受邀于2017年6月上海Dribbble meetup进行分享，通篇都是湿货，大概就是自己近期的一些总结与思考。
后体验设计时代：技术浪潮之下的体验设计新生态
受邀于2017年6月上海Dribbble meetup进行分享，简单讲了下自己的一些总结与思考。
体验设计及其价值
Alan Cooper【交互设计精髓一书作者】把设计分为三种：
本能型，行为型，反思型。三种设计分别代表不同的设计方向与价值，
本能型设计作用于人类的直观感受，即直观的感性价值；行为型的设计大部分为产品与交互设计，行为型设计会直接产生大量商业价值。反思型对应的是服务于创新设计，即精神与社会价值。
体验设计的价值我们一般把其定义为前两种：
其一是感性价值，意旨提供更愉悦的用户体验。
其中包括包容性设计/互动式设计/视觉设计等直接作用于在用户感知层面的设计，与情感化设计/参数化设计等直接作用于用户精神层面的设计。
其二是商业价值，主要以解放信息生产力为目的。
首先有人制定了协议跟规则，之后在规则之下会有一些平台（电子设备）：PC,mobile等；平台之下，会涉及到软件设计，比如iTunes，PayPal；以及辅助于软件设计的交互设计：信息架构设计，微交互设计等...
其中软件设计与交互设计即为解放信息生产力导向的体验设计。
我们以iTunes为例：
2001，苹果上线了第一版iTunes，随后发布了iPod。把实体专辑中的音乐装在了电脑与微型播放设备之中。音乐是一种信息产品，利用软件设计把【音乐】这种媒介进行更轻量化的储存、传输、播放。节约了很多资源：比如大量的实体唱片与唱片播放设备等物理资源，唱片售卖店铺的空间资源，唱片售卖员的人力资源等。
同时，随着以用户为中心的设计的成熟，软件产品的前端页面也在不断的进行设计升级：我们可以看到，iTunes的页面从2001年到2017年产生了较大的变化，2017年的页面看起来更加友好。用户从产生需求：希望听到想听的曲目，到最终达到目的：计算设备播放出对应的歌曲，流程上也变得简短易用。设计师们运用合理的信息结构设计，页面布局与交互设计在过程之中缩短了用户时间与思考成本。
但是，从PC到Mobile，近期之内并没有诞生新的爆发性的成熟平台。现有平台之下的软件设计却越来越趋近于饱和：几乎所有垂直领域都有较为成熟的软件设计；同时，随着各个软件的日益完善，各个软件的信息结构与流程设计也趋于完善。有个准则叫Tesler’s law泰思勒定律，即复杂性守恒定律：该定律认为每一个过程都有其固有的复杂性，存在一个临界点，超过了这个点过程就不能再简化了。
举个简单的例子，一个设计从60分上升到85分可能很容易，从95分上升到99分就会变得非常困难。
这时候大家就会想，在现有的产品设计与交互设计已经趋于红海，相比之下，投入产出比比较高的设计会出现在哪儿呢？体验设计的下一步应该怎么走呢？我们从较为宏观的角度上来分析一下这个事儿。
工业产业流程中的设计
我们来看一下一个较为通用的工业产业流程：
首先，一项技术从高校/或企业的研究机构诞生：比如MIT的实验室，微软研究院等...
随着这项技术的平台日益成熟，会用于军用及工业化应用：比如VR技术最早应用的即为模拟军方跳伞及地质勘探。
当工业化的过程中，成本不断的降低，这个时候设计师将这项技术与现实生活的中的问题结合起来，用较低的技术与生产成本，解决给人们带来重大困扰的问题（或相比于之前更加友好与方便的解决方案）从而带来良好的用户体验，这就会产生商业价值。同时，商业价值也会反过来驱动之前的流程发展。
所以看一下什么技术正在进行民用化，结合该项技术设计产品，也就会容易的发现设计的下一个机会点。
1995年，Gartner高德纳咨询公司根据各项技术的发展的通用趋势总结出了【技术成熟曲线】
该曲线描述了一项新的技术从诞生到成熟，一般都会经历这5个阶段，即：
1.科技诞生的促动期 (Technology Trigger)：在此阶段，随着媒体大肆的报道，非理性的渲染，使得产品的知名度开始飙升。
2.过高期望的峰值（Peak of Inflated Expectations）：该技术的普及度慢慢的变高，会让群众产生一个大于该项技术本身的期望。比如说当年的VR/AR，现在的人工智能。
3.泡沫化的底谷期 (Trough of Disillusionment)：慢慢的，随着该技术适用范围的限制，会淘汰大部分应用该技术的不合理的产品，只会有少部分应用与产品成功存活下来。
4.稳步爬升的光明期 (Slope of Enlightenment)：随后，随着平台越来越完善，技术成本越来越低，该项技术则会被更多的应用于设计之中。
5.实质生产的高峰期 (Plateau of Productivity)：最终，此技术会真正的产品化，并产生商业价值。
图为2016年的技术成熟曲线的一部分
我们能发现好多耳熟能详却比较模糊的技术，比如深度神经网络，机器学习，自然语义问答，视频/图像分析等。
在此次Dribbble Meetup的开头，我们提到了阿里的鲁班，Google的草图检索等人工智能产品，那么我们就以技术成熟曲线中的【深度神经网络】与【机器学习】为例，简单了解下深度学习，以及它是怎么与设计进行结合的。
深度学习与设计
我们把一个广义的交互流程进行拆解，在平台之下，要完成某种交互，首先有个触发器，然后遵守某种规则，而后进行输出，最后完成一个循环。
深度学习的作用，即是不断的修正完善机器决策的规则。
我们想象一个单变量的人类学习情况：
当我们有一个输入，会基于某种基础规则进行一个决策，并把结果信息传递给输出系统。同时，根据结果输出的反馈，修正基础规则。
举例：
两个身体素质相同的小学生，因为口角冲突扭打在一起：
小学生A打了B一拳，B会觉得很痛，疼痛感即为一个信号，传递给B的大脑。这个时候B的大脑进行决策，输出一个信号给B的拳头，B进行回击，则完成一个循环。
慢慢的，A用的力气越来越大，这时候B的疼痛感也就越来越强烈，挥拳用的力气也就越来越大。
然而，来来回回几个回合之后，小学生B的体力慢慢耗光，力气越来越小，最终B被A打哭了。
//A相对于B，在出拳力道与体能的分配上更加合理。
然而A与B的矛盾没有解决，以后的每一天A跟B都会进行一次互殴。
B发现自己用力气太大，就会导致体力不支；力气太小，则对A的打击力度不够。接下来的日子里，B在与A扭打的过程中不断的努力去平衡自己每次出拳的力道与体力，在这次伟大的战役进行到了第21个回合的时候，B终于把A打哭了。
B针对A的战斗规则的变化，即为一个学习的过程。
以上描述的是一个较少变量的理想场景。
现实问题会比例子复杂的多，往往会涉及到更多的决策变量。当我们的基础规则涉及到的决策层级越来越深，收到的反馈越来越多，则会得到一个相对于更加准确的结果。 这个时候，我们不断的强化规则，并遵循此进行输出，结果也就愈加的准确。
我们简单的总结一下：
深度学习（以及应用其的AI产品），具有以下两种特点：
一、深度学习遵循某种给定的规则。
二、需要大量的数据训练，才能得到相对正确的结果。
这也就意味着：深度学习（及AI产品）是附属于规则之下的工具，并不是泛人工智能。深度学习与其应用平台不具备独立思考能力。
较为成熟的应用
目前深度学习的应用主要集中在两方面，
其一：提高信息化生产效率
其二：协助决策（量化感性）
在提高信息化生产效率方面，我们举例Facebook 的广告投放系统。
电子信息时代的广告投放一共能分为三个时代，
一、按展示收费的广告。比如最早的私人blog，bbs等，广告商根据相应的论坛进行广告推广（比如宠物论坛推广狗粮广告等），广告平台收取相应广告费用。
二、按中间效果收费的广告。比如百度Google的点击计费广告。
三、按最终成交转化收费的广告。也就是Facebook的广告。
其中Google / 百度 / Facebook 的根据用户近期的浏览习惯进行精准投放广告，同样的广告位，会提供用户浏览欲望更高的广告，从而提高广告的有效转化率。也就是上文提到的【提高信息化生产效率】部分。
/*这里提一下，第二代广告投放模式虽然对第一代起了颠覆性作用，不过做的仍然不够尽善尽美。因为第二代模式的冲突为：曝光率并不等于最终成交，广告的价值很难被量化，也就很难提升价格。即Google Baidu的转化指标不以最终成交为目的虚荣指标。相比之下Facebook所拿到的成交数据是广告主反馈回来的，根据最终转化数据追溯到初始的每一次转化，并且用机器学习去优化每一次转化，根据转化进行收费，所获得的结果也就更加精确，带来的价值也就更高*/
接下来我们来看一下机器学习的另一个典型应用：即协助人类进行决策。
这是之前帮某豪华汽车品牌做的深度学习项目，叫Life Style Configurator（下文简称LSC）。
交互形式类似于Tinder，选择左滑右滑这种低成本的操作模式，选择与用户相匹配的生活方式。考虑到最终投放页面，比如可能会与微信浏览器有操作冲突，也支持点击按钮来进行选择。 当用户选择了yes之后，会进行有效数据的收集，底下的进度条就会亮一点点，在收集到足够数据之后，进度条就会变成一个按钮，提示用户去查看结果。查看之后可以预约试驾分享等。
这个产品的设计思路是这样的：
我们要帮助对奔驰汽车没有认知的用户去拥有一个相对准确的认知，并且促成用户为其买单，那么我们就选取了生活方式作为一个媒介：
即本身每种生活方式是有一种【认知模型】的，并且每种车是有特定的【认知模型】的，用户对车不了解，但是对生活方式了解。那么我们通过用户对偏爱的生活方式的不断选择，一步一步累加并且了解到用户的【模认知型】，从而提供车型进行匹配。
这个方案的前提是，我们对每种生活方式的能力模型与汽车的能力模型都是绝对正确的。否则这个方案将难以推行。
所以在此处，我们应用了深度学习技术，前期邀请一部分专家测试用户，根据专家用户的测试结果，进行一个【认知模型】的初始值与权重的简单配比。
当最终用户进行操作的时候，不断的每一个图片代表的模型与每一个车代表的模型进行双向修正，也会得到一个相对正确的结果。
那么这个例子，即利用深度学习技术协助人们进行决策。
/*这里作为延展，说一下该产品设计背后的目的：
其一为之前提到的促成部分用户购买车辆，并且提高该品牌的品牌效应。
其二为通过该产品，获得车主的大量数据反馈，获得车主对于车辆认知的准确模型，依照该模型，对比当初做该车型产品设计时的设计思路，不断的去优化产品的工业设计。进行工业设计产品的下一次迭代，以设计更加符合用户预期的产品。*/
由此，我们总结出：
深度学习技术与设计结合的方式其一，即通过
【提高信息生产效率】/【协助决策】这两点深度学习所擅长的点，来挖掘垂直领域的机会点，创造更加强大的工具。
接下来我们说一下另一点。
在之前刚过去不久的UCAN大会上，范凌博士发布了《2017年设计与人工智能报告》
这里引用文中所提到的脑机比的概念：脑机比顾名思义，即在工作中人脑与机器产出的占比。
整体的设计行业脑机比为1.55：1
举几个细分例子，【设计管理】到【素材收集】，脑机比是越来越低的。
设计工作越靠前期，工作所依赖的越倾向于人脑，越往后期，工作所依赖的越倾向于机器。
为什么会产生这种现象呢？
我们来看一下通常IT产品的设计流程
从设计的研究阶段：接触，研究，分析，定义。
到设计的实施阶段：信息架构设计设计，交互设计，视觉设计，到测试与迭代。
因为前期工作是相对模糊的，其中更依赖于人脑的创造力与总结归纳能力。
后期工作模式是相对清晰且确定的，会涉及到很多重复性工作，应用到的记忆能力与运算能力会更多，所以机器在后续工作的占比会越来越高。
这里描述的是一个IT产品的设计流程，同理，在面对细分领域设计的时候，仍然遵守类似的流程。
比如做一张海报设计，我们前期需要了解甲方/老板需求，提炼出关键词，根据关键词进行创意思考，然后寻找素材，定义视觉风格，最后进行细节的视觉设计，也是一个从模糊到清晰的过程。当深度学习的工具能做到足够强大的时候，我们可以利用它来提高后续流程的效率。
即可以在固有的周期之内，把精力集中于前期探索阶段，比如提炼出更加凝练的关键词，做更加大胆的创意设计
比如在做最终视觉方案的时候，我们可以利用机器学习更高效收集素材。
举例搜索关键词：构成主义，黑色，高对比，视觉冲击力等，找到了一张满意的海报，那么Pinterest的机器学习会匹配出与之类似的海报，为设计师提供设计参考。
所以这就引出了第二点，我们在做一项设计的时候，更应该有效的利用具有机器学习能力的工具，辅助我们进行设计。
那么以上两点：
一、通过【提高信息生产效率】/【协助决策】这两点深度学习所擅长的点，来挖掘垂直领域的机会点，创造更加强大的工具。
二、有效的利用具有机器学习能力的工具，进行辅助设计。
即是与技术结合所诞生的体验设计的新模式。
同时，对体验设计从业者的要求也从最早的
【学习方法 （这里指的是需要较低思考成本的粗暴方法）】【熟悉技艺】逐渐的转为【独立思考】与【不断创造】
总结
我们抛开机器学习本身，从第一次工业革命利用机器来取代手工生产，第二次工业革命进一步加速生产效率，到第三次信息技术革命，以及现在的人工智能革命，大家一直想是用人类的大脑来解放人类的双手。只不过最早一批设计匠人的技艺过于复杂，需要很多软件，技能，及理论知识进行支撑，所以比较难被取代。 慢慢的随着更加智能的高效的工具被发明，生产成本的持续降低，也就会产生相应的利益。这个时候资本进场，在资本的操控之下，对各工种的要求也就不断的变化，刚好也就促进了人类社会的进步。
对设计师来讲，之所以能够不断的发现新的机会，并且利用可行技术去解决问题，核心也就在于设计师具备【独立思考】【持续创新】的能力。
同时，这两点也是设计行业相比于其他行业，能够不落俗套，并且保持高价值的创新产出的源泉所在。
