阿里详解鲁班没错设计师人类(鲁班设计设计师阿里学习)「鲁班的设计」

李根发自凹非寺量子位报道 | 公众号 QbitAI你的双11，买买买。
阿里海报设计师的双11，在一个名为“资源位小组”的小黑屋连续通宵加班。
做海报、改文字、换商品、调设计、换banner，每个设计师对接几个运营人员，富士康流水线一样的重复性工作。
一年双11下来，完成上亿张海报。
然而，这一切正在成为过去。
AI改变了围棋，现在也在改变海报设计。
这是一个名为“鲁班”的AI设计师，没错，它将担纲今年双11的banner海报设计，数量高达4亿张。
但考虑到鲁班平均1秒钟就能完成8000张海报设计，一天可以制作4000万张，4亿只能算一个小小小小目标。
鲁班这个海报设计AI“鲁班”，诞生也与双11有关。
每年双11，都是阿里设计师的大考：海量的设计需求，需要保证所有人都统一规范，遇到紧急设计需求，还要快速出稿，对每一个设计师都是脑力、体力双重考验。
△ 千人千面需求的banner设计于是，2015年双11后，阿里内部开始萌生想法，当年阿里正式在商品推荐上实现“千人千面”，所以希望强营销导向的广告资源位的设计也能实现“千人千面”。
因此“鲁班”项目正式成立，并不断发展至现今的“阿里智能设计实验室”。
当时正值AlphaGo摧枯拉朽，将深度学习和AI传播开来，阿里内部也决定进一步把鲁班打造成一个AlphaGo一样的AI设计师。
进而开始搭建神经网络，让鲁班学习人类设计师的成果和经验，不断进化，到今年双11，鲁班的水平已经达到了阿里内部P6水准。
鲁班的学习进化，主要有三大技术原理。
三大核心模块鲁班从0到P6，自学设计能力主要看三大模块：风格学习（规划+元素）、行动器，以及评估网络。
首先是风格学习模块。
△ 鲁班风格学习鲁班先将大量设计素材的设计数据进行结构化标注，最后经过一系列的神经网络学习，输出空间+视觉的设计框架。
框架设计中，首先通过人工标注的方式，让机器理解该幅设计有哪些元素组成，比如它的商品主体，花的背景，蒙版。
往上一层，还需要通过设计的经验知识，定义一些设计的手法和风格。
手法指的是这些元素为什么可以这么构成。
最上面这一层是风格，当这些元素构成之后，它从美学或者视觉角度看是一个什么感受，让机器知道它是用什么组成。
下一步是准备设计的原始文件，比如一系列花朵和设计方法，输入到深度学习网络中。
该网络具备一定记忆功能，可以记住设计步骤中复杂的过程。
经过这层神经网络学习之后，会得到一个设计框架。
从技术上理解，它是一堆空间特征和视觉特征构成的模型。
从设计师的视角来看，它相当于设计师脑里在做一组设计之前那个大概的框架印象。
在设计框架的同时，元素中心也在批量输入元素（如底图，主产品图、修饰元素等），由元素分类器进行学习，按照视觉特征和类型分类。
具体来说，鲁班团队会提前收集一些版权图库，以及自己造设计元素的方式，输入到元素分类器中。
这个分类器会把这些元素分布到各个类型里，比如背景、主体、修饰，也会完成图片库的提取。
其次是行动器。
△ 鲁班行动器元素分类行动器的主要作用，是根据需求从风格学习模块中选择设计原型，并从元素中心中选取元素，规划出多个最优生成路径，完成图片设计。
这与设计师实际工作过程非常相似，如设计师要设计一朵花，也会在软件里会不断去调每个位置、每个像素、每个角度。
同时，整个过程也是一个强化学习的过程，行动器会在不断试错中更聪明、更智能。
此过程完成后，将输出多个设计图，并最终交给“评估网络”对输出产品进行评分。
最后是评估网络。
△ 鲁班评估网络评估网络的工作原理是输入大量的设计图片和评分数据，经过训练后，让机器学会判断设计的好坏。
鲁班的基础是来源于设计师的设计模板素材和元素素材，因此会有两个设计师角色每天去训练鲁班，一个负责帮助鲁班完成最新的风格学习（风格学习），让鲁班不断进化，不断掌握更好的设计技巧。
另一个的角色则是对鲁班设计出来的成果进行评估（评估网络），告诉鲁班什么样的设计才是最好的。
设计师的核心职责，在于把设计变成数据化。
目前，鲁班已经学习了百万级的设计稿，拥有了演变出上亿级的海报设计能力。
实际上，你应该也看出来了，与AlphaGo最初设计一样，鲁班从0到P6，也是设计师+算法工程师的合作成果。
这背后，阿里的设计师和算法工程师做了三大功课。
三大功课第一，领域研究。
找到该领域专家深入研究该领域的经验知识，构建一套机器可以学习的数据模型。
视觉设计专家把设计问题抽象成“风格-手法-模板-元素”这样一套数据模型，即把多年视觉设计经验变成机器可学习的“数据”。
第二，数据链路。
定义好数据模型后，抓取和标注数据，并对数据集进行分类和管理。
在这个过程汇总，如果处理数据给算法训练的更新频次，用什么数据去验证模型，如何评估模型效果，离线模型与在线数据在产品端如何打通？这一系列的数据问题就需要一套清晰的数据链路设计。
第三，算法框架。
算法框架由算法科学家来制定，数据和算法的关系就像汽油和发动机，两者密不可分。
产品设计师需要与算法讨论，把业务场景和数据问题输入给算法。
这也是阿里内部让产品设计师学习机器学习的原因，因为搞懂算法框架和技术原理，才能更好理解工作原理。
但三方面功课背后，也不是没有具体挑战。
整个鲁班打造过程中，遭遇了三方面技术挑战。
技术挑战首先是缺少标注数据。
今天所有的人工智能都基于大规模结构化标注数据，设计这件事情连数据都没有完成在线化，更别说标准化、结构化的数据。
其次是设计的不确定性。
设计是个很不确定的东西，设计需求把握和结果评估都存在人类主观意识。
比如你无法给机器输入“高端大气的海报”这样的指令。
最后是无先例可循。
整个行业中没有一些现成的技术或者框架可以参考，这和AlphaGo带来的福利不同。
当时AlphaGo团队公布论文后，全世界围棋AI都照此提升了战力，比如腾讯绝艺，很快就做到了世界水平。
但对于鲁班来说，并无先前经验可以参考，一切全凭自己摸索。
不过也并非完全没有收获，在探索中的一年，阿里鲁班团队对AI产品有了更为清晰的定义。
他们内部认为，鲁班做的AI是可控的视觉生成。
可控，指的是根据商业的需求、业务的需求，智能地进行控制；视觉生成，则表明鲁班解决的是视觉从无到有的问题。
牛刀小试那么海报设计AI鲁班，效果怎么样？在2016年双11，鲁班首次登场。
它最终制作了1.7亿张广告banner，点击率提升100%。
与人类对比的话，假设每张图，人类设计师需要耗时20分钟，满打满算也需要100个设计师连续做300年。
……已经不用计算节省的成本了。
而今年，鲁班也被进行了进一步迭代。
设计水平显著提升，最新的数据情况是：鲁班已经学习了百万级的设计稿，拥有演变出上亿级的海报设计能力。
今年双11，鲁班已经可以实现一天制作4000万张海报，平均每秒可实现设计8000张海报，并且每张海报会根据商品图像特征专门设计，换句话说说，鲁班设计出的海报，没有一张会完全一样的。
设计师的未来毫无疑问，是时候可以谈谈设计师群体的未来了。
按照当前阿里内部对技术岗位的评判体系，海报设计AI鲁班，已经达到了P6水准，后续进阶也只会越来越快。
那设计师会就此被AI替代吗？会，在阿里体系内，P4左右的设计师都会受到来自机器的“威胁”。
但也不全会，除了“创意”部分让机器无可奈何，人类设计师与机器的竞合中，也会产生“训机师”一样的新职业。
训机师是阿里内部对转型设计师的称呼，这些训机师是鲁班数据中心的核心人员，他们需要为鲁班的进化提供规模更大、更丰富的数据，并且对于很多风格相关的事情实现“结构化数据”的转换。
阿里智能设计实验室告诉量子位，现在的阿里设计师，变成要去学习鲁班系统，学习如何训练机器，同时在美学方面做把控。
“鲁班今年花了半个月时间学会双11设计风格，目前已经开始产出一部分人类没教过它的设计了。
但是最具创新意义的创造类设计，目前只能通过“人-机”协同的方式完成。
”鲁班负责人乐剩介绍说。
所以，人类设计师朋友，你做好与木匠大师，哦不，是AI设计大师鲁班共处了么？— 完 —诚挚招聘量子位正在招募编辑/记者，工作地点在北京中关村。
期待有才气、有热情的同学加入我们。