发布的人工智能工具Sensei的案例，这个工具具有图像质量评测的能力。它给出了评价画质的十个纬度，其实就是一些所谓的艺术法则。通过用机器语言表达这些艺术规律，机器就有了理解艺术作品的能力。

除了评估图像质量，这个AI工具还具有切割图像主体、自动提取色样、给图像加标签等功能。

基于数据

通过数据可以挖掘出直接得不到的潜在规律，从而解读一些艺术或设计作品。艺术领域涉及最多的媒介是图像。通过对图像的分析，我们可以得到一些定量的方法。

今天，我们分享一个关于图像颜色风格的量化方法。图像色彩风格的量化，简单来说就是对图像色彩进行压缩，获得色彩类型、比例以及空之间的关系等量化指标。诸如MCCQ或K-means的算法可以用于颜色量化。

第一步，量化图片，压缩颜色。以下图为例。通过该算法，可以得到一幅图片的三个典型颜色数据，然后基于这些颜色数据对整幅图片的颜色进行压缩，得到压缩后的彩色图片和图片的一个色样。

第二步是得到颜色之间的关系。下图显示了我们获得的关系。节点之间的连接显示了颜色之间的空关系。节点的大小表达了这种颜色在这张图片中的比例。

采用邻接矩阵法进一步量化图片。矩阵用来记录得到的三种主色出现的频率，每出现一次颜色我们就累加一次。

遍历后得到相应颜色矩阵。P1、P2、P3和P4代表三种主要颜色，其中P1和P2代表同一种颜色。当每种颜色出现时，它会相应地在它们的邻接矩阵中加1。

简单来说，量化一张图片的颜色风格是一个遍历的过程。首先我们会得到四个像素，然后得到四个像素在色样中的位置，作为这个邻接矩阵的编号。如果任意两个像素之间的颜色不相等，那么我们会给这两个颜色的联系度加1，对应的邻接矩阵中元素的值也会加1。

在得到计算出的邻接矩阵后，为了计算的方便，我们会对其进行归一化处理，这样就可以很好的量化一张图片的颜色关系。量化之后，我们其实已经让机器懂颜色了。

实际案例

量化后，如何将机器采集的数据用于应用，介绍两种情况:

案例1:基于posenet的人体关键点识别

摄影是日常生活中最接近艺术的行为。网上有大量精美的人像摄影作品。如何才能让机器提取出最佳的人像摄影姿势，从而指导人们拍摄出好的人像摄影作品？

利用深度学习的关键点识别技术，提取大量摄影作品中人物姿态关键点和图片构图关系的数据。最后通过对这些数据进行聚类，得出一些典型的类别，从而在大量的摄影作品中找出最佳的人的摄影姿势是什么样子的。

经过数据提取和处理后，我们可以创建一个知识地图来构建各种关于摄影的有趣应用。

比如开发一个叫人工智能摄影师的产品。“摄影师”会自动跟随用户，基于已经构建好的知识图谱，对与他一起拍摄的大量照片进行排序，自动为用户选择最佳照片。

案例2:基于word2vec的彩色地图构建

如何用一台机器理解整张图片的色彩关系？除了上面提到的颜色邻接矩阵，我们还可以通过计算颜色之间的频率，并将这种频率转化为向量表示来构建颜色知识图谱，实现其在搭配、绘画、电影、电视剧的色彩风格、氛围营造等色彩场景中的应用。

基于word2vec的彩色图谱构建，典型应用于设计图纸或绘画。当用户上传设计图时，机器会自动修改配色，生成多种配色方案。设计师只要专注于手绘，其余的配色机器都可以完成。

另一个例子是应用于服装作品。通过提取大量服装作品的色彩，可以知道每个作品的色彩搭配，设计师在本季度发布的服装整体色彩偏好，并推断出整个系列的设计风格。再放大一些，我们可以通过收集大量设计师的服装设计图片，计算出这一时期服装搭配的整体趋势，并应用到新款的发布上。

不仅如此，我们还可以分析模特的肤色与服装配色的关系。有了这两类数据，我们就可以设计这样一个应用:用户上传自己的照片后，应用会自动计算识别肤色，根据肤色自动匹配一件服装。除了服装，配饰和妆容也可以单独推荐。

除了服装，颜色在我们生活中还有很多应用，比如室内装饰。当人们选择墙漆和壁纸时，如果机器掌握了大量的配色方案，它就能计算出最适合我们的选择。

朋友们还记得前六张图吗？哪张图片是AI创作的？请在DT Data Man后台回复“机器设计”看看你的答案对不对~

注:以上内容根据数据人池志伟在数据人在线实验室讲课记录整理。所有图片均来自其现场PPT，已由本人审核。点击“阅读原文”获取作者现场回放。本文仅代表作者观点，不代表DT数据人立场。

▍数据骑士教派

数据人池志伟，10年跨界设计研发经验，擅长智能产品架构和智能设计。毕业于上海交通大学/同济大学。曾任中兴通讯高级软件开发工程师、招商银行高级用户体验设计师、ARKIE智能设计高级产品经理/机器学习研究员、区块链某通用智能硬件平台产品顾问。现在是GET知识引擎联合创始人，AI产品架构师。独立APP作品:spyfari，采色灵感，aceland。微信小程序作品:预测Mix。同时是自媒体mixlab的作者，mixlab无界社区的创始人。目前，他已经形成了一个拥有1500名设计师和程序员的跨界社区。知乎专栏《人工智能+区块链+设计实践指南》作者。

加入数据人

“数据人计划”是由第一财经旗下DT财经发起的数据社区，包括数据人专栏、数据人实验室系列活动、数据人联盟，旨在汇聚大数据领域精英，共同挖掘数据价值。