2015年的“双11”是个关键节点。2015 年之前的“双11”，商品推荐都是人来控制的，由运营决定给用户推荐什么产品。而2015年那次“双11”，是阿里第一次基于算法和大数据，为用户做大规模的、个性化的商品推荐系统，叫做“千人千面”，是阿里流量分发模式很大的升级和转型。
2015年的“双11”结束后，淘宝的设计、工程和算法团队聚在一起，商量下一年要做些什么。他们当时想，目前已经做到的个性化推荐，都是基于白底图商品推荐，能不能往前迈一步，让强营销导向的广告资源位的设计也“千人千面”呢？
从纯商品个性化跨到广告资源位个性化，中间几个关键的技术点打通之后，他们就在内部发起了一个人工智能设计的项目，主要开发的产品就是“鲁班”。之所以叫“鲁班”，也是因为一句玩笑话。当时说要 “让天下没有难撸的banner ”，谐音就是“鲁班”，后来发现简直太合适了，鲁班不仅本身是个伟大的工匠，也是很多工具的发明人，所以他的理念跟当时的“鲁班”团队做的事情是不谋而合的，他们也希望发明工具，让设计师更好地工作。
随着产品和团队逐渐壮大，现在团队已经演进为“阿里智能设计实验室”。第一点是图像算法“抠图”。因为高质量的广告设计需要把商品图片抠出来，放到精美的设计主题里。以前都是设计师给商品抠图后再做设计，现在阿里智能设计实验室要用机器做海量设计，就得让机器来做这个事情。他们跟阿里搜索部门做图像切割的算法团队合作，处理海量的商品自动抠图。
第二点是把设计变成“数据”。一张广告设计图片是像素组成的“信息”，不是“数据”。利用机器把商品、文字和设计主题进行在线合成，这样每张广告图片就带上了商品信息，可以根据消费者偏好进行个性化投放。所以“鲁班”产品上线初期，他们请设计师根据活动主题做了大批量风格确定的模板，证明了这种模式投放效果可以大幅提升点击率。
第三点就是让机器学习设计。靠“人肉设计模板”度过了第一个阶段，但长远发展角度必须让机器来做设计。大概是 16 年 8 月份开始的，有一位之前负责淘宝“拍立淘”（在淘宝内通过图片搜索找同款，随拍随找）产品开发的图像算法专家加入了进来，主导整个智能设计的算法框架。第一个挑战是解决数据问题。因为行业里没有什么参考对象，只能不断试错。刚开始的时候，数据不太够，团队就制定了很强的设计规则去控制，结果要么就是机器跑不出设计结果，要么就是设计出来的结果很失控。设计是有无穷可能性的，靠弱数据强规则必然走不通。意识到这一点以后，他们就集中精力去解决数据问题，把内部设计师电脑里的设计图和供应商的设计图都收集过来。
他们有自己开发的设计协同工具“设计板”，有点类似Slack，但是是专门用于设计协同的。这样才能方便大批量、规模化的找到这些数据。
第二个挑战是数据清洗和输入机器。因为收集过来的数据是很杂乱的。比如“双11”期间“魔性”的设计风格跟无印良品这种“性冷淡”风格差异很大系统，这是完全不一样的品牌调性和设计需求。团队花了很大的力气去整理和建立了一套数据体系去管理设计数据，让机器生产出更匹配的结果。现在讲 AI ，外界很难感受到机器的智能含量多高、体现在什么地方，但乐乘也不太同意“鲁班”是“大数据生产”这种说法。这个疑问涉及两个核心的，也是最基本的问题：一是什么叫设计智能，二是怎么评价机器是否具备了设计智能。
AI 目前有几个主要方向，一个是“识别”，像语音识别、图像识别；另一个是“生成”，也就是阿里智能实验室在做的，从无到有创造东西，让机器能根据请求生成符合特定要求的结果。他们把这一智能设计定位为：可控的图像生成技术。可以结合技术框架和原理来理解，简单来说，在整个生成过程中，有4个核心步骤（具体的讲解可以参考
@剥桔子
分享的 UCAN 2017回顾）：
第一步，让机器理解设计是什么构成的：通过人工数据标注，对设计的原始文件中的图层做分类，对元素做标注。设计专家团队也会提炼设计手法和风格。通过数据的方式告诉机器这些元素为什么可以放在一起，把专家的经验和知识通过数据输入。这部分核心是深度序列学习的算法模型。
第二步，建立元素中心：当机器学习到设计框架后，需要大量的生产资料。阿里智能设计实验室会建立元素库，通过机器做图像特征提取，然后分类，再通过人工控制图像质量以及版权问题（实验室购买了有版权的图库，也是希望从一开始就避免版权方面的纠纷）。
第三步，生成的电销外呼程序：原理有点像 Alpha Go 下围棋。在设计框架上构建起虚拟画布，类似棋盘，生成的电销外呼程序把元素中心的元素往棋盘放，在这里实验室采用了“强化学习”，就好像你在家里放一台扫地机器人，让它自己跑，跑个几圈，它自己会知道哪里有障碍要避开。在强化学习的过程中，机器参考原始样本，通过不断尝试，得到一些反馈，然后从中学习到什么样的设计是对的、好的。
第四步，评估的电销外呼程序：实验室会抓取大量设计的成品，从“美学”和“商业”两个方面进行评估。美学上的评估由人来进行，这方面有专业众包公司；商业上的评估就是看投放出去的点击率浏览量等等。2016年“双11”鲁班设计了1.7亿个banner。
其实这 1.7 亿个 banner 是有设计强干预的，因为“双11”的风格是比较确定而且需要严格执行，所以设计师制作了很多“双11”特定风格的固定模板。机器在这个基础上，把调整尺寸这些行为进行优化，节省了尺寸拓版的人力。用机器生成亿级设计从而带来商业效果提升，总体来说也是一次非常成功的应用实践。
未来的“双11”应该仍然会是设计师带着机器做设计的模式，重大活动中设计机器是提升效率的助理角色。引用阿里 CEO 的话——“鲁班是数据业务化的代表”，之前阿里有很多数据，但都是闲置的或者利用效率不高的，比如海量的商品图，而“鲁班”把数据变成了业务，通过大规模设计加精准投放，提高每个广告位的资源效率，带动了流量的效率和业务价值，点击率是翻倍的，收益也接近翻倍。人员倒没有出现缩减，只是做的事情有调整了，要学习这套电销外呼程序，学习如何训练机器，同时在美学方面做把控。
