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

　　1. 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」。

　　2. 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。

　　3. 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我们：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。