
Nikolay Ironov担任平面设计师已经有一年多时间,但直到现在,他才正式透露自己的小秘密。
作为俄罗斯国内最大设计公司Art. Lebedev Studio的员工,他先后参与了20多个商业项目,设计出从啤酒瓶标签到初创企业徽标在内的多项成果。
但Ironov坦言,他撒了谎。实际上,这些设计成果并非出于人类之手。
上个月,Art. Lebedev Studio向客户坦白称,他们的徽标是由AI系统创建而成的。
该工作室艺术总监Sergey Kulinkovich表示,“我们的很多客户对这条消息表示乐见其成。但更有趣也更重要的是,不少客户在见到Nikolay本人之前就已经对AI生成的设计感到满意。”
“这也是我们开发这个项目的目的所在。我们证明了由机器构建的综合设计完全可以得到客户的认同与喜爱。不仅是客户,品牌的最终消费者也很喜欢。这意味着AI设计成果具备良好的可行性。”
Ironov是怎么工作的?
Art. Lebedev Studio开发的Ironov涵盖设计流程中的各个阶段,包括理解要求上下文、创建最终徽标并导出可供媒体使用的文件。
该AI通过涵盖多个不同主题的可伸缩矢量图形(SVG)图标手绘数据集进行训练。接下来,系统会分析企业客户提供的案例要求,例如企业品牌名称与设计要求,并挑选其中的关键词将其转换为图像。在经过一系列缩放、平滑与简化设计之后,再配合不同的色彩选项与字体算法,成果即告完成。最终输出结果为客户带来无穷无尽的高质量徽标选项。
Kulinkovich解释道,“基本上,Nikolay Ironov的大脑可以说是专为设计流程中不同阶段的具体需求提供解决方案的自动化系统的集合体。所有这些系统集成在一起,能够为使用者提供将客户文本描述快速转换为徽标设计、再进一步做出调整与成果打包的一站式处理流程,整个周期只需要几秒钟。”
Kulinkovich还快速演示了这套系统。他首先将“The Next Web”粘贴到系统的文本字段当中,而后将该网站中的“About”页面粘贴至另一个页面,而后将Ironov设置为工作状态。几秒钟之后,该AI就生成一系列创意徽标。
我们可以从中选出了最喜欢的设计与本色方案。系统则进一步整理出完整的徽标设计包,相关素材可以直接在名牌及标牌上使用。
但Kulinkovich自己也承认,也有不少创作成果很难令人满意。我们教Nikolay不断“绘制”新事物并开发出新的视觉样式,但我们也希望为其保留一定程度的自由空间,尽量不要做出过多限制。正因为如此,Nikolay的一部分作品可能看上去有点疯狂甚至非常丑陋。但我们的出发点,就不只是教Nikolay如何创作出“好看的”徽标。相反,我们希望在图形设计中探索出新的方向,最终创造出真正与众不同的作品。
计算中的创造力
与人类员工不同,Ironov每天可以工作24个小时、不会生病,也不会抱怨自己没有灵感。但是,Kulinkovich更希望了解Ironov能否突破人类设计师的思维局限。
目前设计教育领域的主要问题之一,就是在掌握了良好外观设计的相关知识之后,设计师的头脑也会被固有观念所束缚。为此,成年人和经验丰富的设计师都知道什么样的算是“好看”的作品。但在内心深处,他们却往往害怕创造出极新颖、极大胆的作品。
Kulinkovich想要的结果绝不是把人类设计师“赶尽杀绝”,而是希望把他们的精力解放出来,由设计师过渡至美术指导,负责从Ironov数以百万计的创作中做出最佳选择。
我们就此事咨询了另一位才华横溢的设计师,希望了解她对作品有什么看法。她不太相信AI能够为企业创造出有意义的设计,因为相当一部分美学判断需要结合与客户的研究和讨论。但她也同时承认,AI技术的介入一定能够给设计工作带来巨大助益。
“我觉得AI不太可能成为设计者、特别是品牌设计中的最佳创造者。但我相信AI能够在广告素材等领域成为激发灵感、快速检验设计方向的理想工具。AI能够轻松创建大量选项以供选择及优化,这不仅能帮助我们节约下大量的时间与精力,同时也增加了想象力与可能性空间。”
Art. Lebedev Studio则对AI设计师的潜力充满信心。该公司将继续在日常工作中使用Ironov,并有可能开发出该系统的软件即服务(SaaS)版本。
Kulinkovich总结道,“但我们不会就此止步,各个领域都面临着无数激动人心的设计自动化挑战。越来越多自动化解决方案在创意产业中占据主流将只是时间问题。Ironov的开发与使用经历不仅让我们积累了宝贵的经验,同时也为我们指明了这条发展道路的未来方向。”
好文章,需要你的鼓励
浙江大学团队提出动态专家搜索方法,让AI能根据不同问题灵活调整内部专家配置。该方法在数学、编程等任务上显著提升推理准确率,且不增加计算成本。研究发现不同类型问题偏爱不同专家配置,为AI推理优化开辟新路径。
清华大学研究团队提出SIRI方法,通过"压缩-扩张"交替训练策略,成功解决了大型推理模型"话多且准确率低"的问题。实验显示,该方法在数学竞赛题上将模型准确率提升43.2%的同时,输出长度减少46.9%,真正实现了效率与性能的双重优化,为AI模型训练提供了新思路。
南洋理工大学与腾讯联合研究团队开发出Rolling Forcing技术,实现AI视频实时流式生成的重大突破。该技术通过滚动窗口联合去噪、注意力锚点机制和高效训练算法三项创新,解决了长视频生成中的错误累积问题,可在单GPU上以16fps速度生成多分钟高质量视频,延迟仅0.76秒,质量漂移指标从传统方法的1.66降至0.01,为交互式媒体和内容创作开辟新可能。
华中科技大学研究团队发现,通过让AI模型学习解决几何问题,能够显著提升其空间理解能力。他们构建了包含约30000个几何题目的Euclid30K数据集,使用强化学习方法训练多个AI模型。实验结果显示,几何训练在四个空间智能测试基准上都带来显著提升,其中最佳模型达到49.6%准确率,超越此前最好成绩。这项研究揭示了基础几何知识对培养AI空间智能的重要价值。