人工智能的应用设计思路
在大数据时代，大量的资源信息为人工智能研究提供了很好的支撑，人工智能技术也逐步深入各个行业，是网络信息化建设不可或缺的前沿技术。目前，针对非结构化数据无处存放、重复录入、质量不高等问题，学习、运用，力求在人工智能技术与信息化业务工作不断融合的前提背景下，实现非结构化数据的快速采集。
人工智能核心技术的研究现状及其特点
人工智能简介。人工智能也称作机器智能，是指由人工制造出来的系统所表现出来的智能。人工智能主要研究如何使计算机去做过去只有人才能做的智能工作，内容包括认知建模、知识表示、推理及应用、机器感知、机器思维、机器学习、机器行为和智能系统等。
人工智能研究方向。一是机器学习。人工智能要靠各种具体技术来实现，机器学习就是其中之一。机器学习使用大量数据和算法来“训练”机器，让机器学会如何去完成任务。机器学习背后的核心思想是设计程序使得它可以在执行的时候提升能力，而不是有着固定行为的程序。二是深度学习。深度学习也称为深度结构学习，层次学习或者深度机器学习，是一类算法集合，利用多层神经网络结构，从大数据中学习现实世界中各类事物能直接用于计算机计算的表示形式，被认为是智能机器可能的“大脑结构”。通过深度学习，机器可以处理大量数据，识别复杂的模式，并提出深入的见解。三是自然语言处理。自然语言处理是计算机科学领域与人工智能领域中的一个重要方向，研究的是人与计算机之间用自然语言进行有效通信的各种理论和方法。四是网络爬虫。互联网数据获取，也就是网络爬虫（又被称为网页蜘蛛）是一种按照一定的规则，自动抓取万维网信息的程序或者脚本。所有被爬虫抓取的网页将会被系统存贮，进行一定的分析、过滤，并建立索引，以便之后的查询和检索。
人工智能的创新应用。随着大数据战略在各行业的逐步推进，通过互联网行业的前沿技术与实际工作相融合，促进人工智能在各行业深度应用，提供更加智能的应用软件和系统工具，这是应对新形势新任务的必然要求。有效解决获取互联网巨大信息资源、社会资源，更好地关联和查询，为工作提供方便快捷的记录、存储、分析、统计、比对、反馈工具与服务。
智能采集比对信息系统设计
智能采集比对系统平台的总体架构。智能采集比对系统平台分为应用服务、基础服务、接入服务以及数据源与服务源，同时也包含了服务应用与数据可视化分析系统。应用服务指的是为最终业务人员使用而提供的前端呈现系统，根据不同使用场景可分为服务应用市场、数据可视化分析系统、运营管理系统、开发者平台及项目个性化专题应用。基础服务包括数据管理服务、模型管理服务、非结构化文本分析引擎、资源目录、服务调度管理、数据处理分析引擎、服务转换模块、运行监测、安全审计以及用于储存平台所需的结构与非结构化数据库。接入服务是指平台提供了三种用于不同业务目标的接入服务，即资源服务注册发现、实时数据汇集服务、互联网信息采集服务。资源服务注册发现，用于平台与业务系统进行业务服务对接；实时数据汇集服务，用于在平台与业务系统数据库或大数据平台中心搭建起数据管道；互联网信息采集，提供可视化的互联网信息采集工具，实现所见即所得，并能为其他业务服务提供数据支持。数据源与服务源是指平台可能交互的业务系统与数据，同时包括业务所需要的互联网数据。服务应用是指用于承载业务服务、原子服务、组合服务等终端服务，在统一的体系下对平台接入的所有资源与业务服务进行统一呈现与管理，并为使用人员提供服务评价体系，帮助对承载的服务进行综合评定。数据可视化分析系统是包含用于对平台数据进行分析与多元化呈现的可视化报表系统、用于综合呈现的大屏呈现系统等。
智能采集比对系统的技术架构。产品的开发和运行结构是一种基于后台数据库的三层体系架构，包括数据存储层、应用服务层和平台展示层三个部分构成。一是数据存储层。产品的数据存储支持主流数据库的存储，同时，利用分布式文件系统等前沿的大数据技术，为海量大数据应用场景提供分布式存储能力。二是应用服务层。应用服务层包括平台的分析挖掘计算服务以及业务模型和系统资源的统一管理服务，提供对外的分析挖掘计算服务接口以及支持平台功能的管理调度接口，并支持插件的应用开发。三是平台展示层。提供简单、易操作的立体式业务建模功能。利用机器学习和语义感知技术，实现多种辅助建模的功能。提供产品挖掘服务、业务模型以及系统、语言资源的监控与管理功能。
智能采集比对系统功能需求。一是以人工智能、机器学习技术为支撑，以智能采集工具为手段，以解决既有问题、服务应用为根本目标，逐步完善数据资源，丰富数据类型，实现资源数据汇聚，满足快捷、方便的录入要求。二是结合大数据技术，以数据整合共享为基础，全面整合数据，构建数据共享平台，为各项应用提供数据资源支撑。三是按照标准规范，统一接口协议，建设服务资源总线，融合各项应用与资源服务。充分利用现有的信息资源，实现信息资源上下联动，各种信息资源横向贯通，数据存储应用逻辑一体化，逐步实现公共的、基础的、类型多样的信息资源服务。四是建立标准规范管理体系，提供数据类标准规范，加强采集整合、更新维护、数据管理及数据质量控制。五是建立服务标准化及应用个性化评价体系，通过识别对服务及工具使用情况的反馈与诉求，基于服务标准化评价体系进行评估和制定长短期服务优化与工具实用性改进计划，不断提升各业务服务及应用的用户满意度。六是构建安全可靠的信息系统运行环境，打造“基础设施牢固、网络边界清晰、出入网控制严密、关键资源保护得当、安全监控及时准确”的安全技术保障体系，形成责任明确、业务流畅、分级协作、响应及时的信息安全管理体系。七是坚持“实用、实战、实效”原则，围绕管理数据、公共服务机构与互联网数据，实现数据的汇聚、资源的共享、智能化研判、规范标准的统一，提升动态掌控能力和整体运作效能。八是在平台输入任何一类信息，通过“一键式关联”，可直观呈现其“电子特征”等信息。
智能采集比对系统设计目标。一是实现互联网数据采集能力，加强对互联网数据的精准采集，最大程度降低数据采集的工作量。二是实现数据融合和流式数据实时处理能力，提供可视化的配置，实现对企业内部多种数据源的数据摄入和将分析结果反馈到各类数据源。三是实现对非结构化文本数据进行分析挖掘，实现对非机构化数据的分析、提取、挖掘。四是实现可视化数据建模能力，提供毫秒级数据计算引擎，快速完成数据建模和数据计算工作。五是实现灵活的四层API接口，让用户专注于业务的开发与价值的提取，通过统一的运营与分享池为各业务单元提供自身业务的变现能力与快速反应能力。六是实现方便快捷的获取服务能力，快速将技术能力，数据价值转换为业务优势。七是实现云计算能力，可对资源进行优势整合，提供更方便、更快捷、更强大的计算与资源共享与利用，以及更低廉的管理成本。
智能采集比对系统建设内容。一是非结构化大数据分析。非结构化大数据分析挖掘平台，具有非结构化文本大数据的分析、挖掘的超凡能力，是实施大数据战略的强大利器。平台支持三位一体的多维度业务建模能力，提供对非结构化大数据智能理解与自动化处理能力，实现文本知识的多维度的业务标签标记功能，将无序的非结构化信息转换为满足业务需求的结构化数据。支持与主流大数据平台实现对接，实现复杂、批量的大数据分析挖掘。提供实时分布式计算能力、海量数据实时分析计算能力，融合主流的搜索引擎技术，支持基于海量历史数据的交互式搜索功能。二是互联网数据采集服务。主要包括静态网页、动态网页、特殊内容、文件对象等。三是大数据总线信息资源共享服务。大数据总线负责采集源端应用系统的数据，并把这些数据传输给目标大数据平台。四是Android管理客户端。安卓客户端采用当前最流行的的H5技术开发,并使用MUI框架。MUI是一款可用于开发高性能App的框架，也是目前最接近原生App效果的框架之一，有极简、极易、极快等三大特点。
智慧采集比对系统的实际应用效果
采集手段便捷化、多样化，解决了采集低效的问题。系统不仅提供终端电脑版本的智能化采集工具，还提供移动终端的智能采集工具，满足日常办公室人员的数据采集。便捷化主要体现在操作简便易用、快速响应和友好提示方面，利用语义分析、语音识别、图片识别等技术与业务的深度融合最大程度减少操作流程。通过对多种不同类型的数据源的识别分析实现多样化，包括语音、文本、图片、表单、文件等。
信息资源汇聚与共享，解决信息资源单一、相互独立的问题。一是数据鲜活。系统提供互联网采集工具自动完成数据采集，通过智能采集信息资源，不断丰富数据资源数量和类型，保证了数据的鲜活性。二是数据资源共享。为应用系统对接接口设立独立的服务资源目录及接口注册功能，以统一管理应用系统对接接口，促进应用系统对接接口的标准化、规范化管理。三是一次录入、避免重复。系统结合OCR和机器自学习技术，实现表单信息及表单结构快速提取并通过一次录入完成多系统对接，解决重复录入问题，提高工作效率。
AI＋Design：人工智能赋能创意设计的价值
2020年7月23日，青创联盟发起的YOSIAWebinar线上学术研讨会特别推出了“AI+X”科学系列主题第四期“AI+Design：人工智能赋能创意设计的价值”邀请AI+Fashion、AI+建筑和AI+工业设计三个方面的前沿学者和科技创新者，分享AI赋能时尚、建筑设计和工业设计的价值和应用案例，一同探讨AI赋能创意设计时代的工业升级、人才培养和未来发展方向。
·
主持嘉宾：
-范凌,未来论坛青年理事；特赞信息科技创始人及CEO；同济大学设计人工智能实验室主任、博士生导师
主讲嘉宾：
-KostasTerzidis，同济大学设计创意学院教授，DirectoroftheAlgorithmicDesignLab
-KittyYeung，应用物理博士，知名创客，微软量子计算机项目经理
-袁烽,同济大学建筑与规划学院教授
讨论嘉宾：
-王敏，中央美术学院教授、博士生导师
特别鸣谢报告编辑：
-许欣悦，同济大学设计创意学院硕士
-王韵嘉，帕森斯设计学院DESIGN&TECH硕士
ONE
一、主题分享
1
Permutation-basedNeuralNetworks——KostasTerzidis
基于排列的神经网络是基于海量的数据操作，枚举所有可能的组合，然后通过神经网络过滤得到这些组合中的有意义部分的技术。报告首先介绍了近三十年来数字设计的发展，并讲述了设计以及排列的概念及原理，然后介绍了基于排列的神经网络在不同领域的应用。最后展望了量子计算关于解决排列设计问题的发展潜力。
在数字设计出现之前，摄影师就是摄影师，画家就是画家。一张照片的价值基于对现实的描绘，一幅画的价值取决于画家的能力。但在九十年代后期，设计软件的出现，允许任何一个用户都可以“模拟”画家，用电脑来创作艺术。而艺术的实际生产者，也就是编写设计软件的程序员们，但他们却与艺术没有直接关系。随着技术的发展，神经网络出现了，已经有算法模型可以帮助生成代码。我们可以这样说，一开始我们是在“人类时代”，然后到了“算法时代”，再发展下去，就到了“Meta（元）时代”，“Meta”是一个希腊语词，意思是事物的本质。Meta意味着能生成代码的代码，或者能创作一幅画的画。这就是Meta的含义。
接下来谈论关于设计的内涵。在英语中，设计就是无中生有，是凭空创造出来的东西。但在希腊语中不同，设计是关于你“有过”的东西。如果你有一个想法，但你失去了它，这意味着你忘记了它。所以根据希腊人的说法，设计是一个记住你忘记的东西的过程。这是一个非常重要的概念——它与我们做什么无关，而与我们记得要去做什么有关。
排列的概念是将所有的组合的可能性都列举出来。如果我们有一幅画，它是一张黑白图像，具有3*3的分辨率，那一共会有512(2的9次方)种可能。这些就是我们能画出的所有可能的画，意味着在这里面，肯定存在一幅画是我们正在寻找的，因为所有的组合都在我们面前。如果想找十字形的图案，那么就可以遍历所有的情况然后找出相对应的图案。
通过这种排列的模式，我们可以做到的不是通常设计中的从“无”到“有”的概念，而是找遍所有的可能性，从中找出你想要的设计。这与普通的设计的概念有着本质区别。
再举一个例子，我们有8个单词，它们可以通过排列组合组成很多句子。但是组合的数量太多，我们要从中寻找的是有意义的句子。我们不需要用自己的大脑来遍历这么多组合，而是制造一份我们大脑的“副本”。这个“副本”是一个系统，我们训练它来识别我们要找的东西。这就是我们所说的神经网络。它可以根据我们对它的训练在短时间内遍历所有的组合并找到其中有意义的组合。这就是基于排列的神经网络的全部思想。
基于排列的神经网络在很多领域都有应用。比如在时尚领域，对于服装搭配的排列组合，该应用可以帮助发现衣橱里所有衣服可能出现的排列组合，并利用神经网络来进行选择，解决服装搭配的问题。另外关于食物，冰箱里的食物可以用各种可能的方法组合起来制作食谱，过滤掉不好吃、不健康的食谱，但总有最好的食谱会存在于所有的排列组合中。同理也有音乐的排列组合、妆容中颜色的排列组合、建筑设计中的排列组合、故事情节的排列组合等等。
但是这里存在一个问题，随着选择的增加，排列组合的可能性会变得非常多。但是随着量子计算的发展，我们在将来可以解决这个问题。我们使用排列来做设计，并使用量子计算来消除信息的复杂性和数量，最终得到我们想要的设计。
02
AI如何能帮助到服装设计和生产，并解决此领域中最大的痛点–污染和浪费？——KittyYeung
报告主要介绍了AI在服装设计领域中的应用以及目前服装行业中的痛点和如何利用科技来解决的方法。报告主要围绕科学、工程、设计和艺术这四个方面的结合展开，讲述一些从我自己的服装品牌“ArtbyPhysicist”以及在微软引领的一个创新项目当中总结的一些想法。
科学和艺术虽然听起来离的很远，但是两者其实非常相似，无论是科学还是艺术都是在探索未知。而工程和设计之间的结合最能够帮助到人们做出人们需要和喜欢的东西。
目前，AI在服装设计领域已经有了一些应用，比如可穿戴，我的作品中包括利用脑电波控制裙子上的反应；用机器学习捕捉手势，然后展示衣服上的星空；采集心跳数据检测到我们的健康状况。不单单可以采集我们身体的数据，还可以采集环境数据。发现环境中的信息可以让我们对大自然有更多更深刻的理解，并能采取一定的行动帮助环境保护。
在做可穿戴的过程中，我发现服装产业一大痛点是将设计到生产的转化过程。设计师开发一个产品到生产出来需要很长时间。每一款原创设计开发的价格和生产的价格，都是非常贵的。但同时服装这个产业又是世界上污染与浪费最大的产业之一，它是世界GDP的2%，世界上碳足迹10%的产出者。每年全球有30%的衣服卖不出去，有十几百万吨的垃圾要被烧掉或者当垃圾扔掉，所以加起来在服装产业当中有上百亿的浪费。
所以我们要减少浪费，要使用更环保的方法，要更加个性化以及按需生产。与电子产品的生产过程相比，服装生产有很多手工出错的地方，经常需要来回修改。AI实际上就可以用到服装生产和设计中来帮助解决这些痛点。AI在时尚界的应用基本上现在有两类，一个是通过数据去预测潮流，为了减少存货，所以我们想通过看每年的潮流是怎样的，去预测新产品的销量；再一个是能够用机器学习、计算机视觉去捕捉人们拍的照片，捕捉到衣服款式等信息来做推荐。
但是这些应用是远远不够的，并且只利用AI技术也不够，要与其他科技结合到一起去建立完整的生态链。我们应该让衣服从设计到生产有一个更快捷的设计过程，然后把这些版型和做衣服的这些不同步骤模块化，并且用平台把它建立起来，让设计师上载设计图稿就能够帮助他们制作出来。所以不仅需要人工智能方面的帮助，还要有数字化和运用到云端，能够让我们回归到量体裁衣，但是能够很有效率的做到这一点。同时，还需要有定制化个性化的方式去配合。我们可以虚拟的让人们试穿，或者让人们通过输入自己的身体数据，利用机器学习来自动调整服装版型，然后再进行裁剪。最终我们希望可以赋予大家能力，让生产更民主化，让世界各地的有手艺的人有这样的平台，能够帮助设计师在任何一个地方都能做出想要的有创意的产品以及大众需要的个性化的产品。
总的来说，科技不应该取代人类，而是赋能于人。虽然会有一些工作被机器取代，但是事实上它最终还是能让人们做更有意义的创造性工作。科学与工程能够提高我们生产消费者产品和工业设施的效率。消费者产品与工业设施的行业实际上能够让我们产生艺术与文化。艺术与文化是快乐的来源，有了快乐让我们做更多科学与工程。这是一个正向的循环，能够不断地每个领域帮助到另一个领域，能够结合到一起去，这样能够推动我们向更好的方向发展。
3
人工智能vs智能增强——袁烽
报告首先讲述了智能化和数字化在建筑学领域的发展历史，以及人工智能技术的发展和智能增强的概念，再到人工智能在建筑和设计领域展开的相关应用，最后总结了如何利用人工智能达到对设计学的提升。
随着整个社会数字化的进程的发展，人工智能已经成为其中非常重要的环节。智能化和数字化在建筑学领域的发展中，经历了以下几个阶段，分别是模块化、计算设计、参数化主义和人工智能。
人工智能可以分为早期和后期。早期我们也把它称为GOFAI（GoodOld-fashionAI），它是一种简单的基于一些符号和一些数码逻辑，以及像二进制、八进制、十六进制这样一些可被数字和数字逻辑来概括的一种方式，很多棋类游戏像国际象棋，AlphaGo，基本上还是基于GoodOld-FashionAI，基于一种简单的可推理的逻辑来进行建立的早期的AI发展。
而后期的所谓新派人工智能New-fangledAI，新派人工智能用简单的话讲就是新的连接主义（Connectionism/ANN），这种新的连接主义是模拟人脑思维方式通过输入的信息、输入的参数，然后经过细胞和大脑的复杂运算来输出一个结果，一个指令的过程。
人工智能可以分为强人工智能和弱人工智能。所谓强人工智能就是希望人工智能体是有知觉和自我意识的，而这种有知觉和自我意识的强人工智能体还没有出现。
现在我们的研究领域是智能增强，在设计和建筑机器人领域，我们做的很多尝试还是弱人工智能阶段。人工智能在建筑领域的算法，包括以下CNN、GAN、ANN、RNN等。其中CNN是从图像到向量的关系，GAN是从图像到图像的模拟，ANN是从向量到向量的模拟，RNN是有序的向量到向量的模拟。
我们近期组织了一个比较大的活动——DigitalFUTURES，邀请全球建筑学、设计学的学者参与。其中有很多学者都参与了围绕人工智能在建筑和设计领域应用展开的工作坊。
我们团队的研究方向是建筑机器人，通过全球最新技术的学习，来理解层出不穷的新算法如何在建筑设计领域为我们提供更多可能。无论是机器还是人工智能，我们都希望它是一种智能增强体，作为人的延伸，而不是用来代替人类。
现阶段我们更多的是通过构建式的实践，将智能化的设计与建造应用到我们的设计当中。每一年的工作营（2016-2019年），我们都会建造一座桥。桥既要承载结构和重力，又要美观，所以桥是力学与美学对抗的体现。我们的方法是将力学的生成以及其中受力的形态，能够通过不同的插件和软件进行模拟和优化，同时去除不必要的结构，剩下最有效的结构。最后通过机器人打印的方式，将智能化黑箱设计的造型生产出来。
总结一下，人工智能的很多算法在设计当中的应用我们都在探索。建构方面我们更多是利用一些算法，和结构和机器人的操作进行融合，来改变物理世界物性的数字化的建造过程，通过赋能给材料，让我们一些可以认知的材料产生更强的结构性能，从而达到智能设计对设计学的提升。
TWO
二、点评环节
王敏：人工智能不仅可以为我们提供规范化、自动化、系统化的设计，还可以为企业提供消费市场上个性化的设计服务。通过整合大数据，推出新的消费与市场设计服务，人工智能已经开始取代设计师完成一些设计服务。有了强人工智能的参与，机器也能产生充满个性、艺术化的设计，甚至具有某种残缺美的设计，或有偶发性特点的设计、有情感有温度的设计。这些在今天被认为是设计师才有的能力，将来机器也应当会具备。
在几位专家的演讲中我们发现，人工智能正在建构新型的视觉、听觉和物理的体验，这种新的体验在产生新的可能性。在商业上，它可以产生新的消费趋势和生活方式；在艺术上，它正在催生新的艺术表现形式；在设计上，它会改变设计师的工作模式，从而形成未来不确定的设计文化走向。现如今，人工智能在设计师的参与下，可以为企业新的商业模式助力。它可以提供个性化的设计服务，或形成企业品牌管理与市场推广过程中的自动化设计生产流程，从而降低设计成本，提高生产效率。范凌老师的特赞正在引领这样的趋势，将人工智能用于企业的设计解决方案。目前人工智能在设计应用上还处于早期，但它正在大大地增强设计师的创造能力，实现以消费者为中心的个性化服务。所以人工智能+设计+大数据必然推动产业结构的转型与消费升级。
今天各位专家谈的是人工智能对具体行业的影响，但更值得我们关注的是它所带来的连带反应，即现在还无法预测的一些不确定性。人工智能与设计的结合必然会带来一些颠覆性的变化，会影响到社会结构变迁、人类进化、人存在价值的重新反思，这样拥有诸多的可能性的未来值得我们去期待，当然也应当引起我们带有警惕性的关注。
我曾经历上世纪80年代到90年代的“桌面出版革命”。这场变革让我相信，技术取代了传统工作的同时，也必然带来新的机会。人的想象力、创造力、同理心最终会创造更多新的机会。在这个过程中，机器会大大地提高设计的生产效率。将来在人工智能加持的时代，还是需要设计师与机器一起去创造一个丰富多彩、人性化、差异化、不单调的社会。
我希望通过今天的讨论能引起大家去思考，未来人工智能的时代的设计师所应该发挥的作用。设计师们应该对自身的专业技能和素质进行改造，以便适应这样一个新的时代，发挥出在机器智能加持下设计师所应该具有的价值。
THREE
三、主题讨论环节
议题一：人工智能会对创造性或者创意教育带来什么样的变化？
KittyYeung：我觉得未来会有更多交叉性的学科。我们应该从个人兴趣出发，去追求自己感兴趣的事物，在这过程中发现有其他方面的应用就可以尝试，“竖”着走、“横”着走都可以。像技术发展到这个阶段就能够帮助大家横着走，如果你对一项东西特别专注的话，再通过这些技术帮助大家，学习更多跨学科的领域，在横着走的同时也能够发现很多新突破，又找到新的竖着走的路。另外，在科技的发展过程中，像开源这种思维是可以对大家自学新东西非常有帮助的。现在网上有越来越多的教程，大家会主动放到网上去跟世界分享。十年前我们做可穿戴会非常困难，但现在技术越来越好，又有很多开源教程可以学习，我们就可以拿出来应用，这也是科技能够赋予人们更多创造力的很重要的一点。
KostasTerzidis：我想谈谈关于未来的设计。现如今的设计学院倾向于培养从人类思维出发的天才设计师。他们推崇这样一种观点：人类非常智慧，可以做很多跨学科的研究，以至于人类可以做任何事情。这是一个非常古老的观念，给学生传递了错误的信息。因为归根结底，这是行不通的，尤其是随着人工智能的起步。重要的点不在于你做事有多聪明，而在于你是如何聪明地让机器为你工作。我们不必成为一个天才，而应该以“物控制物”的方式去工作。以编程为例，大多数设计学院不使用编程进行创作，除了一些非常具有创新意识的学校，其中之一就是我所在的学院。这就是我来这个学院工作的真正原因，在这里，他们更愿意拥抱改变，寻求创新。因此，这种教育原则是非常重要的，它允许我们可以有不同的思考方式。我认为，这是是未来应该对学生们传达的信息。
王敏：我想从设计教育的角度谈谈“横”着走和“竖”着走，我觉得重要的不是先横着走还是先竖着走，重要的是要有这样的能力，会竖着走也会横着走，我觉得我们做老师的应该关注的是如何培养学生这样的能力。如何为未来人工智能时代培养设计师？很多人认为，要让所有学生都学习编程，但我觉得没有必要。我们是要有一批有编程能力的设计师，有对技术的深刻理解与把握，从而参与人工智能解决方案的研发。但是对于更多的设计师，我们只需要注重他们的素质教育，训练他们有横着走和竖着走的能力，这里包含了对于他们想象力、创造力、审美、同理心、好奇心等素质以及跨学科合作能力的培养。这样的一批人将来可以应对人工智能时代对设计师的需求和挑战。如果所有人都学编程，并不是所有人都能像工程师一样具有对编码的把握能力以及思维方式，我们实际上还是需要设计师有更多的创造力，最终要横着走，也要会竖着走。当我们培养的学生具有横着走、竖着走能力的时候，我们的设计教育才会是成功的。
袁烽：我们今年办了一个近万人参加的DigitalFUTURES的全球活动，就是出于分享精神。知识的迭代速度越来越快，我们应该在更短的时间或者更有效的方式去学习。随着5G、6G的出现，线上交流日渐频繁，人和人的信息流和知识流的交换速度得到了极大地提升。这当中很重要的是对知识的分享的精神。因为现在所有知识都是站在别人的肩膀上，用一种新的方式建立一种新的知识体系。如何让我们的知识不成为自己私有或者独门绝活，而让它变成可以大家相互学习、相互分享，这就是为什么过去10年我们搭建DigitalFUTURES的学习平台的原因。在平台上我们自己有受益，因为我们向全世界学习，相信我们的知识也会让别人受益，这一点是未来解决跨学科和重构知识教学体系的一个核心内容。
议题二：如何理解数字设计工具在中美关系下的风险与机遇？
袁烽：以前的设计师的著作权是属于个人，但现在随着后人文时代的到来，机器会成为人的智力的延伸，人和工具之间变成密不可分的共同体。智能体是现在的发展趋势，例如人和AlphaGo合作的智能体，其中既有人的部分，又有机器的部分。它展开了一种全新的方式，在这种方式下我们能够重新认知世界的知识结构或者交流结构。但如果没有一个体系上的变革，那一定会发生类似于战争或者其他方面的争端。因为我们的哲学认知体系跟不上现实社会系统的进步，二者一旦分裂就会发生很大层面的争端。这一点上我个人看法有这样几点。一方面我反对将基础设施型的基本架构体系上升到政治高度来作为一种要挟，这是道德方面值得探讨的话题。我同时也希望这种知识体的创造者，各个高校的研发团队，他们的知识可以通过量化的方式来认知，并且推动他们的创造力，让这些创造力变成人类智能的一部分。这两者都需要付出一定的努力，重新构建一个新的合理的全球化的秩序，这一点应该超越于民族，超越于资本，也要超越于个人对于自我能力的一种沉浸的状态。这种超越可能更强有力的哲学思想和分享方式和一种激励机制来进行对它的重新架构。
王敏：这实际上是很迫切、很可能会发生的一个问题。但是随着人工智能解决方案的出现，可能可以避免这样的情况发生。我们已经可以在很多情况下绕开了目前为止我们所用的一些软件。我们目前使用Adobe的一些软件来做设计，但如果有足够强大的人工智能给企业或者给机构提供一些解决方案，这些解决方案能将过去由单个设计软件所做的工作都在后台完成。这样设计师只要有了想法或创意，其他工作就不需要再一个个的用软件来实现。如果能做到这一点，事实上我们就绕过了我们目前用的Adobe的软件。当然这需要人工智能解决方案到足够强大的程度才行。
KostasTerzidis：我认为有时我们对工具的概念有点误解。西方人主导了设计工具的研发，他们认为工具是手的延伸。但希腊语言中关于“设计”的概念，其实是思想的延伸。数字化工具的研发，就是利用计算机来完成那些我们本来手动去做的事情，但这不是设计工具。所以，如果你想进入设计领域，就必须开始用不同的方式思考。一个能改变你的思维方式、让你以不同的方式思考的工具才是真正的工具。这就是人工智能的作用所在。我们不会用AI来重复我们已经知道的，无论如何都可以做的事情。在这种东西方在数字工具方面的竞争中，我认为中国有更大的可能发展真正的设计工具，因为中国有着不同的文化，有着不同的思维方式。中国人总是擅长把事物联系起来、结合在一起，不回顾过去。这是一个非常有趣的概念，因为它能让你向前看。西方误解了希腊语言中关于“设计”的概念，而中国人则更加开明地利用人工智能的机会，让人工智能在正确的方向得到更好的发展。我一直在我的学生们或者其他和我合作过的老师和公司里看到这种潜力。有趣的是，中国人总是把目光投向西方，而西方从不向东方看，这是个很大的错误。我们希腊人总是认为最好的东西来自东方，因为东方隐喻了太阳升起的地方。所以我认为从这个角度看，西方正在输掉这场比赛。
KittyYeung：开发工具非常重要，中国的设计师、工程师可以多开发一些工具。像服装产业是很传统的产业，有时候一些生产方根本就没有在线平台，在网上无法找到。我们应该把中国做出来的好东西让外界也能够知道，我非常支持开源和开放性的形式，知识、科学、艺术都是无国界的，所以有一些原创的东西，也可以开放给其他地方的人。
范凌：设计、创意作为一种文化，应该是多元的、无国界的。工具能够让一些能力民主化，让我们更专注在创造力上，而更少的专注在硬技能上。所以，工具也应该是民主化、跨国界的。现在的工具都是云端的工具，自然涉及到数据。而数据是有产权的，数据可以是有国界的甚至有边界的，甚至有你我的。所以这个事儿分为三类，文化应该是无国界的，工具应该是民主化的，数据应该是有产权的。
议题三：有没有什么建议可以给到未来论坛，能够更好地把设计创意的话题引入到科学的讨论?怎么样能让科学家更多地从设计里面受到启发?
KittyYeung：举办这样一个活动，能够将大家的思想分享出来，可以有更多的观众互动，可以听听观众的想法。同时希望能有线下平台，使我们继续保持联系。像西方这边很多的开源平台能够让大家去分享自己的作品，可以将使用材料、制作过程写下来然后教给大家怎么做。既有教育又有互动，既是线上平台，但也可以通过活动在线下保持联系。
王敏：未来论坛来探讨设计的问题，我觉得应当是特别合适的平台，因为设计从某种意义上讲就是一个关乎未来的一种行为，设计师所做的就是为未来来提一些新的方案或者新的解决方式。所以未来论坛从名字上来说应当关注设计。当然我们今天想要建议的还是怎么能够让科学家对设计感兴趣，或者怎么让设计师对科学家更加关注。当这两者结合它所产生的能量和产生的结果是未来我们所需要的。例如，很多的科学家他们在做新的材料，这种新材料的出现到实际应用的这个过程里，设计师就可以发挥很大的作用。我们常说的“设计思维”在这个时候和科学家的研究放在一起会产生很大的能量。现在也有很多人做这方面的实验和尝试，将把设计和技术结合在一起，从而探讨这种创新模式的可能性。我觉得未来论坛是非常好的平台,把设计和科学和技术能够揉到一起，让设计师、艺术家和科学家在一起共同碰撞出一些新的火花，对未来发展有新的可能性的有益探讨，我特别期待未来论坛能够做这样的事情。
FOUR
四、开放式讨论
Q：如果说艺术是一种人与人共情的方式，我们如何从AI创作的作品中体会创造这个作品时的感情，并传递至我们？
王敏：大概一年多以前，美国Rutgers大学的人工智能实验室做了一批作品，是完全由人工智能生成的作品，不是风格转化类的，而是完全自主产生的。他们做了一个实验，将这批作品和艺术家的作品放在一起，让观众来评判。评判的主要标准是，一个作品是不是有意识的、有目的的创作。让人很惊奇的是，人工智能系统生成的作品最后的得分比人工做的更好。这让我觉得很纳闷，因为机器没有思想、没有感情，它的作品也应当是没有意识的，完全是一种计算生成一些图形。所以，从作品中如何看到其中蕴含的意思和感情，是取决于最后作品生成的质量和生成的样式。回归到最后还是操控与设计程序的人。
袁烽：这个问题还是以人为根本，是人本主义的观点，还是以人为核心判别所有事情。但是我觉得现在对人工智能看法的最重要的一个转变，就是我们要重新认识人是不是主体这件事。因为智能体时代到来之后，主体就变成了混合体，是智能判断和评价体系的混合体，它会变得更加综合，其中的比例可能七成人三成算法或者七成算法三成人，甚至是更加混杂的状态。这个评价体系中我们最重要的思想转变是，不能再用人本和人作为宇宙中心的思想来看这个事。如果还这么评价，你会在很多判别过程中产生困惑，判断它是不是好看，仍是以人的经验，或者受教育的程度、文化背景来进行评价，这些因素都会导致产生不同的结论。所以当人和机器成为一个整体、人本主义被打碎之后，也就是物与人形成从对立到一体化的共生时代产生之后，那我们再来谈论如何来评价这个问题。
KittyYeung：我觉得不需要用机器取代人，而是需要机器去解决痛点。最后解决问题之后其实也不是以人为本，如果你能解决环境污染问题，最后还是以大自然为本。有的时候确实不需要以人为主体去创作，而是利用技术去解决问题。
KostasTerzidis：共情是一个非常有趣的概念，因为它有主观、个人化的含义，但它不一定非得如此。你也可以用一种集体的方式来感同身受，产生人与人之间的共鸣。你能共情于某物，不一定是因为你拥有它，而是因为你共同参与创造了它。以前的艺术是基于个人的共情，是一种主观上的对艺术作品的占有。然而这种情况正在发生改变，因为人工智能在艺术家和作品之间制造了一道屏障。但我们仍可以通过很多不同的方式对它产生共情。你可以共情于你所创造的事物，比如说作为父母，你有个孩子，但你不是孩子的主人。虽然孩子有自己的想法，但你仍为你的孩子感到自豪，你因生下他、抚养他的行为而产生共情。这是一个非常相似的例子，因为人工智能也像是一个婴儿，它有自己的思维，但这并不意味着我们就因此无法对它产生共情。这是一种不同的共情方式，共情来自于我们参与创作这个事物这件事本身。我认为从人类思维进化的角度来看，这是一个更先进的观点。
Q:现在建筑设计中经常会使用一些AI仿生学算法来生成一些非常有机的建筑体块，比如说模拟动物的行动，像蚂蚁、细菌这些，这样的模拟生成建筑应该如何解读，是有实际意义还是大多处于学术研究阶段，总觉得人类思想了这么多年，各方面细节已经可以打造出相对完善的建筑，而去选择一些没有高等智商的动物或者微生物制造的形体，是不是有点本末倒置，想听听袁老师的看法。
袁烽：这些对于仿生的模拟，我们更多放在生成式设计，怎么样构建和生成一个形式。现在设计分两类，一种是研究式的设计，一种是进入社会要解决问题的设计。如果作为知识体，比如在大学里的训练，我们会把生成式的设计在特定的训练单元抽离出来，来特别训练大家某一方面能力。但是真正解决设计问题时，这并不是设计的全部，而可能是一个很长的设计流程，包括如何生成、优化、评判、形成反馈等。人的智商和AlphaGo的最大区别是AlphaGo只知道赢这盘棋，但人有时候可能明明能赢但是选择输棋，AlphaGo现在可能做不到这一点。从这个意义上讲，当我们掌握了很强劲的生成工具的时候，真正实战的设计使用当中，它所占的份额并不是取决于把方法放在前面，而是取决于我们把解决问题的对象放在前面。这两种设问可能是不同语境，如果是作为一个研究型内容，无论什么样的生成方法，它都还是一种对于机器和智能思考方式相互替代或者相互补充的一种探索，我们都把它称为研究型的设计。但真正解决一个现实问题时，这种生成本身并不是设计目标，而是生成设计目标的很重要部分。所以我们把握的分寸就是AlphaGo和人的区别，如何把握这种工具，就需要更深的功力和驾驭能力。
Q:有一个问题是问KostasTerzidis教授的，刚才您讲到AI在服装设计电商领域的应用例子，请您再多讲讲到底是怎么做的？选款和关键字等等。
KostasTerzidis：这个问题包含两部分。一是关于艺术或设计的主观性，它是时尚吸引消费者购买商品的主要武器。换言之，因为时尚一直在持续地生产新鲜的和不同的事物，所以人们会消费更多的东西。人们掉入了这样一个消费陷阱里，因为在某种程度上，我们现在穿的衣服没有什么不同。“衣不如新”只是一种感官上的感受。认为所有的东西都是新的更好的想法，违背了传统的原则。传统是人类创造的最先进的原则，并且存在了几千年，这是因为它保持了一种标准的思维方式，一种对主观性的客观化。但如果我们能用设计致力于创造普遍的、客观的、永恒的事物，我们一定会比去反复持续地更新要更成功，而不是生产过量的服装并最终造成对环境和视觉的污染。所以，我们在这里的案例中针对时尚的排列设计所做的，更多的是去发现什么是不变的标准事物以及时尚的真正特征是什么。因此，它不是一个发现不同之处的工具，而是一个发现不同服装组合当中的共同点的工具。这在某种程度上更加传统。
人工智能计算平台设计思路
经过最近一段时间的调研学习，我对人工智能计算平台有了新的认识，它的本质就是要通过数据+建模算法训练出一个可以预知未来的模型，那么一个好的计算平台需要为用户在数据以及建模算法这两个核心要素上提供极大的便利。那么我们如何才能做到这一点呢？
1.完整的建模流程下图是我猜想的一个完整的建模流程：
image.png下面做一个描述：
创建工程：即为了某一个业务方向而创建的一个工程，工程内部系统会规划出不同的目录结构。获取数据集：这个数据集有可能是网上现成的，也有可能是自己造的，也有可能是自己通过网络爬虫自己爬的，总之什么都有可能数据处理和特征工程：要将现实中采集到的数据进行数据加工、清洗、特征提取、向量化、变成数据公式能识别的数字特征正式数据集：即可以向量化的数据集，这些数据可以保存在文件中，也可以保存在数据库中。（像mnist,cifar10这种数据集，都是别人处理好的数据集，现实中一个数据集的生成是需要经过大量的加工处理的）建模：理论上，我可以对一个数据集，采用多种建模算法，这个算法可以是机器学习中的各种算法，也可以是深度学习中的各种算法。即我可以建多个算法模型，最后通过实际训练及评估来确定哪个算法产生的模型是最好的。训练、调参、评估：与上面是配套的生产模型：将最后评估出来最好的模型，保存到模型库中。所以我们以前的系统是很狭隘的：
不能对数据集做任何处理只能做深度学习2.平台设计思路2.1功能角度前面提到我们要在数据与建模算法两方面为用户提供便利，那么首先我们系统必须要包含这两个功能：
数据：获取数据集、数据加工、特征提取等建模算法：系统要能支持多种建模算法，深度学习只是其中的一部分2.2用户角度再从用户角度看看，我们系统核心用户是数据科学家，这些号称科学家的科学家们，又可能要分为两类人：一类是会敲代码的；一类是不会敲代码的。结合这段时间研究h2o以及kaggle，我决定让系统提供两条建模途径：编码式建模和可视化建模。
2.3架构角度如果提供了两条路，这两条路是相互隔离的，还是有交叉的，还是完全互通的呢？理想情况下，肯定是两条路完全互通是最好的。再回到问题的源头，一个完整的建模流程中，涉及到哪些实实在在的东西？
数据是实实在在的模型算法是实实在在的保存的模型文件是实实在在的如果要两条路基本互通，我们需要让上面提到的三点实实在在的东西，相互都能认识。即数据、模型算法、模型文件必须在两条路中是兼容的。在来分别看看这三者：
数据：这个没有任何问题，就是文件或者是数据库表，只要保存下来，大家都能认识模型算法：这个就有问题了，外部世界中有无数的机器学习框架，也有无数的深度学习框架，不同的框架，写出的算法模型都不相同；而我们通过可视化界面所支持的模型算法肯定是有限的（悲观估计，以我们的能力，顶多能支持一两个框架就了不得了）模型文件：同上面的问题一样，不同的计算框架，貌似生成的模型文件格式都不一样，比如tensorflow生成的是什么pb格式的serving模型，而像h2o平台生成的模型，其实是一个jar包，还有像sparkml生成的模型，也是其特有的格式我总结出的结论是，我们在数据上是可以完全互通的，在模型算法以及模型文件上能做到相对互通。即以可视化平台所支持的计算框架为基准，提供对这些模型算法以及模型文件的共享和互通！
2.4结论升级后的系统，我想达到以下几点效果：
系统业务功能，能按照上面梳理的建模流程来全面调整之前的深度学习结构，将其定位为系统中一个普通的算法提供建模的两条路，可视化建模和编码式建模提供数据层面的完全共享，提供模型算法及模型文件层面上的部分共享以下是平台建设示意图：
image.png这张图是本次系统升级的核心！
因为我们要做到数据共享，所以两条路的各种结果文件必须是底层统一处理的，这就要求我们在编码式建模方向上，为用户提供一些系统内置函数支持。
需要底层提供哪些函数支持呢？我对代码实现不是很了解，初步猜测需要这些：
创建工程的函数保存数据集的函数：保存到文件中，保存到数据库中训练过程中，监控指标的函数保存模型的函数3.原型设计结果3.1模型工程修改这更多是底层实现的修改，之前一个工程是关联了计算框架的，现在需要把这个关联拿掉，计算框架只体现在具体的建模及训练环节，而不是整个工程级的。
3.2数据处理在交互界面中，增加数据处理可视化操作功能，它包含的功能有：
上传数据集解析数据集特征列数据转换特征列数据补全特征列数据分布图表展示特征列关联性总览图表（热力图、矩阵图）自定义特征列统计图表保存数据集3.3jupyternotebook原先做的jupyter太简单了，基本不能用。现在要正式将jupyternotebook提高到一个核心级的功能。我们需要在最大程度上做到对jupyternotebook的定制化，以达到以下要求：
用户可以选择自己不同容器中的jupyter服务用户可以通过我们系统界面来创建可执行脚本我们为用户提供的镜像中，需要默认安装大部分主流计算框架，这其中需要包含深度学习框架，也需要包含机器学习框架最后再明确一下，我们的jupyter是运行在用户容器中的，不是运行中计算环境中的3.4训练界面调整这个功能调整非常大，以前创建的一个训练，只能做来做深度学习，现在要做到既能做深度学习，也能做机器学习。所以在创建任务界面和任务执行结果界面，都需要做比较大的调整，界面需要根据不同的算法，渲染出不同的界面要素及图表。首页是创建任务界面，我规划为四栏：
第一栏（算法选择）：任务名称自动生成、选择计算框架、算法、训练集、测试集、验证集第二栏（基本参数栏）：根据不同的算法，展示不同的参数；如执行轮次、比大小、脚本、优化器等不作为超参的参数第三栏（超参数栏）：根据不同的算法，展示不同的超参数第四栏（自定义参数）：通用参数栏其次是任务执行结果页面，需要根据不同的算法，展示不同的结果页面，这个暂时还没有想清楚。
4.系统改动量4.1现有功能调整模型工程这个上面提到了，需要把工程与计算框架的关联关系去掉模型训练这是现有功能最大的调整，创建任务的界面，以及任务执行界面，需要根据不同的算法，完全做到自定义配置及展示。不同的算法会涉及到不同的前端界面展示，以及后台与微服务的调用等等。模型评估这次我们需要做一个完整的模型评估功能，因为现实情况下，针对不同的问题，我们需要选择不同的评估算法，远不是之前做的那一种topk。模型格式这个主要是算法架构考虑，但后台系统也需要做调整，因为我们要支持不同的模型格式，去部署。支持数据库数据集我希望能在我们的界面上选择一个数据库数据集
4.2新增的功能数据处理这是一个比较独立的功能，具体需要做哪些事，上面已经提到了。jupyter之所以把它也当成一个新的功能，是因为之前做的太简单了，这次要完全重新做。
4.3算法架构的调整算法架构这块其实是最大的变化：
算法架构需要提供所有主流算法（机器学习、深度学习）的支持算法架构需要明确底层实现框架，明确系统支持哪几种计算框架及组件需要明确统一的建模算法，做一定的抽象需要提供保存数据集、读取数据集（有可能是数据库）、保存模型、记录指标等等通用的内置函数支持需要统一模型文件格式最重要的，需要考虑两条路线下，会有哪些坑是我没有考虑到的最后提一点大家可能没有注意到的，就是现在将数据处理单独剥离出来，就将数据与建模过程解耦了，这是很好的。以前的mnist示例中，其实是将数据处理也一并写在训练的脚本中，这个并不合理，也不利于脚本抽象！