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 —
