伴随着資料的爆發和算法技術的進步，人工智能勢必給各行各業帶來深遠變革。設計這個行業兼具藝術的感性和商業的理性，它與人工智能可以碰撞出什麼樣的火花呢？下面我們來一起聊聊在阿裡電商平台上用人工智能做設計的探索和思考。
以下是精彩分享整理：
阿裡之前在設計與AI結合過程中做了哪些嘗試?
我們在淘寶平台上做的事情，比如有營運人員搞一個活動，會找到設計會提很多的需求，要什麼顔色、放什麼商品、寫什麼字，都需要按要求畫出來。淘寶每年雙十一雙十二大促，都有成百上千萬素材廣告要投到線上，對設計師而言是一個非常繁重的工作，但設計深度還是比較淺的，因為它經常是重複的、短期的一些設計成品，可能一個廣告放線上上，投一兩天就結束了，這是過去的狀況。
對于做商業營運的人來說，這樣做廣告圖檔有一個很大的弊端。首先圖檔人力成本；其次是選什麼商品放廣告圖上很糾結；第三是千人一面，一張圖檔放到廣告位裡面，看到都一樣；最後就是點選衰減，比如今天一個活動投到一個點位上，一天不動下午點就掉的很厲害。
我們做一個産品想從設計資料化層面把弊端解決掉，是以把廣告分解成三個層面：主題風格、投放商品和投放文案。設計師負責把主題風格定義好，營運人員去選擇裡面的商品和字，然後我們會有線上合成，把這些商品跟文字、子產品做組合，合出大量的廣告圖檔。可以看到這些廣告圖檔有一個特點，雖然風格是一樣，但是裡面的文字和商品變了，跟過去比不同的是，現在營運人員選一萬個商品，就生成1萬張廣告圖檔。
另外一個很大的變化是，今天每張圖檔背後不再是一張簡單的Banner廣告，背後會帶上兩個對應的，比如一張圖檔會帶上兩個商品資訊。每個Banner裡面帶了兩個商品ID在裡面，這樣就跟整個淘寶資料關聯上了，這樣就可以根據消費者偏好推薦最适合展現的Banner廣告。我們會把這些Banner廣告生成一個投放的連結，放在各個廣告位上，使用者會在手淘各個位置看到這些圖檔。
像這樣一個系統，今天在商業上會帶來一個非常直覺和明顯的價值，我們今天能夠讓一個廣告位的投放點選效果翻倍，能比過去引導的分流能力提升一倍，這是我們過去一年在淘寶平台上得到的一個驗證結論。
去年雙十一期間，大家看到整個手淘最頂部的廣告圖檔，都是我們系統投放出去的。是以我們核心目标是把原來的設計變成資料，把它從一個單純象素圖檔變成整個電商平台上面可被使用和計算的資料。在這個系統裡面，我們的角色不再是一個做設計的人，我們變成一個生産資料的人。原來一張商業廣告隻是網際網路上的圖檔連接配接，不放任何資訊，經過我們做完展現給消費者産生的所有點選資料都是非常寶貴的資訊。
設計資料
設計資料化關鍵的地方是要把原來單一次元的變成多元，這樣得到三個次元資訊再嫁接上底層電商平台更多資料會産生非常大的價值。
建構資料閉環
第二個關鍵的地方是，首先我們把設計标準化了，因為按傳統手工方式做設計，所有設計都是一次性的、臨時的産生一個結果，我們現在把它拆成模闆、文案跟商品以後，其實是被我們做了一次标準化；有了這個之後，我們就可以用機器像流失線一樣去生産大量的Banner廣告，去年雙十一期間，我們累計線上上投放廣告圖檔有1.71億張，這就是機器流水線帶來的價值；最後就是今天産品的模式，包括對營運人員的使用，操作易用性也是很關鍵的，我們要足夠降低生産成本，提高效率，才有可能讓一種新的模式取代舊的模式。
除了以上三點，設計變成資料後，還需要形成一個資料的閉環。商家負責提供原始商品素材的，然後平台上的小二做加工，把一個商品圖變成廣告，再通過機器智能投放，把它分發給不同消費者，最後使用者通過點選消費來為看到的所有資料進行投票。整個過程資料是一個閉環，從最初的生産到加工，到投放到資料的回流，包括持續幫我們提升每個廣告的投放效果，是以資料的閉環非常重要，如果某一步斷掉了，這個系統就很難長期營運下去。
資料化以後帶來很大的價值，線上、可計算。雲計算帶來的價值就是，原來一張設計稿或者一張廣告圖檔做完以後，可能就存在設計師電腦裡面，用完就廢掉了。而當它變成一個線上的系統，經過個性化投放以後，所有資料都會存儲在我們的平台上，而且它是能夠反複去增強的。
舉去年雙十一為例。我們男裝和女裝有兩個活動會場，一共投了兩個素材，一是做了9萬張，一是做了10幾萬的廣告素材。曆次做活動，不管是男裝女裝，隻要同時投放一定是女裝的點選效果好。但是去年雙十一發生一個很好玩的現象，去年男裝有幾天點選超過了女裝，發生了什麼事情？當資料變成線上可計算以後，存在我們的平台裡面做分析，我們看同一天點選這兩個廣告的消費者的性别對比，發現點男裝會場男性使用者是56%，女性使用者是44%，接近一半的女生在點男裝的廣告，反過來看女裝點選絕大部分是女性，男性使用者點這個女裝隻有14%，是以從資料層面來看，其實是女生在點男生的男裝會場。
今天我們有海量的資料線上投放，裡面的資料顆粒度變的越來越細，次元越來越複雜的時候，對整個商業營運還是設計分析，包括未來的改進都能帶來很大的價值。
是以，資料設計化其實就三個關鍵點，就是把設計變成一個多元、閉環、線上可計算的資料資源，這對設計來說是一個很大的觀念轉變。
設計智能化
講了這麼多資料化，那設計跟AI又有什麼關系？
從做廣告圖檔設計這個場景來看，過去其實是一個手工作坊時代，給你多少活就做出多少，到去年為止變成一個機器化、個性化的時代，用機器做生産，用個性化跟消費者的偏好做投放，就變成了千人千面，既然機器能夠幫我們合成這些廣告圖，那它能幫忙設計廣告圖嗎？如果機器能自己設計廣告，它跟設計關聯會有更深的影響，整個設計行業可能也會帶來很大的改變。是以我們就決定起一個新的項目，想把電商的廣告圖檔從機器合成時代變成用機器設計來實作，這是一個很讓人興奮的主意，場景前景非常遠大，但是用AI做設計真的可靠嗎？
完整的答案現在還沒有摸索到，可以與大家分享一半的答案。最開始設想是這樣的，未來一個廣告圖檔，機器設計廣告确定一個商品，确定一個風格給到平台産品，就像用美圖秀秀濾鏡一樣，選一個照片濾鏡就變的很好看了。在我們系統裡面，确定一個要投放的商品，選一個風格，就變成一個廣告圖，而且廣告圖是符合你期望的廣告圖，這是我們最大願景。根據一個商品的原始素材，智能機器人會去尋找跟它相符的背景元素，比如說一個碎花連衣裙，它自己會去分析找到一個跟它的紋理風格相近一個花朵背景。
機器還有幾個能力如下：
- 機器人具備構圖能力，一個廣告構圖總結下來就幾十種，這是可以窮舉的，或者是有規律的。
- 機器人具備自己的配色能力，它能夠學習設計師的配色經驗和配色資料，根據商業需求或者業務場景自己完成配色。
-
機器人具備修飾元素能力，除了背景元素和構圖以外，經常會往裡面放修飾，讓廣告看起來比較熱鬧，或者符合氛圍。
通過這些步驟後，就能夠自己完成一張廣告圖，而且能夠滿足正常的商業需求。
目前我們的進展跟前面描繪的場景差不多，就是選一個商品，然後選一個風格，打幾個字就能合成廣告圖檔，但是目前設計裝置離真正大規模商業應用還有一定的差距，我們還在花時間打磨裡面的資料跟效果。接下來我來給大家講下我們是怎麼做這個事情的，以及過程中踩過的坑和思路。
輸入大量規則讓機器學習設計師方式？
有了這個構想，團隊就着手開始做事，設計師首先做的就是提煉規則，提煉大量的設計經驗跟規則給機器算法，讓他去學。以如圖的廣告為例，背後一些設計規則大概是這樣的，背景主色跟商品要取近似色，文字離商品多遠最合理，還有文字不能直接放在複雜背景上，如果背景很複雜，要墊一個底色讓它看起來更清楚一點。
按照這個方式進行了一個月的探索，發現這條路完全行不通，因為今天設計規則跟它遇到的情況是無窮無盡的，沒法窮舉所有的設計規則跟遇到的判斷。設計師是經過多年訓練才具備這個能力，設計水準越高，經驗越豐富。對機器來說，它今天有可能遇到兩個互相沖突的規則，或者規則沒有學會就會做一個很糟糕的結果，規則太複雜，沒有一個專家系統能夠解決設計的問題。是以後來算法專家跟我們說，你們少點設計套路，多給我們一點資料，因為光給規則，是做不出來我們想要的設計智能的。
于是，我們就換了一個思路，我們不談規則，不指望通過規則讓機器完成學習和完成智能設計。那麼，我們能不能把所有的東西都變成資料輸入給機器，讓資料本身訓練呢？
對此，我們分四個步驟着手來做：
1. 設計資料化：更多元，機器可學習
我們把設計拆借為更細力度的資料。之前我們隻是把資料拆成商品、模闆、文案文字這三層，現在我們想拆的更碎、更細的資料讓機器能夠接觸到，以上面廣告圖為例，我們會把它分成主體、修飾、蒙版、背景，我們把在廣告設計裡面都會用到的設計元素拆解出來，大概分成了6大類，十幾小類，先把這些設計元素标類，這樣機器才知道衣服是主體，黃色是用來區域修飾，藍色的波點是背景，這樣它就知道一張設計裡面有什麼構成，以及它和這些元素組合在一起之後的圖檔風格。這就把資料變成了更細的資料。
2. 資料規模與品質，标注讓機器可了解
接下來就是搜集和生産大規模設計資料，比如我們按5分到1分，把各個水準各個檔次設計東西整理好，按定義好的資料模型标注好一些資料，5分的目前有10萬級别的設計原始資料，讓它标注成機器可以了解的各種格式，機器就知道設計師曆史上做過哪些設計，這樣做能得多少分，機器會基于這個去做，這就是機器智能的原始底料。
3. 機器學習，訓練模型
第三步，當我們拿到大量設計元素後，機器基于訓練發現裡面的模型和規律。這一點與Alphago是有點接近的，圍棋也是在一個網格裡面，一個19×19的棋盤裡面放黑子和白子，而我們設計是在一個網格畫布裡面放各種各樣的建議好的設計元素和類型，隻是我們放的内容不一樣。我們會從前面提供的海量設計資料裡面去提煉出機率和可能性，比如今天我們給它一個撞色風格，給它幾千幾萬個設計素系後，它就知道在撞色風格下，它往這邊放商品的下一步會在下邊放一個黃色原點的機率是非常高的，它從設計裡面訓練出模型後，就會根據曆史資訊自己做決定，我們是按曆史資料裡面得到的機率和模型往裡面填元素。而且，對設計來說，我們要生産一個最終的成品，我們按規定好的步驟走好每一個元素的擺放以後，得到一個成圖，也會給它打分，告訴你做完這是5分的設計，這是3分的設計。目前是通過人的方式給他回報，因為我們沒有一個輸赢的概念，是以我們給它正向和負向打分來完成。
- 生成樹，生成設計結果并評估
當設計遇上AI
最終我們會生成大量的成品出來，有些是機器自己打分，有些是我們專家角色打分，給它一個回報，它就可以從這裡面訓練跟學習出設計的經驗來，這就是我們目前看到的，如果接下來接口不出錯的話，基本原理就是這樣，這裡面的複雜度和坑遠遠不止這些。
這其中很關鍵的是思維變化以及設計資料算法之間的轉化。從一個設計角度看，它可以分四層：
最底層的是美學，我們判斷美醜的一些最基本的美學原理。
再往上一層是各種各樣的設計手法。黃色貓頭那種設計的手法可能是居中對齊手法。
結構層是講所有資訊的擺放。
最上層是表現層，與顔色、紋理、漸變、質感有關，如果變成資料的話，就把它轉化為一些系統可了解的參數。比如風格會分類，結構層表示大小位置就是在坐标、大小、形狀上，我們用圖像特征提取的方式把它識别出來，标注在元素裡面，這樣就變成純粹的資料問題，把設計問題轉化為資料問題，這樣設計和AI之間就能建立一個通道和橋梁。
是以設計智能化，我認為它是設計資料化的一個延伸和更新。資料化是最基礎的理念，變成設計智能就一定需要幾個關鍵點：
1) 能夠建構一套資料模型，把設計轉化為數學模型去解決。
2) 機器基于模型加大量的資料，訓練出自己做判斷的決策能力以及決策的水準。
3) 還有評估，今天機器不知道美跟醜，因為審美難變成一個數學問題。我們通過評估方式解決問題，把審美變成大量的資料，評估資料輸入給機器，讓它基于此去做訓練。但是我們也沒有想明白如何讓機器去評估一個設計成品，是以評估我們下一步會花很多時間去研究和探索。
設計跨界AI
那麼，設計與算法如何協作？設計作為半藝術半功能的東西，跟純數學模型的東西之間是怎麼建立橋梁的？
這是設計的世界，設計師關注風格、形狀、趨勢、美醜。而圖像在算法眼裡是一堆看不懂的數學公式，雖然每個字母都懂，但連在一起就一點都不懂了。是以我們一方面要了解，一方面自己要去判斷，因為這是兩種思維的世界。是以有過工程或者計算機背景，現在又是幹設計的，既懂算法又懂設計，未來一定是非常有前途的。
從專業出發
是以當設計背景跟算法背景合作的時候，首先就是從專業出發，一切資料化，要建立很明确的資料概念；其次我們要有營運專家資料，對機器來說，它需要大量專家專業的知識跟資料告訴它設計是什麼樣的，是以我們團隊目前在為機器人提供所有資料；還有設計知識庫，這個知識圖譜在Banner廣告設計領域下，還是可以被提煉和抽象出變成機器的輔助知識庫，不斷去建構和打磨一些設計知識，形成一個圖譜讓算法來應用。
跨界
我們今天站在自己專業角度跨到算法過程中，可能沒有辦法了解怎麼實作的，但是我們要知道它是什麼原理，要了解算法基礎原理；另外也要了解算法邊界，以目前計算能力跟它的算法水準，它能做到什麼程度，這對我們做這類産品非常重要，我們知道它的能力範圍，友善為門去打磨産品；最後一點，還是要回歸到專業跟使用者的場景下，算法有資料以後能做出好的效果來，但是它并不懂設計的場景，設計流程是怎麼樣的，設計的評估體系怎麼樣，是以我們還是回到場景來看。
努力攻克的問題
下一步努力攻破資料的增強，因為今天的設計資料市面上是很碎片的，而且沒有被資料化，躺在全中國可能幾千萬設計師的電腦和硬碟裡面；
設計評估體系，怎麼評估跟判斷一個設計好壞；
與設計行業結合，設計AI跟現在整個設計行業怎麼結合，怎麼孵化，怎麼能夠變成一個商業産品。這是我們目前探索的，也是一定會拿到結果的方向。
樂乘：超過10年網際網路從業經曆，8年電商産品設計經驗，曾負責淘寶搜尋、無線、雙十一會場等産品設計工作。現負責搭建阿裡智能設計平台，主要專注于人工智能與商業設計結合的研究實踐和産品落地。
本文為雲栖社群原創内容，未經允許不得轉載，如需轉載請發送郵件至[email protected]；如果您發現本社群中有涉嫌抄襲的内容，歡迎發送郵件至：[email protected] 進行舉報，并提供相關證據，一經查實，本社群将立刻删除涉嫌侵權内容。