2019年4月27日，“同济×特赞设计与人工智能实验室”编写的《设计与人工智能报告》在阿里巴巴UCAN用户体验设计峰会上发布。
设计与人工智能实验室联合同济大学设计创意学院、特赞信息技术有限公司、阿里巴巴智能设计实验室联合发布了本报告。
旨在探讨人工智能时代设计师的未来、设计工作以及与设计相关的行业可能发生的变化。
这份报告可以从sheji.ai网站下载。
《设计与人工智能报告》通过对学术文献、技术资料和行业案例的定性和定量分析，从专家访谈、趋势预测、劳动力再分配观察和教育改革等方面，首次构建了设计与人工智能的跨学科问题。
，希望帮助更多的设计师为人工智能时代做好准备。
本报告回顾了数十年设计与人工智能交叉领域的学术文献，调查采访+智能设计案例，采访了50+位设计专家、人工智能专家、法律专家，并发放收集+问卷。
范凌·博士在阿里巴巴UCAN用户体验设计峰会上的演讲报告负责人·范凌·博士是“同济·特赞设计与人工智能实验室”的主任。
他认为：“设计的工作不是追求确定性，而是效益。
人工智能的设计并不是为了获得适当的答案，而是可以制造不确定性，从而激发设计师的灵感。
人类创造的瓶颈在于人类的经验、逻辑和方法”人工智能可以帮助我们超越我们的经验或逻辑或方法，进一步释放人们的创造力吗？设计需要创造力和情感，在智能时代应该在链接人工智能和人性方面发挥更重要的作用，因此，设计与人工智能的关系远比工作替代的关系更深、更复杂。
包括四个部分——工业4.0与设计；为什么设计需要人工智能；人工智能设计的工业实践；1.工业4.0与设计：“人工智能”对于“设计”意味着什么。
政治、经济、技术和人文状况如何？第四次工业革命的到来给传统企业的生产方式带来了巨大的挑战，消费者的需求也变得更加复杂。
阿里巴巴表示：“只有精准，才有未来。
”在新商业时代，精准是商业的核心，也是产品和服务有机会与用户建立有效连接的前提。
需求侧精准发力已经走在前列，人工智能在数据和算法上的突破加速了这一进程。
需求面越来越精准，人也越来越不一样。
但供给侧闭环尚未形成。
现在不同的消费者已经可以看到不同的产品、信息、营销等信息，但在供给端，无论是传统创意服务还是传统创意内容，还处于单向生产输出的状态。
工业4.0用“智能化”手段实现“生产闭环”，最终完成供给侧改革。
设计作为生产过程的重要组成部分，需要智能化，帮助企业实现千人千面的生产能力，为用户提供更精准、更满意的产品和服务，从而提高企业的市场竞争力和盈利能力。
“没有网络化、自动化、数据化的技术，就没有智能”（曾鸣）。
人工智能将作为前提，通过统一的“数据”接口和心脑的“在线”，帮助设计相关行业完成工业4.0的转型。
2、为什么设计需要人工智能？ ——数据、算法和智能对设计所服务的不同行业产生了哪些影响和变化？人工智能领域有一个非常热门的话题——人工智能赋能机器取代人类工人。
麦肯锡提出，任何类型的工作都有可能被机器取代。
基于“工作自动化”这个前提，人与机器的关系将呈现两种可能性：一是机器取代人类，比如翻译等简单的脑力任务；二是机器取代人类，比如翻译等简单的脑力任务；二是机器取代人类。
另一个叫“共同进化”——机器能力的扩展，为人类大脑的成长创造了更多的空间，进而促进了人类大脑的进化。
报告认为，设计行业本质上属于后一类，即“共同进化”。
当机器能够帮助人们承担更多重复性的任务时，就会无限激发人脑的创造力。
设计需要人工智能辅助“人脑-机器”的共同进化过程。
报告考察了广告行业、服装行业、高科技行业等对设计工作深度参与、占设计工作比重较大的智能设计案例，并从这些行业收集了设计师的问卷。
结论总结如下： 1.无论什么类型和经验都需要收集材料和处理信息。
“资料收集和信息处理”占设计师工作量的近30%，而且这一比例不会随着工作年限的增加而减少。
2、虽然设计师总是抱怨很累，但设计并不是体力活。
近70%的设计师人认为工作中的“重复性体力劳动”不足10%，甚至有近40%的人认为工作中的“重复性体力劳动”不足5%。
3、创造力和创造将成为设计师的核心竞争力。
通过麦肯锡模型的纵向预测以及创意创造与脑机比的横向关系对比，我们可以看到，当机器可以承担更多的工作时，人类需要更多地专注于管理、创意创造、沟通等才能继续竞争。
力量。
3.人工智能如何帮助设计？ ——“设计”能否转化为“计算”？有哪些限制和机会？让理性机器尝试理解情感设计过程是这个交叉点面临的一个巨大问题。
自从早期的人工智能专家利用规则和知识库来教机器如何设计以来，人类一直在努力弥合“人机”差距。
只是这一过程始终是单向的。
当人类用自己的语言和思维方式教机器进行设计时，看起来就像是人类的自私——机器长期停留在三岁孩子的水平，很难持续下去取得进步。
教机器进行简单设计所需的人力仍然很高。
改变需要来自人类自我思维的突破。
报告试图从三个维度探讨这个问题：如何激发创造力；如何识别不确定的设计问题；以及如何处理设计元素中“内容”与“形式”的关系。
关于如何激发创造力，Margaret A. Boden（英国萨塞克斯大学教授，创造力和人工智能研究领域的专家）在AI杂志上提出“创造力的三种模型”，从机器的角度理解创造- 组合创造力）、组合创造力和变革创造力。
不同类型的创造代表着不同程度的创新，这些创新是由机器以不同的方式实现的，比如对现有熟悉概念的重新组合，或者在一定约束下探索“解决方案空间”中的其他可能性。
阿里鲁班的智能设计项目负责人乐成表示，机器已经开始产生人类没有教过的设计。
事实上，机器可以承担部分创造性工作，但最具创新性的转换创造目前只能通过“人机”协作来完成。
对于不确定设计问题的判定，米尔顿·格拉泽（我爱纽约设计师）表示，“设计就是消除可能性和自由度”。
当不确定的设计问题“什么是漂亮的网页设计？”时翻译成机器能理解的明确问题“最接近‘美丽网页’的网页是什么”。
该机器可以对获奖网页设计作品进行分析、建模和计算，获得一套完整的评价方法（来自斯坦福大学的Propose案例）。
人工智能不再只是基于逻辑范式的研究。
神经网络（即深度学习）的自学习特性将人类从低效的“规则编程”中解放出来（Geoffrey Hinton，“神经网络之父”），让最善变的设计问题变得可以被机器理解和解决。
关于“内容”与“形式”的关系，PAUL RAND曾说过，“设计是将形式与内容结合在一起的方法”。
EyeEm工程师将图像的内容和形式分离，并使用两种不同的方式对两者进行解构和评估。
这些过程的重要性，除了从机器的角度理解设计，帮助完成微观层面设计的单闭环过程外，还在于其动态性，可以根据设计的实时变化而变化。
场景并输入信息。
只有在生产过程中对数据、网络、算法进行高度赋能，满足宏观层面“精准”和“千人千面”的诉求，才能完成最终的闭环。
4、人工智能构建和设计未来——“人工智能”带来哪些新的设计师角色和设计问题？在现有的智能设计实践中，一个新的设计角色开始出现——“训练师”。
设计师不再被要求提供明确的设计结果，而是设计一个机器如何进行设计的流程。
也许这是一种结构化设计数据和优化算法的方法。
也许它只需要向机器提供有关“好/坏”设计的评估反馈，以帮助机器学习设计。
从狭义的角度来看，随着人工智能和技术的进一步发展，将会出现更多不同的角色，比如设计物理世界的增强现实设计师、专注于物理与机器接口的新交互设计师、以及设计数据的设计师等。
模型和算法。
机器学习，社区和个人之间的环境界面设计。
从广阔的角度来看，人工智能正在进一步推进“设计民主化”的进程。
一方面，设计师越来越像“策展人”和“买家”，而不是“创造者”。
设计师只需输入要求后，像 Autodesk Dreamcatcher 这样的设计工具就可以快速生成数百种设计解决方案。
设计师要做的就是选择他们喜欢的一个，或者不断重组，直到产生最满意的一个。
结果。
另一方面，人工智能不断增强机器的能力，变相进一步降低设计门槛。
那些原本需要设计能力但受限于时间和成本投入的岗位，比如淘宝运营（来自案例），在人工智能和机器的帮助下，变得越来越自主。
这一现象背后隐藏的不仅是设计能力易于获得、设计成本不断降低，更重要的是我们能够提供更批量、更多样化、更“精准”的设计。
写在最后：人工智能在给设计行业带来便利的同时，也给我们带来了一些问题和思考。
例如，法律问题。
人工智能设计作品的知识产权如何认定？人工智能学习是受知识产权侵权保护的设计作品吗？来自法律界和业界的专家给了我们一些答案。
至少目前来看，作品的版权遵循“作品成果”的原则，应该属于使用人工智能的设计师；著作权法不保护“思想”，只保护思想的“表达”，即设计成果。
在这个问题上，法律应遵循的原则是：“授予作者著作权的最终目的不是为了奖励作者，而是为了鼓励创作（郭锐，中国人民大学法学院副教授）。
”知识产权法总是滞后于技术发展（这个问题在法律中普遍存在，因此需要实践驱动的质疑和反思）。
如果机器主动借用其他受保护的设计，现有的“版权合理使用原则”分析是否应该改变，很可能取决于新的诉讼和立法（Benjamin Qiu，乐博律师事务所合伙人）。
比如数据垄断问题。
确实，知识领域将会出现新的垄断模式。
如果您使用 Google 的在线服务器，包括搜索引擎、Gmail、Google 地图、YouTube、Google Drive、Google+（Google 的社交平台）、Android、Google 钱包和 Picasa，Google 会越来越了解您。
而人工智能将成倍提升谷歌的服务能力。
在更狭窄的设计领域，人工智能学习的数据的质量和数量决定了最终的学习效果。
那么未来有没有可能出现“谁掌握数据就是最好的设计师”的情况呢？我们初步猜测，未来可能会出现“设计技能民主化、设计数据垄断”的局面。
设计与人工智能的交叉点无论在理论还是应用上都还缺乏深入的积累。
设计与人工智能实验室认为，越是困难的事情，越需要长期深入的坚持，也蕴藏着最大的爆发力。
如果没有希尔顿教授三十年对“神经网络”的坚持，我们就没有机会见证它今天所爆发的巨大能量。