先讲大事，我们有 B 端交互安排课了。
停更了小半年，期间也总有很多人来咨询我们有没有课，所以抽时间和优设一起做了一套面向 B 端交互新人的录播课。我本身就是交互专业出身，其实刚入行那会也买课，但这些课一个很大的题目是大多数光教你怎么做一些乱七八糟的调研，却不跟你说怎么落地，也看不到交互规划是怎么推导出来的。结果就是看完了你也不可能懂怎么做交互。
所以我鉴于我和做 B 端的朋友之前的典型项目写了这套一共 12 节的短课，剔除废话、套话、不用钱也能看得到的小窍门，主讲 B 端交互的规划生产过程和真实的思考过程，涵盖改信息架构、优化过程、优化页面 3 种典型项目。这周打折，大家有兴趣的可以看看：
课程原价169元，限时新课价直减40元，仅需129元！
移动端扫码进修，网页端右戳进修👉 https://wei.xet.tech/s/2pMvzq
关于课程的详细介绍：
最近因为 open ai 旗下两款产品（鉴于文本数据的 chatgpt、鉴于图像的 dall e）在国内爆火，很多文章/视频作者又开始发文讨论人工智能代替当前交互安排师/UI 安排师的可能性，简单来讲：所有人又要失业了！
失业的可能性当然是有的，但因为感受安排是一个鉴于实际场景的应用性领域，过程不固定，输入和输出的形式也比较多样，因此我们预想中的那种“突然有一天，一个感受安排呆板人横空出世，导致所有人类感受安排师都被解雇了”的场景出现的概率非常小。
那么，人工智能到底将如何影响感受安排行业和我们的事务过程？虽然市面上已经出现了很多类似的文章，但都没有把人工智能这个东西说清楚、说明白。所以今天我们想从人机交互和人工智能的发展历程的角度中，深度挖掘这个题目的答案。此文由我们和 chatgpt 共同撰写。
关于ChatGPT：
一、我们为什么须要人工智能？
所谓感受或者交互安排，主要“安排”的是人和呆板之间的互动办法。从家用计算机的诞生到今天，人和呆板的互动办法经历了鼠标键盘等外部设备到触屏手机、VR/AR 的跃迁，但截止目前，任何呆板之间的“互动”往往还是以“人迁就呆板”的形式为主导。人，或者按我们的习惯称为用户，在这个互动形式中须要付出大量的进修成本或认知成本去让呆板理解人，或让自己理解计算机的输出内容。
举个例子，假如我们想知道明天的天气预报，现在我们可以打开手机 app-选择我们的地点-查看明天的天气。但是这种交互有几个前提：我们要会使用手机、并且双手是空闲的可以用来操作手机。假如不满足这两个前提，那这个操作就很难完成，因此这种操作实际上还是非自然的，人还是要去使用呆板能理解的办法、而非自己习惯的办法来和呆板交互。
那么有没有方法能够解决这个题目呢？有。
一方面，我们可以扩充呆板识别信息的办法，让呆板不只被动接受信息，也“长出眼睛”主动识别信息。在这个思路的影响下，语音、手势等新交互形式迅速发展，并且在车载/智能家居领域产生许多应用。而另一方面，我们是不是也可以让呆板变得更聪明、更“灵”，甚至能通过某种办法模仿人类的认知、思考和决议能力“举一反三”？
这就是人工智能。
二、人工智能的演变
既然人工智能有这么神奇的效果，那它到底是怎么做到的？在 chatgpt 的帮助下，今天我们给大家拆开来解释这个概念的发展历程和变迁。
1. 人工智能的兴起
人工智能一词最早出现在 1956 年在新罕布什尔州的达特茅斯学院，当时的研究人员提出了几个在今天看来依旧不过时的题目：
“我们能不能像日常说话一样编程？’”
“计算机程序能不能模拟人脑，通过进修进步？”
“通过优化算法，能不能提高计算机的创造力？”
——为了寻找这些题目的答案，学者们分别提出了三个人工智能发展方向，很长一段时间都在这三个方向的可行性上争论不休：
方向 1：教计算机逻辑推理
以麦卡锡为代表的派系致力于用逻辑化的计算机语言使计算机学会推理思考，他们认为：“不管你想做什么，你必须先安排一套正确的逻辑，把它清晰地表达出来”。
简单来说，就是“先教计算机道理，再让它执行”。在计算机里写好正确的逻辑推理代码，让计算机根据逻辑去执行的命令。举个例子，假如我们要让计算机在明天早上 7 点提醒我们起床，我们就可以把这段逻辑教给计算机：
“事务日要早上 7 点钟提醒我起床”
“明天是事务日”
那么计算机就自动产出了结论：“明天 7 点要提醒你起床”。
这种思路还可以应用在更复杂的案例中，比如我们可以鉴于象棋规则编写一段代码，让计算机陪人下象棋。其核心在于编程者要要先了解人脑思考的逻辑，才能编写出模拟人脑思考的人工智能代码。
方向 2：将计算机看作人的神经系统
以麦卡洛克、皮茨维代表的学者认为建立神经元模型才是正道。
初中生物知识告诉我们人脑是由许许多多的神经元连接组成的。每个神经元接收来自其他细胞的刺激/冲动，刺激/冲动达到阈值后就会引起该细胞产生兴奋，并向其他细胞传递兴奋。麦卡洛克-匹兹的这个“神经元模型”就用逻辑电路模拟了真实神经元的事务，试图用人工神经元模型来模拟大脑事务。
这段话是不是看起来很难理解？所以我们请 chatgpt 帮大家举一个例子：
假如我们发现在医学中，患者的年龄和体重与心脏病可能有关联关系，那么我们就可以训练一个简单的神经元模型来找到这两个因素对心脏病的影响大小（权重）。
这个模型可以写作：
患者是否有心脏病 = f(患者年龄 * x1 + 患者体重 * x2)
其中 f()代表激活函数，x1、x2 则是权重。
我们可以将这个模型想象成一个神经元，它收到了两个因素刺激（年龄、体重），而这种刺激一旦达到了一个阈值，就会输出一个结果（患者有心脏病或没有心脏病）。
方向 3：教计算机现实世界的知识
最后，第三派以明斯基为代表，认为计算机想要实现智能化，必须先具备现实世界的所有知识。他提出了“框架”的概念，但并没有解释这个叫“框架”的“黑盒”是如何运作的。明斯基的框架理论相比其他人的案例更模糊、更难理解，这里不再展开叙述。
2. 两次寒冬
罗森布拉特（Frank Rosenblatt）在 1957 年对麦卡洛克-匹兹的神经元模型举行了扩充，在它的基础上发明了最早的神经网络模型，起名“感知机”。其结构简单，易于实现，被认为是人工智能研究中的一个重要里程碑。
但明斯基强烈地不认可“感知机”，甚至撰写出版物公开批评分析，认为它只能解决一些简单题目，而无法处理更复杂的题目。这样的批评对于当时的人工智能研究带来了极大的冲击，也因此被称为“人工智能的第一次寒冬”。
由于当时的研究环境和计算能力都有限，人工智能研究陷入低迷，直到 20 世纪 80 年代，随着新的算法和技术的出现，人工智能又出现在人们的视野中。但当时的人工智能较多应用于所谓的“专家系统”，即计算机通过模仿人类专家的知识和推理过程，来解决某个领域的专业题目。
举个例子，当时有一个用于诊断细菌感染疾病的专家系统系统 MYCIN。
建立它须要医生首先向 MYCIN 提供病人的症状、检查结果，MYCIN 则会将这些数据与它的知识库内医学专家经验总结出的规则举行比对，鉴于这些规则举行推理，最终得出对疾病的诊断。MYCIN 还会解释它的推理过程，告诉医生为什么会得出这样的结论。
但人们很快发现建立这种系统须要耗费漫长的时间收集专业知识，而且如果专家系统遭遇了专业领域外的题目，就无法给出令人满意的答案。因此人工智能再次进入了寒冬。
3. 从“安排大脑”到“安排进修”
90 年代麻省理工学院教授布鲁克斯提出，此前出现的传统主流人工智能的建立方法方法是自上而下的，即先安排抽象的符号系统，再用它来模拟人类的思维和行动，这种建立办法把主次颠倒了，它忽略了真实世界的复杂性和不确定性，也忽略了生物系统中底层的感知、运动和控制等基本机制。因此，他认为我们不应该盲目地直接对大脑举行建立，而应该像生物系统的真实情况那样，自下而上地建立。
chatgpt 帮我们举了一个例子：
假设有一个呆板人被用来在一个仓库中搬运货色，仓库中有许多货架，上面摆放着不同种类的货色。呆板人须要识别不同的货色和搬运对象，然后把货色搬运到指定的地点。
“自上而下”传统人工智能系统须要先对呆板人举行大量的编程，然后呆板人受到程序规则和逻辑推理的控制而产生行动，相当于提前告诉呆板人每一步做什么。
我们首先须要将各种货色的大小、重量、形状等特征举行编码，并为呆板人编写各种规则，比如如何识别不同的货色和对象，如何举行搬运等等。最后呆板人则鉴于这些逻辑推理来举行决议，例如判断哪些货色须要先搬运。
而“自下而上”建立的人工智能更注重呆板人的自主决议能力，呆板人鉴于周边环境、通过自身的感知和交互能力来举行行动调节，相当于让呆板人自己根据“感觉”自己判断下一步要做啥。
在这个案例中，呆板人首先须要感知环境，比如识别货色和搬运对象的位置、仓库中的障碍物。然后呆板人根据自己的感知结果举行自主决议，决定选择哪个货色和对象以及如何搬运货色。
布鲁克斯这种“自下而上”建立的人工智能更加接近自然状态，且不须要预装知识库。因此他的观点吸引了许多科学家并朝着“自适应行动”的方向持续探索，让人工智能领域又重新焕发了生命力。随后，遗传算法、贝叶斯网络、深度进修、“人工”人工智能等诸多人工智能相关的思想或理论相继被提出，人工智能逐渐通过深蓝、微软小冰等产品进入普通人的日常生活。
我们现在所使用的大多人工智能都是鉴于简单的神经网络或深度进修算法建立的，包括我们今天使用的 chatgpt。这些算法由我们一开始介绍的神经元模型为基础构成，可以说神经元是神经网络的基本单元，而神经网络又构成了深度进修的基础。深度进修利用多层神经网络举行进修，可以处理大规模、高维度的复杂数据，并在各种任务中取得了非常优秀的结果。
然而，尽管今天的人工智能看起来已经很厉害了，人工智能当前的进修办法仍然和人类的进修办法存在本质上的区别。人工智能虽然可以通过训练从已有的数据中进修模式和规律，但无法通过感性或者直觉去认知事物，特别是数据库中没有的未知事物。虽然我们今天使用的 chatgpt 因为拥有巨大的语料库和更深的神经网络层数所以显得很智能，但它的运作逻辑决定了它不理解自己在说什么。
三、人工智能，将如何应用在安排中？
人工智能貌似是一个万灵药一样的“魔法”。放在哪里，哪里就能产出神奇的效果。但人工智能真的能迅速地大规模应用在安排生产中，甚至取代交互安排师吗？
——暂时来说，这个答案是否定的。计算机辅助安排已经有超过60年历史了，我们迄今为止还没有找到一种办法完全替代人类举行安排产出。当前的AI更适合做“可以被轻易总结出规律的结构化事务”，简称脏活累活。我们预测未来AI将在以下方面上对感受安排举行支持。
1. 应用与弱点
从感受安排师的事务内容来讲，我们日常的事务主要包含了以下几个环节：收集复杂情景下的用户诉求-提炼关键安排题目-列举针对性的解决规划-鉴于环境特征决议最优规划。它可以分成两个部分：“收集题目-总结题目”、“产出规划-决议规划”。前者是一个从很多复杂个例中寻找共性的过程，后者则是鉴于一个题目发散并评估不同规划的过程。
当前，“收集题目-总结题目”的过程最容易被人工智能支持。我们之前已经提过，只要能给予人工智能足够多高质量的数据，那么它自己就可以通过自主进修，从这些杂乱无章的信息中寻找到规律。而这正是人类须要耗费大量人力才能做到的。
举个例子，我们做定性用户调研的分析时，须要从浩如烟海的用户口头语言中提炼出有价值的信息点并举行多次归纳整合，最终形成有价值的用户观点。做定性研究的学者或者用研须要阅读大量文本、手动标注关键词汇，然后举行整理总结。文献/访谈资料越多，整理难度越大。但现在有了 AI 支持，我们可以更快从大文本中总结出关键信息。
类似的场景包含：
数据分析：AI 可以帮我们监控大规模用户行动数据的变化，并且整合成结论告知我们。比如“最近用户月活异常下降，同一时间上线了功能 A，推测可能是因为功能 A 的影响引起数据异常”。甚至未来也许 AI 能帮我们结合不同来源、不同形式的信息（比如行动数据和问卷形式的用户态度反馈），帮助我们更快速地消化多种用户反馈。
行动预测：假如我们“喂”AI 足够多的用户行动数据，那么未来我们可能可以使用 AI 去预测用户在我们平台上的需求和行动，我们可以鉴于这些预测修改安排。比如说现在有些公司提供的 AI 眼动测试服务就是这个方向下的延伸。
一致性走查：当 AI 足够了解我们的平台交互/UI 规范、文案规范等“规范类”的信息，那么它可以帮助我们快速找到新页面和之前页面的差异，降低我们维护安排系统的成本。
另一方面，近期也产生了许多安排支持对象，支持安排师在“生产规划-决议规划”这个过程中举行安排规划的快速生成。这些规划可能短期内达不到可用的水平，但 AI 的规划生产时间快、产生规划的成本低，
类似的场景包含：
规划生成对象：比如将文字/手稿草图转化为排版整齐的页面、图标、营销效果图
规划微调对象：比如对间距/字号/层级样式的微调对齐
风格扩展对象：比如鉴于一个 icon，我们可以用 AI 快速生产 20 多个同风格的 icon 举行扩展。又比如我们可以迅速调整一个复杂精美的营销落地页的配色规划
虽然 AI 能够带来如此多的便利，但由于它的运作办法，chatgpt 认为推广 AI 具有以下两个主要题目点：
AI 须要须要大量数据来训练模型，因此安排部门首先须要提供足够多的、高质量的数据，才能保证 AI 的产出准确可用。这不仅带来成本题目，还会带来用户隐私题目。
对于用户洞察类的事务来说，现实世界中的用户提供的反馈可能并不完全坦诚，他们可能会回避题目、撒谎、夸大、前后不一致、使用新术语或口头表达等等。在我们真实的用户调研中，调研者会使用一些话术追问，并且鉴于经验判断用户的反馈是否可靠。但是 AI 暂时在这个方面并不灵敏，因此最后产出的结果很可能还是须要研究人员验证、调整。
四、未来？
虽然说短期内 AI 无法替代安排师举行题目洞察、安排决议的事务，但是可以预料到它会极大的减少安排师的事务负担，或者叫做“事务量”。而一旦安排师这个执行职位只有事务价值，但事务量不大的时候，我们很可能被合并成一个职位。
未来，假如 AI 能很好的融合进产品的构思-研发事务流中（据我所知，现在某些厂已经在探索 AI 出图事务流了），或许所谓的“全栈安排师”又兴起。
我们甚至猜想，未来可能是这样一种事务流：整个产品研发过程里只有 1 位产品安排师和 1 位研发，前者负责在 AI 的辅助下判断核心用户痛点，并且生产一个大致的服务或任务过程，绘制一些草图。AI 会鉴于草图产出多种可用的规划，并基本上自动化开发-测试，将若干个规划投入线上若干个小流量池，最后自动收集不同规划的用户反馈，挑选出表现最优的一个推广全量。