2015年的“雙11”是個關鍵節(jié)點。2015 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么產(chǎn)品。而2015年那次“雙11”，是阿里第一次基于算法和大數(shù)據(jù)，為用戶做大規(guī)模的、個性化的商品推薦系統(tǒng)，叫做“千人千面”，是阿里流量分發(fā)模式很大的升級和轉型。

2015年的“雙11”結束后，淘寶的設計、工程和算法團隊聚在一起，商量下一年要做些什么。他們當時想，目前已經(jīng)做到的個性化推薦，都是基于白底圖商品推薦，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后，他們就在內部發(fā)起了一個人工智能設計的項目，主要開發(fā)的產(chǎn)品就是“魯班”。之所以叫“魯班”，也是因為一句玩笑話。當時說要 “讓天下沒有難擼的banner ”，諧音就是“魯班”，后來發(fā)現(xiàn)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(fā)明人，所以他的理念跟當時的“魯班”團隊做的事情是不謀而合的，他們也希望發(fā)明工具，讓設計師更好地工作。

隨著產(chǎn)品和團隊逐漸壯大，現(xiàn)在團隊已經(jīng)演進為“阿里智能設計實驗室”。第一點是圖像算法“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里。以前都是設計師給商品摳圖后再做設計，現(xiàn)在阿里智能設計實驗室要用機器做海量設計，就得讓機器來做這個事情。他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(shù)據(jù)”。一張廣告設計圖片是像素組成的“信息”，不是“數(shù)據(jù)”。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(jù)消費者偏好進行個性化投放。所以“魯班”產(chǎn)品上線初期，他們請設計師根據(jù)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(fā)展角度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(chǎn)品開發(fā)的圖像算法專家加入了進來，主導整個智能設計的算法框架。第一個挑戰(zhàn)是解決數(shù)據(jù)問題。因為行業(yè)里沒有什么參考對象，只能不斷試錯。剛開始的時候，數(shù)據(jù)不太夠，團隊就制定了很強的設計規(guī)則去控制，結果要么就是機器跑不出設計結果，要么就是設計出來的結果很失控。設計是有無窮可能性的，靠弱數(shù)據(jù)強規(guī)則必然走不通。意識到這一點以后，他們就集中精力去解決數(shù)據(jù)問題，把內部設計師電腦里的設計圖和供應商的設計圖都收集過來。

他們有自己開發(fā)的設計協(xié)同工具“設計板”，有點類似Slack，但是是專門用于設計協(xié)同的。這樣才能方便大批量、規(guī)?；恼业竭@些數(shù)據(jù)。

第二個挑戰(zhàn)是數(shù)據(jù)清洗和輸入機器。因為收集過來的數(shù)據(jù)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”風格差異很大系統(tǒng)，這是完全不一樣的品牌調性和設計需求。團隊花了很大的力氣去整理和建立了一套數(shù)據(jù)體系去管理設計數(shù)據(jù)，讓機器生產(chǎn)出更匹配的結果?，F(xiàn)在講 AI ，外界很難感受到機器的智能含量多高、體現(xiàn)在什么地方，但樂乘也不太同意“魯班”是“大數(shù)據(jù)生產(chǎn)”這種說法。這個疑問涉及兩個核心的，也是最基本的問題：一是什么叫設計智能，二是怎么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”，也就是阿里智能實驗室在做的，從無到有創(chuàng)造東西，讓機器能根據(jù)請求生成符合特定要求的結果。他們把這一智能設計定位為：可控的圖像生成技術?？梢越Y合技術框架和原理來理解，簡單來說，在整個生成過程中，有4個核心步驟（具體的講解可以參考

@剝桔子

分享的 UCAN 2017回顧）：

第一步，讓機器理解設計是什么構成的：通過人工數(shù)據(jù)標注，對設計的原始文件中的圖層做分類，對元素做標注。設計專家團隊也會提煉設計手法和風格。通過數(shù)據(jù)的方式告訴機器這些元素為什么可以放在一起，把專家的經(jīng)驗和知識通過數(shù)據(jù)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后，需要大量的生產(chǎn)資料。阿里智能設計實驗室會建立元素庫，通過機器做圖像特征提取，然后分類，再通過人工控制圖像質量以及版權問題（實驗室購買了有版權的圖庫，也是希望從一開始就避免版權方面的糾紛）。

第三步，生成的電銷外呼程序：原理有點像 Alpha Go 下圍棋。在設計框架上構建起虛擬畫布，類似棋盤，生成的電銷外呼程序把元素中心的元素往棋盤放，在這里實驗室采用了“強化學習”，就好像你在家里放一臺掃地機器人，讓它自己跑，跑個幾圈，它自己會知道哪里有障礙要避開。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，然后從中學習到什么樣的設計是對的、好的。

第四步，評估的電銷外呼程序：實驗室會抓取大量設計的成品，從“美學”和“商業(yè)”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(yè)眾包公司；商業(yè)上的評估就是看投放出去的點擊率瀏覽量等等。2016年“雙11”魯班設計了1.7億個banner。

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(zhí)行，所以設計師制作了很多“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(yōu)化，節(jié)省了尺寸拓版的人力。用機器生成億級設計從而帶來商業(yè)效果提升，總體來說也是一次非常成功的應用實踐。

未來的“雙11”應該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。引用阿里 CEO 的話——“魯班是數(shù)據(jù)業(yè)務化的代表”，之前阿里有很多數(shù)據(jù)，但都是閑置的或者利用效率不高的，比如海量的商品圖，而“魯班”把數(shù)據(jù)變成了業(yè)務，通過大規(guī)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(yè)務價值，點擊率是翻倍的，收益也接近翻倍。人員倒沒有出現(xiàn)縮減，只是做的事情有調整了，要學習這套電銷外呼程序，學習如何訓練機器，同時在美學方面做把控。