人工智能与设计（4）：人工智能对设计的影响人工智能改变设计的原理是什么意思啊

发表时间：2023-07-05 07:28:02

人工智能与设计（4）：人工智能对设计的影响

前面通过三篇文章《人工智能的发展和定义》、《面向用户的人工智能系统底层设计》和《人工智能时代下交互设计的改变》介绍了人工智能基础、系统底层设计以及上层应用的设计。本次更新的最后一篇文章关注的是人工智能与设计的关系，这应该是设计师们最想了解的部分；这篇文章是为后期调研人工智能对不同设计领域的影响做个铺垫，欢迎阅读。

人工智能对设计的影响

人工智能的普及是否使设计师失业引起了业界的一股躁动。要回答这问题，应该先弄清楚设计与人工智能的关系，我们可以从本质开始入手。

有人认为设计是为了追求美，和艺术没什么区别；但设计做久了，会有更深刻的理解：设计是为了解决问题。那么设计是什么？在网上看到了一句对设计的定义：设计是有目的的创作行为。这句话解释得非常棒。目的代表主体所追求的目标，创作是把自己的灵感、经验和感觉表达出来。设计是为了解决问题说明设计是为了解决问题的创作方案，设计为了追求美说明设计是为了解决设计对象美感和实用性的问题的创作方案，所以后者属于前者。

艺术是为了将自己的灵感、经验和感觉等主观感受表达出来。设计和艺术的本质在于是否拥有目的；目的是一种观念形态，反映了人对客观事物的实践关系。相比起艺术，设计更多是一种人对客观事物的实践方式，在考虑主观因素的同时也要顾及外界等客观因素。

从定义上来讲，人工智能是使机器代替人类实现认知、识别、分析、决策等功能，其本质是为了让机器帮助人类解决问题。也就是说，人工智能在一定程度上也是一种设计，其目的是为了帮助人类解决问题，创作出与人类思维模式类似甚至超越人类思维模式的解决方案。

问题的复杂程度会直接影响解题人的最终方案，因为人的知识、经验、精力是有限的，很少甚至没有人会长时间都在解决同一个问题。当解题人找不到最优方案时，他们给出的方案具有一定的主观性，甚至有可能错误的。但也有例外的时候，人有神奇的技能-灵感和直觉，它们可以短时间内帮助人类找到解决问题的捷径。

目前的人工智能属于弱人工智能，暂时无法拥有人类的主观能力：灵感、感觉和感受，也没有人类的跨领域推理、抽象类比能力，只能依赖数据和经验来创作或者解决问题。但计算机比人类拥有三个优势：

可以在极短时间内完成超复杂的运算；可以长时间不厌其烦做同一件事，而且不会累；记忆力好，积累的经验可以被随时调用；没有情感等主观因素，比人类更公正客观对待每个方案。

这四个优势可以使计算机在解决超复杂纯智商难题时不断探索新方案，不断积累经验，不断优化方案，通过穷举和对比，找出最佳的方案。人工智能在不同的领域积累的经验增加，它对事物间关系的洞察力也会逐步提高，它也会不断反哺提高自己解决问题的能力。当人工智能的运算能力、分析能力、洞察力超越人类时，人工智能在很多领域提供的解决方案会上优于人类。

设计除了解决问题外，还有对美的理解和创作。美感是对美的体会和感受，它是复杂的，它包含了历史、文化、环境、情感等客观和主观因素，所以不同时代、阶级、民族和地域，有着不同文化修养和个性特征的人对美的定义也不同。不同人之间有着不同程度的美感能力，有些是先天因素影响，取决于个人的感知能力；有些是在社会实践等后天因素训练出来的。

由于弱人工智能缺乏人类的主观感受和推理类比能力，以及缺乏对当代世界和社会的文化和环境的理解能力，所以弱人工智能对美感一无所知。人工智能不懂美感不代表人教不懂会机器生产美感，就像托福和雅思，即使英语不太好看不太懂文章在说什么，只要懂套路，考生也能考出一个还行的成绩。

图片处理应用Prisma通过深度学习将一张图片的风格特征分析出来，毫无保留迁移至另外一张图片。

阿里鲁班系统通过深度学习来量产Banner，设计师将自身的经验知识总结出一些设计手法和风格，再将这些手法归纳出一套设计框架，让机器通过自我学习和调整框架，演绎出更多的设计风格，上亿的Banner通过素材进入该框架后批量拼装而成。

来自微软亚洲研究院的研究员与清华大学美术学院的艺术设计专家让AI接手了繁杂专业的图文排版设计工作，他们提出了一个可计算的自动排版框架原型。该原型通过对一系列关键问题的优化（例如，嵌入在照片中的文字的视觉权重、视觉空间的配重、心理学中的色彩和谐因子、信息在视觉认知和语义理解上的重要性等)，把视觉呈现、文字语义、设计原则、认知理解等领域专家的先验知识自然地集成到同一个多媒体计算框架之内，并且开创了“视觉文本版面自动设计”这一新的研究方向。

以上案例说明人工智能即使不懂审美，也可以替代人类生产可被公式化（规范化）的设计。可被公式化的设计说明这些设计是已成熟的，有规律的(模型)、受限制的(参数)、可量产的。如果不想被人工智能的美感设计领先，设计师的美感设计应该是创新的（未成熟未被发现规律的），包含更多元素的（更多复杂参数如历史、文化、环境、情感等等）。

人工智能与设计师的关系

设计是一个用处非常广泛的动词，可以搭配不同名词成为各种专业术语，例如程序设计、架构设计、交互设计、UI设计、建筑设计、材料设计等等。但设计师更多是指处理好人与设计对象之间的关系，提高体验满意度的职业，例如室内设计师是为了提高人在室内的居住质量；服务设计师是为了提高人在服务流程中的满意度；交互设计师是为了解决人与计算机的交流问题；UI设计师是为了升华人与计算机的交流体验。

上文已提到，人工智能在解决超复杂纯智商难题上最终会超越人类，而且可以生产出可被公式化（规范化）的设计，例如符合规范可批量生产的平面设计、符合规范已成熟的网页和移动端交互设计。但对于人工智能，设计师不用过多担心被取代问题，因为设计师的工作是为了提高体验和满意度，体验和满意度都是主观的，这是人工智能很难去衡量的。既然人工智能也是一种设计方案，那么设计师可以利用人工智能这工具创造出什么价值？

1.在互联网和移动互联网时代，由于产品用户量大以及技术的限制，产品无法针对每位用户在不同场景下的需求进行设计，所以产品功能只能绝满足大部分用户都有的核心场景；还有每位用户的审美能力的差异，设计师只能考虑用更简洁的设计语言来满足大部分用户的基础审美。在人工智能的帮助下，产品有能力做到根据用户的使用场景和行为分析出用户的当前诉求，并提供相应服务。人工智能为个性化服务提供了基础，个性化服务意味着要考虑更多关于该名用户的特点，包括文化，经历，心理等因素，如何设计能更满足该名用户，这是一个全新的机会和挑战。

2.人工智能为艺术型设计师带来更多机会。进入个性化时代的产品基本满足用户需求，相同类型的产品结构和功能会越来越接近，能为产品带来活力和差异的除了自身的底层技术基础，更多是艺术型设计师的理念和风格，以及自身品牌。就像时尚品牌优衣库和Gucci，单件商品两者的品牌和设计产生所带来的利润差距巨大，人工智能产品也可以做到。

3.人工智能使产品的使用成本降低，信息架构扁平化，整体体验提高；但个性化设计意味着需要考虑更多元素。简单和个性化貌似矛盾，如何保持产品简单可用又能突出个性化，这也是一个全新的机会和挑战。

新的设计对象

计算机的普及和难以使用，催生出交互设计这个术语，交互设计专门解决计算机如何更好地与用户交流互动的问题。交互设计师在设计过程中总结出一个新术语：以用户为中心的设计，在设计时密切关注用户的体验和感受。用户体验设计这个术语逐渐扩散到各行各业，它所带来的价值让各个企业明白提高体验的重要性，并着手优化自家产品服务，到后面也衍生出服务设计等专业术语。

产品体验不好，用户还有其他替代选择，所以大家开始关注用户体验。但现在用户体验设计存在着一个局限性：它设计对象仍然是产品，它只关心用户在使用产品期间的体验，不关心产品对用户其他方面的影响。这是可以理解的，因为企业间之间存在着竞争，以及互通数据分析数据需要非常高的成本。所以产品体验好了最大收益自如是产品和企业，并非用户。

辛向阳教授提出了一个更领先的观点：EX-ExperienceDesign，以用户经历为中心的设计。简单点说，生活中每天发生的琐碎小事不会被记住，例如吃饱睡饱；但特殊的经历会被记住，例如在迪士尼公园的路上突然跑出来一群鸭子，你会记住那次惊喜。UX构建的是每一件小事，EX构建的是用户经历，基础是每件小事之间的联动。EX更多关注全局性，就像迪士尼乐园把控全局体验为游客带来惊喜。EX是个性化服务的基础，它会从多个维度包括用户画像和行为、场景和环境、上下文的理解（上一件事情发生了什么，后面安排的事情）等为用户创造价值。

当设计对象从产品转变到用户经历时，设计师不能只考虑自己的产品体验，还要从全局出发考虑产品与产品之间的联动，考虑不同场景和突发事件时自己的产品如何服务用户。产品从单体变成一块拼图，需要考虑上下左右的关系并兼容，这对设计师来说是一个全新的挑战。

如何设计人工智能产品

人工智能为个性化服务带来新的可能，要想设计一款更友善更像人类的产品，我们先看看人类是怎么交流的。人与人之间的交流分为双向交流和单向交流，双向交流包括了问和答，单向交流包括了指令、陈述和接收信息（单向交流指对方可以给予简单的反馈，甚至不需要提供反馈）。问和指令不太一样。问是因为自己不知道，希望对方能提供相关的完整答案（这里忽略明知故问和反问两种带有目的性的情感交流）；指令更多是指上级对下级的指示，他知道对方能做什么，希望对方能帮助自己完成该事情，对方完成后的反馈可能非常简单，一句“OK”“搞定”“对不起，做不到”已经能表达清楚是否完成，其反馈不需要太多内容。陈述的意思是我将信息传达给你就完成了，你可以不给予我反馈，例如演讲、授课、讲述内容等等。接收信息包括了听觉、视觉、触觉，甚至是嗅觉和味觉。

随着信息的增加，当信息超过人类的记忆容量时，人类通过交流获取信息的效率变慢，他们开始将信息通过刻画的方式记录保存下来，到后面逐渐出现了书籍。随着技术的发展，人类获取信息的方式也在逐渐增加，收音机、电视、电脑、手机逐渐出现在我们的生活中，我们先来看看人与媒介交流信息时有什么不同，再来推断人工智能能做什么。（这里的人更多是指接收信息，并非发送信息例如写书、写文章的人）

从表格可以推断出，人工智能要做到与人正常交流需要在问、答、指令、接收信息四个方面有所深造。问更多是指人通过语音、文字等对话方式提出问题（语音是最快最直接的表达方式），计算机理解问题后给出正确完整的答案。答更多是指计算机需要通过如传感器、用户事件监听等隐形手段获取更多的用户数据。指令更多是指用户通过语音和界面发出指令，计算机接收并理解指令后完成一系列的操作。接收信息更多是指人给出问题和指令后，计算机如何提供正确的答案和反馈。

如果牵扯到辈分、利益等关系，人类之间的交流务必产生情感上的交流，在交流时最能表达情感和态度的是态度和语气，人和机器交流也毫不例外。人工智能需要学会与人类交流时，根据不同场景和对话内容采用合适的态度和语气。在交流中，机器更多承担的是下级以及朋友的角色，直白点就是要你干嘛你就干嘛(准确性)；要你干嘛就赶紧做(即时性)；说你不对就得改(自我学习和修正)；不能顶嘴(礼貌)；尽管我对你很苛刻，你也要对我像好朋友一样(性格一致，需要人物设定)。

结合交流方式和情感表达，设计一款面向用户的人工智能产品时需要注意以下几点：

人物设定：为了避免在交流中过于死板或者态度语气时常变化过大(态度语气时常变化过大叫精神分裂)，设计师应该针对不同用户群体为人工智能赋予不同角色与性格。例如针对二次元宅男群体，赋予人工智能傲娇、元气、电波女等性格；针对成熟女性群体，赋予人工智能温柔的管家角色；尽量不要赋予人工智能老板、父母、老师等角色，因为指令他们干活时，会让人类感觉到突兀。准确性和即时性：需要听懂用户的问题和指令并立刻给出准确的答案或反馈。准确性和即时性是人工智能的最基础能力之一，多次回答错误显得人工智能很蠢，用户会逐渐对人工智能失去信心和信任。在技术不成熟的时候，可以引入天然呆、冒失女等具有智商不高但又很懂卖萌的角色性格弥补技术上的缺陷，这样可以通过打情感牌减少用户愤怒甚至失望的情绪。自我学习与修正：当人工智能不知道答案和操作时，除了给出抱歉的反馈外，更多需要的是通过自我学习能力来修正自己的数据库，避免多次惹恼用户。礼貌：及时回复、不重复说话、不反驳、不打断用户的说话和操作都属于礼貌问题，就像人类一样，有礼貌的人工智能才会受用户欢迎。

做设计时需要考虑更多数据的交互，关于人工智能底层数据设计请阅读第二章的《下一代人工智能助理》和《人工智能数据仓库》。在设计架构时需要考虑更多产品上下游之间的联动，以及通过接入通用型API和组件完善人工智能的数据库，关于移动端信息架构设计、通用API和组件请阅读第三章的《流的设计》和《新型API和组件》。对话是人工智能的基础，更多对话体验设计请阅读《GoogleActionsDesign》。人工智能为个性化设计提供了基础，设计师需要考虑更多场景下的个性化服务，也可以引入更多风格的个性化设计，彰显出用户的魅力。

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

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。

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。

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。

人工智能技术的主要应用及基本原理

1：什么是人工智能？

人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学，是认知、决策、反馈的过程。人工智主能它是用来研究使计算机来模拟人的某些思维过程和智能行为（如学习，推理，思考，规划等）的学科，主要包括计算机实现智能的原理，制造类似的人脑智能的计算机，使计算机能实现更高层次的应用。

2：人工智能的研究价值

列如繁重的科学和工程计算本来是要人脑来承担的，如今计算机不但能完成这种计算，而且能比人脑做得更好、更快、更准确，因此当代人不再把这种计算看作是“需要人工智能才能完成的复杂任务”，可见复杂工作的定义是随着时代的发展和技术的进步而变化的，人工智能这门学科的具体目标自然也是随着时代的变化而发展的。它一方面不断获得新的发展，另一方面又转向更有意义的，更加困难的目标。

3：人工智能的细分领域有哪些？

人工智能技术应用的细分领域：深度学习、计算机视觉、智能机器人、虚拟个人助理、自然语言处理—语音识别、自然语言处理—通用、实时语音翻译、情境感知计算、手势控制、视觉内容自动识别、推荐引擎等。

(1)：深度学习

深度学习作为人工智能领域的一个应用分支，不管是从市面上公司的数量还是投资人投资喜好的角度来说，都是一重要应用领域。说到深度学习，大家第一个想到的肯定是AlphaGo，通过一次又一次的学习、更新算法，最终在人机大战中打败围棋大师李世石。百度的机器人“小度”多次参加最强大脑的“人机大战”，并取得胜利，亦是深度学习的结果。

深度学习的技术原理：

1.构建一个网络并且随机初始化所有连接的权重； 2.将大量的数据情况输出到这个网络中； 3.网络处理这些动作并且进行学习； 4.如果这个动作符合指定的动作，将会增强权重，如果不符合，将会降低权重； 5.系统通过如上过程调整权重； 6.在成千上万次的学习之后，超过人类的表现；

(2):计算机视觉

计算机视觉是指计算机从图像中识别出物体、场景和活动的能力。计算机视觉有着广泛的细分应用，其中包括，医疗成像分析被用来提高疾病的预测、诊断和治疗；人脸识别被支付宝或者网上一些自助服务用来自动识别照片里的人物。同时在安防及监控领域，也有很多的应用……

计算机视觉的技术原理：

计算机视觉技术运用由图像处理操作及其他技术所组成的序列来将图像分析任务分解为便于管理的小块任务。比如，一些技术能够从图像中检测到物体的边缘及纹理。分类技术可被用作确定识别到的特征是否能够代表系统已知的一类物体。

(3)语音识别：

语音识别技术最通俗易懂的讲法就是语音转化为文字，并对其进行识别认知和处理。语音识别的主要应用包括医疗听写、语音书写、电脑系统声控、电话客服等。

语音识别技术原理：

1、对声音进行处理，使用移动窗函数对声音进行分帧； 2、声音被分帧后，变为很多波形，需要将波形做声学体征提取，变为状态； 3、特征提起之后，声音就变成了一个N行、N列的矩阵。然后通过音素组合成单词；

(4)引擎推荐：

不知道大家现在上网有没有这样的体验，那就是网站会根据你之前浏览过的页面、搜索过的关键字推送给你一些相关的网站内容。这其实就是引擎推荐技术的一种表现。Google为什么会做免费搜索引擎，目的就是为了搜集大量的自然搜索数据，丰富他的大数据数据库，为后面的人工智能数据库做准备。

引擎推荐技术原理：

推荐引擎是基于用户的行为、属性（用户浏览网站产生的数据），通过算法分析和处理，主动发现用户当前或潜在需求，并主动推送信息给用户的信息网络。快速推荐给用户信息，提高浏览效率和转化率。

人工智能的工作原理是什么

原标题：人工智能的工作原理是什么？

人工智能的工作原理是：计算机会通过传感器（或人工输入的方式）来收集关于某个情景的事实。计算机将此信息与已存储的信息进行比较，以确定它的含义。计算机会根据收集来的信息计算各种可能的动作，然后预测哪种动作的效果最好。计算机只能解决程序允许解决的问题，不具备一般意义上的分析能力。

简介：

人工智能（ArtificialIntelligence），英文缩写为AI，它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，但没有一个统一的定义。人工智能是对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。但是这种会自我思考的高级人工智能还需要科学理论和工程上的突破。

科学介绍：

展开全文

1、实际应用

机器视觉：机器视觉，指纹识别，人脸识别，视网膜识别，虹膜识别，掌纹识别，专家系统，自动规划，智能搜索，定理证明，博弈，自动程序设计，智能控制，机器人学，语言和图像理解，遗传编程等。

2、学科范畴

人工智能是一门边沿学科，属于自然科学和社会科学的交叉。

3、涉及学科

哲学和认知科学，数学，神经生理学，心理学，计算机科学，信息论，控制论，不定性论。

4、研究范畴

自然语言处理，知识表现，智能搜索，推理，规划，机器学习，知识获取，组合调度问题，感知问题，模式识别，逻辑程序设计软计算，不精确和不确定的管理，人工生命，神经网络，复杂系统，遗传算法。

5、意识和人工智能

人工智能就其本质而言，是对人的思维的信息过程的模拟。返回搜狐，查看更多

责任编辑：

人工智能的原理是什么

别小看这电梯，也挺“智能”呢。考虑一下它需要做哪些判断：

上下方向

是否满员

高峰时段

停止时间是否足够

单双楼层，等等

需要提前想好所有的可能性，否则就要出bug。

某种程度上说，是程序猿控制了这个世界（程序猿表示压力好大）。

可总是这样事必躬亲，程序员太累了，你看他们加班都熬红了眼睛。于是就想：

能不能让电脑自己学习，遇到问题自己解决呢？而我们只需要告诉它一套学习方法。

大家还记得1997年的时候，IBM用专门设计的计算机，下赢了国际象棋冠军。其实，它的办法很笨——暴力计算，术语叫“穷举”（实际上，为了节省算力，IBM人工替它修剪去了很多不必要的计算，比如那些明显的蠢棋，并针对卡斯帕罗夫的风格做了优化）。计算机把每一步棋的每一种下法全部算清楚，然后对比人类的比赛棋谱，找出最优解。

一句话：大力出奇迹！

但是到了围棋这里，没法再这样穷举了。力量再大，终有极限。围棋的可能性走法，远超宇宙中全部原子之和（已知），即使用目前最牛逼的超算，也要算几万年。在量子计算机成熟之前，电子计算机几无可能。

所以，程序员给阿尔法狗多加了一层算法：

A、先计算：哪里需要计算，哪里需要忽略。

B、然后，有针对性地计算。

——本质上，还是计算。哪有什么“感知”！

在A步，它该如何判断“哪里需要计算”呢？

这就是“人工智能”的核心问题了：“学习”的过程。

仔细想一下，人类是怎样学习的？

人类的所有认知，都来源于对观察到的现象进行总结，并根据总结的规律，预测未来。

当你见过一只四条腿、短毛、个子中等、嘴巴长、汪汪叫的动物，名之为狗，你就会把以后见到的所有类似物体，归为狗类。

不过，机器的学习方式，和人类有着质的不同：

人通过观察少数特征，就能推及多数未知。举一隅而反三隅。

机器必须观察好多好多条狗，才能知道跑来的这条，是不是狗。

这么笨的机器，能指望它来统治人类吗。

它就是仗着算力蛮干而已！力气活。

具体来讲，它“学习”的算法，术语叫“神经网络”（比较唬人）。

原理如下图：

（特征提取器，总结对象的特征，然后把特征放进一个池子里整合，全连接神经网络输出最终结论）

它需要两个前提条件：

1、吃进大量的数据来试错，逐渐调整自己的准确度；

2、神经网络层数越多，计算越准确（有极限），需要的算力也越大。

所以，神经网络这种方法，虽然多年前就有了（那时还叫作“感知机”）。但是受限于数据量和计算力，没有发展起来。

神经网络听起来比感知机不知道高端到哪里去了！这再次告诉我们起一个好听的名字对于研（zhuang）究（bi）有多重要！

现在，这两个条件都已具备——大数据和云计算。谁拥有数据，谁才有可能做AI。

目前AI常见的应用领域：

图像识别（安防识别、指纹、美颜、图片搜索、医疗图像诊断），用的是“卷积神经网络（CNN）”，主要提取空间维度的特征，来识别图像。

自然语言处理（人机对话、翻译），用的是”循环神经网络（RNN）“，主要提取时间维度的特征。因为说话是有前后顺序的，单词出现的时间决定了语义。

神经网络算法的设计水平，决定了它对现实的刻画能力。顶级大牛吴恩达就曾经设计过高达100多层的卷积层（层数过多容易出现过拟合问题）。

当我们深入理解了计算的涵义：有明确的数学规律。那么，

这个世界是是有量子（随机）特征的，就决定了计算机的理论局限性。——事实上，计算机连真正的随机数都产生不了。

——机器仍然是笨笨的。

今年（2018）初的时候，某家公司曾在电视上演示了他们利用人工智能诊断医学影像的准确率，比医生人工判断得还准。引起一片惊讶。

其实这是多正常的事呀。起重机发明出来之后，当然比最强壮的大力士能举起更重的物体。

人类医生的诊断，是对发病机理、化验结果的结合，而机器仅仅是根据医生对大量化验结果的历史诊断，估算出近似值。虽然表面看起来还算准确，一旦有个新病出来，它又不知道怎么处理了。

——机器能不能模拟整个人体系统？器官、血液、心情、饮食、劳动强度？模拟它们之间的相互联系，进而懂得发病机理？

——不可能。因为人体系统具有量子效应——随机的宏观表现，更不用说人的自发意识对疾病的影响了。

人类能认识内在规律，机器只能总结表面规律。

其实，我们连什么是智能、意识，还都完全没弄清楚。只有几个哲学家争论，科学界对此毫无进展，连下个定义都很难！谈何机器拥有自主意识？

笔者的观点很明确：

AI将极大提高生产力，是没什么疑问的，就像曾经的内燃机一样。也可能会产生破坏——但不是它自主破坏的，而是使用不当，杀人不是刀的错。

可以肯定的是，它绝无可能统治人类。

就目前来看，还是回家造人，是真正的智能。

接着而来的问题是——

AI会导致失业潮吗？

第一次工业革命中，新型纺织机抢走了纺织工人的饭碗。当时，工人们还真的联合起来闹了一闹，砸了一些工厂和机器。

现在是不是又到了那个阶段？自从电脑出现，人们就一直在担心电脑抢了自己饭碗。

其实，经济学中有一个简单粗暴的定理：

人的欲望和需求是无止境的，当技术的进步加大了低端产品供给时，需求会自然向高端移动。

有需求就会有就业。（注：需求=有购买力的欲望）

结构性失业一直在持续，但另一边，新的工作岗位也一直在增加啊。因为：

在AI人工智能革命中，一定有新的玩意出现。

哪些职业容易被替代呢？从“人工智能=数学计算”可知：

那些算法越明确的工种，机械化、重复化的劳动，越容易被取代。

这里要注意一个问题：有些工作，看起来需要复杂的智力劳动，比如银行柜员：

她亲切地向你问好，细致地询问你的需求，处理一大堆文件、签字。怎么看，都不是一个机器人所能胜任的。

但根据“需求路径理论”（以后发表，请关注《功夫读书》），这个过程不是被替代，而是被跳过。这种职业也是危险的。

职业的结构性调整，过程是渐进的。并不会说AI产品一下子全部铺开，大量工人一下子失业。

理论上讲，没有绝对不可能替代的工作，大势浩荡，无法阻挡。只能是加强学习，加大教育投资。但别被那些哗众取宠的文章给吓到，焦虑不安。

更彻底一点的办法也有，那就是拥有资本。这个以后再讲了。

人工智能之路http://www.cnitedu.cn从这里开始返回搜狐，查看更多

人工智能原理（书籍推荐）

《人工智能原理》新书推荐王文敏，《人工智能原理》，高等教育出版社，2019年8月28日出版。

内容简介

本书对人工智能学科及其研究领域进行抽象，梳理出一个人工智能的研究体系，然后再按照这个体系讲述其原理，再穿插一些实例。全书分为五篇、共十四章。这五篇分别是人工智能的体系、求解、规划、学习、以及推理。体系篇中有两章，即绪论与体系论。其次，求解篇分成四章，讲述搜索问题、优化问题、博弈问题、以及约束问题求解。第三，规划篇中有两章，分别是时空关联规划和决策理论规划。第四，是学习篇，论述机器学习的三个视角、然后再用三章分别讲述学习的任务、范式、以及框架。最后是推理篇，用两章分别介绍知识表示和推理机制。本书可作为人工智能、计算机及其相关专业的高年级本科生或研究生的教材，也可作为人工智能的参考书，供有关教学和科研人员使用。

作者简介

王文敏于1989年3月获得哈尔滨工业大学计算机博士学位。毕业后任哈尔滨理工大学副教授、哈尔滨工业大学副教授等。1992年出国并在日美知名公司担任主任研究员、主干研究员、中国区总工、研发部部长等。2009年底应邀回国，任北京大学深圳研究生院教授、北京大学数字视频编解码国家工程实验室广州研发中心副主任。2011年6月任华南理工大

人工智能与设计（4）：人工智能对设计的影响 人工智能改变设计的原理是什么意思啊