人脑和机器的关系，这里有 14 种好奇 | 从无限运算力到无限想象力
未来的世界，会变成什么样？人工智能，会怎样融入我们的生活？AI 如何解放人类的生产力与想象力？
2021年4月最后一个周末，杭州云栖小镇聚集了全球各地热爱科技的年青人，带来一场想象的狂欢。这一次，特赞和同济设计人工智能实验室带着“算力”和“想象力”的思考，也带来他们的14种好奇——
2021年4月最后一个周末，杭州云栖小镇聚集了全球各地热爱科技的年青人，带来一场想象的狂欢。这一次，特赞和同济设计人工智能实验室带着“算力”和“想象力”的思考，也带来他们的14种好奇——
你在看图，图在看你：面向未来的智能交互
戴森，毕业于麻省理工大学运算设计专业，期间于媒体实验室Tangible Media Group参与计算折叠材料研究，现致力于研究面向未来的交互化。
向外界传递信息时，我们有两种选择：一是语言，二是图像。语言比图像的成本更低，但图像的识别成本远低于语言，理解图像所需要的智力成本比语言更低，依靠图像转化长期记忆所需要的重复次数比语言更少。正因为图像具备这些天然优势，我们试图去提升图像传达信息过程中的“性价比”，在机器智能时代，图像可以从生产效率、想象力、感官方式等维度实现性价比的提升。
更进一步，我们得到了一个很微妙、很奇妙的新物种，图像智能体（可以用图像来跟外界产生不停互动的一种系统）
← 左右滑动看更多→
不妨想象：
1.我们可以供图像智能体进行交流吗？未来我们的衣服都是图像智能体，当我们彼此擦肩而过的时候，我们衣服的图像在不断转变，用3秒钟就能了解到这个人的想法；
2.我们可以和图像智能体交流吗？仿佛它们也是社会网络中的一员。在电影《her》里，男主角和智能聊天软件谈恋爱，也许我们现在用的展示的app，他就是一个智能图像智能体的雏形，未来我们也许可以和短视频app进行无障碍沟通。
郭晓彤 & 念子轩：新媒体艺术团队「分号C」创始人，探索打破数字化艺术的边界与排他性
我们想探讨一个问题：新媒体艺术是什么？通常来说，「新媒体艺术=艺术表达+计算机技术」，我们通过不同的代码编程的方式对内容进行创作，以及不同的传感器去进行内容上的变化。2017年开始，整个行业发生了变化，这些词汇也随着行业的发展在不断的变动着。太多的网红打卡、赛博朋克...似乎都在定义着新媒体艺术，但是我们想说，新媒体艺术并不是这样。
我们希望通过代码、设计和艺术将数据运用于多媒体影像，将世间万物转化为计算机数字语言表达想法。打破数字化艺术的边界性与排他性，让计算机生成语言不再是冰冷的理性化产物，而是利用计算机生成艺术的无穷变化，创造出生成视觉与感性的一期一会。
← 左右滑动看更多→
胡修涵，内容科技探索者，在特赞致力于进行以人为本的人工智能与设计产品开发。
如何让科技可信赖？如何将科技在与人协作的过程成本降到足够低？越来越贵的平台中心化流量分配机制，如何才会更“以人为本”呢？
我们发现，很多群体会结合自己的身份认同产生链接，这样的社交关系才能缩短人与人之间的距离。这种身份认同在商业环境中的映射对应着“品牌的价值”：比如苹果在自己的广告片里会强调“创造与发明”，身份认同与品牌认同连接起来，变成了新的流量，以此去收集受众的注意力。
我们希望在这样的社区中提供更强的表达工具：通过各类的基础设施、人机协同的内容制作方式以及社会化的内容协同的生产方式，让这些多元文化背后的人能够具备表达自己文化价值的能力，建立更强的精神链接和多元宇宙。当前的很多基础设施大家更多考虑内容创作的自由度，但是将来会需要更多考虑实际是否达到了内容的目的。
琰娫，斯坦福大学人机交互毕业生，斯坦福中国教育论坛的联合发起人，专注数据文化资产的研究。
文字的出现使信息可以脱离于我们的大脑，被其他的介质所存储，使跨越时空的交流成为可能，个人计算机和互联网的出现则编织了一张人人可发声、人人可聆听的网络，而智能手机的出现让世界上的多数人能够加入到这样的一个网络之中。在信息爆炸的世界里，我们远比以往更需要数字资产管理。
个人数字资产管理系统要解决什么问题？我认为是四点：
一、内化，在知识唾手可及的时代，学习能力远比知识本身更重要，一个好的个人数字资产管理的系统，它应该首先能让我们去内化这些信息，能够真正的理解它；
二、创造，去吸收知识希望是能够去产生更多的价值；
三、传播，知识只有在流动中才能实现指数型的价值爆炸；
四、降低焦虑感，我们害怕错过信息，一个好的个人资产的管理系统应该使我们能够更平和、更平静、更享受的姿态和这些数字资产共生。
基于以上问题，一个好的个人数字资产管理需要：连接一切，将各种媒介形态和信息源头融为一体；丰富有趣的信息组织方式；容易迭代；令人主动。
十修，阿里云创意设计专家，专注数据可视化设计研究。
技术的升级让想象力的边界变得更宽阔。我们现在已经能够在引擎上搭建这样一个系统：用户可以编辑它的交互体系，并进行一系列的自定义操作、定点旋转等功能。在这个系统里，通过一个简单的“滑动动作”，天空就可以从白天到黑夜，极大地降低了设计成本。
我们也在不断探索智能化的设计，让从0-1的工作也大大提效。比如我们做可视化创作的时候，看到了合适的可视化案例，我们从零到一去搭建会非常复杂，可以通过导入案例一键生成模板，在上面直接进行修改编排，从而降低设计成本。
← 左右滑动看更多→
陈小树：教育设计师，2050首届青年奖得主，创新大学 MINERVA 创始届学生，哈佛教育学院科技创新专业，关注个性化育人
KIAN KATANFOROOSH：斯坦福大学讲师，关注教育设计，创立WORKERA.AI通过精细化技能培训帮助企业储备AI人才
如今职业对AI的需求已经大大增加，我们有相当一部分的受众是数据科学家、机器学习人员和工程师软件工程师，就像30年前的编码不再适用于高度专业化的工作，AI 也要不断进化，适应高度专业化的技能。当我们看AI教育的现状，近年来，教育技术公司越来越集中精力创造更多内容，所以今天，你可以在网上找到几十万门课程。最早的时候，我们创立了deeplearning.ai，帮助大家去学习深度学习等更多AI专业技能。这些用户数据的积累也帮助我们不断去迭代AI的教学，例如，你可以生成个性化的学习计划，从而为特定用户提供的最佳内容。
拥有一个公司网站并不能让你成为一家互联网公司，雇佣数据科学家并不能让数据和AI属于你的公司。人工智能是一种完整的战略能力，可以为公司创造很多价值，很多企业也深信这一点。他们投入巨资开发这一能力，并不断迭代，从而更好地让AI能力适应公司和内部人员。
李元杰，TRABOX的首席设计官，相信科技赋能设计，连续三年(2016-2018)撰写设计人工智能报告 日本版。热爱街舞，上海知名舞团WIIK SYMPHONY初创成员。
如今人工智能越来越多的运用在设计场景中，比如在传达设计中，根据文案的起承转合，自动划分场景，利用人工智能自动匹配素材，并自动地调整文字排版，最后根据平台的规则自动的产出视频。这可以大大提高产出速度，在同样人力的前提下，我们每周的A/B test从2次增加到了8次。
又如在产品设计中，设计师把静态的设计稿及元素导入至系统里，系统会自动地按照设计完成排版工作，自动地生成HTML和代码。
← 左右滑动看更多→
这对未来的人才提出新的要求：产品设计师才能驾驭产品设计向的人工智能；同时也只有在了解了机器是如何去表达视觉格式之后，才能很好地和合作伙伴去沟通；设计的感觉也会更准确而非天马行空。这对专业与本真要求更高，也需要我们更深刻地理解用户与市场。
龚淑宇，同济大学设计人工智能实验室毕业生，参与编写《设计人工智能报告2018》，研究如何利用深度学习教机器“理解”视觉数据。
89%的设计创意数据都是非结构化数据，相较于结构化数据，非结构化数据的分析和检索手段都是不成熟的。在我的研究项目中，提出了一个设计视觉数据的结构化框架，总结出了包括风格、手法、空间、色彩四个维度内容属性的分层树形结构化框架，涵盖了大部分设计图像的内容描述信息。设计并实现了“设计灵感管理系统”:验证上述视觉数据结构化方法的应用场景并探索对设计行业智能化的可能影响。
同时，设计人工智能实验室构建了设计图像数据集DesignNet，包含4,369张设计视觉图像，并标注了风格、手法、空间三类语义信息，为下一步应用CNN模型进行内容语义分析工作做好准备。
我们完成了具体内容属性分析的模型设计:通过基于DesignNet和Gram矩阵的CNN分类模型完成对设计图像风格、手法、空间三个维度的语义分析，通过色彩计算模型完成对设计图像主色、色调和色彩丰富度的分析。
贺仔明，Zaha Hadid Architects 建筑师，计算化设计开发者，多元视角关注建筑的可能性。
物的导向观念下的设计形态是属于当代西方比较前沿的一个哲学的思潮，即人类不具备超越世间万物的优越性和特殊性，强调形式的构成元素之间的状态和关系，主张各个元素本质的属性都需要得到充分的尊重。这种认知模型，体现了后人类中心主义的价值观，人类这种元素被重新回归到了物的层级，与其他的事物一起共同构成了一张复杂的网络，这个模型符合我们对当代技术发展的理解。
在我的研究中，试图向现实应用层面进一步推进，思考生成-模拟-评估-反馈的循环机制如何成为能够解决现实问题的有效方案。同时面对具体设计场景开发相应的辅助设计工具，并针对多平台进行整合，与现有工作流实现无缝链接，使技术可以成为面对现实并具有建设性的解决方案，而非仅停留在理论层面的美好想象。
孙羽茜，计算机艺术家，既做艺术设计也做游戏开发，专注于AI交互中的叙事和亲密关系。
马文明斯基在《情感机器》中提出，情感是人们用以增强智能的思维方式。当我们的热情没有高涨到对自己有害的程度时，不同的思维方式就成为被人们称作“智能”（intelligence resourcefulnees）的重要组成部分，这个过程不仅适用于情感状态，也适用于我们所有的精神活动。从这个角度说，引起人们情绪的能力应该作为衡量机器智能的一个指标。
当AI已经被实现后，它不再会被称为“AI”，如导航、翻译与智能推荐；所谓“对话智能”，可以跟人交流的智能，是夹缝里的智能， 是计算力发展、但又没能实现想象的过程产物。而人类文明的进步就是把想象力变为现实的过程。比起AI，它们更应该被称作IA（intelligent agent 智能主体）。在计算力的加持下，IA能给各种事物带去主体性，带来更大的想象空间而与它们对话，可能突破人类自身的想象力。豆瓣有一个小组叫「人机之恋」，有将近一万人在分享他们跟Replika.AI 聊天、结婚，已经有很多人接受与机器人产生情感联结；微博的僵尸机器人，在产生垃圾数据，但偶尔会产生具有诗意的文字，有很多用户认认真真地留言回复，就像把它当成一个真人一样。
我们不妨想象未来：在运算力的加持下，AI能给各种事物带去主体性。他们不再被称为“AI”，而会有自己的名字，变成一群个体。他们的思维不再被称为“黑箱”，因为我们都拥有这样神秘的大脑。他们不再被异化，他们和人类用户一样，变成了群众网络中的节点，创造更多联系。
文化语境下的机器智能：AI如何赋能色彩设计？
李与凡，同济大学学生，造过方程式赛车，研究设计人工智能，也搞艺术。
运算力与想象力的关系并非单向线性的。运算力可以作为辅助力量为想象力插上翅膀，而想象力同样会使运算力拓展可能性。他们之间的关系是相辅相成、共同进化的，像行进的两条腿，左脚带动右脚向前，而右脚又带动左脚向前，最终使得主体向前进。
在我的研究中发现，文化语境对色彩的认知影响很大，比如，在美国“金钱”会对应“绿色”，而在中国则对应“红色”或者“黄色”；又比如中国传统文化语境中，“红配绿”代表着“土”，但在青年亚文化群体中，“红配绿”代表着“反叛和酷”。这样一个重大的因素，在目前的研究中被剔除掉了，因此发现了目前智能色彩设计系统研究中在文化方面的不足之处，即“运算力的不足”。
我开始着手解决现有智能色彩算法对文化因素的忽略。以中国青年的亚文化的典型色彩数据为落脚点，研究中建立了针对于这个文化的色彩数据集，抽象为图形、文字的表达内容、亚文化的子分类这三个维度的数据；基于这个数据集我们建立了面向中国青年亚文化的色彩生成和自动着色框架，并把文化因素引入到模型之中。
进一步返回到“想象力”的赋能之中，提出了两个设计：一、面向中国青年亚文化的智能色彩设计系统：用户可以上传图片、文字、选择亚文化的子分类，系统就会给出色感的推荐，根据推荐进行自动着色；二、基于语义增强的音乐可视化。新模型为色彩设计带来了新的可能性，这是想象力与运算力共同进化的结果。
← 左右滑动看更多→
用IP演绎“脑机比” ，既有左脑的理性又有右脑的感性
鲍壹方，同济大学设计人工智能实验室毕业生，倡导“脑机比” 作为一种诗意的科学。
脑机比是指人脑和机器的比。设计行业中，管理任务9%的可能性被机器实现智能化，创意创造任务18%的可能性被机器实现智能化，沟通任务中20%的可能性，非重复性体力劳动有25%可能性。而素材搜集、信息处理、重复性体力劳动被智能化的可能性已经很高了，分别是64%，69%，81%。由此，将设计师的劳动时间分配比与机器的智能化可能性相结合，计算得到设计行业的脑机比数值。做一个脑机比的延续推演，从 2018 到 2025 年发现，创意创造和管理将会成为设计师的核心竞争能力。
脑机比的构建不仅需要左脑的理性，也需要右脑的感性与情感化的方面，所以我们从这个概念出发，做了“脑机比” 品牌 IP创意。我们通过对电影的研究，发现影视作品中的人工智能具备四种人际的形象：非人机器型、类人机器型 、仿真人型 、无实体型 ；人机关系也有四种类型：合作、对立、共情、脱离。我们还对IP玩偶进行了分析，由盲盒图鉴API爬取的，经清洗整理后得到盲盒数据集。结合以上工作，我们提出了脑机比IP的价值观：群体智能、诗意科学、极客精神和共同进化；并提出了它的创意形象也出版了一系列的绘本。
← 左右滑动看更多→
平面设计作为“信息的交换”，数据能做什么？
Ying Cao，香港城市大学计算机科学系博士后。
平面设计是“信息的交换”，在创建平面设计的过程当中，设计师会利用符号、图像、文字等元素创建信息的视觉表示；平面设计的终极目标是最小化误差：设计师脑中的信息和观众接收到信息的一个距离，误差越小，信息的传导是越好的。
当我们创建一个设计的时候，设计师需要做成百上千的决定：颜色、图像、布局。我们试图去探索计算机是否可以辅助平面设计，在平面设计过程中会产生大量的数据，这样的数据或许可以“教”计算机去做设计：比如理解“设计的个性”；在元素层面上的设计推荐；或是基于例子的个性转移；自动的布局生成等等。
← 左右滑动看更多→
AI 101：概览三大 AI 热门领域
Demi，代码部落联合创始人，哈佛大学数学和计算机专业毕业，美国计算机奥林匹克竞赛两届冠军。
AR眼镜是人工智能吗？语音交互是人工智能吗？人脸识别是人工智能吗？... 究竟什么是人工智能。如何判断一个“科技”是不是人工智能？
这里要提到一个概念，深度学习，一切人工智能都和深度学习紧密相关。而深度学习的核心是神经网络。神经网络最初是一个生物学的概念，一般是指大脑神经元，触点，细胞等组成的网络，用于产生意识，帮助生物思考和行动，后来人工智能受神经网络的启发，发展出了人工神经网络。只要拥有大量的数据，人工智能就会自动地从数据中找规律。人工智能有三大受欢迎的领域：自然语言处理、计算机视觉、强化学习。
自然语言处理，它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。
计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。
强化学习用于描述和解决智能体（agent）在与环境的交互过程中通过学习策略以达成回报最大化或实现特定目标的问题。
每一次技术革命都引发了一次设计的机遇
第一次工业革命带来了机械化，在英国催生了工艺美术运动；
第二次工业革命带来了工业化，在德国催生了包豪斯；
第三次工业革命带来了信息化，在美国催生了媒体实验室；
第四次工业革命带来了智能化，中国没有成为追赶者而有机会成为领先者，
在中国将催生怎样的设计机遇呢？
2017年设计人工智能实验室在同济大学成立
「设计人工智能」不是我们的答案，而是问题的开始
我们期待和更多年轻人一起深度求索
—— 范凌，同济大学设计人工智能实验室主任 / 特赞信息科技创始人&CEO
如果你也对设计人工智能的探索感兴趣
欢迎扫码加入我们！
更多精彩观点回顾
扫码观看现场录播
往期 2050 回顾
从无限运算力到无限想象力的10个思考
点击图片了解详情
近百位大咖相聚杭州，他们在2050会上聊了什么?（上）
点击图片了解详情
近百位大咖相聚杭州，他们在2050会上聊了什么?（下）
点击图片了解详情