創意真的可以被計算嗎？
范凌老師說：“創意可計算和不可計算，不是黑與白的關系。當把它變成對立的時候我們會逐步忘記這中間可能會產生很多有意思的東西。在兩者之間，這個沼澤地，其實是生命力最旺盛的。”
更多AIGC干貨：
我有兩份全職工作，第一份全職工作是同濟大學設計人工智能實驗室的主任、教授、博士生導師，第二份全職工作是特贊公司的創始人兼 CEO，每天工作時長 16 個小時。
身兼兩種全職工作，前者圍繞技術，后者圍繞創意或設計，我一直致力于將二者結合。特贊公司的名字由此而來，即 Tech（技術）+Design（設計）=Tezign，中文諧音：特贊。
我從小就比較糾結，既想要左又想要右，我學的是理工科，卻一直把藝術當做愛好。十多年前，我一直在做科研，在美國和中國教書；過去八年，我一邊教書一邊創業。我認為自己的使命就是要把技術和創意結合在一起，而這不僅需要豐富的學識，還要有埋頭苦干的創業者精神，這兩點很符合我個人糾結的特點。
2008 年，我在普林斯頓聽了弗里曼·戴森的講座。弗里曼·戴森是一位距離諾貝爾獎很近的物理學家，但他最后選擇做科普，現在他是一位科普大家。這次講座后來形成了一篇很有名的文章《鳥和青蛙》，主要講述了現代的科學發展離不開兩類人，一類人像鳥，一類人像青蛙。前者的代表人物是笛卡爾，堅信“我思故我在”，萬事萬物都需要先進行思考；后者的代表人物是培根，堅信“實踐是檢驗真理的唯一標準”。正是因為這兩種角色一起存在和發展，才出現了現代物理。
今天我借用這兩個視角，講解創意生產力的發展過程。
如何把創意變成數據？
實際上，每個人都在生產數據、消費數據。互聯網上有各種各樣的統計方式，比如，5%的數據稱為結構化數據，95%的數據稱為非結構化數據。
什么是結構化數據？結構化數據是所有可以用 Excel 表格處理的數據，是關系型的，例如 1+1=2。上一代的數據庫就是關系型數據，其解決了結構化數據被記錄、被計算的過程。
什么是非結構化數據？人類創造的很多東西都是非結構化的，例如圖片、文字、視頻、模型、交互等等。
如果想讓機器“有眼睛”“能看得見”，需要一個很重要的數據集——imageNet，imageNet教會了機器如何看圖像。
過去幾年，我們一直致力于讓機器理解非結構化的事物，或者理解人的創意。我們想讓有眼睛的機器有審美，所以我們做了 designNet，教機器去理解什么是創意、設計、色彩、組合。
以此圖為例。左側是 imageNet，上面標記了人、臉、字、吃的東西，右側是 designNet。事實上，機器“看得見”并不代表它具有審美，imageNet 不能理解圖片的風格、顏色的組合，它主要是給圖片打標簽，在完成大量的打標簽工作之后，imageNet 就有了“眼睛”。
下一步，我們計劃讓機器學習創意和設計知識，讓機器去讀文獻、文檔、書籍。數據集主要用于識別，知識圖譜開始把識別的東西互相建立關聯，如同機器先學理論再運用于實踐一樣，有了數據集和知識圖譜，就相當于機器有了設計的基礎知識，可以進一步理解設計并進行創作。
我們公司有很多年輕人頭發每周都會換一種顏色，他們稱這些顏色為亞文化色彩，就是搖滾樂海報上顏色的配色。基于對使用人工智能圖像識別、色彩識別等手段來進行顏色識別、文化研究分析、建立邏輯規律的思考，我們啟動了亞文化色彩的數據集研究。有了這個數據集以后，一方面機器可以幫助我們更好地理解亞文化色彩的文化現象，另一方面我們可以給任何東西配上亞文化色彩，讓它再潮一點。
后來，一個朋友告訴我，我們關于亞文化色彩數據集的研究過程就是文化分析。現在越來越多的人文類研究都開始加上了量化的翅膀，比如陳志武教授用量化的方式研究歷史，此外還有量化經濟、量化城市研究、量化社會學，等等，當然也包括量化理解創意、理解設計。所以，現在的文科理科化、工科化是普遍趨勢，同時人工智能、計算機運算的門檻越來越低，也讓很多具有人文背景的人可以使用理工科的分析手段。
我們公司的員工都特別希望把創意變成數據，任何時髦的文化現象都想進行文化分析。前段時間公司做了一種盲盒，包括不同的形態、構造、主題、色彩、價格等，同時也做了盲盒的數據集分析，我們把這一系列過程稱之為創意的可計算性。
創意的計算過程呈金字塔形狀。
首先是觀念。人類有著千奇百怪的觀念，觀念通過某種內容的形態來進行表達，例如圖、文、視頻、模型等等。創意變成內容的時候會有一點衰減，但是不變成內容，創意就無法被交流，創意一定要落實為某種內容形態。
其次是內容。內容由很多要素組成，比如一張圖可能由不同的圖層組成，人們需要對這些不同要素進行標簽，然后將其翻譯為機器可理解的語言，這就是 Metadata，即元數據。
讓創意變成數據的過程，都是從觀念到內容，最終到機器可以理解的元數據的過程，我們把這個過程叫做解碼。
我們希望所有的解碼都可以是系統化的，不只要給它設計一個流程、一個模型，還要給它設計一個工具，讓解碼從創意、從觀念到內容、到元數據的過程變得非常順利，這個工具就叫做 DAM，Digital Asset Management，即內容資產管理系統。
很多朋友好奇，創意真的可以計算嗎？在我的理解中，創意之所以需要被計算，是因為人們承認創意有很多不可被計算的部分，可計算的部分越多，對不可被計算部分的理解就會越深刻。正如亞里士多德所言，知道的越多，知道自己不知道的就越多。
人們用機器、人工智能、新的技術手段去理解創意，目的不是讓創意變成枯燥的元數據，也并不意味著衰減的過程是對的，重點在于要通過衰減的過程，讓人們理解每次衰減的代價是什么，從而理解不知道的那部分是什么。創意可被計算的部分越多，不可被計算的部分就會越被欣賞。兩者之間并非非黑即白的對立關系，這樣就不會扼殺更多的可能性。
如同研究量化歷史的人，一定相信還有一個歷史叫作傳記歷史，但當人們只把歷史理解為傳記歷史、人文歷史的時候，其實忽略了很多的宏觀現象，從而變成去理解一個個故事。人們要通過平衡地看待事物，從而看到事情的一邊和另一邊，理解這一邊和那一邊的局限性。
從觀念到元數據的過程是做減法，而從元數據生成內容的過程需要做加法，這個過程叫作編碼。
生成不是一個新概念，過去 100 年中很多藝術家都想過生成藝術，只是在過去的 10 年時間里，這項技術變得更可行了。2016 年多倫多大學一位博士生寫了一篇文章叫《Generating Images From Captions With Attention》，這是關于生成式人工智能最早的文獻，文章中提出通過文字生成圖像。
這篇文章中列舉了一些機器生成圖片的例子。在第一行第三張的圖片中，一個綠色校車停在一個停車場里，校車正常是黃色的，所以當它是綠色、紅色、藍色校車的時候，就代表這些校車從未在索引庫里發生，即他們是生成的。從這一時刻開始，第一次有計算機從元數據中生成了內容，這是一個偉大的時刻。
2019 年，我們公司針對商業場景進行了生成，當時對營銷圖片的需求量很大，并且工作具有重復性，我們就做了一個生成的機器，從數據集、模型、算法到工作流全部從零搭建，并且實時反饋和優化，投入成本非常高。
2020 年，進博會期間，我們做了一個“金山農民畫”的生成系統，主要內容是關于上海傳統手工藝。當時，我們想破除人們將人工智能和手工工藝相對立的慣性思維，為什么傳統和新生事物一定要對立，而不是通過人工智能推動手工藝發展得更好？
很少有人了解“金山農民畫”，因為沒耐心學習，傳播也不夠，于是我們做了一個生成系統，讓每個人都可以像畫草圖一樣生成金山農民畫。
我們是如何做到的？
首先，要建立金山農民畫的數據集。其次，要做一個算法。第三，要做一個系統。在這個過程中，我們做了一些人文性的思考，我一直強調：“前面要有技術、背后要講人文”。主要有以下幾方面思考：
第一個思考，到底是從無到有的生成，還是拿金山農民畫數據集里的一些元素重新排列。
第二個思考，生成的是 60-70 分的結果，還是 100 分的結果。
最后我們的選擇是，用原有的元素進行重組，做一張 60-70 分的圖。為什么？用原有的元素代表我們尊重金山農民畫原來的素材，做 60-70 分的圖是希望讓原有的藝術家們感覺到新技術不是在取代他們，而只是在科普的過程當中讓民眾上手的門檻更低。每一項技術背后都有一些社會性、人文性的思考，從而決定如何使用技術。如果只強調降本增效，只強調長期的發展，并非最佳選擇。至此，我們摸索出了人工智能和手工藝相輔相成的范式。
我們公司有很多年輕人喜歡跳街舞，以往跳舞都要先有音樂，因為音樂很難找。但是，我們的音樂生成系統可以讓大家先有舞步，在規定的地方有節奏，然后重新生成音樂。我們有屬于自己的 BGM，聲音來源于公司各個角落里收集來的聲音，然后用 AI Remix 混在一起，在此過程中，人機協作創作過程開始走向多模態。
人工智能在過去一年里發展得非常快，未來 10 年里會有 66%的內容是由生成式人工智能做出來的。用兩組數據來著重體現下，從智能手機的元年到智能手機的第十年，大概有 31%的手機變成了智能手機，云計算的元年到云計算的第十年，大概有 55%的計算變成了云計算。生成式人工智能會比云計算和手機的滲透率更加迅猛，這是美國投資機構 Besmer Ventures 進行的數據統計。
內容或者創意被生成出來，對人類的工作和生活意味著什么？日常生活中，絕大多數人的討論都集中在降本增效方面，中文語境里很少討論如何讓人類更富有創造力。當把創造力和生產力相對立的時候，人類會逐步忘記兩者中間有很多有意思的事物存在。
美國一位經濟學家格雷戈里·克拉克畫了《一張圖的世界經濟史》，橫軸是時間，縱軸是相對人均收入，圖中的拐點是工業革命。工業革命之前，人均可支配收入沒有很大變化，稱為馬爾薩斯陷阱，即事實上人們沒有辦法突破。直到工業革命開始，人們的可支配收入發生了巨大的突破。這張圖隱含的就是，經濟史、政治史和每個人生活所運用到的技術和技術的歷史是同構的。
我在這里再增加一個維度，大家可以從網上搜索“創意”一詞是什么時候出現的，注意，搜索“創意”一詞而非創意，創意毫無疑問是和人類發展同時發生的，但是人類開始用一個詞的時候，就代表著開始有意識去做這件事了。通過“創意”一詞出現的頻率可以得出，雖然人們沒有辦法確認技術發展一定和創意有關系，但至少和談論創意的次數有關系，創意是很難被量化的，但是談論創意的次數是可以被量化的。所以，這代表人類有意識做創意這件事是生產力極大釋放以后出現的，是人們生活水平開始提升以后出現的。
當把創意和生產力建立連接的時候，我們發現這兩者不應該被矛盾對立起來，就像人們在討論 AI 的時候，不應該說 AI 提高了生產力，導致創意工作者失去了工作。
如果一直往前追溯，從文藝復興時期開始，就有一種稱為透視的技術出現，有了透視以后繪畫才可以被教授，繪畫才成為了一門技藝。
荷蘭藝術家維米爾最著名的一幅畫叫《戴著珍珠耳環的少女》，這幅畫具有一些鮮明的特點。首先，畫幅特別小，畫像的臉跟真人的臉一樣大。其次，維米爾對光影掌握得特別好，好到不使用儀器就無法辨別的程度。很多藝術工作者很好奇，維米爾到底是如何作畫的。
2013 年，獲奧斯卡提名的紀錄片《Tim's Vemeer》，就是講述維米爾繪畫故事的。紀錄片復現了維米爾的使用工具和繪畫過程，先是做一個投影儀，通過小孔成像投射到房間內再進行繪畫，這與人們意識中定義的傳統藝術家并不相同。區別于單純用畫筆繪畫的傳統藝術家，維米爾做了一個暗房，通過小孔成像、再將倒影二次折射，形成了畫像的正影。
如此看，維米爾是藝術家還是工程師？藝術和數學是矛盾的嗎？在我看來，這些矛盾都是人為造成的。在維米爾的時代，他的畫室是不允許參觀的，如同現在的研發實驗室一樣。維米爾的畫室位于荷蘭的一個小城市戴爾福特市中心教堂旁邊的二層，為什么維米爾只能畫人物、靜物？因為只有擺在房間里才能用小孔成像。為什么維米爾的畫都不大？因為他的畫室并不大。為什么維米爾對光影掌握得如此精細？因為他是采用小孔成像原理進行描繪的。這個過程給予了我很大的啟發，人們很容易將先進工具和手段同創意對立起來，但在文藝復興時期，創意就是做工具。
先是透視，再到暗房。暗房之后出現了一個對藝術具有毀滅性意義的工具，即照相機。照片比人畫得快、比人畫得便宜，但藝術并未因此消失，藝術家們開創性地發明了畫得不像的藝術、畫得朦朧的藝術，甚至藝術從墻上到了地上，從靜態到了動態，從動態變成了文娛產業、游戲產業。每一項技術的出現，都會讓原有技術人才的工作顯得更不重要，但新技術的出現是為了解放人類，人們有了更多的時間精力去思考增量、去創造新的東西。
上世紀 60 年代的媒體學家麥克盧漢推動了整個硅谷媒體的傳播，他有一句話非常有意義：“首先我們塑造了工具，然后工具再塑造我們。”人們塑造了一個工具，工具改變了人們的生活，但人們也會創造一個新的環境、新的場景。當一項新的技術驚世駭俗地出現，沒有比現在更需要人類創造力的時刻了。
到底什么在變？
第一是工具。照相機是工具，電腦是工具，農耕革命的很多東西也是工具。
第二是因工具而帶來的工藝。
第三是觀念。
工具每一次的進化，都讓人類表達觀念的工藝變得越來越容易。例如，沒有透視之前，畫家們教學、表達都十分為難，因為連近大遠小都沒有成為規律，透視本身就是個工具，透視出現后，就可以用其教學了。照相機和電腦也是如此，每一代的工具都是為了降低人類的創作門檻，從而讓人們更好地表達自己，讓別人更好地理解自己。現在 AI 時代來了，也依然如此，AI 讓表達和創意變得更民主、更大眾化。
現在人們使用手機進行繪畫非常容易，就像說話一樣輕松，只要輸入提示詞，自動就會出現繪畫甚至視頻，未來還會出現 3D 模型。原來需要花費大量時間和精力去經營的工藝，現在變得越來越簡單，這樣就會讓更多人開始使用工藝，來表達更豐富的觀念。
新工具的出現會對工作產生何種影響？
MacPaint 是上一代電腦的畫圖工具，是 PhotoShop 的前身，MacPaint 出現后通過不停地迭代，出現了眾多電腦畫圖工具，這產生了兩個影響：
第一，排版工人從歷史上消失了，2002 年最后一個需要排版的印刷廠正式關閉。
第二，PhotoShop 的出現讓創意工作發生了巨大變化，美國的數據顯示，因為 PhotoShop 的出現，平面設計師的工作漲了四倍。
由此可見，由于工具的出現，短期內肯定會讓一些工作被取代，但長期看又會帶來新的創作者，會產生另一些工作的繁榮。
歷史是一支箭，它來自遠方，射向未來。AIGC 就是這支剛剛射出來的箭，它可能是五十年一遇的技術突破。上一次五十年一遇的技術是計算機圖形學，因為有了計算機圖形學，才有今天人們使用的計算機。在發展計算機圖形學的過程中，猶他大學作出了重要貢獻，其中有一位 Ivan Sutherland 教授，他培養了四個學生：第一位學生是 John Warnock，創立了 Adobe 公司；第二位學生是 Ed Catmull，創立了 Pixar 公司；第三位學生是 Nolan Bushnell，創立了一個游戲機公司；第四位學生是 Jim Clark，創立了網景公司，第一個商用瀏覽器。每一個工具、每一個產品、每一個人做的事情都是劃時代的。
所以，AIGC 帶來的機會不一定出現在大廠，不一定出現在名校，可能出現在一個地方、一小撮人，可能會用這些新的技術改造創造一種新的模式。目前還沒有一個 AIGC 格式可以創造一種新的內容生產方式，人們只看到用 AI 做傳統的內容更高效，未來是否會出現一個從無到有的行業，還不確定。AIGC 帶來了一場巨大的爆發，這個爆發既有生產力的爆發，像 PhotoShop 一樣，也有一種質的爆發，爆發出一些新的物種。
喬布斯提出，我們只能往后看。發生了以后回顧過去，好像事情都很有道理，但事實上，往前看的時候都是一步步做出來的。既然往前做具有未知性，人們就要抓住一些本質問題或者元問題。
OpenAI 的 CEO Sam Altman 發過一條推特，可以用公式表達為：創意=(過去的混剪+靈感)x(反饋質量+迭代數量)。Sam Altman 下面這句話更關鍵，人們總是容易覺得創意要最大化靈感，但事實上應該最大化后面的兩個關鍵詞，即反饋的質量和迭代的數量。人們總認為創意是靈光乍現的，但 Sam Altman 強調，第一，它是過去東西的編輯，第二，它要靠高質量的反饋和多數量的迭代。
《從優秀到卓越》一書里講了一個很重要的觀念叫飛輪（Flywheel）。什么是飛輪？一件事情可以慢慢開始做，然后越做越快，越做效果越好。如同亞馬遜的飛輪，通過更好的客戶價值帶來更多的銷售，更多的銷售又帶來更低的成本，更低的成本又會帶來更好的客戶價值。AI 也是如此，更好的數據、更好的算力會帶來更好的模型，更好的模型、更好的提示詞會帶來更好的內容，更好的內容又會回去成為更好的數據，AI 真的是不停地在迭代和反饋的。
人類如何參與到創造之中？很多人的想法還是依靠偶爾迸發出的靈感，但是創意產生過程并非如此。海明威的創作方法很獨特，第一稿往往是一只腳站著寫，逼迫自己加速完成，然后躺在沙發上抽著雪茄慢慢改。對于這些創作者而言，沒有一氣呵成地完成作品，創意的過程處于不停迭代中，就像飛輪一樣。
新工具的出現，會讓創作的成本越來越低，會讓人們的表達越來越容易，讓大家在同一個時間內做東西越來越容易、越來越多，人們可以有越來越多的時間去思考和討論。簡單地說，在 AIGC 時代，人們應該更多地考慮如何更高效率、更高質量去做創意的迭代和反饋，這是機會，也是挑戰。
作為大學教授，最大的痛苦不是發論文，而是如何證明自己的工作有價值。八年前從學校實驗室開始，我開辦了技術型創業公司，先融資，然后做產品技術，再做市場，這個過程重復了八輪，伴隨融資的增多，公司在研發方面投入很大。
特贊主要從事企業服務，服務的行業包括快消、美妝、鞋服、零售等等。疫情期間帶來了數字化訴求，公司看到了一些新的行業機會，即商業場景。企業愿意付費的商業場景一般是具有通用性的，其核心與增長營銷有關，所以特贊將商業場景作為重要內容，盡管技術公司可能最終很難逃離和營銷有關的行業，但特贊重點是做產品技術，我們只是工具而已。
我們在每一個行業中非常謹慎地挑選一些種子客戶，這些種子客戶會把自身行業的特殊性帶到我們的技術里，讓我們開發出軟件和服務。
《人類簡史》《無窮的開始》《敘事經濟學》這三本書，都在講故事對人類進化的重要性。在《人類簡史》一書中，有一個故事印象非常深刻，智人能夠戰勝尼安德特人，是因為智人會八卦，八卦代表很多事情可能是假的。這個故事很有啟發性，八卦本來是貶義詞，結果是推動人類物種發展的一個很重要的動力。
《無窮的開始》的作者 David Deutsch 在書中講解了無窮的開始，書名下面有一排小字，即“改變世界的解釋”。David Deutsch 提出，不同的科學工作者不停地在尋找科學現象、尋求科學解釋，人們永遠無法證明科學一定對，但是永遠有一個更對的解釋，即用公式來解釋、用道理來解釋。所以，愛因斯坦對于宇宙的解釋要比牛頓更好一點，人們就愿意相信，以后還會有更好的解釋來取代愛因斯坦，科學也是這樣。
為什么人們愿意相信一張紙有價值？為什么人們相信看不見的數字貨幣有價值？為什么人們相信同樣的產品領域一些品牌比另一些品牌更有價值？《敘事經濟學》一書中講解到，經濟學里的很多價值是通過敘事來實現的，幫助企業更好地敘事才能獲取價值。更好的敘事是通過各種各樣的內容來展現的，包括圖的內容、文字內容、視頻內容，種草內容，品牌內容等等。
過去幾年，品牌內容的生態發生了巨大的變化。
一是內容的觸點變多。包括線上的觸點、線下的觸點、自營的觸點、第三方的觸點等等；
二是內容的速度變快。四五年前的企業可能一年只需要做四次內容，現在企業下設的每個店每天的內容都不一樣；
三是內容的類型變多。起初是文字的內容，像報紙；后面發展到有聲音的內容，像電臺；再之后有視覺的內容，像電視；現在有各種各樣的內容，像元宇宙的內容，很多品牌還喜歡做播客內容。此外，不僅要有內容，還要千人千面，如同有多少億的消費者就應該有多少億的不同內容。
過去四五年時間里，受數字化以及線上豐富度等因素影響，內容格局已經發生了巨大改變，人類已經無法解決這些問題，只能依靠“人+機器”。
如同維米爾創作需要先設計一個工具一樣，在當下的環境中，如果想要用技術解決問題，想抓住 AIGC 帶來的機會，不應該只在表層做應用，而是要建立一個屬于自己的基礎設施，在推動企業效益發展背后一定有體系性的東西存在。
在體系性中，需要借用一個技術詞“Stack”，即中文的“棧”。前面要有一個可以交互的界面，后面要有一大堆東西，最底層到 GPU，到數據庫，最表層是品牌在哪里經營，每一個經營場景背后是各種各樣的經營陣地，所有公域都要花錢，私域需要企業自建。
陣地下面就是在表層交互之后的東西，稱為數字基建，以往稱為中臺。每個品牌第一步要做的是把自己的產品管好，所以叫產品的技術棧，其中有產品管理系統、產品供應鏈系統等等。過去五六年時間里，很多企業開始做用戶資產管理，一些企業將自身轉型定位為以商品為中心向以用戶為中心發展，就需要圍繞用戶建立服務流程。當企業知道用戶是誰、知道自己的產品有什么，就需要把產品和用戶之間關聯起來，這稱為內容的技術棧。
內容技術棧是什么意思？大家可以將其理解為冰山在水下面的部分。產品、用戶、內容都很重要，而且因為產品和用戶先行，它的技術成熟度會更高。而現在內容剛剛建立，里面就包括了內容如何更高效地生產、更多元地生產、如何更好地管理、如何分發出去。
企業首先要建立一個元數據的體系，讓所有的內容都可以被機器理解和認識，讓所有的內容形態、圖文、視頻、內容標簽、內容流程、內容交互都在其中。
舉個例子，在過去的傳統模式中，一個待上架商品需要發一封郵件，表述自己的產品要在雙 11 期間銷售，郵件串會非常長，并且不便搜索、不好歸檔。現在的模式是把所有的內容都放到一個看板上，商品上架有各種各樣的點位圖，看板能夠智能識別。在內容管理系統里，哪些圖符合內容上架的要求就可以填上，填完以后就可以一鍵上架，如果哪些圖表現的不好，就可以在小程序中將數據收回并替換圖片，整個過程從一個靜止的郵件變成一個動態的面板，并且面板的每一張圖背后都有出處，這里就把內容連接起來了。
連起來的好處是什么？企業可以進行分析，可以針對某一板塊內容做系統化替換，可以使用 AI 技術、使用無限畫布不停延展出新的內容。例如，最簡單的大促上新場景，就可以使用 AI 不停地生成。
在另一種用戶場景中，可以把創意的可計算性發揮得更好。如果一邊是枯燥的商品，一邊是豐富的內容，那么就可以用條形碼把內容和商品關聯起來。為什么要關聯起來？因為內容決定著商品是否能賣得出去。
例如某線下商場，如果一家企業的內容不夠，商場是不會為企業做活動的。CEO 每周的管理會上，會同每一個業務線的 GM 校對內容，確認內容有沒有之后再確認內容好不好，有內容就代表企業不會錯過活動，所以要把商品和商品對應的內容連接起來。SKU 在線上線下端大概需要在 100 個渠道，每個渠道至少需要 10 個以上的內容，一些內容還要有 10 個以上的點位，有一些點位還要做到千人千面，每個點位還要有大量的內容變化，即一個商品上千個內容，如果有 100 個、1000 個商品，內容的數量是極其巨大的，所以需要這樣的方式去對應和管理。
在對應管理之后，商品的元數據就有可能和內容的元數據關聯起來，因為這些內容都是有商業目的的。所以，還可以增加兩個維度：第一個維度叫“商業數據”，為什么要做這個內容？拉新，留存，吸引哪一類消費者？第二個維度叫“效果數據”，內容表現如何？依托這兩個維度，可以更好地把商品和內容的關系連接在一起。
商品和內容連接在一起以后可以干很多事情。例如，人們可以用 AI 來做圖或者視頻，既然知道這些內容表現在哪些地方，用哪種腳本表現會更好，人們就有可能把這些腳本抽離出來，換產品，換角色，換場景，做成大量的內容混剪。腳本的抽離可以用 GPT，換場景可以用圖像識別，這不是一個簡單的單一技術，而是多個 AIGC 技術的結合。
某鞋服品牌案例
某鞋服品牌的 KOL 代言的鞋子與其代言人有時并不相符，比如一個很壯的 KOL 男代言一雙很纖細的跑鞋，我們要做的事情就是把所有的商品和 KOL 關聯起來，讓內容和商品之間的關系對應。我們在鞋服行業開展了大量的生成工作，有機會把阿迪達斯或者其它鞋服行業的內容表現數據收回，收回之后按照過去表現好的內容去重復內容。好的內容不是靠眼睛，而是要依靠過去的內容表現才能預測下一個好的內容。通過這種方式，生成小紅書文案、視頻和圖片，成本很低，效果很好。
某美妝品牌案例
某美妝品牌因為高客單價開始做用戶旅程經營，需要將用戶喜歡的內容和每一步的轉化發生關系。我們通過區分多種路徑進行推廣銷售，每個路徑的前端一定是導購服務，每個導購要服務幾百個客戶，我們的工作是讓導購們變得更加個性化，讓導購知道如何與幾百個客戶之間智能對話，應該推薦哪些內容。其背后都是內容的標簽、元數據，然后用 AI 生成個性化的導購語，不僅讓導購能夠順暢應對幾百個客戶，還可以讓每個客戶都感受到自身的重要性和特殊性。
這些企業和品牌的案例，一方面需要企業每一個人的聰明才智，另外還要有技術基礎 Stack。在我們與一些合作伙伴的交流中發現，很多企業的團隊無法匹配我們的想法，就像不能指望磚混結構的房子能夠蓋六層以上，只能更換結構用鋼筋混凝土去完成目標，其本質就是下面技術 Stack 的問題。
《技術的本質》一書的作者說過一句話：“技術是被捕獲并加以利用的現象的集合。或者說，技術是對現象有目的的編程。”其實，技術的背后都有目的性，這些目的性能夠通過技術變得更加普適。人們塑造了工具，工具再塑造人們，人們塑造了技術，技術再塑造了人們。當企業開始不停地強調自己無法做出這些技術的時候，可能不是人的問題，而是背后的架構問題。
無論是從鳥的視角還是青蛙的視角，看的都是科技賦能想象力和創意。但另一方面，AI 也給人類帶來挑戰，一些人關心兒童教育，年輕人關心個人發展，創業者和客戶關心是否應該及早入局 AI……這些問題的背后，是人類對于不確定環境的焦慮體現。這需要我們重新關關注一個詞——“我”，這里的“我”泛指每一個人，可以從以下幾個關鍵詞展開：
第一個關鍵詞是想象。現在沒有比想象力更重要的，AI 的出現不是人們失業和創意貶值的罪魁禍首，相反會推動另一代的創意出現，就像照相機的出現影響了印象派的形成。我個人受尼葛洛龐帝的影響非常大，尼葛洛龐帝在麻省理工學院進行了一些嘗試，并將這些嘗試系統化地變成了創新標志，即媒體實驗室，區別于以往將創意限定在具體東西的理念，尼葛洛龐帝希望創造一種關系，他做了一個很像三維打印機裝置，中間有很多金屬塊，里面有一只小老鼠，金屬塊會隨著小老鼠行動的軌跡改變裝置內部空間，尼葛洛龐帝將其表述為營造一種小老鼠和金屬塊的關系，這句話創造了一個新的學科——交互學，我的專業就是人機交互。如今，互聯網是交互，智能手機是交互，交互成為了創造的對象。
尼葛洛龐帝退休后做了一個項目，One laptop per child，即每個孩子有一臺筆記本電腦，這是個延續交互的想法。尼葛洛龐帝認為，如果想解決非洲人的貧困問題，不應該只給他們錢，能否給每個非洲孩子一臺足夠廉價、足夠耐用、可以聯網的電腦，孩子天生愛折騰，用電腦聯網之后就會不斷探索，只要給他們一個工具，他們就可以提升個人認知，認知提升后就可以影響周圍的人，整個村莊的認知都有可能被改變。我個人非常認同此觀點，知識不應該被教，而是被影響。
我們公司也做了很多不賺錢的 AI 產品，比如 MuseAI。最近我們公司也在同學校和 NGO 開展合作，NGO 的一位負責人感受很深，他認為農村里的孩子在學習方面并不差，但是同城市的孩子相比，他們往往沒有見過人造的美，比如藝術、音樂等，這些孩子沒有創意的自信，也不知道自己是否有創造力。我們公司在與機構合作初期，就用一些簡單的工具讓農村的孩子們進行簡單創作，這些孩子非常享受，給予我們的震撼和影響很大。
第二個關鍵詞是創建。上圖是 1976 年在佳釀俱樂部的喬布斯和沃茲尼亞克，作為兩個輟學生，他們牢牢抓住了那個時代技術剛剛萌芽的芯片、電路板和個人電腦。同理，當下人們面臨的情況也是一樣的，人們可以討論、質疑，但都不及動手干一干。我們公司的口號只有一個，It's time to build and create，即“別說，干就完了”。這個時期沒有事情是可以想清楚的，只能干清楚。
AIGC 技術在 ToC 的場景中，基本上都是對話機器人，但真正用它解決商業問題的時候，會發現它還為時尚早。早年電腦里的掃雷游戲主要靠雙擊鼠標左右鍵完成，因為這款游戲除了娛樂，更重要的是讓用戶知曉如何使用鼠標。以往人們不會使用鼠標，但一旦熟悉之后會感覺特別好用。AI 也一樣。
設計科學家巴克敏斯特·富勒講過一句話：“通過在環境中引入新的物體，從而引發人們對于此物體的自發使用，從而碰巧讓人們放棄過去產生問題的行為或設備。例如，當人們有迫切的需求需要穿過一條湍急的河流，作為設計科學家，我會設計一座橋，我很確定，這會使他們自發并永遠放棄游泳到彼岸這個危及生命的行為。”當人們開始使用新工具的時候，要把它想作是這座橋，然后要找到徹底解決問題的方式，并且時常嘗試。
第三個關鍵詞是快樂。2019 年之前，我們公司做過一些人與機器協作的研究，比如腦機比，就是研究工作中人與機器的關系。
在圖中顯示的三種關系中，第一種關系是事情越來越自動化，機器越來越可做，即 Capability 腦機比 1。第二種關系是有些工作機器很擅長做，但是個人做也很享受，人們不想給機器做，即 Subjectivity 腦機比 2。比如，一些設計師喜歡找資料，翻譯為機器語言即數據挖掘，這是機器很擅長做的，但是設計師們很享受找資料的過程，不愿意讓機器做。第三種關系是信任，從統計意義領域而言，無人駕駛是安全的，但是人們永遠無法信任空著的駕駛座，這是文化性的信任使然，即 Trust 腦機比 3。
有些工作是人們確實不喜歡做的。很多時候不是工具搶了人們的工作，而是人們搶了工具的工作。但是千萬不要忘記所有工具和軟件的開發，都是以人為中心的，它一定要讓人類工作和生活得更開心。人類在與工具共處當中，應該思考增量的地方在哪里，人類不開心的地方在哪里，是否能夠通過使用工具來予以解決。
歡迎關注作者微信公眾號：「特贊Tezign」
復制本文鏈接 文章為作者獨立觀點不代表優設網立場，未經允許不得轉載。
熱評 珍寶土豆