从自动化到类人化，智能设计能成为一个合格的设计师吗？

从规则实现开始，再到数据驱动，最后实现真正的需求驱动，智能设计将经历三个发展阶段：自动化、智能化和类人化。人人都拥有一位专属个人设计师的场景似乎并不遥远。

站在web3.0时代的前夜回看设计史，不难发现从第二次工业革命开始，每一次的技术革新都对应着设计需求市场的扩大和设计范式的变化，从工业革命、计算机革命、到信息革命，科技赋能使得设计的门槛不断降低，效率不断提升。设计师从手执画笔到云端协作，通过创意和技术的碰撞释放出巨大的想象力。

第四次工业革命被称为『智能化』时代，人工智能技术早已给设计行业带来了一系列变化，而随着这一周期中技术与产业的持续深度链接，设计的智能化也将是一个必然的演进趋势。

从当前的技术实现可能性来看，我们认为根据智能化的级别，智能设计可以划分为自动化、智能化和类人化三个主要发展阶段。下面我们依次来看看，在这三个阶段中，智能设计的内容、特点，以及面临的问题。

1.0阶段：自动化设计

智能设计的襁褓期，机器只会执行，但不会创新。

没有在线化、自动化、数据化的基础，就无法实现智能化。正如自动驾驶汽车需要学习大量多样化、来自真实世界的驾驶训练数据集，智能设计的第一个阶段，是需要把设计师人工设计的过程完全自动化，通过自动化的服务提高设计的效率和规模，收集大量设计和用户数据，同时打磨在线化的设计服务流程。

在这一阶段，以最基础的Logo设计为例，机器通过AI技术生成 Logo 原型，帮助用户以较小的成本进行 Logo 设计。设计师的经验被总结成一条条的策略和规则，机器按照设定的算法和步骤，从品牌解析、标签匹配到风格/色彩/元素组合，自动地完成整个设计过程并完成方案交付。只有当用户不满意机器设计结果时，才由人工设计师介入，完成后续的各项任务。

虽然从技术角度来看，1.0阶段还算不上一个真正的AI设计系统，但是从用户视角来看，还是会带来很多惊喜，机器似乎真的具有了某种程度的智能，能够根据输入的简单文字给出相应的设计结果。

1.0阶段的特点是弱数据强规则。机器的设计技能主要是由人明确指定的，而不是机器自己从数据或经验中学到的。在这个阶段，虽然满足了一部分用户的基本设计需求，但存在显而易见的两个问题：

问题一是，设计师的有些经验过于复杂和感性，甚至连设计师自己也无法描述，很多神来之笔更是”只可意会不可言传”。这些经验目前都还无法靠人工总结的方式来形式化，更无法被机器处理。

问题二是，随着策略和规则条目的增加，系统日趋复杂，仅靠人工很难完全理清各个条目之间的复杂关系，系统的可维护性变差。从而造成基于规则的一个重要优势：可解释性，也会逐渐变得有点儿说不清了。

2.0阶段：智能化

在被喂养了足够的数据之后，机器学会从0-1的创造。

2.0阶段的核心问题是智能化，在这一阶段，机器不仅要学会识别和理解文本和图像数据中的语义信息，而且还要学会自主生成一些素材和版式，也就是从0到1的创造。

前面说过，智能化的第一步需要解决数据问题，这是一个滚雪球一样不断迭代的过程。1.0阶段积累的设计和用户数据，在2.0智能化阶段作为启动或基础数据，将起到非常关键的作用。而根据1.0阶段跑出来的工作流，人工智能算法在内容检索、素材组织、生成模型等关键流程中发挥重要作用。

1.内容检索。

即用户输入关键词或样例图片后，系统可以从数据库里查找到类似或相关的素材或版式。这是一个相对比较成熟的技术，有许多解决方案，之前主要使用人工或自动标注的方式，现在，嵌入表示的效果很好，逐渐成为主流技术。甚至有人说：Embedding is all you need.

我们可以使用收集到的文字、图片、用户需求等数据资料，分别训练一个各自领域的嵌入表示模型，各自得到一个编码器，然后对于每一个主体，使用其相应领域的编码器，可以得到一个其专有的、稠密的、表示其特征和空间坐标的表征向量。当一切都向量化后，很多问题就变得很直观、很容易处理了。像检索、匹配、推荐等问题都可以通过向量之间的数学运算，或领域之间的变换来实现。而且，这通常比基于关键词的检索方式要更高效、更准确。

如上图所示，具有相似性质的词汇可以映射到相似位置的向量位置上，这样能表示出词汇之间的相似性

2.素材组织

即从所有可能的排列组合中，找出一个或多个最终效果最好的方案来。这里有两个问题需要解决，一个是如何评价结果的好坏，另一个是如何缩小搜索最优解的空间。

如何评价结果的好坏

解决第一个问题的方法可以考虑用Contrastive Learning的方法使用样本库数据训练一个美学评估模型，然后对输入的每张图片都可以给出一个评分，用以判定结果的好坏。这个可以参考一下Appu Shaji 2016年的一项工作。如果结合清华陈雨兰2020年的论文，还有可能在二维的图像美学空间，对图像的美学风格做出定量的描述，进一步增强设计结果的可解释性。

如何缩小搜索最优解的空间

解决第二个问题的方法有随机采样、离散化搜索空间、SeqGAN等方法。2016年微软有篇文章提出，先对可选元素聚类，再对聚类的抽样进行组合。当然这些方法可以组合起来灵活使用。

3.生成模型

优秀的设计作品凝结了设计师的经验和智慧，机器可以通过对样本库中样本作品的对比、自监督等学习方法从数据中发现规则，构建自己的经验体系，沉淀为解决各种问题的AI模型。之后，不仅可以对设计好的作品进行评分，还可以在给定需求的情况下，设计创作一些新的布局或版式。

我们知道，设计师成长的过程包括理论学习、作品鉴赏、实战经验三个重要部分。样本库对于机器来说同时涉及前两个过程。另外，样本库里的样本经过原子化拆解后，会得到很多素材和规则，包括图片、文字、配色、字体等，可以进一步丰富素材和规则库的内容。

除了挖掘样本库中的隐藏知识外，一些显性的经验和知识，比如1.0阶段里的策略和规则等，则可以进一步沉淀为设计专业知识图谱。这些知识图谱，可以在检索和组合优化过中发挥重要的作用，大幅提高系统的效率，并且帮助机器避免一些常识性的错误。

The Linked Open Data Cloud上的media&music关联数据集

2.0阶段的特点是强数据弱规则。随着数据的积累，系统的设计能力会越来越强，用户的满意度也会随之越来越高。

但是在这一阶段，机器与用户的交流方式仍以固定格式的表格或选项为主，反馈渠道和方式也相对有限。虽然在设计方面具备了一定程度的创作能力，但本质上仍然是一个提升效率的辅助工具，在很多方面或场景，特别是需要沟通的地方，仍无法完全替代传统设计师的位置。

3.0阶段：类人化

无时不在的AI设计师，从沟通到设计的无缝对接。

随着Web3.0时代到来，我们不难发现，创作者经济也从以前的“集中化”逐渐过渡到“个性化”，创作的形式和载体也因Web3.0的开放性而逐渐打破平面，步入多元。智能设计也将过渡到3.0阶段——类人化，此时可以将智能设计看做是一个私人设计师的概念，借用Personal Computer的命名，可以称作Personal Designer。

设计是有目的的创作行为，最终目的是为了满足人们的某种需求。只有获得用户的认同，引起共鸣的设计，才有可能成为一个好的设计。而要真正理解其真实需求与背后意图，必须保证与用户之间畅通的交流渠道，这一点甚至是在很多人类设计师中都需要耗费诸多精力。

除了Logo、包装、海报、广告等商业场景和真实生活场景，甚至是在元宇宙中，都存在设计需求，可以说设计无处不在，无时不在。因此，理想的设计系统应该7×24小时待命，随时为用户服务。对于普通用户，3.0应该是一个很懂他的专职设计师；而对于设计师，3.0的应该像一个可以随叫随到的得力助手。