隨著人工智能時代的到來，設計與人工智能的糾葛，藝術與科技的博弈，越來越頻繁地現身熱門話題榜。而在設計人工智能領域，阿里巴巴已經開始加速探索。
就像那句廣為流傳的「Talk is cheap, show me the code」，他們也真的在去年「雙 11」期間，show 出了 1.7 億由阿里的設計人工智能產品「魯班」設計的 banner（廣告橫幅）。所以，懷著對科技既畏又愛的心，我們找「魯班」的產品設計負責人樂（yue）乘聊了聊。
Q= 特贊 Tezign
A= 樂乘
A= 樂乘
Q: 請您先自我介紹一下吧？
A: 我在阿里花名樂乘，是淘寶 UED 的產品設計師，也是阿里人工智能設計產品「魯班」的負責人，我們做的事情是 人工智能技術與商業設計結合，並且落地成商業產品。
Q: 您之前的專業就是設計嗎？在阿里多久了？
A: 不是的，我大學是學建築環境，07 年畢業後「不務正業」進入體驗設計行業。我們這一批做交互的人很多不是科班出身，有很多心理學、工業設計背景的。我大學時開始接觸互聯網，自己設計網頁，也做過站長。畢業後，我先在一個媒體網站做了兩年交互，09 年加入淘寶，也就是阿里開始實施「大淘寶」戰略的時候。那會兒體驗設計在國內剛剛興起，騰訊和淘寶兩個 UED 團隊在圈內影響力很大，專業度很高，機緣巧合，最後選擇了淘寶。
Q: 加入阿里之後的經歷是怎樣的？
A: 我已經在阿里工作 8 年了，前幾年主要做搜索，後來開始做手淘。2015 年「雙 11」後，我們在內部發起了一個人工智能設計的項目，主要開發的產品就是「魯班」。我們是大公司內部創業加研究新技術的團隊，隨著產品和團隊逐漸壯大，現在團隊演進為「阿里智能設計實驗室」。
Q: 這個團隊成立的契機是什麼？
A: 團隊其實是自下而上發起的，在 15 年的「雙 11」我是會場項目負責人，跟工程和算法兩個團隊有很密切的合作，也在「雙 11」期間建立了深厚的「戰鬥感情」。
在 15 年之前的「雙 11」，商品推薦都是人來控制的，由運營決定給用戶推薦什麼產品，而 15 年那次「雙 11」，是阿里第一次基於算法和大數據，為用戶做大規模的、個性化的商品推薦 ，叫做「千人千面」，是阿里流量分發模式很大的升級和轉型。
「雙 11」結束後，我們（設計、工程和算法團隊）就聚在一起，商量下一年要做些什麼。我們當時想，我們已經做到的個性化推薦，但都是基於白底圖商品推薦，能不能往前邁一步，讓強營銷導向的廣告資源位的設計也「千人千面」呢？
從純商品個性化跨到廣告資源位個性化，中間幾個關鍵的技術點打通之後，我們就著手做了。
Q: 都是哪幾個關鍵技術點？
A: 一是圖像算法「摳圖」。因為高質量的廣告設計需要把商品圖片摳出來，放到精美的設計主題裡。以前都是設計師給商品摳圖後再做設計，現在我們用機器做海量設計，就得讓機器來做這個事情。我們跟阿里搜索部門做圖像切割的算法團隊合作，處理海量的商品自動摳圖。
第二點是把設計變成「數據」。一張廣告設計圖片是像素組成的「信息」，不是「數據」。我們利用機器把商品、文字和設計主題進行在線合成，這樣 每張廣告圖片就帶上了商品信息，可以根據消費者偏好進行個性化投放 。所以魯班產品上線初期，我們請設計師根據活動主題做了大批量風格確定的模板，證明了這種模式投放效果可以大幅提升點擊率。
第三點就是讓機器學習設計。靠「人肉設計模板」度過了第一個階段，但長遠發展角度我們必須讓機器來做設計。大概是 16 年 8 月份開始的，有一位之前負責淘寶「拍立淘」（在淘寶內通過圖片搜索找同款，隨拍隨找）產品開發的圖像算法專家加入進來，主導整個智能設計的算法框架。
Q: 中間有踩坑嗎？
A: 有的，因為我們在做一件很新的事情，行業裡沒有什麼參考對象，只能不斷試錯。剛開始的時候，我們的數據不太夠，就制定了很強的設計規則去控制，結果就是機器要么跑不出設計結果，要么設計出來的結果很失控。設計是有無窮可能性的，靠弱數據強規則必然走不通。意識到這一點以後，我們就集中精力去解決數據問題，把內部設計師電腦裡的設計圖和供應商的設計圖都收集過來。
Q: 這麼多圖片散落在這麼多電腦裡，怎麼收集和整理啊？
A: 我們有自己開發的設計協同工具「設計板」，有點類似 Slack（一款協作辦公應用），但是是專門用於設計協同的。這樣才能方便我們大批量、規模化的找到這些數據。
Q: 收集起來也還是很亂啊。
A: 是的，所以就遇到了第二個挑戰，就是數據清洗和輸入機器，因為收集過來的數據是很雜亂的。比如「雙 11」期間「魔性」的設計風格跟無印良品這種「性冷淡」風格差異很大，這是完全不一樣的品牌調性和設計需求。我們花了很大的力氣去整理和建立了一套數據體系去管理設計數據，讓機器生產出更匹配的結果。
Q: 有人說「魯班」沒有達到設計人工智能的階段，只是「大數據生產」，您如何看待這個說法？
A: 現在講 AI ，外界很難感受到機器的智能含量多高、體現在什麼地方，但我也不太同意「大數據生產」這一說，我覺得這個疑問涉及兩個核心的，也是最基本的問題：一是什麼叫設計智能，二是怎麼評價機器是否具備了設計智能 。
AI 目前有幾個主要方向，一個是「識別」，像語音識別、圖像識別；另一個是「生成」，也就是我們在做的，從無到有創造東西，讓機器能根據請求生成符合特定要求的結果。我們把我們的智能設計定位為：可控的圖像生成技術。我們可以結合技術框架和原理來理解，我會在 UCAN 大會上詳細講。
Q: 那在這裡先給我們簡單講講？
A: 也可以。在整個生成過程中，有 4 個核心步驟。
第一步，讓機器理解設計是什麼構成的 ：我們通過人工數據標註，對設計的原始文件中的圖層做分類，對元素做標註。設計專家團隊也會提煉設計手法和風格。通過數據的方式告訴機器這些元素為什麼可以放在一起，我們把專家的經驗和知識通過數據輸入。這部分核心是深度序列學習的算法模型。
第二步，建立元素中心 ：當機器學習到設計框架後，需要大量的生產資料。我們會建立元素庫，通過機器做圖像特徵提取，然後分類，再通過人工控製圖像質量以及版權問題，我們買了有版權的圖庫，也是希望從一開始就避免版權方面的糾紛。
第三步，生成的系統 ：原理有點像 Alpha Go 下圍棋。我們在設計框架上構建起虛擬畫布，類似棋盤，生成的系統把元素中心的元素往棋盤放，在這裡我們採用了「強化學習」，就好像你在家裡放一台掃地機器人，讓它自己跑，跑個幾圈，它自己會知道哪裡有障礙要避開。在強化學習的過程中，機器參考原始樣本，通過不斷嘗試，得到一些反饋，然後從中學習到什麼樣的設計是對的、好的。
第四步，評估的系統 ：我們會抓取大量設計的成品，從「美學」和「商業」兩個方面進行評估。美學上的評估由人來進行，這方面有專業眾包公司；商業上的評估就是看投放出去的點擊率瀏覽量等等。
Q: 明白了，所以您覺得「魯班」的最大優勢是什麼？
A: 我覺得 「魯班」是商業和技術兩方面的比較好的結合產物 。首先在技術深度方面，它有門檻很高的一套系統，另外在商業方面，它的確能通過「智能化」和「個性化」，實現商業價值最大化，顛覆傳統方式。
Q: 聽說去年「雙 11」，「魯班」設計了 1.7 億個 banner，你怎麼看這個「歷史事件」？
A: 其實這 1.7 億個 banner 是有設計強干預的，因為「雙 11」的風格是比較確定而且需要嚴格執行，所以設計師製作了很多「雙 11」特定風格的固定模板。機器在這個基礎上，把調整尺寸這些行為進行優化，節省了尺寸拓版的人力。用機器生成億級設計從而帶來商業效果提升，總體來說也是一次非常成功的應用實踐。我想未來的「雙 11」仍然會是設計師帶著機器做設計的模式，重大活動中 設計機器是提升效率的助理角色。
Q: 取得了這麼大的成功，阿里內部如何評價「魯班」呢？另外，「魯班」把 banner 都「擼」完了，原來做 banner 的人怎麼辦？
A: 引用阿里 CEO 的話——「魯班是數據業務化的代表」，之前我們有很多數據，但都是閒置的或者利用效率不高的，比如海量的商品圖，而「魯班」把數據變成了業務，通過大規模設計加精準投放，提高每個廣告位的資源效率，帶動了流量的效率和業務價值，點擊率是翻倍的，收益也接近翻倍。人員倒沒有出現縮減，只是做的事情有調整了，要 學習這套系統，學習如何訓練機器，同時在美學方面做把控 。
Q: 說到這裡，好像漏了一個很重要的問題，為什麼這個產品要叫「魯班」？聽說是「擼一個 banner」的諧音？
A:（笑）當時我們開玩笑說要「讓天下沒有難擼的 banner」，諧音就是「魯班」，後來發現簡直太合適了，魯班不僅本身是個偉大的工匠，也是很多工具的發明人，所以他的理念跟我們做的事情是不謀而合的，我們也希望發明工具，讓設計師更好地工作。
Q: 感覺你們也是一群大神，你們團隊現在有多大？
A: 我們現在有十幾個人。
Q: 只有十幾個？！
A: 對，有設計、算法和工程三個部分，成員大部分是 80 後，現在也有 90 後加入了，我們對計算機視覺領域的人一直是求賢若渴的（歡迎大家投簡歷）。因為是在阿里內部獨立做研究，所以團隊氛圍跟很多小型創業公司很像，大家都很有熱情、很果斷、行動力很強。
Q: 現在看來，你們的方向已經很清晰，那下個階段要攻克的挑戰是什麼？
A: 主要有兩個吧，一是要 讓智能設計去影響阿里設計生態 ，讓「魯班」能服務百萬量級的商家和設計師。一開始在內部推進「魯班」的時候，我們也面臨過阻力。傳統的方式就是，設計一個 banner，放很多商品，顯得很熱鬧，而「魯班」做出來的 banner 上就是單件商品，但與消費者是相關的，因為是基於算法精準推薦的，是你會感興趣的，只是這樣就要把商品放大、顯眼，可能在設計上就不夠美。但最後，我們讓數據說話，確實後者給業務帶來了很好的增長。這個教育過程是比較長的，在內部我們可以做，但面對百萬商家和設計師如何去做？這是我們的挑戰。
第二個挑戰是數據算法本身的持續升級。AI 行業每年都會有很大的變化，新的技術不斷湧現出來，如何跟上最新的技術？這也是我們始終不能鬆懈的點。
參考連結：
1. https://buzzorange.com/techorange/2017/04/28/alibaba-ai/
參考連結：
1. https://buzzorange.com/techorange/2017/04/28/alibaba-ai/
沒有留言:
張貼留言