来源：特赞Tezign（微信号：Tezign）
采访：张自灵 赵洋
随着人工智能时代的到来，设计与人工智能的纠葛，艺术与科技的博弈，越来越频繁地现身热门话题榜。而在设计人工智能领域，阿里巴巴已经开始加速探索。
就像那句广为流传的“Talk is cheap, show me the code”，他们也真的在去年“双11”期间，show 出了 1.7 亿由阿里的设计人工智能产品“鲁班”设计的 banner（广告横幅）。所以，怀着对科技既畏又爱的心，我们找 “鲁班”的产品设计负责人乐（yue）乘聊了聊。
阿里巴巴AI设计项目负责人乐乘（吴春松）
Q= 特赞 Tezign
A= 乐乘
Q: 请您先自我介绍一下吧？
A: 我在阿里花名乐乘，是淘宝 UED 的产品设计师，也是阿里人工智能设计产品“鲁班”的负责人，我们做的事情是人工智能技术与商业设计结合，并且落地成商业产品。
Q: 您之前的专业就是设计吗？在阿里多久了？
A: 不是的，我大学是学建筑环境，07 年毕业后“不务正业”进入体验设计行业。我们这一批做交互的人很多不是科班出身，有很多心理学、工业设计背景的。我大学时开始接触互联网，自己设计网页，也做过站长。毕业后，我先在一个媒体网站做了两年交互，09 年加入淘宝，也就是阿里开始实施“大淘宝”战略的时候。那会儿体验设计在国内刚刚兴起，腾讯和淘宝两个 UED 团队在圈内影响力很大，专业度很高，机缘巧合，最后选择了淘宝。
Q: 加入阿里之后的经历是怎样的？
A: 我已经在阿里工作 8 年了，前几年主要做搜索，后来开始做手淘。2015 年“双11”后，我们在内部发起了一个人工智能设计的项目，主要开发的产品就是“鲁班”。我们是大公司内部创业加研究新技术的团队，随着产品和团队逐渐壮大，现在团队演进为“阿里智能设计实验室”。
阿里智能设计实验室 Logo
Q: 这个团队成立的契机是什么？
A: 团队其实是自下而上发起的，在 15 年的“双11”我是会场项目负责人，跟工程和算法两个团队有很密切的合作，也在“双11”期间建立了深厚的“战斗感情”。
在 15 年之前的“双11”，商品推荐都是人来控制的，由运营决定给用户推荐什么产品，而 15 年那次“双11”，是阿里第一次基于算法和大数据，为用户做大规模的、个性化的商品推荐，叫做“千人千面”，是阿里流量分发模式很大的升级和转型。
“双11”结束后，我们（设计、工程和算法团队）就聚在一起，商量下一年要做些什么。我们当时想，我们已经做到的个性化推荐，但都是基于白底图商品推荐，能不能往前迈一步，让强营销导向的广告资源位的设计也“千人千面”呢？
从纯商品个性化跨到广告资源位个性化，中间几个关键的技术点打通之后，我们就着手做了。
“鲁班”做出来的banner
Q: 都是哪几个关键技术点？
A: 一是图像算法“抠图”。因为高质量的广告设计需要把商品图片抠出来，放到精美的设计主题里。以前都是设计师给商品抠图后再做设计，现在我们用机器做海量设计，就得让机器来做这个事情。我们跟阿里搜索部门做图像切割的算法团队合作，处理海量的商品自动抠图。
第二点是把设计变成“数据”。一张广告设计图片是像素组成的“信息”，不是“数据”。我们利用机器把商品、文字和设计主题进行在线合成，这样每张广告图片就带上了商品信息，可以根据消费者偏好进行个性化投放。所以鲁班产品上线初期，我们请设计师根据活动主题做了大批量风格确定的模板，证明了这种模式投放效果可以大幅提升点击率。
第三点就是让机器学习设计。靠“人肉设计模板”度过了第一个阶段，但长远发展角度我们必须让机器来做设计。大概是 16 年 8 月份开始的，有一位之前负责淘宝“拍立淘”（在淘宝内通过图片搜索找同款，随拍随找）产品开发的图像算法专家加入进来，主导整个智能设计的算法框架。
设计数据化
Q: 中间有踩坑吗？
A: 有的，因为我们在做一件很新的事情，行业里没有什么参考对象，只能不断试错。刚开始的时候，我们的数据不太够，就制定了很强的设计规则去控制，结果就是机器要么跑不出设计结果，要么设计出来的结果很失控。设计是有无穷可能性的，靠弱数据强规则必然走不通。意识到这一点以后，我们就集中精力去解决数据问题，把内部设计师电脑里的设计图和供应商的设计图都收集过来。
Q: 这么多图片散落在这么多电脑里，怎么收集和整理啊？
A: 我们有自己开发的设计协同工具“设计板”，有点类似Slack（一款协作办公应用），但是是专门用于设计协同的。这样才能方便我们大批量、规模化的找到这些数据。
Q: 收集起来也还是很乱啊。
A: 是的，所以就遇到了第二个挑战，就是数据清洗和输入机器，因为收集过来的数据是很杂乱的。比如“双11”期间“魔性”的设计风格跟无印良品这种“性冷淡”风格差异很大，这是完全不一样的品牌调性和设计需求。我们花了很大的力气去整理和建立了一套数据体系去管理设计数据，让机器生产出更匹配的结果。
设计智能化
Q: 有人说“鲁班”没有达到设计人工智能的阶段，只是“大数据生产”，您如何看待这个说法？
A: 现在讲 AI ，外界很难感受到机器的智能含量多高、体现在什么地方，但我也不太同意“大数据生产”这一说，我觉得这个疑问涉及两个核心的，也是最基本的问题：一是什么叫设计智能，二是怎么评价机器是否具备了设计智能。
AI 目前有几个主要方向，一个是“识别”，像语音识别、图像识别；另一个是“生成”，也就是我们在做的，从无到有创造东西，让机器能根据请求生成符合特定要求的结果。我们把我们的智能设计定位为：可控的图像生成技术。我们可以结合技术框架和原理来理解，我会在 UCAN 大会上详细讲。
Q: 那在这里先给我们简单讲讲？
A: 也可以。在整个生成过程中，有4个核心步骤。
第一步，让机器理解设计是什么构成的：我们通过人工数据标注，对设计的原始文件中的图层做分类，对元素做标注。设计专家团队也会提炼设计手法和风格。通过数据的方式告诉机器这些元素为什么可以放在一起，我们把专家的经验和知识通过数据输入。这部分核心是深度序列学习的算法模型。
第二步，建立元素中心：当机器学习到设计框架后，需要大量的生产资料。我们会建立元素库，通过机器做图像特征提取，然后分类，再通过人工控制图像质量以及版权问题，我们买了有版权的图库，也是希望从一开始就避免版权方面的纠纷。
第三步，生成的系统：原理有点像 Alpha Go 下围棋。我们在设计框架上构建起虚拟画布，类似棋盘，生成的系统把元素中心的元素往棋盘放，在这里我们采用了“强化学习”，就好像你在家里放一台扫地机器人，让它自己跑，跑个几圈，它自己会知道哪里有障碍要避开。在强化学习的过程中，机器参考原始样本，通过不断尝试，得到一些反馈，然后从中学习到什么样的设计是对的、好的。
第四步，评估的系统：我们会抓取大量设计的成品，从“美学”和“商业”两个方面进行评估。美学上的评估由人来进行，这方面有专业众包公司；商业上的评估就是看投放出去的点击率浏览量等等。
4个核心步骤
Q: 明白了，所以您觉得“鲁班”的最大优势是什么？
A: 我觉得“鲁班”是商业和技术两方面的比较好的结合产物。首先在技术深度方面，它有门槛很高的一套系统，另外在商业方面，它的确能通过“智能化”和“个性化”，实现商业价值最大化，颠覆传统方式。
Q: 听说去年“双11”，“鲁班”设计了 1.7 亿个 banner，你怎么看这个“历史事件”？
A: 其实这 1.7 亿个 banner 是有设计强干预的，因为“双11”的风格是比较确定而且需要严格执行，所以设计师制作了很多“双11”特定风格的固定模板。机器在这个基础上，把调整尺寸这些行为进行优化，节省了尺寸拓版的人力。用机器生成亿级设计从而带来商业效果提升，总体来说也是一次非常成功的应用实践。我想未来的“双11”仍然会是设计师带着机器做设计的模式，重大活动中设计机器是提升效率的助理角色。
Q: 取得了这么大的成功，阿里内部如何评价“鲁班”呢？另外，“鲁班”把 banner 都“撸”完了，原来做 banner 的人怎么办？
A: 引用阿里 CEO 的话——“鲁班是数据业务化的代表”，之前我们有很多数据，但都是闲置的或者利用效率不高的，比如海量的商品图，而“鲁班”把数据变成了业务，通过大规模设计加精准投放，提高每个广告位的资源效率，带动了流量的效率和业务价值，点击率是翻倍的，收益也接近翻倍。人员倒没有出现缩减，只是做的事情有调整了，要学习这套系统，学习如何训练机器，同时在美学方面做把控。
从“设计思维”到“数据思维”
Q: 说到这里，好像漏了一个很重要的问题，为什么这个产品要叫“鲁班”？听说是“撸一个 banner ”的谐音？
A:（笑）当时我们开玩笑说要 “让天下没有难撸的banner ”，谐音就是“鲁班”，后来发现简直太合适了，鲁班不仅本身是个伟大的工匠，也是很多工具的发明人，所以他的理念跟我们做的事情是不谋而合的，我们也希望发明工具，让设计师更好地工作。
“鲁班”的 logo
Q: 感觉你们也是一群大神，你们团队现在有多大？
A: 我们现在有十几个人。
Q: 只有十几个？！
A: 对，有设计、算法和工程三个部分，成员大部分是 80 后，现在也有 90 后加入了，我们对计算机视觉领域的人一直是求贤若渴的（欢迎大家投简历）。因为是在阿里内部独立做研究，所以团队氛围跟很多小型创业公司很像，大家都很有热情、很果断、行动力很强。
Q: 现在看来，你们的方向已经很清晰，那下个阶段要攻克的挑战是什么？
A: 主要有两个吧，一是要让智能设计去影响阿里设计生态，让“鲁班”能服务百万量级的商家和设计师。一开始在内部推进“鲁班”的时候，我们也面临过阻力。传统的方式就是，设计一个 banner，放很多商品，显得很热闹，而“鲁班”做出来的 banner 上就是单件商品，但与消费者是相关的，因为是基于算法精准推荐的，是你会感兴趣的，只是这样就要把商品放大、显眼，可能在设计上就不够美。但最后，我们让数据说话，确实后者给业务带来了很好的增长。这个教育过程是比较长的，在内部我们可以做，但面对百万商家和设计师如何去做？这是我们的挑战。
第二个挑战是数据算法本身的持续升级。AI 行业每年都会有很大的变化，新的技术不断涌现出来，如何跟上最新的技术？这也是我们始终不能松懈的点。
转载请在文章开头和结尾显眼处标注：作者、出处和链接。不按规范转载侵权必究。
未经授权严禁转载，授权事宜请联系作者本人，侵权必究。
本文禁止转载，侵权必究。
授权事宜请至数英微信公众号(ID: digitaling) 后台授权，侵权必究。
评论
评论
推荐评论
暂无评论哦，快来评论一下吧！
全部评论（0条）