▍摘要

2020年7月23日，青创联盟发起的YOSIA Webinar线上学术研讨会特别推出了“AI+X”科学系列主题第四期“AI+Design：人工智能赋能创意设计的价值”邀请AI+Fashion、AI+建筑和AI+工业设计三个方面的前沿学者和科技创新者，分享AI赋能时尚、建筑设计和工业设计的价值和应用案例，一同探讨AI赋能创意设计时代的工业升级、人才培养和未来发展方向。

点击链接观看视频：https://v.qq.com/x/page/x31457cpvfq.html

▍分享嘉宾

主持嘉宾：

- 范凌, 未来论坛青年理事；特赞信息科技创始人及CEO；同济大学设计人工智能实验室主任、博士生导师

主讲嘉宾：

- Kostas Terzidis，同济大学设计创意学院教授，Director of the Algorithmic Design Lab

- Kitty Yeung，应用物理博士，知名创客，微软量子计算机项目经理

- 袁烽, 同济大学建筑与规划学院教授

讨论嘉宾：

- 王敏，中央美术学院教授、博士生导师

▍ 主题报告

康思大：基于排列的神经网络

我分享的题目是《Permutation-based Neural Networks》（基于排列的神经网络），虽然听起来比较难，但其实不是，这项技术的简单释意是，基于海量的数据操作，枚举所有可能的组合，然后通过神经网络过滤得到这些组合中的有意义部分的技术。

我本人原来是设计师，后来进入计算机领域，研究如何用计算机辅助设计。因此，在详细介绍《基于排列的神经网络》之前，我先基于个人背景，谈一谈近三十年来数字设计的发展。

在过去30年，领域产生了“数字设计”的概念。在最开始，摄影师就是摄影师，画家就是画家。一幅画的作品和价值是以画家的能力为基础，而摄影师的作品是基于对现实的描绘。

在90年代后期，新的事物出现了，我们有了一个叫“用户”的人物。用户是谁？用户是任何人，例如妈妈、朋友，因此，任何一个可以用电脑来做艺术的人都可以被称为用户。这时候，一些“新奇”的东西出现了，例如Photoshop，这类软件让每个人都成为了画家和摄影师。

此后，一些过去很有价值的东西就变得寻常了起来。人们看待绘画的方式也与以前大不相同。

其实，让每个人都变成艺术家的背后，存在着非常重要的一个群体—编码者，现在叫做程序员。这群人，不一定是画家，甚至不是用户。也就是说，编码者通常是与艺术没有直接关系的工程师。他们用代码这种计算机语言进行编程，设计能够产生艺术的软件。

然后，一种叫做神经网络的东西出现了。它是一种会生产代码的系统。也正是神经网络的出现，让我们进入了“算法时代”。在这个时代里，算法和编写算法的人掌控一切。

再发展下去，就会到“Meta（元）时代”，“Meta”是一个希腊语词，意思是事物的本质。Meta意味着会出现能生成代码的代码，或者能创作一幅画的画。

然而，我们现在身处的时代是“神经网络”，或者又叫做深度学习时代。

另外，我是希腊人，就文化、语言、哲学而言，希腊是西方文明的源头。因此，我们来谈谈设计的内涵。“设计”这个词非常重要，在英文中，设计一词意味着从无到有创造出一个事物。另外，它还是一个拉丁语单词，在拉丁语里意味着某样事物的起源。

但在希腊语，所表达的含义有所不同，“设计”意味着关于你“有过”的东西。因为从词根的角度来看，σχέδιο来自于σχεδό，其意思是几乎、将近，还没到，而σχεδό又是来源于“έσχειν”，意思是“有了”。这就非常有趣了，因此“设计”在希腊语里给我们传递的信息是：“有过”。

往深层次去想，在希腊人眼里，设计是一个记住你忘记的东西的过程。这是一个非常重要的概念——它与我们做什么无关，而与我们记得要去做什么有关。

我一直苦苦思索它背后的含义，直到高中阶段接触到了排序（permutation）这个概念，才有了一丝光明。

排列的概念是将所有的组合的可能性都列举出来。例如，我们有四个球和四个盒子，把这些球放在这四个盒子里，有多少种方法？一共有16种可能的组合。16是一个神奇的数字，因为在这个例子中，16是2的4次方。4很容易理解，因为有4个盒子；2意味着盒子有空和满两种状态。

所以如果我再问一个问题，把球放到九个盒子里的有多少种可能？答案是2的9次方。现在把问题升华一下，如果我们有一幅画，它是一张黑白图像，具有3*3的分辨率，那一共会有512(2的9次方)种可能。

512这个数字就是我们能画出的所有可能的画，意味着在512幅画里，肯定存在一幅画是我们正在寻找的，因为所有的组合都在我们面前。如果想找十字形的图案，那么就可以遍历所有的情况然后找出相对应的图案。

也就是说，通过这种排列的模式，我们可以做到的不是通常设计中的从“无”到“有”的概念，而是找遍所有的可能性，从中找出你想要的设计。这与普通的设计的概念有着本质区别。

再举一个文本例子，我们有八个单词，把它放在八个位置/八个盒子里。得到的结果可能数是8的8次方——16777216。那么问题来了，组合的数量这么多，如何找到有意义的那个句子？换句话说，如何找到我们需要的那一个呢？显然，用遍历的方法，我们人脑肯定“不够用”。这时候，就需要创建一个强大的“大脑副本”。

这个副本可以是一个系统，我们可以训练它来识别我们要找的东西。例如，如果在寻找某种对称性，可以训练一个系统来寻找对称的组合。

这就是我们所说的神经网络（neural network）。它可以根据我们对它的训练在短时间内遍历所有的组合，并找到其中有意义的那个。这背后的理念是：如果你能得到所有可能的结果，那就意味着你可以得到最好的方案。以上，就是基于排序（permutation）的神经网络的全部思想。

基于排列的神经网络在很多领域都有应用。比如在时尚领域，所谓时尚就是组合，衣服的组合。如上图所示，是一家初创公司编写的软件，通过此软件可以查看你的衣橱，试图找到你衣服的所有可能的组合，并利用神经网络来解决穿什么衣服问题。

另外，还有食物。大多数食材用各种可能的方法组合起来能够制作食谱。但有些食谱做出的菜不好吃，还有一食谱做出的菜不健康，基于排列的神经网络能够找到适合你的最好食谱。

同理，也有音乐的排列组合。在音乐中，你可以选择不同的音调。通过不同的旋律，然后把音调组合起来，然后用神经网络找到适合你的音乐。此外，妆容中颜色的排列组合、建筑设计中的排列组合、故事情节的排列组合等等都是应用非常好的应用场景。

但是这里存在一个问题，随着选择的增加，排列组合的可能性会变得非常多。举个例子，如上图所示，我们用线段连接3个节点，有8种方式；当节点变为4个时候，连接方式增加到64种；然后是1024种；之后数字就变得非常大，甚至大得难以想象。

虽然，对于极其大的数字，当前的计算机还出发处理。但是，量子计算显示的威力，让“大数计算”，逐渐变成可能。所以，在未来，我们将使用排列来做设计，并使用量子计算来消除信息的复杂性和数量，最终得到我们想要的设计。

Kitty Yeung：AI 如何能帮助到服装设计和生产，并解决此领域中最大的痛点–污染和浪费？

人物介绍，Kitty Yeung 是一名现居加州硅谷的创客。现任微软创新车库高级项目经理，哈佛应用物理博士毕业，同时从事科研、时装设计、绘画与音乐。Kitty致力于将艺术设计与科学科技结合，利用新兴技术协助传统领域发展。

今天的演讲主题是：“AI 如何能帮助到服装设计和生产，并解决此领域中最大的痛点 – 污染和浪费”。

先介绍一下个人背景，我是硬件出身，本科和硕士是在剑桥大学物理系，在卡文迪许实验室进行凝聚态物理研究，然后又到哈佛研究应用物理，毕业之后到了英特尔，进行半导体方面的设计。

我现在的工作集中在量子计算机领域，在其他领域也有很多爱好，世界17个共同目标，我有很多方面非常感兴趣。所以在平时工作之外，我也会做一些其他方面的创新。

今天的报告主要围绕科学、工程、设计和艺术这四个方面的结合展开，讲述一些从我自己的服装品牌“Art by Physicist”以及在微软引领的一个创新项目当中总结的一些想法。

很多人认为科学和艺术是两个距离很远的词，实际上这两者非常相似。从学术、追求角度看，两者都是在探索未知，因为我们通过科学去了解世界上、宇宙中我们还不懂的事情，而艺术也正是突破别人没有做过的事情。这两者的结合可以对工程、设计等领域进行一些启发。

这次介绍的更多是围绕我自己的品牌“物理学家的艺术”，以及我在微软引领的一个新的项目中，所总结的一些想法。

关于AI在服装设计领域，其实已经有了一些应用，例如我曾经的作品：利用脑电波控制裙子上的反应；用机器学习捕捉手势，然后展示衣服上的星空；采集心跳数据检测到我们的健康状况。不单单可以采集我们身体的数据，还可以采集环境数据。发现环境中的信息可以让我们对大自然有更多更深刻的理解，并能采取一定的行动帮助环境保护。

在进行可穿戴研究的过程中，我发现服装产业真正的痛点是将设计到生产的转化过程。我发现服装产业真正的痛点是将设计到生产的转化过程。而在服装设计中，将电路等功能集成到衣服上，目前工业界还没有涉及。

在设计过程中，有一些很好的想法，例如通过环保材料进行衣服设计，然后创新款式，或者设计方便残疾人的衣服。这些想法在服装设计当中想转化成产品都是非常困难的。

服装业的另一个痛点是：批量生产和规模化。消费者所穿的衣服都是工业化的产物，如果想有定制的衣服，那就需要非常久的时间，因为对于设计师来说，很多的步骤依赖于手工。设计师开发一个产品到生产出来需要很多个月。

如上图所示，每一款服装开发的价格和生产的价格都非常昂贵。这可能超出一般人的认知，因为大多数人认为，只要材料到位，那么一两天就能赶制出来。

其实，有这种想法的人，没有把开发过程计算在内，例如版型设计好之后，如何跟单、接单、怎么管理都是需要考虑的事情。因此，创意设计师的小批量生产，无法得到工厂的青睐。因为考虑到规模效益，工厂往往喜欢大批量生产的订单。

衣服生产出来之后，又会有新的困难。对于品牌与店铺来说，总是有一些衣服会卖不出去。从具体数字来看，是世界GDP的2%，世界上碳足迹10%的产出者。每年全球有30%的衣服卖不出去，导致了十几百万吨的衣服要被烧掉或者当垃圾扔掉，所以加起来在服装产业当中有上百亿的美元浪费。

产业界也意识到了浪费问题，一直在呼吁减少浪费，呼吁更环保的方法，呼吁按需生产。每年麦肯锡（Mckinsey）和BoF时装商业评论（The Business of Fashion）每年也都会有全球时尚业态报告（The State Of Fashion Report）数据调查。

从目前来看，这个问题一定是需要用科技去解决。我们发现疫情发生的时候生产量绝对是受到了影响，但是经过复工业界生产量就会反弹出来，于是我们可以反问：真的需要每年生产那么多东西吗？

我个人是研究硬件的，衣服和硬件生产的过程非常相似。都需要画图、定义材料、生产。在芯片、电子产品的生产中，因为很多生产过程都是自动化的，如果你会画图，基本想法就能够被做出来。

服装生产也是从二维开始画图，但即使画了图的版型，做出来，在不同的工厂做，每次要做新款出来都会有各种各样的失误，所以做一个衣服非常复杂，需要来回修改。

最后终于可以生产了，但是需要批量生产很多，而批量并没有什么创意的，虽然价格比较便宜，但消费者购买的兴趣依旧非常低。

AI实际上可以赋能服装生产和设计，从而帮助解决痛点。AI应用到大规模的工业界，基本上有两种方式，一个是通过数据去预测潮流，为了减少这些浪费，可以通过观察每年的潮流，从而预测新产品的销量；另一个是能够用机器学习，用计算机视觉去捕捉照片，在照片里面观察衣服款式的喜好，然后根据捕捉的信息进行推荐。

以上两个方向的应用远远不够，想要做到更多，必须和其他科技结合在一起建立完整的生态链。

例如，衣服生产应该通过创意和需求推动，然后把这些版型和做衣服的不同步骤模块化，并且用平台把它建立起来，让设计师上载任何的设计材料就能够帮助他们制作出来。因此，这不仅需要人工智能方面的帮助，还要有数字化和运用云，才能够让我们回归到“量体裁衣”。

前面提到，用机器视觉（Computer Vision）捕捉衣服，只做到“推荐”是不够的，还要让它能够摸清衣服是如何制造的。所以，如果当人们上载他们喜欢的衣服，然后告诉厂家和设计师他们的个性需求，这时做出的服装才更有吸引力。

另外，机器学习还可以满足虚拟试穿的需求，让消费者输入自己的身体数据，然后通过机器学习自动生成样式之后，自己选择需要的版型。

更重要的是，用机器做自动化生产，能够将人们从做衣服这种非常重复性的手工工作中解放出来，从而专注更加有创意的事情。AI可以赋予大家能力，让生产更民主化，未来，我们可以让世界各地的有手艺的人有这样的平台：能够帮助设计师在任何一个地方做出设计师想要的、大众需要的个性化产品。因此，不仅仅要有机器，还要有一个平台式的，与生产力结合起来的，和自动化和云端结合的方式，能够从头到尾做出一体化的生产模式。

这时候需要明确的是，科技本应该不是取代人类，而是赋能于人。我们一直在追求能够从这些枯燥的、重复性的劳动中被解放出来，有的时候就会出现有一些工作被机器取代，但事实上它还是能够最终让人们做更有意义的创造性的工作。

换一个角度观察大自然，其实它一直在做创作，大自然已经做到了很多人类做不到的事情，但是它取代了人类了么？没有。我们还是被大自然所启发，做出更多有创意的东西。

而科学与工程能够提高我们生产消费者产品和工业设施的效率。消费者产品与工业设施的行业实际上也能够让我们产生艺术与文化。艺术与文化是快乐的来源，有了快乐让我们做更多科学与工程。这是一个正向的循环，能够不断地每个领域帮助到另一个领域，能够结合到一起去，这样能够推动我们向更好的方向发展。

袁烽：《建筑智能与建造》 

这次演讲的题目是《人工智能 VS 智能增强》，人工智能概念从两三年前开始，逐渐成为非常重要的热点话题。另外，随着整个社会数字化的进程，人工智能已经成为数字化进程中非常重要的环节。

回看历史，在50年代的1956年的时候，在达特茅斯会议，人工智能正式被作为早期概念提出来。而智能化和数字化的历史在建筑学领域的发展过程是：早期现代主义实现的模块化，即建筑都是一样的模块，就像密斯做的房子，所有的窗都是一样大的，所有的结构，就像柯布西耶提出的“多米诺体系”一样。这种通过钢与玻璃的大批量生产，通过模块化的方式极大地提升了建筑的生产效率，孕育了现代主义建筑。

在现代主义之后，60年代随着计算设计的提出，开始尝试通过计算性思维让一个具有语法和逻辑结构的内容转译成一个设计的生成过程。那时候Autodesk CAD等此类很多的软件也开始逐步出现，改变我们的方法。

进入90年代，也就是经过30年的发展，Patrik Schumacher开始提出参数化主义。通过参数化主义对计算性设计进行了提升，这种提升是通过语言学的方式或者称为后结构主义的方式，运用语法的结构对已有的排列进行重新组合，从而变成一种平滑的、连续性的语言来表述的参数化主义的风格。

在这之后，人工智能又逐渐地和建筑产生融合。其实人工智能可以分为早期的和后期。早期我们也把它称为GOFAI（Good Old-fashion AI），一种简单的基于一些符号和一些数码逻辑，以及像二进制、八进制、十六进制这样一些可被数字和数字逻辑进行概括的方式。很多棋类游戏，例如国际象棋，AlphaGo，基本上还是基于Good Old-Fashion AI。

后期又出现了所谓新派人工智能New-fangled AI，新派人工智能用简单的话讲就是新的联结主义（Connectionism/ANN），这种新的连接主义是模拟人脑思维方式通过输入的信息、输入的参数，然后经过细胞和大脑的复杂运算来输出一个结果、一个指令的过程。这个过程在细胞核的运算其实是一个黑箱，到底细胞核怎么样做出决策的，其实人类并没有完全掌握其中信息处理的机制。

随着计算机的发展，这种机制通过各种算法，把中间运算的部分通过各种数学的方式进行转换。在这过程，微型信息处理器发挥了巨大的作用，帮助把人工智能推向了一个新高度。

而现在提出了两种人工智能：强人工智能和弱人工智能。其中，强人工智能就是希望人工智能体是有知觉和自我意识的，而这种有知觉和自我意识的强人工智能体还没有出现，还是无数的数学家、计算机学家的梦想。

现在我们的研究领域是智能增强，在设计和建筑机器人层面，我们做的很多尝试还是弱人工智能阶段。人工智能在建筑领域运用的算法也很普遍，包括CNN、GAN、ANN、RNN等。其中CNN是从图像到向量的关系，GAN是从图像到图像的模拟，ANN是从向量到向量的模拟，RNN是有序的向量到向量的模拟。

图注：大海

图注：火

图注：花

这些计算机学界算法已经在设计和建筑领域得到了一些共识，例如上图关于大海、天空、火的四维图像的创作。下面还有一些有意思作品：

图注：把服装和领带变成一个物体，这是Deep Perception/Mbarch thesis的作品。

图注：这是Daniel bolojan的作品，他用AI学习了成千上万张的图像之后的结果。

其实，我们对于人工智能、机器学习的认知其实还在非常早期的阶段，类比汽车时代兴起中马车的地位，刚刚起步，还需要回答一系列的问题，例如如何运用ANN、CNN、TNN此类的算法让设计变得更有创意？如何用训练集训练出更好的模型？如何对它们进行聚类、分析、归纳？这些问题的回答需要全球研究者的共同努力和学习。

我和我团队的研究方向是建筑机器人。其实机器也好、人工智能也好，我们希望它是作为人体的延伸，可以成为我们智能的一部分，所以称其为智能增强体。

现阶段我们更多是通过建筑学构建式、建构类的实践，将智能化的设计与建造应用到我们设计当中。从2016-2019年，我们每年都会做一个桥，这个桥的背后体现了智能设计与建造如何升级我们的学科，因为它要承载结构和重力，同时让自己又不能倒掉，所以它里面既是力学与美学的对抗，是一种协调和一种矛盾的结合体。

具体的过程是先将桥的受力形态，通过不同的插件和软件进行模拟和优化，去除不必要的结构剩下最有效的结构；然后通过机器人打印的方式，将智能化黑箱设计的造型生产出来。

图注：第三年设计的桥

第一年通过回收塑料的PLA的重复使用，用机器人生产、建造后的成品，可以承受五个人的重量；第二年我们通过改变结构材料，桥能够承受7个人的重量；第三年，开始尝试的复合桥，通过碳纤维、玻璃纤维的机器人编织，通过金属3D打印，可以承受20个人。从第一年到第三年的时间历程，可以看到我们对于力学理解能力的提升。

总结一下，人工智能的很多算法在设计当中的应用我们都在探索。建构方面我们更多是利用一些算法，和结构和机器人的操作进行融合，来改变物理世界物性的数字化的建造过程，通过赋能给材料，让我们一些可以认知的材料产生更强的结构性能，从而达到智能设计对设计学的提升。

王敏：主题点评

人工智能不仅可以为我们提供规范化、自动化、系统化的设计，还可以为企业提供消费市场上个性化的设计服务。通过整合大数据，推出新的消费与市场设计服务，人工智能已经开始取代设计师完成一些设计服务。有了人工智能的参与，机器也能产生充满个性、艺术化的设计，甚至具有某种残缺美的设计，或有偶发性特点的设计、有情感有温度的设计。这些在今天被认为是设计师才有的能力，将来机器也应当会具备。

在几位专家的演讲中我们发现，人工智能正在建构新型的视觉、听觉和物理的体验，这种新的体验在产生新的可能性。在商业上，它可以产生新的消费趋势和生活方式；在艺术上，它正在催生新的艺术表现形式；在设计上，它会改变设计师的工作模式，从而形成未来不确定的设计文化走向。

现如今，人工智能在设计师的参与下，可以为企业新的商业模式助力。它可以提供个性化的设计服务，或形成企业品牌管理与市场推广过程中的自动化设计生产流程，从而降低设计成本，提高生产效率。范凌老师的特赞正在引领这样的趋势，将人工智能用于企业的设计解决方案。目前人工智能在设计应用上还处于早期，但它正在大大地增强设计师的创造能力，实现以消费者为中心的个性化服务。所以人工智能+设计+大数据必然推动产业结构的转型与消费升级。

今天各位专家谈的是人工智能对具体行业的影响，但更值得我们关注的是它所带来的连带反应，即现在还无法预测的一些不确定性。人工智能与设计的结合必然会带来一些颠覆性的变化，会影响到社会结构变迁、人类进化、人存在价值的重新反思，这样拥有诸多的可能性的未来值得我们去期待，当然也应当引起我们带有警惕性的关注。

我曾经历上世纪80年代到90年代的“桌面出版革命”。这场变革让我相信，技术取代了传统工作的同时，也必然带来新的机会。人的想象力、创造力、同理心最终会创造更多新的机会。在这个过程中，机器会大大地提高设计的生产效率。将来在人工智能加持的时代，还是需要设计师与机器一起去创造一个丰富多彩、人性化、差异化、不单调的社会。

我希望通过今天的讨论能引起大家去思考，未来人工智能的时代的设计师所应该发挥的作用。设计师们应该对自身的专业技能和素质进行改造，以便适应这样一个新的时代，发挥出在机器智能加持下设计师所应该具有的价值。

▍跨学科讨论

一、人工智能与设计教育

范凌：未来的设计教育在人工智能时代会发生什么变化。反过来设计对人工智能领域的其他人才会有什么影响？

Kitty Yeung：我觉得未来会有更多交叉性的学科。关于学习，可以完全从个人兴趣开始，追求自己感兴趣的事物，在这过程中发现有其他方面的应用就可以尝试，“竖”着走、“横”着走都可以。像技术发展到这个阶段就能够帮助大家横着走，如果你对一项东西特别专注的话，再通过这些技术帮助大家，学习更多跨学科的领域，在横着走的同时也能够发现很多新突破，又找到新的“竖着走”的路。

Kostas Terzidis：我想谈谈关于未来的设计。现如今的设计学院倾向于培养从人类思维出发的天才设计师。他们推崇这样一种观点：人类非常智慧，可以做很多跨学科的研究，以至于人类可以做任何事情。但这是一个非常古老的观念，给学生传递了错误的信息。因为归根结底，这是行不通的，尤其是随着人工智能的起步。重要的点不在于你做事有多聪明，而在于你是如何聪明地让机器为你工作。我们不必成为一个天才，而应该以“物控制物”的方式去工作。以编程为例，大多数设计学院不使用编程进行创作，除了一些非常具有创新意识的学校，其中之一就是我所在的学院。这就是我来这个学院工作的真正原因，在这里，他们更愿意拥抱改变，寻求创新。因此，这种教育原则是非常重要的，它允许我们可以有不同的思考方式。我认为，这是是未来应该对学生们传达的信息。

王敏：我从设计教育的角度谈谈Kitty老师提到的“横”着走和“竖”着走。其实，重要的不是先横着走还是先竖着走，重要的是要有这样的能力，会竖着走也会横着走，我觉得我们做老师的应该关注的是如何培养学生这样的能力。如何为未来人工智能时代培养设计师？很多人认为，要让所有学生都学习编程，但我觉得没有必要。我们是要有一批有编程能力的设计师，有对技术的深刻理解与把握，从而参与人工智能解决方案的研发。但是对于更多的设计师，我们只需要注重他们的素质教育，训练他们有横着走和竖着走的能力，这里包含了对于他们想象力、创造力、审美、同理心、好奇心等素质以及跨学科合作能力的培养。这样的一批人将来可以应对人工智能时代对设计师的需求和挑战。如果所有人都学编程，并不是所有人都能像工程师一样具有对编码的把握能力以及思维方式，我们实际上还是需要设计师有更多的创造力，最终要横着走，也要会竖着走。当我们培养的学生具有横着走、竖着走能力的时候，我们的设计教育才会是成功的。

Kitty Yeung：在科技的发展过程中，开源的思维对大家自学新东西非常有帮助的。现在网上有越来越多的教程，大家会主动放到网上去和世界进行分享。十年前我们做可穿戴会非常困难，但现在技术越来越好，又有很多开源教程可以学习，我们就可以拿出来应用，这也是科技能够赋予人们更多创造力的很重要的一点。

袁烽：知识的迭代速度越来越快，这并不是说以前我们学的所有知识已经过时，从学习时空的学习曲线角度来看，我们应该用更短的时间和更有效的方式去学习，因为新知识到来的规模和速度会非常大，从而进入知识爆炸的程度，随着5G、6G的出现，视频线上交流方式平台日渐普及，人和人的信息流和知识流交换速度极大地提升。这当中很重要的一点是要有更多的学习能力和学习平台，也包括我们对于知识的态度，如果没有分享的精神，个人会很难成长，因为现在所有知识都是站在“巨人”的肩膀上获得。

所以，用一种新的方式建立一种新的知识体系，这从根本上不同于现代教育体系和高校评价体系。为了让知识不成为自己私有或者独门绝活，而让它能够相互学习、相互分享，于是，在过去10年我们搭建DigitalFUTURES的学习平台。在平台上我们向全世界学习，参与方都受益，这种分享精神也正是未来解决跨学科和重构知识教学体系的核心内容。

二、设计工具在中美关系下的风险与机遇 

范凌：当我们开始使用人工智能进行创造性工作的时候，不得不依赖于很多数字化的工具。但当前的中美的政治环境告诉我们，很多软件在中国的使用会有一些挑战，例如数学软件MATLAB被封事件。事实上我们现在用的工具，无论是三维设计工具还是二维设计工具，其自主产权都不是自己的。那么，在中美比较敏感的大环境下，大家对于人工智能和设计在工具层面是如何思考的？

袁烽：我先谈一下著作权和署名权。以前是谁设计谁拥有署名权，但现在随着后人文时代的到来，机器和程序会成为人的智力的延伸，人和工具之间变成了密不可分的共同体。例如AlphaGo，这个智能体里面既有人的部分，又有机器的部分，它展开了一种全新的方式，在这个方式下面，需要我们重新认知世界的知识结构或者交流结构。

这个结构之后，如果没有一个体系上的变革，那一定会发生类似于战争方面的争端问题。因为我们的哲学认知体系跟不上现实社会系统的进步。以下是我个人的看法：

首先，我们是否能够平等看待什么是底层基础设施体系或者新的话语权体系。新的基础设施会不会成为一种政治工具，或者说它只是一个知识工具。知识工具是否会在达到一定的手中之后，会变成可以用来免费共享的体系。也就是说，对于知识产权的认知，我们是否永远是消费者，还是会成为对知识产权开发的知识者。

所以，我们要反对将基础设施型的基本架构体系上升到政治高度来作为一种要挟。我希望这种知识体的创造者，各个高校的研发团队，他们的知识可以通过量化的方式来认知，并且推动他们的创造力，让这些创造力变成人类智能的一部分。这两者都需要付出一定的努力，重新构建一个新的合理的全球化的秩序，这一点应该超越于民族，超越于资本，也要超越于个人对于自我能力的一种沉浸的状态。这种超越可能更强有力的哲学思想和分享方式和一种激励机制来进行对它的重新架构。

王敏：数字设计工具的风险与机遇虽然是一个迫切问题，但随着人工智能解决方案的出现，我们已经可以在很多情况下绕开了目前为止我们所用的一些软件。我们目前使用Adobe的一些软件来做设计，但如果有足够强大的人工智能给企业或者给机构提供一些解决方案，这些解决方案能将过去由单个设计软件所做的工作都在后台完成。

这样设计师只要有了想法或创意，其他工作就不需要再一个个的用软件来实现。如果能做到这一点，事实上我们就绕过了我们目前用的Adobe的软件。当然这需要人工智能解决方案到足够强大的程度才行。

Kostas Terzidis：我认为有时我们对工具的概念有点误解。西方人主导了设计工具的研发，他们认为工具是手的延伸。但希腊语言中关于“设计”的概念，其实是思想的延伸。数字化工具的研发，就是利用计算机来完成那些我们本来手动去做的事情，但这不是设计工具。所以，如果你想进入设计领域，就必须开始用不同的方式思考。一个能改变你的思维方式、让你以不同的方式思考的工具才是真正的工具。这就是人工智能的作用所在。我们不会用AI来重复我们已经知道的，无论如何都可以做的事情。在这种东西方在数字工具方面的竞争中，我认为中国有更大的可能发展真正的设计工具，因为中国有着不同的文化，有着不同的思维方式。中国人总是擅长把事物联系起来、结合在一起，不回顾过去。这是一个非常有趣的概念，因为它能让你向前看。西方误解了希腊语言中关于“设计”的概念，而中国人则更加开明地利用人工智能的机会，让人工智能在正确的方向得到更好的发展。我一直在我的学生们或者其他和我合作过的老师和公司里看到这种潜力。有趣的是，中国人总是把目光投向西方，而西方从不向东方看，这是个很大的错误。我们希腊人总是认为最好的东西来自东方，因为东方隐喻了太阳升起的地方。所以我认为从这个角度看，西方正在输掉这场比赛。

Kitty Yeung：开发工具非常重要，中国的设计师、工程师可以多开发一些工具。服装产业这种类似很传统的产业，有时候一些生产方根本就没有在线平台，在网上也无法找到。我们应该把中国做出来的好东西家喻户晓，我非常支持开源和开放性的形式，知识、科学、艺术都是无国界的，所以有一些原创的东西，也可以开放给其他地方的人。

范凌：个人认为设计、创意作为一种文化，文化应该是多元的，越多元越有力量，应该是无国界的。工具是一种能力，工具能够让一些能力民主化。没有工具之前一个工作很多人做，有了工具以后一个人可以做很多工作，所以工具让我们更专注在创造力上，而更少的专注在硬技能上，因此，工具应该民主化，应该是跨国界的。

工具现在都是云端的工具，自然涉及到数据。数据是有产权的，因此数据是有国界的，是分“你我”的。因此，这个事情分为三类：文化应该是无国界的，工具应该是民主化的，数据应该是有产权的。

三、将设计创意引入科学讨论

范凌：有没有什么建议可以给予未来论坛，帮助它能够更好地把设计创意的话题引入到科学的讨论?另外，怎么样能让科学家更多地从设计里面受到启发?

Kitty Yeung：举办活动，能够将大家的思想分享出来，可以有更多的观众互动，听听观众的想法。同时希望能有线下平台，使我们继续保持联系。像西方很多的开源平台能够让大家分享自己的作品，可以将使用材料、制作过程写下来然后教给大家怎么做。既有教育又有互动，既是线上平台，但也可以通过活动在线下保持联系。

王敏：未来论坛来探讨设计的问题，我觉得应当是特别合适的平台，因为设计从某种意义上讲就是一个关乎未来的一种行为，设计师所做的就是为未来来提一些新的方案或者新的解决方式。所以未来论坛从名字上来说应当关注设计。

当然，我们今天想要建议的还是怎么能够让科学家对设计感兴趣，或者怎么让设计师对科学家更加关注。当这两者结合它所产生的能量和产生的结果是未来我们所需要的。例如，很多的科学家在做新的材料，这种新材料从出现到实际应用的过程里，设计师就可以发挥很大的作用。我们常说的“设计思维”在这个时候和科学家的研究放在一起会产生很大的能量。现在也有很多人做这方面的实验和尝试，将把设计和技术结合在一起，从而探讨这种创新模式的可能性。我觉得未来论坛是非常好的平台，能够把设计和科学技术揉到一起，让设计师、艺术家和科学家在一起共同碰撞出一些新的火花，对未来发展有新的可能性的有益探讨，我特别期待未来论坛能够做这样的事情。

四、如果体会AI作品中的情感 

范凌：如果说艺术是一种人与人共情的方式，我们如何从AI创作的作品中体会创造这个作品时的感情，并传递至我们？

王敏：一年前，美国Rutgers大学的人工智能实验室做了一批作品，作品由人工智能完全自主产生（区别于风格转化）。有了作品之后，这群研究者将其和艺术家的作品进行“混乱”展示，然后让观众评判打分。打分的标准是：作品是否是有趣、是否带有目的性、色彩是否饱和、感染力是否强。打分的结果是：人工智能的得分比艺术家要高。换句话说，观众认为AI的作品更有趣，更有目的性。

这个结果有别于人类的常识，通常人类认为机器没有思想、情感，那么他的作品也应该是没有意识的。

其实，观察作品背后蕴含的意思和感情，还得是取决于最后作品生成的质量和生成的样式。追根溯源，最后取决于操控程序的人。

袁烽：刚才的问题还是人本主义，即以人为核心判别所有事情。人工智能时代，此观点要有所转变，我们要重新思考“人是不是主体”。当前，创作主体、评价主体都在改变，智能体时代的到来，让这些主体变成混合体，这个混合体会变得更加综合，综合当中的比例可能70%的人类因素，30%的算法或者70%的算法，30%的人类因素，甚至是更加混杂的状态。

在混合状态的评价体系中，我们必须做出思想转变，不能用“人本”观点观察事物，所以我们必须跨出“思想转变”这一步。

Kitty Yeung：我觉得不需要用机器取代人，而是需要机器去解决痛点。最后解决问题之后其实也不是以人为本，如果你能解决环境污染问题，最后还是以大自然为本。有的时候确实不需要以人为主体去创作，而是利用技术去解决问题。

Kostas Terzidis：共情是一个非常有趣的概念，因为它有主观、个人化的含义，但它不一定非得如此。你也可以用一种集体的方式来感同身受，产生人与人之间的共鸣。你能共情于某物，不一定是因为你拥有它，而是因为你共同参与创造了它。以前的艺术是基于个人的共情，是一种主观上的对艺术作品的占有。然而这种情况正在发生改变，因为人工智能在艺术家和作品之间制造了一道屏障。但我们仍可以通过很多不同的方式对它产生共情。你可以共情于你所创造的事物，例如作为父母，你有个孩子，但你并不是孩子的“主人”，因为孩子有自己的想法。虽然如此，但你仍为你的孩子感到自豪，你因生下他、抚养他的行为而产生共情。

同样，因为人工智能也像是一个婴儿，它有自己的思维，但这并不意味着我们就因此无法对它产生共情。这是一种不同的共情方式，共情来自于我们“参与创作事物“这件事本身。

范凌：现在建筑设计中经常会使用一些AI仿生学算法生成有机的建筑体块，例如模拟蚂蚁、细菌的行动，此类的模拟生成建筑应该如何解读，是有实际意义还是大多处于学术研究阶段？人类思考了这么多年，各方面细节已经可以打造出相对完善的建筑，现在转而选择一些没有高等智商的动物或者微生物制造的形体，是不是有些本末倒置？

袁烽：这些对于仿生的模拟，我们着重强调生成式设计，即构建和生成一个形式。现在设计分两类，一种是研究式的设计，一种是进入社会要解决问题的设计。如果作为知识体，例如在大学里的训练，我们会把生成式的设计在特定的训练单元抽离出来，然后特别训练大家某一方面能力。

但是真正解决设计问题时，这并不是设计的全部，而可能是一个很长的设计流程，包括如何生成、优化、评判、形成反馈等。人的智商和AlphaGo的最大区别是AlphaGo只知道赢这盘棋，但人有时候可能明明能赢但是选择输棋，AlphaGo现在可能做不到这一点。从这个意义上讲，当我们掌握了很强劲的生成工具的时候，真正实战的设计使用当中，就需要把解决问题的对象放在前面。因此，如果是作为一个研究型内容，无论什么样的生成方法，它都还是一种对于机器和智能思考方式相互替代或者相互补充的一种探索，我们都把它称为研究型的设计。但真正解决一个现实问题时，这种生成本身并不是设计目标，而是生成设计目标的很重要部分。所以我们把握的分寸就是AlphaGo和人的区别，如何把握这种工具，就需要更深的功力和驾驭能力。

范凌：请问Kostas Terzidis教授，刚才您讲到AI在服装设计电商领域的应用例子，能详细谈谈么？

Kostas Terzidis：这个问题包含两部分。一是关于艺术或设计的主观性，它是时尚吸引消费者购买商品的主要武器。换言之，只有时尚一直在持续地生产新鲜的和不同的事物，人们会消费更多的东西。人们掉入了这样一个消费陷阱里，因为在某种程度上，我们现在穿的衣服和之前并没有什么不同。“衣不如新”只是一种感官上的享受。

传统是人类创造的最先进的原则，并且存在了几千年，它能给予一种标准的思维方式，一种对主观性的客观化。但如果我们能用设计致力于创造普遍的、客观的、永恒的事物，我们一定会比“反复持续地更新“要更成功，而不是生产过量的服装并最终造成对环境和视觉的污染。

所以，我们在这里的案例中针对时尚的排列设计所做的，更多的是去发现什么是不变的标准事物，以及时尚的真正特征是什么。因此，AI不是一个发现不同之处的工具，而是一个发现不同服装组合当中的共同点的工具。这在某种程度上更加传统。

（全文结束）