AI可否替代设计师？还差得很远。| 前沿关注

★ ★ ★

这是YanYan公众号的第081篇文章

你好，我是YanYan，欢迎回来。

前段时间，有篇文章在我的朋友圈里刷屏了，题目是《AI设计替代人类设计师？风景园林黑科技——LandscapeGAN》，这是一项来自北林赵晶老师团队的最新研究成果。

文章展示了一项神奇的AI技能，只要输入场地大致的布局方案（色块），系统就可以实时自动生成平面设计方案。

我看到有小伙伴感慨，引入AI后，大概是不需要那么多设计师了，以后只需要顶尖的概念师和程序员就可以了。

也有小伙伴调侃，方案出那么快，可甲方爸爸我没那么多钱建啊~~

如果你还没有看过这篇文章，建议你点击下方链接，先快速浏览一遍。

AI设计替代人类设计师？风景园林黑科技——LandscapeGAN

接下来我想和你分析一下，这项研究到底有没有那么神奇？AI能否替代人类设计师？

评价这项研究的前提是，我们要先把它的原理搞明白，根据文章中的信息，研究者一共使用了三种AI算法——Pix2Pix、CycleGAN和StyleGAN3。

我尽可能用咱们普通人都听得懂的语言，向你解释清楚。

01

三项算法的极极简介绍

这三项算法，有一个共同的源头——GAN(Generative Adversarial Networks)，中文翻译为“生成对抗网络”。

那什么是“生成对抗网络”呢？

随着AI深度学习的不断发展，我们知道AI已经具备了非常强悍的信息搜集、信息感知、信息处理的能力。但仅有这些是不够的，发明AI的目的是为了模仿人类思维，而人类思维最迷人之处，在于它的创造能力，我们希望计算机不是仅仅能感知到事物，而是能够自己写诗、谱曲、作画、创作艺术作品。

但是GAN的发明者Ian发现，传统神经网络的算法，没办法有效支持AI创作。

他想通过计算机自动生成照片，但使用传统算法生成的图像质量始终不理想，图片模糊、需要大量的训练数据集，耗时耗力，结果还不可控。

为什么会这样？

原因在于AI虽然能生成图片，但它根本不理解图片。你给它看1万张小狗的照片，AI也不知道什么是狗，在它“眼里”都只是一片像素点、一串01字符。把马尾巴认成狗尾巴，这一点都不奇怪。

所以，AI需要有人给它反馈。

Ian想到一种全新的思路，如果不是只用一个神经网络，而是同时使用两个神经网络会不会有更好的效果？一个网络负责生成图片（生成器），另一个网络负责判别图片（判别器），两个网络呈现一种博弈与对抗的关系，帮助AI在一次次迭代中不断进化。

这就是生成对抗网络的基本原理。我们再用一个小例子帮你更形象地理解它。

我们可以把生成器想象成一个古董赝品制作者，他的成长过程是从一个零基础的“小白”慢慢成长为一个“仿制品艺术家”。而判别器则担任的是古董鉴别师的角色，他的鉴别能力也在对抗中不断增强。

仿制者和鉴别师的较量开始了。

最初仿制者还是一个什么都不懂的“小白”，完全凭借自己的心意随意制作产品。面对如此低劣的仿制品，鉴别师一眼就能分辨。在分辨完成的同时，他会将判断结果写成报告：比如做工不精细、颜色不协调等。

第一次对抗就这么完成了，现在进入第二轮，仿造者拿到了鉴别者的判断报告，他认真研读了里面的每一条信息，根据这些信息重新制作赝品。

这一次创作的赝品比起之前的成熟不少。到了鉴别者这边，当他再次拿到赝品和真品时，要重新判断真假，这一次他也发现仿制者的能力提升了，为了区分真假作品，他需要花时间去寻找一些更深入的区别点。在一番努力过后，鉴别师顺利完成了任务，同时继续生成了报告。

同样的步骤一直持续了很多很多轮……

在经历了N次的互相博弈以后，两者在整个训练过程中都变得非常强，造假一方几乎能制作出以假乱真的作品，而鉴别一方也早已是“火眼金睛”了。

最后一次博弈是这样的：仿制者已经完全摸透了鉴别师的心理，虽然他没有见过真的古董是什么样子，但是对古董应该具备什么样的特性已经十拿九稳，对于鉴别师可能的分辨过程也全都了然于心。对于如此以假乱真的赝品，虽然鉴别者拥有“火眼金睛”，但也是无能为力了，他可以做的只能是凭运气猜测是真是假，而无法用确定的理由进行判断。

这也就是生成对抗网络最终的目的，AI可以像人一样创作，它能以假乱真了。

Pix2Pix、CycleGAN和StyleGAN3三种算法，都是在GAN基础原理上的应用深化。

（1）pix2pix算法

pix2pix算法(Image-to-ImageTranslation,图像翻译)，简单理解就是以图译图。很多时候，我们都希望能够通过输入的图像生成我们希望的对应图像。

例如将黑白输入的图像转变成彩色图像，这对于老照片复原会有很大的帮助。

再比如将手绘的草图转化为真实事物的照片。

在赵晶老师的研究中，应该就利用了这个算法。

但是，pix2pix有一个大bug，在训练这个算法时，它只能理解匹配数据的图像转换。

就拿上图从线稿生成彩平为例，我们必须首先喂给算法很多“线稿-彩平”一一对应的图像，让它自己学习，如果线稿和彩平不是一套图，这个算法就识别不了。如果你想将一张风景照，转换成莫奈风格的油画，那它更实现不了了，因为现实中你根本找不到匹配的图。

pix2pix有点“人工不智能”。

这也太费事了，咱能不能不找匹配的图，也能让AI学着画彩平呢？

（2）CycleGAN算法

2017年，有学者研究出了新算法，CycleGAN可以识别非匹配的数据集。

将一张风景照，转换成莫奈风格的油画，要怎么操作呢？简单，只需要把一堆风景照和一推莫奈的画，直接喂给算法就行了，它会自己找关系。

这和画家真实的创作就很像了，画家不正是把自己的风格映射到不同的场景中嘛，画家处理的也是非匹配数据集。

回到赵晶老师的研究，只要喂给这个算法一堆色块布局图和实际的方案彩平，系统就会自己学习、自己找规律，随后我们再输入一张色块布局图，AI就能自动画彩平了。

既然有这么好用的算法，为什么还要搭配使用pix2pix算法呢？

因为CycleGAN算法也有问题，它自己的学习成本有点高。因为我们相当于没有给他设定任何规则，所有都是靠算法自己摸索出来的，所以一方面数据量要够，否则找不出规律来；另外迭代次数会更多，它得慢慢进化，可能循环几百次才能得到我们满意的结果。

相比之下，pix2pix算法的规则是相对明确的，如果我们想从色块生成彩平，那什么色块对应彩平中的什么颜色、哪种纹理，都可以提前人为设定好，算法可以很快按照人的指令，完成图像绘制工作。

（3）StyleGAN3算法

前两种算法，不知你有没有发现什么问题？

问题就是，AI输出什么样的图，完全取决于人们输入了什么，也就是说，AI只是个自动填色的。但是，我们希望AI能在人给定的基础上，多些变化的可能性，而且人还要能操控这些变化。

这就要用到StyleGAN3算法。

原理说起来也不复杂，当我们在使用CycleGAN算法时，其实系统内部已经生成了很多条对应的规则，只不过它是个“黑箱”，我们不知道内部都有啥。

StyleGAN3算法的绝招是，帮我们把黑箱给拆开了。算法可以自动提取、分离生成结果中的某些风格特征信息，通过参数控制使我们能对某一特征进行单独调整，从而实现方案变化的可能性。

好啦，以上就是对研究中提到的三项算法的极简介绍，原理搞清楚了，接下来我们聊聊一开始提出的疑问——AI能否替代人类设计师？

01

AI vs 人类设计师

其实这个问题，研究团队在文章中已经回应了，简单来说就是不可能。

研究团队给出的理由是，AI仅仅是基于大量成熟案例的图面学习，按照人设定的色块，负责填色，哪怕是运用StyleGAN3算法，AI也不过是微调出了一些普世性的方案。而设计要面对的是信息极其多样、且充满不确定性、没有固定标准的任务，AI解答不了不能量化的问题。

我非常同意研究团队的判断，这正是AI介入设计领域时，最大的瓶颈。

除此之外，我还想补充分享两点我自己的看法，供你参考。

（1）AI没有创意

我在精读《设计师式认知》这本书的时候，和你介绍过，创意=遥远想法的连接，创意源于溯因推理，即将并无直接关联的想法或事物，以某种合理自洽的方式连接在一起，使其能够被解释、被接受。

精读《设计师式认知》：设计师，到底有啥不一样？

但AI没有创意。

从风景照片生成油画，这不是创意，它只是归纳了众多油画特征后，演绎到了风景照片中而已，这不算创新。

AI当然会产生数据的随机组合，但AI没办法给出解释。在卢浮宫前放一座玻璃金字塔，只能由贝聿铭老爷子自己解释缘由，AI或许能想到这种组合（数据库足够大且多元），可它只会给你输出更靠谱的“宫殿+模纹花坛”方案。

（2）AI损害多样性

没有创意，这便引出了次生问题，AI会损害世界的多样性。

研究中用到的这三个算法还比较初级，因为毕竟还是需要人画出线稿或色块布局图，AI才可以识别填色，本质上依旧是人在做设计，AI承担了耗时的纯体力劳动。

如果再进一步，AI不需要人给的布局，而是直接根据场地边界，从曾经所有景观设计方案的数据库中找合适的风格，自己出方案呢？想要几何，它就能生成几何；想要自然式，就有自然式。

这样一来，AI是不是就能替代设计师，自己做设计了呢？

确实可以，但我们必须警惕。

表面上看，AI在自己做主、自己设计，而事实上，它只是提线木偶，真正起决定性作用的是数据库。换句话说，AI只是在根据当前情况，重复过去已有的经验。还是举刚才的例子，如果历史上从来没出现过“玻璃金字塔+宫殿”的组合，AI几乎不可能想得到。于是，设计只剩下了枯燥的重复，这些年千篇一律的景观见得还少吗？人类设计师自己，正走在AI化的路上。

依赖AI生成设计，我们很有可能会主动陷入过往的桎梏中。

那说来说去，AI难道就没有一点可取之处了吗？除了节省填色的时间，它还能干啥？

哈哈别急，AI还是很有用的，至少它比人周密。

有一个关于机器学习的经典案例，2012年，美国明尼苏达州的一位父亲，怒气冲冲地投诉塔吉特超市的市场部。因为超市给他还在上高中的女儿，发了各种婴儿衣服、婴儿床的广告。向未成年人卖母婴用品，超市疯了吗？

这位父亲万万没想到的是，他的女儿确实怀孕了。塔吉特超市的机器学习算法，赶在这位父亲之前知道到了这一点。

怎么回事呢？原来，塔吉特超市有各个消费者的消费记录，算法能根据消费习惯对消费者进行分类，找到他们消费行为和生活事件的相关性。

比如说，一位用户同时买了无香型的润肤露和钙镁锌营养品，那她或者她的家人就有很大可能已经在妊娠期了。

AI确实能发现一些人观察不到的隐秘规则。

这对设计的启发是，如果我们喂给AI许多设计大师的方案数据，也许它自己能摸索出一些绝妙的设计方式，这些方式虽然也源于大师作品，但它过于隐蔽，以至于普通设计师此前从未注意到。这对快速提升设计师的水平，还是蛮有帮助的。

只不过如此一来，战场的焦点就不再是人和机器的较量了，而是普通设计师和人机协同设计师的竞争了。

恐怕，我们真得好好思考一下，一位职业设计师，该如何不被人机协同的业余选手击败。

好啦，以上就是今天的全部内容，拜了个拜~~