本文从:1.机器智能的特征，2.机器智能在设计领域的进展，3.人脑的设计构思特征 VS 机器设计特征以及4.未来人机共生 四个方面展开论述。

首先需要强调，“人工智能”这个词更准确地讲应该是机器智能，也就是说今天计算机所体现出来的某种智能。那么机器的智能是怎么来的呢？当然不是它们本身进化、思考的结果，而是某些人赋予的，具体讲，谁设计了人工智能的程序，谁就赋予了机器智能。（参考《吴军的谷歌方法论》第194封信 ）。

1、机器智能的特征

（1）AI是基于历史经验的， 无法预测未来；

现在的AI技术主要依靠历史数据和智能算法（以历史数据训练智能算法得到模型），因此，它是基于历史的预测，是历史的再现，比如Google的无人驾驶汽车，之前训练时没有用路上的沙袋训练它，以至于它第一次遇上沙袋时因为不认识而躲闪，而不是像人一样直接压过去。

另外，Mathematica 软件创始人史蒂芬·沃尔夫勒姆有个概念叫“不可约化的复杂”，即凡是真正的复杂系统，都不能通过一个更简单的模型来替代或模拟，如果想要知道复杂系统的发展，唯一的方法是等着它自己演化到未来，因为复杂系统涉及到的变量太多了，有些因素我们根本无从想象和触及，更不用提将这些变量都转化为计算机的输入。而现在的AI 技术都是基于数据分析，依赖历史经验的，所以根据不可约化定理，本质上它是无法预测未来的。（参考《精英日课》）。

（2）AI是基于相关关系，不能像人一样推知因果；

现在的人工智能算法是基于统计的，它不具备人的推理能力，也就是它没有因果概念。这一弊端将大大制约其发展。因此，为了让机器具备像人一样的推理能力，学者们正在利用知识图谱建立各行各业的网状知识体系，让机器对整个行业建立“认知”，形成“理解”。

（3）AI，或者说计算是确定的，而意识是不确定的。前者来源于机械运动，而后者来自于“测不准原理”。因此，很多人猜想未来机器是否会进化出像人类一样的意识，纯粹是毫无根据，因为这两者根本就不是同一个问题。（参考《吴军的谷歌方法论》第004封信 ）

（4）AI的特征是客观确定的，而人却同时具备主观信息。任何一件事情，一定都蕴含着非常复杂的信息，而如果要将这件事转化为机器的输入特征，那必然会丢失其大量的信息维度。比如一个苹果，在一个人的眼中会蕴含其真实感官信息、苹果公司的联想、图灵的悲剧、牛顿的万有引力、亚当夏娃的故事，甚至几天前自己在水果店买水果时发生的故事等等，但当我们要将这个苹果输入进机器时，其信息必然只会有那么几种。进一步，当我们要将自己的主观目的转化为机器的客观标准去实现时，其信息量的减少将会使其给出的方案往往是灾难性的。举个极端例子，假如你有一个强人工智能的机器人，你对机器说，我要快乐。这总没问题吧？机器一计算，让你最快乐的方法，就是把头割下来，泡在特定的溶液中，从此你就没有任何烦恼了，只剩下无边的快乐，好不好？你说，不行，不能把头割下来，你不能伤害我的身体。机器说，也行，那就把你关在家里，还是给你放化学气体，也能让你快乐。你说，不行，不能限制我的行动。机器说，也行，那就给你做一个迷宫，你在里面只能遇到快乐的事，让你不高兴的事，一样也没有。你说，不行啊，那不是真实的世界，机器最后说，让你觉得这是真实的世界不就行了吗？这对超级人工智能有多难？你看，不管你设定多少条件，机器都可以把它换算成客观标准，然后彻底执行，最后一定都通向你不愿意看到的结果。（参考逻辑思维第745期）

与机器智能的客观和确定性对应的是，人类的另一个优势，是足够“复杂”。菲茨杰拉德说过，“同时保有两种截然不同的观念还能正常行事，这是第一流智慧的标志”。但在计算机的世界中，万物非黑即白，这就意味着它们不懂得博采众家所长。“试错”和“复杂”，这两项能力都可以后天增强。人类的进化，都是基于基因变异，也就是“出错”而经过环境选择进行的，机器并不会犯错！也就意味着机器不会进化。（参考《智识分子》）

机器评估和人评估时用到的指标不一样。人会用主观的，感性的指标，而机器只有客观理性指标。人会试试食物的硬度，看看颜色，或者再测量一下食物内部的温度。而机器，如微波炉，它只能做自己能做到的——测量温湿度，它利用温湿度来推论烹饪的程度。对于鱼类和蔬菜，这个方法好像没问题，但对其他食品则并不尽然。（参考唐纳德●诺曼《未来设计》）

（5）机器对外界的觉察与人不一样，它们欠缺比较高层的目标，而且它们无法理解必须与其互动的人的目标和动机。

机器与人有着本质上的不同：它们在某些方面比较强，特别是速度、动力和一致性，另外一些方面，像社交技巧、创意和想象力则比较弱。

机器还欠缺同理心，即它们的行动对周遭的人会引起什么样的影响。这些机器与人的差异，尤其是社交技巧和同理心，正是问题的症结。更重要的是，这些差异也是冲突，是最根本的问题，不是简单快速地修改一下电脑程序逻辑，或补充一个感应装置就可以解决的。（参考唐纳德●诺曼《未来设计》）

（6）机器的硬件和动物的身体有很大区别。机器大都由零件拼装而成，有许多直线、直角和弧线，还有马达、显示器、控制器和线路等。生物更多是柔性的：由组织、韧带和肌肉等组成。大脑可以进行大规模的并行运算，或许经由同时进行的电化学反应集中进入平稳状态。反之，机器的大脑——或更正确地说，机械的信息处理比生物大脑运作得更快，但很少进行并行运作。人类的大脑强而有力、可靠且具有创造性，尤其擅于形态辨识（pattern recognition）。我们人类比较具有创造性和想象力，尤其能适应改变中的环境。我们能从异中求同，且用类比扩展的方式将概念发展至新的知识领域。再者，人的记忆虽然不是很精确，但是能从事物中发现关系和类似性，机器则不能看出类似之处。最后，人类日常运用常识快速而强大，而机器并没有普通常识。（参考唐纳德●诺曼《未来设计》）

（7）人工智能的边界

世界上有很多问题，其中只有一小部分是数学问题；在数学问题中，只有一小部分是有解的；在有解的问题中，只有一部分是理想状态的图灵机可以解决的；在后一类的问题中，又只有一部分是今天实际的计算机可以解决的；而人工智能可以解决的问题，又只是计算机可以解决问题的一部分。因此，其实目前人工智能所能解决的问题真的只是世界上问题的很小一部分。（参考《吴军的谷歌方法论》第004封信 ）

2、机器智能在设计领域的进展

在机器辅助，甚至“生成”设计的过程中，阿里鹿班已经能达到阿里P5工程师的水平，这是一个质的进步，甚至在大部分领域已经能完全碾压大部分设计师了。就其设计原理而言，主要分为四步：首先通过人工标注的方式，对原始图层做分类，整张平面设计图可分为背景、蒙版、区域修饰、主体、文字等部分，再对这些元素做标注，即设计专家提炼设计手法和风格，并以数据的形式让机器“理解”。这部分的核心是深度序列学习算法模型；其次是建立元素中心，即建立元素库，让机器在学习了设计框架后对图像做特征提取和分类。第三，设计系统，即在设计框架上构建虚拟画布，类似棋盘，然后让设计出的系统把元素中心的元素填充进棋盘。这里采用强化学习技术。最后，做设计的评估。鹿班的设计团队收集大量设计成品，从“美学”和“商业”两个方面进行评估，不断地训练鹿班。（阿里的鹿班设计机器人具体是什么样的？）

除了鹿班这种直接“生成”的机器智能，鹿班团队将其成为“可控的视觉内容生成系统”。目前，同济大学范凌等学者针对当前AI在设计方面不断正在构建一种“教机器理解设计的数据集”—DesignNet。其数据集包括：（1）作品：超过 20 万张平面设计作品图文件；（2）元素：设计图包含的 100 万个设计元素标签数据（包括风格标签、情感标签等）；（3）框架：近 1000 套结构化平面设计框架/排版数据的抽象和提炼；（4）评价：近 10 万条设计作品评分数据。并在以上数据库的基础上，训练机器理解设计风格&情感（评价器）、设计评价（评价器）、设计框架（生成器 + 检查器）。（DesignNet:一个教机器理解设计的数据集）

以上为主要的“工具”型发展现状，在AI与设计的关系方面，我们普遍认识到，并不是机器会取代人类设计师，实际上，“我们不应该从人VS机器的角度理解机器智能，而应该从人与机器整合的角度理解—不是人工智能（A.I.）而是延展智能（X.I.）。” 也即，真正的设计师与AI的关系并非对立，而是协同，是一种人机共生，共同进化的关系。为此，同济大学范凌提出脑机比概念（详情见 从无限运算力到无限想象力的10个思考），弱化了人工智能对设计师的取代，而是二者的深度结合！其中，2017年调查产品设计脑机比为1.56，其中人脑61.54，机器39.46；平面设计脑机比为1.68，其中人脑62.64，机器37.34；

在研究层面，清华大学未来实验室高峰博士研究开发的道子系统。道子系统收集八万张椅子的照片，设计了31万把椅子，并最终选择了其中一把，再由人类的设计师进行细化完成。这已经不再是我们之前理解的计算机“辅助”工业设计了，而是“颠覆”了！

3、人脑的设计构思过程 VS 机器设计过程

（1）人脑的设计过程与特征

在一个典型的产品设计过程中，我们一般都会经过以下几个步骤。前期的需求确认：设计调研-问题确定-需求分析-需求确认。中期的方案实现：方案构思（思维发散）-方案确定（方案收敛、评估）-方案建模渲染-方案工程化（多学科交叉）。后期的方案评估和迭代：方案评审（多人评估）-优化迭代（反馈，修改，反馈，修改…）。

在前期的需求确认阶段，我们面对的往往是复杂和感性的问题，是对未知问题的挖掘和定义。如对火车站买糖葫芦老太太的需求分析，只有经过深入调查和研究，我们才有可能发现老太太最大的需求是（1）我不能喝水，不能上厕所；（2）害怕城管没收她的东西。而这些需求，简单的数据分析是无法判断出的。而在方案实现阶段，人在创意发散阶段是随机的，念头的跳动是“不可知的”，既有相关关系层面的联想，也有毫无征兆的之前经验的某个念头，更有对未来风格的展望等；在方案确定时对方案的评估。（此处需深入探究大脑评估方案的机理）

（2）机器设计过程和特征

机器的设计有几个主要特征：解构、量化、可计算化。在具体的设计过程中，首先，机器要将设计转化为“可计算”的问题。如色彩可转化为RGB、CMYK等数据；位置可转化为x,y,z,h等数据；平面设计中可将其解构到元素层级，如背景、主体、构图等，或者将其解构到更深层次的像素。其次，要建立大量作品的数据库；然后，构建设计“生成”及评价系统；最后，不断地训练，调参以迭代优化性能。要注意的是，以上内容仅仅是设计的表达，而非设计的全链路。

从以上机器设计的逻辑而言，目前机器智能在设计方面仅仅是人类现有设计作品和经验的再次重组，但无疑，利用机器智能，我们能迅速调用过往的经验，一键生成设计作品。另外，机器智能的“感官”要比我们人类丰富和深邃地多。我们人类只能通过五种感觉器官获取外界信息，而机器能通过各种各样的传感器获取不同维度的信息。比如MIT研究的“物理场交互”的概念。交互设计，就目前的理解，是对我们交互方式的设计，其对象是我们的行为，而物理场交互的理念则将设计的对象深入到了事物的物理性质，甚至原子层面。其实我们现实世界的物体，如桌子，在物理层面携带着多种维度的信息，如其振动的频率、波形等，这些信息都可视为交互的语言。这些物理性质的表象是人与物展现在我们感官层面的东西，比如颜色、形状等。因此，物理场交互，特别是原子场交互，应该是最底层的交互方式，以这个视角看我们现在的交互设计，即对人与物行为方式的设计，则仅仅是冰山露出水面的部分了！因此，从机器智能的视角展望未来，它能看到我们人类所无法触及的层面（甚至一直到希格斯玻色子层面），机器智能的潜力还非常广阔。

4、人机共生，各出所长

对目前机器智能而言，设计前期的需求定义这种较为复杂、感性、难以量化和计算的工作，它会很懵。因为人们的需求具有模糊、隐幽、变化不定等特征，特别是情感需求，这些需求难以清晰地结构和计算，因此是目前机器智能的短板。而我们人类却在这一方面得天独厚，我们能从用户模糊的用词中，结合其生活环境、过往经历、性格喜好等特征，挖掘出用户自己表达不出、想不清楚，甚至潜藏在其潜意识最深处的需求。这是我们的优势，也是未来我们需要发力的点。

同时，由于机器智能是基于历史经验的，它不能预测未来，不能引领未来，因此，以设计驱动创新，对市场的引领，也是需要人类设计大师去完成。

机器智能是唯技术论的。科技固然是人类前进的重要推动力（第一生产力），但惟技术论却很可能会使我们丧失温情和意义。而设计作为技术与人和社会之间的桥梁，是让我们回归人性的。因此，设计要关注技术如何更好地推动社会进步，如对生态的关注，以及对残障人士，弱势群体等的关注，以及我们自身的意义探索。

但无疑，随着机器智能在设计领域发挥越来越大的作用，其所能替代的工作岗位势必会逐渐消失，如简单的平面设计工作等。未来很可能是头部市场，即一名专家级设计师+AI设计助手就能满足很大的市场需求（因为核心的工作完成后，就可以通过机器智能迅速复制和扩大自己的工作；）。因此，在未来AI越来越智能的时代，我觉得作为设计师，在认识层面要：（1）了解人工智能在设计领域的发展现状，并关注最新进展；（2）思考机器智能和人类设计各自的优劣势，努力提高机器所不能触及的能力，并利用好机器；（3）发现现有问题，不管是行业问题还是社会问题，用设计结合AI的方式加以解决。比如在日本，有人通过人工智能和图像识别，经过简单的拍照、数据记录和分析，为咀嚼困难的老人提供更加方便食用的食谱建议。这些都是用人工智能解决很实际的问题。

要做到以上3点，那么在实际能力方面：（1）要学会基本编程和机器学习算法，最好能自己模拟开发一个机器解决现实问题的案例，这样对机器智能结合设计的理解会更加深入。(参考例子:我来发了一款负体验的AI产品）！（2）更进一步，学会将个人能力、经验转化为结构化描述的数据，即转化为计算机可计算的问题，用机器加以实现，从而解决一个大问题，例如范凌等人提出的“从无限计算力到无限想象力”，设想将想象力量化，从而释放想象力，并让想象力成为新的生产力（来源:从无限运算力到无限想象力的10个思考）,正如当初香农用比特这个概念将信息量化一样，从而引发信息革命一样。