范凌（ Fan Lin ）博士是一位设计科技学者和互联网创业者，2015年创立特赞 | Tezign.com 信息科技有限公司，将设计创意人才与社会、科技和商业项目通过大数据和算法进行精准对接，改变传统设计创意服务的工作方式，现在是中国领先的设计创意人才数据平台。
范凌博士毕业于哈佛大学和普林斯顿大学，分获博士和硕士学位。2015年由『千人计划』引进回国，创业前范凌在美国加州大学伯克利分校任设计、人机与环境交互教授。他曾在中国中央美术学院和挪威奥斯陆建筑与设计学院任教，担任哈佛大学商学院创新实验室的设计与互联网研究员，普林斯顿大学建筑、城市和基础设施研究中心中国研究员等。2016年被聘为同济大学高等研究院特聘研究员和博士生导师，并成立同济x特赞设计与人工智能实验室，该实验室致力于设计与数据、算法和网络的跨学科应用研究和人才培养。2017年，该实验室发布了全球首份设计和人工智能报告。
范凌是世界经济论坛全球青年领袖（Young Global Leaders），首任香港M+美术馆/设计基金会设计奖金获得者，他还曾荣获2008年青年艺术评论奖、2011年首届马爹利关注未来艺术英才计划、2011-14国家留学基金委艺术特别计划、2015年首届创基金研究扶持计划等奖项。范凌是美国著名智库阿斯彭学会中国会员（Aspen Institute China Fellowship）和阿斯彭全球领袖网络成员。
Dr. Ling Fan is a designer, entrepreneur, and catalyst to bridge design, technology and business. He is the founder of Tezign.com, a venture-backed tech startup as a platform-based design and creative talent solution. Prior to be an entrepreneur, Ling was an assistant professor in design, human-environment interaction, and urbanism at the University of California at Berkeley and China Central Academy of Fine Arts, respectively. He is the founding chair of “Tongji x Tezign Design & Artificial Intelligence Laboratory” at Tongji University. This lab is devoted to interdisplinary research and pedegogy bringing data, algorithm and network into design, and publishes design and A.I report.
Ling is a World Economic Forum Global Young Leader. Hong Kong M+/Design Trust awarded Fan as the inaugural design fellow in 2014. Ling has received numerous international awards, including the China National Thousand Talent Plan, Contemporary Young Art Criticism prize from Art Observationjournal; the Focus on Talent Award from the Martell Art Foundation and Today Art Museum; and the National Art Special Project grant from the China National Scholarship Council. Ling is the fourth class of Aspen Institute China Fellowship program and a member of Aspen Global Leadership Network.
Ling received his Doctor of Design from Harvard University and a master from Princeton University. He was a fellow at Harvard Innovation Lab and Princeton Center for Architecture, Urbanism and Infrastructure.
报告摘要
设计和创意的工作不追求确定性，反而是受益于不确定性的。设计和创意的人工智能并不以获得合适的答案为目的，而可以创造不确定，进而对人形成设计和创意启发。人创造的瓶颈是人自身的经验、逻辑和方法，人工智能可否帮我们超越我们的经验或者逻辑或者方法，从而让人的创造进一步释放呢？设计创意需要的创造力和感情，恰好应该在智能时代扮演更重要的链接人工智能和人性的角色。因此，设计创意与人工智能的关系远远要比工作取代关系深入和复杂。基于这样的前提，由同济大学和特赞信息科技联合发布了首个《设计和人工智能报告》，通过对学术文献、技术资料和产业案例的定性和定量分析，从专家采访、趋势预测、劳动力再分配观察和教育改革等方面，试图对设计与人工智能的交叉学科问题进行建构，希望帮助更多设计师为人工智能时代做准备。
Design and creative work does not pursue certainty, but rather benefit from uncertainty. Design and creative artificial intelligence is not for the right answers , but can create uncertainty, so that to inspire the formation of design and creative. Bottleneck of human creation is their own experience, logic and methods, can artificial intelligence helps us beyond our experience or logic or methods, so that release further creation ? Design requires creativity and feelings, which should just play a more important link between artificial intelligence and humanity in the intelligent era. Therefore, the relationship between design creativity and artificial intelligence is far more complicated than the latter substitues the former. Based on this premise, the first “Design and Artificial Intelligence Report” was jointly published by Tongji University and Tezign Information Technology. Through the qualitative and quantitative analysis of academic literature, technical information and industry cases, from expert interviews, trend forecasting, labor force redistribution and education reform, we are trying to construct the interdisciplinary problem of design and artificial intelligence, hoping to help more designers prepare for the artificial intelligence era.
报告正文
时间：2017年11月12日
地点：中国美术学院南山校区报告厅
整理：程艺嘉
编辑：卢睿洋
非常高兴来这儿跟各位分享我们的一些工作。诚惶诚恐，我不做学术研究已经两三年了。亨利·列斐伏尔（Henri Lefebvre）我以前读博士的时候读了很多，也没有读懂多少，不过他的很多观点都对我后来做的工作有很多启发。黄老师邀请我来分享我们最近企业和学校合作做的一些研究，这些研究的目的不是为了批判性讨论（critical inquiry），目的其实是为了思考，一个数据膨胀的时代，我所在的设计行业怎么样面对数据、算法和互联网所带来的影响。就是因为这个原因，我们做的工作不是直接和应用有关，但都是有应用的卷入(implication)。也不是纯粹的理论研究，所有和观念、理论相关的探讨的目的都是为了带来新的使用或者新的场景，我们考虑的是近未来（near future），不是一个很远的未来，我们考虑的不是过度批判的状态。每次来国美分享都会被问一些非常具有批判性的问题，我在这儿希望避免回答这种问题。希望大家更多从项目的角度来看我们做的工作。
我自己做了一家企业，过去在学校里教书，去年年底开始和同济大学合作做了“设计与人工智能实验室”。实验室里面有两大部分工作，一部分是应用性研究，这里不做分享，大家感兴趣的话可以关心一个月以后我们办的另外一个会（2017年12月8日，第二届设计与人工智能研讨会）。另一部分是今年4、5月份做了一个设计和人工智能相关的报告，这个报告也是得到了行业的数据、支持和观点，我们这里做了一些汇总。
先讲讲我们宏观的立场和角度。其实这个报告在设想的时候是2016年底，那个时候很多人工智能的讨论还是和如何取代一部分人的工作有关，我们可以看到各种各样的报告在说有多少百分比的工作、某种工作类型会被智能取代。我们当时在设想的就是设计、创意或者创造性的工作与人工智能的关联到底会是什么样子。因为在之前的报告里基本上设计师、创意人、艺术家这种进行非物质生产（immaterial production）的人是最难被取代的，但是他们难以被取代就跟人工智能没有关联了吗？这是我们思考的问题。我们想的更多的是这两者是否存在相互共同成长的关系。从2016年到现在对于人工智能有了更深化的讨论，角度也更丰富了，我们在这里的一些观点甚至落后了，甚至可能已经无关了，希望大家多包含，多给我们提意见。
我们感兴趣四个大类的问题（2017设计与人工智能研究报告p4）：第一，作为创造性的结果本身是否可以数据化和算法化？我补充一句，所有报告内容都可以下载，整个报告的内容都是公开的。第二，数据、算法和智能已经与设计所关心的行业发生了紧密关联，比如说和服装行业，和商品的行业，已经发生了很多关联。在这个过程当中，设计师不只是一个创造者的身份，他要不停地思考这个行业本身被数据、智能算法颠覆完以后带来的机会和挑战。第三，人和工具、人和智能之间是否存在各种各样的共生关联。第四，如果设计的成果或者创造的成果已经有一部分是通过机器学习和人工智能方式实现，那么是否会帮助我们重新去思考固有的一些话题，比如说知识产权、版权，甚至教育领域等等这些问题。
我们整个讨论话题分为四个部分，第一部分是讲大的政治经济环境下设计的角色。第二部分讲的是为什么设计需要智能，其实这个可能是一个更容易引发争议的问题。其实设计不需要智能，但如果我们假设设计需要智能的话结果会怎么样。第三部分是讲人工智能已经在行业里被实践了，在行业里的发展可能先于学界。所以我们就在思考基于人工智能被大量应用在实践场景中这种情况，怎么样理论化这种过程。第四部分是一些关于未来的讨论。我分别简述一下这四个部分的内容。
第一个大的话题，“工业4.0”或者“第四次工业革命和设计”（2017设计与人工智能研究报告p6起）。第四次工业革命是世界经济论坛创始人克劳斯·施瓦布（Klaus Schwab）讲了很多次的观点，我们人类经历了前三次工业革命以后，第四次工业革命其实是一个智能的转变，在这个过程当中其实提供了很多新的话题。在这里简述几个我们的观察，第一个观察叫做需求侧的极度细分。我们老在讲数据和智能，其实过去十年、二十年里互联网带来的最大改变是消费端数据的极大化，我们每个人不再是粗放型的记录（男的女的，在什么地域），而是每个人都有一个独立的ID，这个ID记录了每个人的习惯，像阿里巴巴可以很精准地知道每个ID的属性。在这个过程当中，我们可以看到经济发生了一些变化，经济的关注点发生了一些变化，源于消费者、源于需求的经济发生了改变。比如第一个阶段，上百年前工业革命，就是通过工业生产能够流程化整个产品制造过程。结果可能是一样的，但是因为流程的标准化，所以造成了每个结果的成本急剧下降，像福特汽车。我把这个阶段称之为大数量、少品类，品类可以非常少，数量特别大，通过数量大，所以降低成本，从而让消费者具有更强的消费能力。第二个阶段就是知识经济的时代，过去四五十年，也就是我们今天谈的这个主题亨利·列斐伏尔（Henri Lefebvre）所处的时代，这个时代里每个个体开始产生了价值了，你做的研究和我做的研究，你做的生产和我做的生产开始产生区别了，这个过程逐渐形成了小数量和大品类，差异形成了价值。第三个阶段，随着消费者的极度数据化，每个消费者都变得不一样了。每个消费者需要不同的信息、不同的产品、不同的服务、不同的知识、不同的内容等等，越是这种智能化的精准地知道每个个体的差异，就越反而是所谓的重新回归到了人性经济（human economy），为每个人定制，这是一个大的趋势，需求端极度细分的改变。
第二个观察来自于过去20年的技术带来的可能性，我们发现离人越远的部分，再现、连接或者打通开放式是越早发生的。信息离人很远，离人的身体很远，所以它最早发生，慢慢是人的关系，线上线下同样一组关系，接下来是人手可以摸到的东西，再后面可能是人的技能、人的脑子。我们现在身体上唯一没有被联网的就是脑子，大量研究就是在做脑机交互的工作，如何把神经信号转变为数字信号，让人类最后一个没有被联网的器官可以联网起来。如果我们认为那个终极的终点就是智能的联结，那么在此之前还有一个个阶段，我所有所做的工作是技能的联结。每个阶段都涉及到接口的统一，工业革命统一了工业品的接口，比如说螺栓的接口，供应链的接口等等。所以我们能够让一个产品在全世界各地生产，在一个地方组装，全世界各地生产的过程当中不会涉及到标准的不统一。我们之后还要做的是脑机的接口，之前的中国首富陈天桥花了大量的钱在脑机接口的投入。
第三个观察是超细分个体的涌现。我们发现成为一个正常的标准的合格的人已经完全不够了，更重要的是能否成为一个不可被取代的人，不可被取代的肯定是你最不可取代的那部分技能。几年前有一个经济学家叫托马斯·马罗昂（Thomas W. Malone），他提出了一个观念叫“超级细分的技能”（hyperspecialization）。在这一点上来说，越当我们的技能和能力被连接在一起的时候，我们越有可能在世界范围内、在平台的范围内去调集到最具有能力完成任务的人，所以这也是对教育的挑战，教育过去是达标，现在其实是鼓励每个人产生自己超细分的能力或者为每个人提供形成超细分能力的环境和机会。
第四个观察，综上所述，我们开始重新定义架构，重新进行组织。今年（2017）埃森哲技术趋势报告里面一共有五个趋势，三个趋势都是关于组织和人力架构的，去年麦肯锡报告里面有六个主题是关于重新界定组织的。原来只能靠全职雇佣、全职获取、全职的方式调动劳动力，现在是否可以变为两种方式，一种是直接通过匹配的方式对接到外部的专家，这些专家因为是超细分个体，他们已经被数据化，已经被全球化，已经是独立工作；另一种方式就是有一些基本技能的，重复出现的，无论是体力还是脑力的技能，是否可以变为智能，让一些基础的能力能够通过智能的方式普遍地赋能给每一个组织。这是我们现在在思考的问题。
第二个大的话题是为什么设计需要人工智能（2017设计与人工智能研究报告p11起）。我觉得很多时候，我们总是把问题想得太新颖。其实1964年的时候，波士顿一个建筑和计算机的会议邀请了两个参会的人，一个是80多岁的格鲁皮乌斯（Walter Gropius），另一个是30多岁的马尔文·明斯基（Marvin Minsky），当时还是人工智能的博士生。他们两个发生了什么，聊了什么其实都不知道，但是我总是在YY（幻想）他们发生过什么。在60年代的时候，当时可能有很多的思考，这也是我们对学术研究的一个质疑，格罗皮乌斯的前半生我们讨论了特别特别多，而他人生的最后二十年，则讨论的特别少，基本没有文献。我相信一个人在一生里一定会有多次的思想改变，我特别关心这帮人，当他已经非常熟悉这个行业以后怎么样反思这个行业能够继续被变革和革命，我相信在那个时候之所以有那个会，之所以有这样的参会的人，一定是在这个方面有所探讨的，只是没有文献记载，很可惜。如果从这两位的交集开始，我们慢慢发现设计或者建筑与运算（computation）之间是有一个非常漫长的衍生的关系，有时候是技术主导，有时候是设计主导，现在越来越多的是技术主导，甚至后面更多的是商业主导。
我自己特别关心的是六七十年代几位设计学者所做的思想性工作，很有意思，这些设计学者都没有被设计史选择，都是被设计史抛弃了，因为到了八十年代以后其实是人文主义过剩，但是在六七十年代这几位确实是思想家，而且他们的思想没有留在设计和建筑的行业范畴之内，他们的思想更多地留在了媒体、计算机或者KOL（Key Opinion Leader，关键意见领袖）。其中一位是福勒（Buckminster Fuller），有点像现在的凯文·凯利（Kevin Kelly）的角色，他就讲连接，怎么样用最低的物质资料去做最广泛的连接，所以他设计了最神秘的拱，到后来想就是互联网架构的原型。第二个人就是科里斯多夫·亚里山大（Christopher Alexander），做了很多贡献，但是太不讨巧，因为他是反大师的，所以设计的历史没有太多地记录他，反而启发了计算机行业里面最重要的编程思维的改变，就是面对对象的编程，在计算机行业里面，直到2015年很多计算机研究博士论文里面还会引用他，但是还有多少建筑学或者设计博士论文里面会引用他呢？还有一个就是大名鼎鼎的尼葛洛庞帝，做了媒体实验室，当时也是一名建筑师，也是在思考建筑学的问题，想不通了，所以就演进到了媒体这个行业，之后衍生出了很多思维上的变化，挺值得我们去反思的。我把这个阶段称为“过去的未来”，在过去思考未来，我们重新通过现在这个行业所预言的危机去想怎么解决，其实在过去有一批人已经思考过了。
这一页（2017设计与人工智能研究报告p14）其实想说的是创造性的工作是两种状态的并存，一是技能的民主化，过去要画画，只有几千人可以请得起画师，现在每个人的手机上都可以拍摄人的形象，所以画人这个动作变得越来越多的人可以接受。这个过程当中另一件事情出现了，就是数据的极端垄断，正是因为普世了，所以数据的入口反而又被掌握在若干个产品和若干个企业手中，所以这两者永远共存。
第三个宏观角度的问题其实是讨论技术和工作之间的关联。我们总是在讨论技术不断地提升是不是取代了一部分工作，有一个数据很有意思，Photoshop在刚刚出现的时候确实干掉了一个行业，就是排版工人，但是指数级地增加了平面设计的工作，这个只是美国的数据。中国30年前、40年前还没有平面设计，现在有多少平面设计师？300万、400万。最近又有新的产品，阿里巴巴做的“鲁班”，要干掉这批人。在这个过程里面，其实工作是不断地被迭代，并没有说一个人停在那里被机器取代，反过来可能创造了新的可能性，一个行业也会因此而产生指数级的提升。有一个很有意思的数据，我们都在讲阿尔法狗（AlphaGo）下围棋把人类给干掉了，跟它玩得最high的围棋大师在跟它下完棋以后，对人类的胜率从70%变为90%，从这个角度来说机器一部分挑战了人的工作，另一部分其实是更好地训练了人。
从微观的角度来说，设计作为一个操作，作为一个观念，作为一个学科，作为一种职业或者能力。创造性的工作有三个角度，一是创造本身，是从0到1的事情；二是确定性和不确定性之间徘徊的这件事；三是关于形式和内容的结合。在过去很长一段时间里面，很多学者或者很多机器智能研究的人都在想办法解决这三个问题。
来讲讲第一个问题，这是一个宏观问题，机器能不能创造？这就是人工智能的基本定义。但是突破来自于过去的几年里面，本来我们觉得如果机器要思考就得像人一样思考，后来我们发现不一定。过去是规则导向的，人要飞就要像鸟一样，但是所有类鸟的飞行器全部都没有成功过，我们可以总结鸟飞行的一些基本原则，就从“rule base”变成“data base”或者是以统计学为基础，空气动力学等等这些就来了，之后我们发现飞行的机器不一定要长得像鸟一样，虽然它符合飞行的基本原则，但它不一定要长得像鸟一样，这个其实也是现在人工智能所出现突破的机会，我们不一定像人一样去思考，但是可以用思考的概率来解决问题。解决不确定性的问题就是一个很好的例子，解决不确定性的问题没有普遍的原理。但是在设计某些领域里面有一些突破性的发展。比如斯坦福的一个团队做了一些工作，如果要做不确定性，让机器分析不确定性就需要把分析的对象数据化，很多设计的结果都很难数据化，但是有一样东西已经被数据化了，就是网页的设计，所以网页可能是最先有突破的，网页的设计本身就是结构性或者数据化的设计。二是建立标准的模型，一个网页设计好不好本身是非常主观的，但是我们至少现在评选网页设计好不好有很多奖项，我们能否采用评委的标准，就产生聚类和回归。这个标准通过不停的用数据训练（training data）可以知道大致的原则，但是它没有办法告诉你这些原则是什么，只能知道有一些统计学意义上的聚类。当一个新的网页设计进去以后，它可以进行聚类或者回归，聚类的意思是看它和现有的东西像不像，回归就是回归到它本身，它到底是什么，之后进行打分，这里不是“好/不好”的打分，而是“像/不像”的打分。形式和内容也是一样的，其实在设计本身上的突破很小，但是我们看图象处理的角度，一张照片好不好除了摄影的形式感觉以外，还有内容有无意义，在内容上就在变相地挖这个形后面的故事。比如说有一堆人，这堆人弯着腰，后面有山，天上有云，下面有绿绿的东西，可能这些人在插秧，这是机器可以去做的识别，在这个识别的过程当中去看各个元素之间的比例关系，就可以大致知道照片里面的故事是什么。下面是形式，形式比对的就是形式的逻辑，跟刚才说的美不美的逻辑很接近。然后把两个复合起来打分，这两个复合是有权重的，这个权重需要学习，可能找一些标准来学习。
这个过程里面就产生了创造性的工作要智能化的一些途径，看起来非常傻。第一个是要有原始的设计，设计师，尤其是好的设计师不会失业，0到1的最原始输入都是要人做的。第二是要把设计的结果数据化，越复合的设计越难数据化。第三是要把数据化的标准或者衡量的指标进行建模，建模完以后把新的数据输进去，和建模之间进行聚类和回归的比较，比较完以后评估，评估完以后再来调所谓的权重参数。做得比较好的当然就是阿里巴巴的鲁班系统，但是也只能做电商的页面。
意义是什么？这个东西的意义非常大。第一个大部分和第二个大部分分别讲了两侧，第一大部分讲的是需求侧的指数增长，每个人需要不同的东西、不同的服务、不同的产品，过去十年、二十年需求端已经指数级了，已经平台化了，已经千人千面了，但是供给还是线性的、单一的。给我一个设计任务书，我来做，做得好不好不知道，所以供给侧是一个非常大的软肋，现在我们缺的是供给，恰恰是千人千面的供给。0到1的工作是人要做的，但是现在需要的是1到一千、一万、一亿的工作，AI可以提供很多的帮助。给大家举一个例子，如果有一本世界名著，有一些翻译版本看不下去，有一些翻译版本很好，就是因为有些翻译用词适合你或者不适合你。一本名著从0到1的过程一定是作家写的，但是它的翻译和personalization是可以让机器学习去做的，这是提供给侧指数级的一个很好机会。
接下来，我们讲讲产业实践（2017设计与人工智能研究报告p23起）。我不具体地讲内容，就讲我们的一个概念，我们人和机器替代的关系转变为脑机比，我们认为双边是有机会共同进化的，这两个之间只是有一个比值，而不应该是相互替代的关联。机器越聪明，人可能也会越聪明；机器越会设计，人可能反而会设计得更好。我们做了很多样的行业调研，不同设计行业的工种、不同类型的工作、不同等级的人，我们去分析三个类型的智能，一是社会智能，其实就是沟通能力；二是创造智能，就是从0到1做事情的能力；三是感知操作智能，比如说一个油画家的手感是很重要的。我们把大的工作又拆分成若干个细分的，比如说重复性的体力劳动，不停地做一些重复性的工作，戴着耳机就能做的工作；二是信息处理；三是素材收集；四是非重复性的体力劳动；五是沟通；六是创造；七是管理。我们通过去分析大家在这个时间上的使用差异，从而分析一个工作里的权重。另一个部分，我们也去看现有机器的解决方案，到底在每一个方案里面有多少替代的可能性。我们得到了一个合成的数值，1.55，越红的（2017设计与人工智能研究报告p24起）越是人需要花时间做的，越绿的就是机器越擅长做的，那么得到的结论是人要更多地去做创造性的工作。这个结论在做这个调查之前我们就知道，只是想定量地更细分。每个行业各不相同，服装行业资深的和初级的脑机比差距非常大，而互联网行业这两个差距非常小，也就代表在服装行业想要自己创业其实挺难的，因为人在其中做了非常多的工作，而互联网这个行业自动化、机器化的程度比较高。
再花两分钟时间很快地讲一下第四个问题（2017设计与人工智能研究报告p38起）。既然我们已经在人工智能，无论在应用层面，还是在思考层面，都有大量的讨论或者基础的情况下，那么设计行业、创造行业到底会有什么样的被挑战或者机会？第一个，会不会产生新的设计可能性？阿里巴巴的生态圈里的150万美工可能会因为一个机器会失业了，他们还能干什么？设计师很重要的角色是连接，连接一种场景和一个效果之间的关联，也许我们可以重新设计物理体验和增强现实之间的关联，也许可以重新设计数据模型和智能算法之间的关联，也许可以重新关心物理和机器接口，也许我们可以重新思考。同时做苹果手机开屏这个动作在全世界有一千万人，如果同时做一件事就一千万人，就代表这个设计改变了一千万人的使用习惯，我们从来没有像现在这样一个小小的动作、设计行为可以影响到这么多人，那么怎么思考这个小小的行为和社会之间的关联。
其次，如果机器通过学习好的设计而做出来一些设计的话，那么知识产权如何归属？是否涉及到侵权？我们请教了这方面的律师朋友，大家都是公认的，人工智能就是机器，千万不要把它当人，谁买了这个机器就归谁，这就会产生新的贫富差距。人工智能学习受知识产权保护的设计作品是否侵权？过去我们叫抄，一眼就可以看出这是抄的，但是理论上来说机器学习可以通过若干次迭代让你看不出它抄谁的，这个结果在算法内部是抄袭的，这个知识产权到底是否涉及到侵权？两位律师讲得很有意思，一个是讲确权的本质是思想上有没有抄袭，虽然过去我们都是以结果，但是法理上按照思想抄袭来作为衡量标准，当思想可以被代码化结构的话，那我们有能力去确权的。第二个律师更加激进，就讲法律永远是落后人类发展的，所以我们要改变法律，这种事情不应该算抄袭。
第三个追问是关于教育的，人工智能虽然对我们现在的改变更多的是担心变化，而不是真正变化，但是对教育来说是真的是在发生改变，因为教育是关于未来的，请了一些学者。我也做得不够充分，请的学者肯定都是支持我观点的学者，他们的观点是更偏积极的。关于教育就讲一个很有意思的事，阿里巴巴大学的校长说，“正是因为我们做的体力的工作，它们可能不再那么需要占据我们的体力，人类最大的价值是作出价值的判断，作出该不该做这件事情的判断”。
就讲这么多吧，电脑也没有电了，希望这个报告不是严格的学术报告，更多是行业和学术相互启发的出发点，希望对各位有启发。我们明后年还会继续做，现在钱已经找到了，希望能够有各位更多的帮助，帮我们把这个报告做的更好，谢谢各位！
【附】
《2017设计与人工智能研究报告》（http://2017.sheji.ai/#/?_k=c7vxbx）
《2018设计与人工智能研究报告》，（http://sheji.ai/）
演讲简报档
[pdf-embedder url=”https://13.124.147.85/wp-content/uploads/2017/11/2017设计与人工智能研究报告.pdf”]
