printf("Aiiiii Art Center!");
人工智能在设计领域的学术讨论才刚刚开始没多久,当然这也非常符合人工智能的发展规律:通过多种应用的发展终将回归学术探讨。范凌博士于2021年5月份aai艺术与人工智能国际论坛上以“商业中的创意人工智能”为主题的演讲中提供了一种新的视角,结合他自己的背景将人工智能和创意研究放到商业实践中。这一举动同样也怀有“获取理论支持”的期待。范凌博士认为在科技与创意、学术与企业之间的确存在张力,这导致了一种不确定,这种不确定带有强烈的复杂度与可能性,探索便由此发生。
(详细论坛视频请点击文末“阅读原文”)

Source: Ling Fan’ s slides
Source: Ling Fan’ s slides范凌博士毕业于哈佛大学和普林斯顿大学,分获博士和硕士学位。2015年回国,创业前范凌在美国加州大学伯克利分校任设计、人机与环境交互助理教授。他曾在中国中央美术学院和挪威奥斯陆建筑与设计学院任教,担任哈佛大学商学院创新实验室的设计与互联网研究员,普林斯顿大学建筑、城市和基础设施研究中心中国研究员等。2016年被聘为同济大学高等研究院特聘研究员和博士生导师,并成立同济 x 特赞设计与人工智能实验室,该实验室致力于设计与数据、算法和⺴络的跨学科应用研究和人才培养。2017年,该实验室发布了全球首份设计和人工智能报告。当人们在谈论人工智能的时候,效率问题总被首先提及。许多图表都在明确无误地宣告哪些工作正在或者即将被人工智能取代。显然在现实情况中,一部分工作对人来说非常简单,而另一部分工作对人来说却非常困难,譬如学术研究等。Source: Ling Fan’ s slides范凌博士使用四个象限来讨论这个问题:横轴(从“简单”到“困难”)——纵轴(从“可交由机器完成”到“不可交由机器完成”)组成四个区间。Source: Ling Fan’ s slides而“自动化”就可能出现在左下角,属于“可交由机器完成的简单工作”的部分。Source: Ling Fan’ s slides不过对于研究人员来说,右上角和右下角——即“不可交由机器完成的困难工作”(增强)和“可交由机器完成的困难工作”(赋能)——更具有意义。人机协同带来增强和赋能,人类得以高效完成原先无法实现的事。Source: Ling Fan’ s slides
假如把这种能力分为左脑和右脑,那么左脑的人工智能发展(即更高、更快、更强、更安全、更有效等诸如此类的量化性因素)非常迅速,其成果也相当优异。Source: Ling Fan’ s slides
但同样必须看到,人工智能在右脑层面也在迎接众多挑战,例如人工智是否能让人变得更聪明?更有想象力?更幸福、更快乐?而像“外卖骑手活在算法里”这样的问题也是右脑讨论的典型问题,一切种种都在现有的社会和政治语境里展开。Source: Ling Fan’ s slides
这个世界上有两种创意,第一种是通过创意来表达自身,比如一个没有创作技能,却仍有创作欲望的小孩,毫无疑问这是艺术创作,这称作为“表达型创意”;另外一种则是“功能型创意”——通过创意的形式来实现功能性目的,例如消费的转化。基于一种武断的、不严谨的分类,前者可被视作为艺术,后者则被视作为设计,驱动两者的力量并不相同。Source: Ling Fan’ s slides人类开始有意识地保持和发展创造力实际上还不到一百年时间,这种自为自知的行动,其历史非常短暂。伴随媒介工具的更新迭代,创意变得越来越为人所意识,某些事情在悄悄发生变化:原先更依赖本能的创作逐渐转变为工具辅佐性的创意行为,同时,创意工具被越来越频繁地分享和调用。Source: Ling Fan’ s slides
实际上,在人工智能时代,深邃的哲学和学术问题依旧在持续;但另外一方面,有一个重要的问题被抛出来,这甚至可能是一个社会性问题:人工智能时代语境下,人类是否能够通过使用更低成本的创造性工具、从而更具创造性,实现人类创造力的最大转化?创意工具的智能化与创意能力的大众化是可能的吗?而创意是否能够成为数据资产?Source: Ling Fan’ s slides范凌博士创建的公司特赞(Tezign),将内容的科学性和数据的艺术性结合起来。
Source: Ling Fan’ s slides
从2015年至今,该公司经历了典型的互联网创业公司路线。从研发、场景到商业价值之间的闭环被成功打通。对纯学术研究来说,特赞模式可以获取闭环数据,商业和研发形成链路,资本的支持也帮助研究人员更顺畅地从事人工智能的应用型研究。Source: Ling Fan’ s slides
特赞所搭建的企业级创意内容数字平台,其目的在于把创意生态中的创作者相关信息数据化,视创作者作为内容生产的主要能力,提供给中大型企业使用。创作者产生大量内容之后,流转至消费者形成体验,并且最终产生从消费体验到内容创作的数据闭环,搭建数据集(Design Net)是其中的第一步(该数据集已有一小部分被开源)。Source: Ling Fan’ s slides
过去十年来图像识别技术越来越成熟,已经可以识别出典型的、具像的、显而易见的显性元素,但Design Net希望能读取、识别出图像中潜藏的创意元素,“教会”机器理解字体、风格、情感等设计信息——支撑这一切的则是背后大量的标注数据。此外,通过数据集还可以理解商业场景里的复杂内容。除图像的风格、元素、构图、类型信息外,还会标出行业、效果、目的、作者等元数据(Meta Data)。元数据作为“数据背后的数据”,形成能被机器调用的各种场景算法,这也成为企业重要的数据资产。Source: Ling Fan’ s slides研究人目前已经积累了大量数据创意内容,构建起大规模创意数据库。许多企业也已经开始使用这套系统来建立自己创意内容的数据资产管理。值得一提的是,研究人员还会对创意能力、创意团队、创意工作者进行数据标签,希望通过对工作能力的数据化,让每一个创意方都能在系统里被“找到”。只有被找到,才能被看到,只有被找到,才能被调用。研究人员由此建立了一套知识图谱。知识图谱即运用图数据库的方式,将创意能力、作品和场景三者关联,可以基于任何一个场景找到匹配的创意能力,反之亦然。通过知识图谱的方式,创意能力很容易被高效调用起来,这背后则存在一个庞大的关系网络。Source: Ling Fan’ s slides
一些运营性的内容是不是可以交给机器或者至少通过人机协同来完成?在中国大概有三百万人类设计师日复一日重复性设计海报或头图,研究人员希望在已经积累的大量数据集数据资产基础上,用机器重组和繁衍内容,帮助企业更高效完成内容审查,而不需要让人类设计师花费大量精力做机械化工作。目前可以做到70倍左右的效率提升——由于这种工作对审美要求并不是很高,只要达到基础质量水平即可。Source: Ling Fan’ s slides
“人类应当去从事更多延展性工作”——在这样的价值中,人在低效重复中解脱出来、获得解放。依赖人机协同,更大规模的提质和提效能够实现。甚至当机械介入以后,千人千面的个性化、优化测试已经能够实现,而这原来在创意行业不仅不可能甚至是抵制的,“小步快跑”在创意设计行业里已经被大家广泛接受。当然研究人员也会完成一些试探性的社会工作,在2019年在上海进博会上,人工智能活化了上海的“金山农民画”。人工智能令农民画成本更低,参与感更强,人工智能是否能够保存和发展非遗——这一切都处在探索阶段。Source: Ling Fan’ s slides
学术讨论的意义依旧重大,而现实也给予人们世纪空间去做出改变,预测未来最好的方式就是创造未来,商业中的创意人工智能还处在非常初期的阶段,相比学术的丰富来说,应用层面的讨论还很单薄,但永远值得期待。
