原文來自：Algorithm-Driven Design: How Artificial Intelligence Is Changing Design
作者是來自俄羅斯的設計師 Yury Vetrov。通過 Smashing Magazine 我聯系到了 Yury 本人，得到了翻譯和轉載的授權。他郵件回復說“glad to see a Chinese version of my article”，開心~
附上他的聯系方式和介紹：Yury Vetrov 的 LinkedIn
設計師的盔甲
前面的內容已經包含了幾個算法驅動設計的案例?，F代設計師為此需要哪些工具呢？回想在上世紀中期，計算機被預想成擴展人類能力的一種方式。Roelof Pieters 和 Samim Winiger 仔細分析了計算學歷史和提升人類能力的理念。他們發現了設計工具演化的三個階段：
- 第一代是用數字方法模仿人設計的工具；
- 第二代通過不斷的操作-反饋循環 ，完成人和機器共同協商的創意過程，幫助人類構建創作模式；
- 第三代在細粒度的交流中與人協商創意過程，提升人的創作能力，加快從初學者到專家進階的技巧習得，從而幫助人類構建3.0創作模式。
算法驅動的設計應該是產品設計師的盔甲——它加大了我們做決定的數目和深度。設計師和計算機需要怎么合作呢？
數字產品設計師的工作流程可能像是這樣：
1. 探索可能出現的問題，選擇對商業和用戶最有價值的問題去解決（分析）；
2. 探索可能的解決方法，選出解決（分析）問題的最優解；
3. 啟動，開發，推廣一個解決問題的方法；
4. 評估產品在真實用戶中的運行情況，并優化它（分析和設計）；
5. 與公司的其它產品和解決方法保持聯系和統一（設計）。
上述任務分為兩類：對模糊的信息和已見效的解決方法的分析，以及為此做的需求和解決方案的設計。對這兩種任務，我們分別需要什么工具和工作方法呢？
分析
對用戶的模糊信息的定性研究難以實現自動化。但發掘現有產品的用戶使用方式是一個好辦法。我們可以提取出行為模式、得到用戶分群，然后為它們優化用戶體驗。在廣告定位中這已經實現了，算法用清晰和模糊的行為模式給用戶做分類（在特殊產品或廣告網絡中）。
為了訓練算法，優化針對用戶群的界面和內容，設計師應該補充一些機器學習的知識。Jon Bruner 給了一個很好的例子：從理想結果的基本描述開始的一種遺傳算法——一個為節省燃油和方便乘客做優化的航班時刻表。它把不同的變量包括在內：航空公司擁有的飛機數量，起降的機場，每個飛機的座位數。它加入了那些也許你認為無關的變量：關于現有時刻表的數千個航班的細節，或是隨機產生的虛假信息。經過成千上萬甚至上億次迭代，時刻表漸漸變得更加有效和便于使用了。算法也讓我們理解了時刻表中的每個元素——例如37次航班從 O’Hare 機場的起飛時間——是怎樣影響燃油效率和乘客便利這些相關變量的。
在這個場景中，人們掌管著算法，可以任意增減限制條件和變量。從真實用戶的試驗中可以測量出結果。同時，算法也用持續的反饋循環來提升用戶體驗。盡管這項工作的復雜說明它是數據分析師的分內事，設計師仍應該懂得機器學習的基本原理。O’Reilly?最近發行的關于這個話題的一本小冊子就很棒。
設計
兩年前，一個為工業設計師服務的工具 Autodesk Dreamcatcher 弄出了點動靜，引發了 UX gurus 的好幾次報道。它的基礎理念是“生成設計”——一種應用在表演、工業設計、時裝和建筑設計等領域多年的設計方法。很多人知道 Zaha Hadid 建筑事務所，他們的官方人士將這種方法稱為“參數化設計”。
Logojoy 是一款能替代自由設計師設計簡單 logo 的產品。你可以選擇喜歡的風格、顏色和品牌，Logojoy 會產生無限多的創意結果。它可以精確到一個反映企業風格的特殊定制的 logo，訂做關于品牌的商務名片，信封，等等。這簡直是現實世界中最棒的算法驅動工具了！它的作者 Dawson Whitfield 闡述了它背后的機器學習原理。
但是，它還沒有出現在數字產品設計中，因為他不能幫忙解決實際的工作任務。當然，建筑師和工業設計師的工作有它足夠的專業性和種種限制，但用戶界面的設計不是靜止的——它們的使用模式、內容和功能常常變化，應該說是變化非常非常的多。而如果我們考慮整個生成設計的過程——一個設計師制定算法創作最終產品的原則——就會發現很多靈感。數字產品設計師的工作過程可能看起來是這樣的：
1. 算法用給定的原則和模式產生多個設計變化的結果；
2. 這些結果用設計質量和任務要求進行篩選；
3. 設計師和經理選擇最有意思與合適的設計變化，必要時將它們打磨加工；
4. 設計系統對一個或多個變化運行 A/B 測試，最后人工選出最有效的一個。
在數字產品設計中，我們如何從一大堆概念里篩選出結果尚未可知，因為使用場景實在太多了。如果算法可以幫助過濾這些概念，我們的工作應該會更多產、更有創意吧。然而，作為產品設計師，我們每天大多是在想法巨多的頭腦風暴會議或是屏幕上的原型迭代中使用生成設計。為什么我們不能把其中一部分交給算法呢？
Jon Gold 的實驗
在 The Grid 工作的 Jon Gold 發明的實驗性工具 Rene，就是一個讓算法做選擇的實踐中的例子。Gold 訓練計算機為字體設計做有用的決定。他認為這和教會人做決定差不多，因此他把學習過程分為以下幾步：
1. 分析字形，理解字體之間的相似之處；
2. 為組合字體形成基本的原則；
3. 找出最好的字體組合，了解流行趨勢；
4. 用算法衡量設計師的工作成果。
它的想法與 Roelof 和 Samim 所說的類似：工具應該成為設計師的創意合作伙伴，而不只是傻乎乎的執行者。
Gold 的工具 Rene 是建立在這些原則上的。說起命令式編程和聲明式編程，Gold 認為現代的設計工具應該選擇后者——專注于我們想要得到的目標，而不是如何一步步計算。Jon 用公式表示 Rene 是如何設計并作出一些低級別的 demo 的，你可以試試這個工具。這是一個很早期的概念，但足夠傳達出這種思想。
視頻翻越后可見：Rene ——產品設計工具
Jon 開玩笑地稱這種方法為“暴力設計”和“成倍設計”，他強調了專業人員控制的重要性。值得注意的是，他在今年早些時候離開了 The Grid 團隊。
工具已經有了？
不幸的是，沒有網站或移動產品設計工具能達到和 Autodesk Dreamcatcher 媲美的分析和設計水平。不過，The Grid 和 Wix 多少可以算作高水平的、直接的解決方案。Adobe 一直在加入一些智能特性：最新版本的 Photoshop 有一個內容感知的功能，當你用了裁切工具后旋轉圖像，把畫布擴張到超出圖片本身大小時，它會自動填充和裁剪出擁有重要內容的部分。
視頻翻越后可見：內容感知的裁切功能介紹
Adobe 和多倫多大學合作的實驗——Design Scape?可以自動改善設計布局。它還能為用戶推出一個全新的版塊。
視頻翻越后可見：DesignScape: 與交互式的布局建議一起做設計
你一定要跟上 Adobe 的步伐，因為他們在2016的 the MAX 會議上發布了一個叫做 Sensei 的智能平臺。Sensei 利用了 Adobe 在人工智能和機器學習領域的專業技術，它將會成為未來用戶級和企業級的 Adobe 產品中算法驅動設計功能的基礎。發布會提到了語義圖像分割（以圖像類型做標簽展示一張圖片中的每個部分，如建筑、天空等），字體識別（如，通過創意資源和推薦相似字體來識別一種字體，甚至是手寫體），以及智能用戶分群。
然而，正如John McCarthy——提出“人工智能”術語的計算機學家的說法，“只要它能工作，沒有人會再稱它為人工智能了?！?曾經最前沿的人工智能現在成了計算機的標準要求。下面是一些可作為產品設計師日常工具包的試驗性的想法和工具：
StyLit? 無需繪畫即可創作3D模型。
Autocomplete handdrawn animations? Microsoft 試驗性的插畫/動畫自動補全工具。
但這只是未來世界的一角?，F在的更多情況是，個人企業在為他們的工作任務尋找特定的解決方法。最好的方法之一是把算法融入到企業的設計體系中。目標是相似的：自動化大量跟隨產品線的任務；得到和維護統一標準的設計；簡化項目啟動過程；更輕松地支持現有產品。
現代的設計體系始于前端的設計風格規范，但這只是第一步（把設計與開發人員的代碼相結合）。開發人員仍然需要手動創建頁面。下一步是在預先規定的準則下的半自動化頁面創建和測試。
優勢和劣勢
你的公司應該用算法驅動的設計嗎？
優勢
如果我們考慮一下近期的趨勢，這種方法的價值就比較清晰明了：
- 省去了準備資源和內容的機械工作；
- 拓寬了對創作的探索。計算機把各個變量因素放在一起，讓設計師從結果中過濾出最好的組合；
- 為小范圍的分群用戶甚至特殊用戶優化界面；
- 讓設計快速適應多個平臺和設備，雖然是一種原始的方法；
- 可以為一個界面的不同部分或一些特殊的模式做實驗——理想的、自動化的實驗。
總的來說，這種設計方法可以將設計師從支持開發和創作過程中解放出來，但最重要的決定還是交給他們去做。一個不錯的副作用是我們需要弄清楚自己的工作，因為我們需要試著分析它，將其中的一部分自動化。它會讓我們更多產，更好地向非設計人員解釋我們的工作本質。這樣，整個公司的設計氛圍將會更加濃厚。
劣勢
然而，所有的這些優點不太容易實現，或是存在一些限制：
- 我們討論的只是在公司目標下的定制化的解決方案。這種工作需要在開發、支持和提升上的持續投入；
- 就像 The Grid 那樣，單單一個工具不能讓奇跡發生。沒有設計師的全局指揮，做出來的結果很可能平凡無奇。另一方面，這確實是大部分專業工具的應用現狀；
- 打破過去存在的風格和方案比較困難。算法驅動的設計是建立在已有的模式和原則的基礎上的；
- 如果生成設計工具可以從 Dribbble 中獲取到所有信息，抄襲其他設計師的作品就會變得簡單。
道德問題也同樣存在：算法做出的設計有價值嗎，是獨一無二的嗎？誰是設計的原作者？生成設計的結果難道不會被局部最大值所限制嗎？Oliver Roeder?說“計算機藝術”不會比“繪畫藝術”或“鋼琴藝術”更讓人興奮。畢竟，編程軟件是人寫出的，背后的原理是人思考得出的，計算機是人制造的，素材是人收集的，公司也是人所經營管理的，工具是人使用的。計算機藝術是人類的藝術——之一，而不是一個另類。改革已經發生了，那么為什么不能進行下去呢？
總結
這是一個關于美好未來的故事，但我們應該記住算法的局限——它建立在人類定義的準則上，即使現在是機器學習在管理這些準則。設計師強大的地方在于他們可以制造和打破準則；因此從現在起的一年內，我們可能會把“美麗”定義為完全不同的東西。業界設計師既有高手也有菜鳥，而算法會輕易取代后者。但那些跟隨準則、必要時打破準則的人，會找到強大的新工具和無限的可能性。
更重要的是，數字產品正在變得越來越復雜：我們需要支持更多的平臺，為更多的用戶群體變化使用場景，做出更多的假設。就像 Frog 的 Harry West 所說，以人為本的設計從設計實物（工業設計）擴展到設計體驗（包括交互設計、視覺設計和控件設計）。下一步將會是系統級行為的設計：設計決定自動化系統或智能系統所做行為的算法。比起招聘越來越多的設計師，我們更該做的是把日常工作交給計算機去做。讓計算機去和字體玩游戲吧。
