设计师如何避免被AI取代？
智能AI发展之迅速超乎所有人的想象。
这所带来的震撼，已经显现赛博朋克的味道。
仔细想想，这其实是人类社会的技术发展与信息资料积累到到一定地步的必然结果，必然会有一种技术手段将需求与浩如烟海的答案进行匹配、整合与输出。
如今时代的答案已然显现。
今时今日智能AI正在逐渐取代部分设计师工种，至于后续AI的发展会不会进一步“蚕食”其他分支的设计岗位，这其实已经不再取决于AI如何发展，而是取决于设计师如何认知这个新阶段、如何转型、如何专注于合适的领域。
一、回首智能AI的发展
作为一切问题的根源，我们有必要简单了解下AI发展的大事记：
- 1996年，深蓝计算机Deepblue击败国际象棋世界冠军Garry Kasparov
- 2014年，聊天程序Eugene Goostman在5分钟的键盘对话中被超过30%的评委误认为是人类，通过了著名的“图灵测试”
- 2016年，AlphaGo击败围棋世界冠军李在石，次年战胜柯洁
- 2017年，类人机器人Sophia获得沙特阿拉伯国籍
- 2017年12月，DeepFakes基于深度学习的AI技术，在Reddit发布Gal Gadot换脸视频
- 2022年，画师群体在Artstation平台发起“NO TO AI GENERATED IMAGES”的反AI图运动
- 同年11月，OpenAI推出ChatGPT，5天内注册用户超百万
- 2023年1月，微软新版Bing采用ChatGPT技术
- 同年2月，OpenAI推出GPT-4模型
- 同月21日，美国版权局认定Midjourney生成的部分不受版权保护
原本Turing预测2000年就会产生5分钟内骗过30%成年人的人工智能，目今而言AI的发展反而落后于他的预测。而当机器智能通过图灵测试，甚至已经超越人类，测试本身就沦为另一个“过时的摩尔定律”。
从AI发展的里程碑来看，我们可以粗浅地认为原初的AI智能，如深蓝和通过图灵测试的Eugene Goostman，是一种基于大量信息资料的穷举行为的产物，它对机器的性能有一定的要求，信息资料的数量级也受到限制；
当拥有分布式储存、大规模并行处理和自组织自学习特征的“神经网络”取代穷举行为，再加上机器设备性能的大幅提升，AI就全面进化为如AlphaGo一样，基于性能和效率，对信息资料进行灵活匹配与整合，具备学习自然语言、信息提取、文本分析与推理能力的类人的AI智能；
更进一步的，当我们录入不同国家的在地文化、各类语言语料、各学科知识以及繁杂沉积的网络信息资料，加上最核心的自学习能力，AI智能已经一步一步提升至超越人类的存在，也即今天的ChatGPT和GPT-4模型。
从上述我们也许可以更加粗浅地认为，当下的AI智能是对既有知识和资料的总结性产物，同时具备一定的学习能力，它的思考是基于已有知识的“学习”和对价值观的“判断”的推理过程。
二、AI在IT行业的应用
近几个月，不论是IT行业的新岗位招聘，还是新的协作方式落地，都出现了AIGC的身影。
AIGC（AI Generated Content）是一种新型的内容创作方式。AIGC正成为越来越多参与到数字内容的创意工作过程中，创作者需要不断地学习探索和创新，以满足不断变化的市场需求。——《探索AIGC在网易严选中的应用》
当我们不抱任何怀疑态度地拥抱AI，并在设计或开发流程中落地时，按照“一”的看法，我们可以认为是拥有了既往知识经验的“接口”。
参考网易严选AIGC落地资料，我们可以认为AI在设计流程中的具体落地切入点，可以有以下几个方向（以下示例答案基于GPT-3.5-TURBO模型）：
1. 前期调研辅助与分析
我们可以借助AI快速且全面地针对某项课题进行调研前的准备，AI可以协助了解用户和市场的需求与趋势，进而给出指导或策略性的建议，在前期调研的资料收集与分析、人群分析以及问卷设计技巧等环节上，节省了时间和人力成本。
并且得益于AI的批处理特性，问卷或调研资料回收后的数字分析和结论提炼工作可以完全托付给AI执行。
2. 需求提案、头脑风暴
在需求提案的过程中，诸多灵感与Tips会在工作流转的过程中或多或少地被舍弃或被改变，也或许因为人力原因，许多灵感未被发掘或被表达。
我们可以通过AI快速模拟需求的创意提案，这些提案得益于繁茂的信息资料，它所展现的方向和覆盖维度基本上都要优于我们自己的思考成果。我们可以在此基础上进行人为的增删改，以洞察需求的更广面貌，甚至进一步明确产品定义。
3. 物料生成、辅助拍摄
By MidJourney|prompt:bath lotion; online-sale product image; light atmosphere; few plants; spray; real photographic
AI可以按照指定的特征语句生成或者改造物料素材，可以提升物料素材多样性的同时，极大降低物料的拍摄、采购或生成的成本，节省场景搭建的时间和成本。
更为重要的是，AI生成虽有瑕疵，但可以一次或多次生成提供批量的符合要求的物料，以供改进和备选。
在生成素材物料的基础上，AI还可以进行如包装设计、工业造型设计、IP创意设计等工作：
By MidJourney | prompt: mascot for female toys; whale shape; weather color; relaxed and cheerful expression; personification; three views
总得来说，AI在融入开发流程、应用和落地的过程中，在资料收集、调研思考、讨论和创意，甚至于物料的输出和调整上，都能够极大地节约人力和时间成本。
4. AI在实际工作流程中的落地应用
我们再模拟一下AI在理想情况下在实际工作流的参与程度：
在理想情况下，AI在工作流中可参与的程度已经很高，但同时AIGC也依赖人为干预、整理提取和传输等，也就意味着AI可以替代的其实是一部分专注于机械输出的工种，以及抵消一部分人力，使工作的投入成本更小。
总得来说，AI在工作中落地应用的最大价值在于改造工作方法论、优化协作流程、提升输出多样性和节约成本。
在这里额外推荐来自哔哩哔哩的子牧说发布的《你的文字是怎么变成图片的？-AI绘画底层原理拆解》，可以更深入地了解AI绘图的发展和原理。
三、AI对IT设计岗位的影响
在论述AI对设计师们的实际影响前，我们可以按照工作内容情况对设计师进行分类：
1）协作型：产品设计师、深度介入开发流程的交互设计师
协作型设计师需要了解业务和它的受众，工作内容涵盖原型或中保真交互文档的设计，还包括跨部门协作、开发设计对接、数据分析等等，他们需要了解业务链路、用户特征、用户行为以及开发成本和周期等细节。
2）整合型：深度介入开发流程的UI设计师、交互设计师
整合型设计师在工作流中属于中下游，他们接收上游的需求或原型，基于视觉/交互规范，按照受众特征进行细化设计，输出用于开发或设计的文档，还需要对接开发还原视觉/交互细节，配合验收，完成上线。
3）输出型：UI设计师、创意与平面设计师
输出型设计师的工作内容相对专精，属于下游，他们要按照上游需求输出物料，如Banner、H5或图片物料等，需要了解受众特征，也具备一定水准的专业技巧。
按照我们前文所述，在协作和整合层面，AI更多扮演的是辅助角色，可以协助资料收集、数据分析、结论提取，也就是说，会抵消一部分人力，而这两类设计师仍然需要人来作为核心，进行干预和管理。
但在物料输出上，AI已经可以承担一大部分的设计和输出，这将抵消的是较大比例的人力，更需要设计师参与排版或者微调，加之AI输出的不稳定性，也需要专业的人为干预。最后，输出型设计师向设计物料的管理方向转型的可能性更大，或者说更安全。
By MidJourney | prompt: spring camping, smiling young peoples, running dog, public park, trees and grass, sunny day, anime style, v5
（经历若干次生成，Midjourney没有给出我想要的风格，可能是语句的问题）
额外的，在动效设计等更细分的工种上，因其和开发流程的结合更加紧密，工作输出的精密度较高，被AI替代的风险相对来说就小了很多。
总得来说，在AI发展大潮中，设计师不想被AI取代就需要：
- 学会并应用AI智能，相应地制定好合适的边界，保留自己的灵活性和独特性
- 与业务和协作流程进行较强的耦合，和工作流中的各类角色打好交道
- 无论是转型设计管理的方向还是设计协作的方向，想不被AI取代，就用力地拥抱AI吧，把它变成自己设计生命的一部分
四、结语
AIGC对各行业都存在着冲击，这是AI智能不断发展和人类社会不断优化成本投入的趋势所带来的必然结果。
但在以人的意志为核心的文化氛围和感知判定上，或者说虚无缥缈的“意味”，也许是机器智能永远无法了解的领域。
如各地文化微妙的表意、人类符号学等专业垂直领域，如用户体验判定、设计管理、人才培养、字体设计等基于人本身素质、学识和艺术水准的领域，又或者如基于业务的理解力、由理论到应用的能力，可用性测试等等需要强人力干预的领域。
GPT-4在各种任务上的表现令人印象深刻，但它仍然受到各种有据可查的语言模型的弱点的影响。这些弱点包括(但不限于)缺乏对当前世界的了解，难以进行符号运算(如数学)…目前的知识和符号操作对语言模型来说是很难的。——《人工通用智能的火花：GPT-4-早期的实验》微软研究院
AI智能是基于过往信息的呈现和总结。
这也意味着AI智能可能输出一些需要证伪或无法被证伪的内容，在这类模棱两可或无法经由人力判断的输出成果上，我们仍然需要进行人为干预，并以此建立相关的边界围栏。
它既会编造在其训练数据中没有出现过的事实，也会在生成的内容和提示之间表现出不一致，我们…称之为开放域和封闭域的幻觉。这些幻觉可以用一种自信的、有说服力的方式陈述，很难被发现…虽然在产生创造性的内容时，幻觉是一件好事，但依赖有幻觉的模型所做的事实性声明可能会付出高昂的代价，尤其是在医疗保健等高风险领域的使用。——《人工通用智能的火花：GPT-4-早期的实验》微软研究院
我更倾向于认为AI时代来得还太早，很多需要我们改变的事情还来不及准备。AI智能是把双刃剑，也许蒸汽时代的保守主义者们也曾经发出过这样的感慨吧。
本文作者 @猫饼研究所
版权声明
本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处。如若内容有涉嫌抄袭侵权/违法违规/事实不符，请点击 举报 进行投诉反馈！
