专访北京工业大学教师刘键：人工智能技术对设计教育的影响
ChatGPT由软件公司OpenAI于2022年底推出的智能对话系统，在科技、教育等领域引发了一系列的连锁反应。为探讨人工智能对设计教育的影响，今天邀请到了北京工业大学教师、设计学博士刘键来进行探讨解答。
记者：刘键老师，随着近来人工智能生成式技术的进步发展，很多行业已经逐步开始将这一技术广泛应用于实践当中，已经对设计师行业有着不小的冲击，您是如何看待的呢？
刘键：首先给出我的观点，未来人工智能将会超越传统设计师，尤其是量子计算机出现后。因为人工智能生成式设计汇聚了海量设计师的智慧结晶，而设计师的经验只是单体智慧，或是通过团队头脑风暴而形成的集思广益方案。其中，平面设计、动画CG、游戏角色设计、交互界面设计、产品外观设计行业是最容易被取代的。
根据目前的数据来看，基于ChatGPT分析，而后应用mindjourney、stablediffusion等生成式技术产出设计方案，它的效率更快，简化设计过程并改善设计成果。尤其是未来ChatGPT大型语言模型接入webofscience、中国知网、国际专利库等数据库后，它可以智能化地理解用户需求和意图，并给出更加专业的回应。
记者：ChatGPT生成式技术在设计实践中是否也有一些不足？
刘键老师：ChatGPT的底层技术是大型语言处理模型，生成式设计的底层逻辑是基于生成对抗网络（GAN）和深度学习技术，这些技术最早可追溯于上世纪80年代。近年来随着智能基础设施的发展，开发者可以积累大量用户偏好数据来让模型生成得更好看，最终实现商业化。就目前而言，它在处理复杂设计方面还是远远不够的，例如面对高精尖产品的外观、结构、人机交互设计之间的耦合设计问题，无法给出一个合理的设计方案。其次，人工智能的设计方法需要把问题抽象为数据驱动的封闭问题，因此，它也无法理解人类设计师可以捕捉到的用户需求和文化细微差别。
记者：最后一个问题，也是广大学子所关心的，设计专业的学生以及行业设计师，应以怎样的姿态迎接人工智能时代？
首先，学生除了掌握设计知识之外，还需要养成阅读高水平学术论文的习惯，以及学习跨学科的专业知识，这对学生而言非常不容易，需要贯通式的跨学科培养模式。当我走上工作岗位之后，在学校的支持下，建立了跨学科的本硕博贯通培养机制。本科阶段，夯实学生的设计技能，并强调多学科知识复合，加入了人工智能编程和智能硬件设计等创新课程，以及与多个国际知名高校建立了2+2本科双学位联合培养机制。硕博阶段，围绕产业核心技术研发需求、国家重大活动的设计需求，强化学生的学术训练与落地实践，培养设计创新思维和解决复杂工程问题的能力。学生在参与这些项目的过程中，取得了非常多的成果，他们获得了专利，参赛获奖，发表了高水平学术论文，收获荣誉，最终能够为国家经济、文化建设贡献自己的力量，也使得他们能够非常自信地迎接未来的各种挑战。
人类自主行动背后的本质和具身人工智能未来的发展
【AI架构实践】企业级应用集成AI大模型架构白皮书/By禅与计算机程序设计艺术&AI禅与计算机程序设计艺术:引用「像生成等；推荐系统：个性化推荐、协同过滤、深度推荐模型等；预测与优化：销售预测、库存优化、价格优化等」企业级应用场景众多，如客户服务、供应链管理、风险评估等。AI大模型可以应用于以下场景：自然语言处理：文本分类、情感分析、智能问答、自动摘要等；计算机视觉：图像分类、目标检测、人脸识别、图像生成等；推荐系统：个性化推荐、协同过滤、深度推荐模型等；预测与优化：销售预测、库存优化、价格优化等。企业级应用场景众多，而随着人工智能技术的发展，越来越多的企业开始应用AI大模型来解决他们的业务问题。
基于GAN的生成模型及其在深度学习中的应用禅与计算机程序设计艺术:WhyGANs?如果你的训练数据不充分，没问题。GANs可以根据已知的数据并生成合成图像来扩充您的数据集。可以创建看起来像人脸照片的图像，即使这些脸不属于给定分布中的任何真实的人。这不是不可思议吗?从描述生成图像(从文本到图像合成)。提高视频的分辨率，以捕捉更精细的细节(从低分辨率到高分辨率)。即使在音频领域，GAN也可以用于合成高保真音频或执行语音翻译。这还不是全部。GANs可以做更多。难怪它们在今天如此强大，如此受欢迎!
基于GAN的生成模型及其在深度学习中的应用禅与计算机程序设计艺术:GAN(GenerativeAdversarialNets)是用对抗方法来生成数据的一种模型。和其他机器学习模型相比，GAN引人注目的地方在于给机器学习引入了对抗这一理念。回溯地球生物的进化路线就会发现，万物都是在不停的和其他事物对抗中成长和发展的。生成对抗网络就像我们玩格斗游戏一样：学习过程就是不断找其他对手对抗，在对抗中积累经验，提升自己的技能。
基于GAN的生成模型及其在深度学习中的应用禅与计算机程序设计艺术:GAN（GenerativeAdversarialNetworks，生成对抗网络）是一种生成模型，由生成器（Generator）和判别器（Discriminator）两个部分组成。GAN的目标是利用生成器生成与真实数据相似的数据，使得判别器无法区分真实数据和生成数据。GAN的核心思想是博弈论中的“对抗训练”（AdversarialTraining）。生成器和判别器之间存在一个博弈过程，生成器生成数据，判别器判断数据的真伪，并给出对生成器的评价。生成器根据判别器的评价不断更新自己的参数，提高自己生成数据的质量，使得判别器无法区分真实数据和生成数据。判别器也不断更新自己的参数，提高自己判断数据真伪的能力，使得生成器生成的数据越来越接近真实数据。
基于GAN的生成模型及其在深度学习中的应用一枚可爱的程序女孩:读完获益匪浅