雷鋒網(wǎng)按：日前谷歌在其官網(wǎng)發(fā)布博文，文中詳細(xì)介紹了 AI 相機(jī) Google Clips 的一些設(shè)計思路。雷鋒網(wǎng)將其編譯如下。

正如過去曾經(jīng)發(fā)生過的移動革命以及再之前的網(wǎng)絡(luò)革命一樣，機(jī)器學(xué)習(xí)正在讓我們反思、重構(gòu)、重新審視我們生活中已經(jīng)擁有的一切。在 Google 用戶體驗（UX）社區(qū)中，我們開始了一項名為“以人為本的機(jī)器學(xué)習(xí)(HCML)”工作項目，來指導(dǎo)和幫助我們重構(gòu)世界。站在這樣的視角下，我們在思考機(jī)器學(xué)習(xí)（ML）如何在解決人類的需求時發(fā)揮自身的獨特性。我們的團(tuán)隊集合了 Google 整個公司的各種人才，為 UX 用戶帶來機(jī)器學(xué)習(xí)的核心概念，讓用戶了解如何將機(jī)器學(xué)習(xí)和人工智能完美地融合到交互設(shè)計中。

由谷歌AI相機(jī)Google Clips camera捕捉的父母、孩子和寵物的真實時刻

Google Clips 是谷歌的一款 AI 相機(jī)，專門用于捕捉身邊人的精彩時刻。設(shè)備自帶的人工智能可以通過機(jī)器學(xué)習(xí)了解到誰是你最親密的身邊人，并且知道如何才能拍出一張漂亮又令人難忘的照片。今天，我們將以這款 A I相機(jī)為例，詳細(xì)闡釋在這三年中，我們是如何構(gòu)建出產(chǎn)品模型、進(jìn)行工業(yè)設(shè)計和用戶界面的。通過這篇文章，我們希望大家能夠了解如何用以人為本的方法來設(shè)計 AI 產(chǎn)品。

AI 相機(jī)可以放置在固定的框架上，并保持靜止。上圖中，我把相機(jī)夾在了籃筐上，抓拍到了我兒子打籃的精彩時刻。

只是將更多的 UX 用戶分配到機(jī)器學(xué)習(xí)的項目中是遠(yuǎn)遠(yuǎn)不夠的。更加關(guān)鍵的是讓更多人了解到機(jī)器學(xué)習(xí)的核心概念，充分理解 AI 的能力，并能夠圍繞最佳實踐產(chǎn)品來構(gòu)建和維護(hù)信任。其實，從確定在產(chǎn)品構(gòu)建中哪些模型是有用的，到數(shù)據(jù)的收集和注解，以及新穎的原型機(jī)的建造和測試，機(jī)器學(xué)習(xí)生命周期中的每一個階段都是創(chuàng)新的時機(jī)。

首先第一個問題是，為什么采用以人為本的方法來構(gòu)建機(jī)器學(xué)習(xí)產(chǎn)品和系統(tǒng)是非常重要的呢？我們認(rèn)為有以下幾個原因：

• 機(jī)器學(xué)習(xí)本身并不會找出現(xiàn)實中需要解決的問題。如果你在設(shè)計中沒有考慮到人的需求，那么你只是建立一個非常強(qiáng)大的系統(tǒng)來解決一個非常小或者根本不存在的問題。

• 如果 AI 系統(tǒng)的目標(biāo)不明確，并且用戶對自身在調(diào)教系統(tǒng)中的角色認(rèn)識不清，那么用戶就會根據(jù)自己對 AI 的理解或想象來看待系統(tǒng)，這會讓他們的信心受到影響。

• 為了迅速發(fā)展，機(jī)器學(xué)習(xí)必須適應(yīng)多學(xué)科的任務(wù)，即使不需要太多學(xué)科，但如何適應(yīng)人類社會系統(tǒng)應(yīng)該是一個需要面臨的技術(shù)問題。機(jī)器學(xué)習(xí)是根據(jù)它在數(shù)據(jù)中自動發(fā)現(xiàn)的模式和關(guān)系進(jìn)行預(yù)測的技術(shù)。一個 ML 模型的工作是要弄清楚這些自動發(fā)現(xiàn)的這些模式有多大可能出錯，從而盡可能地保證通常的預(yù)測盡可能地正確。但這是遠(yuǎn)遠(yuǎn)不夠的。從一開始建立模型的思路，到選擇訓(xùn)練用的數(shù)據(jù)源到樣本數(shù)據(jù)本身、以及用于描述和標(biāo)記數(shù)據(jù)的方法，一直到模式關(guān)系對錯的判斷標(biāo)準(zhǔn)，機(jī)器學(xué)習(xí)系統(tǒng)的方方面面都是依靠人的判斷來調(diào)整和修正的?？傊?，那句 UX 的公理“你永遠(yuǎn)不如用戶了解他自己”，在這里顯得異常重要。

三種以人為本提升AI設(shè)計的方法

解決人類的真正需求

今年，人們將會使用我們的相機(jī)拍攝大約一萬億張照片。在面對如此龐大的數(shù)字照片庫時，我們中的很多人實際上并不會仔細(xì)瀏覽。新手父母尤其如此，感受寶寶的每一個第一次就是他們的日常生活。在那些珍貴而短暫的時刻，人們已經(jīng)習(xí)慣使用他們的手機(jī)相機(jī)，希望能夠為未來捕捉和保留一些回憶。但最終的結(jié)果是，人們用一個小小的屏幕來取代所有的感官，與世界的互動反而更低了。

作為一個新手父母，你的照片庫可能看起來很像我的上面手機(jī)照片——連續(xù)地拍攝，以捕捉孩子最完美最可愛的表情。

因此，我們在想，能不能創(chuàng)建一個產(chǎn)品，幫助我們更加關(guān)注我們關(guān)心的人呢？能不能讓我們出現(xiàn)在照片中，而不是總躲在照相機(jī)后面呢？我們能不能“即時”拍攝照片，而不必停下來，拿出電話，打開相機(jī)，在鏡頭中對焦，保持這一刻的真實呢？我們能不能讓一個攝影師在我們身邊隨時捕捉更多真實的生活時刻，比如孩子們的真正微笑呢？那些真實而轉(zhuǎn)瞬即逝的時刻，往往讓我們覺得甚至永遠(yuǎn)背著相機(jī)都不可能全部捕捉得到，而這就是我們這款 AI 相機(jī)打算滿足的人類需求。

引導(dǎo)機(jī)器智能

產(chǎn)品設(shè)計之初，最迫切的問題是：如果人們拍攝了大量的照片，但其實并不想回頭去整理它們，那么我們要如何標(biāo)注數(shù)據(jù)呢？這就是基礎(chǔ)的“以人為本的機(jī)器學(xué)習(xí)”項目誕生的起點：描述理論上的人類“專家”執(zhí)行任務(wù)的方式。這個理論有兩層含義：第一，如果連人類也無法完成這個任務(wù)，那么 AI 也不可能完成； 第二，通過深入研究專家完成任務(wù)的方法，我們可以找到一些信號來指導(dǎo)數(shù)據(jù)的收集、標(biāo)記和組件模型的架構(gòu)。

當(dāng)時我們能想到的最接近“專家”就是一位婚禮攝影師，所以我開始了采訪工作。我們通過代理進(jìn)行招聘，并且使用了一個非常模糊的招聘信息“秘密項目！攝影！”。經(jīng)過一番篩選加上一些運氣，我們最終發(fā)現(xiàn)了一個寶庫——一個紀(jì)錄片制作人、一個攝影記者和一個美術(shù)攝影師的專業(yè)素材。我們一起開始收集團(tuán)隊成員的鏡頭材料，試圖回答“什么是令人難忘的時刻？”

在評估我們的照片和視頻的質(zhì)量時，我們必須意識到很多細(xì)微之處、人們的審美本能和個人的生活歷史，這些在過去都被我們所忽視了。例如，每當(dāng)我看到我的小兒子在探索一根彎曲的吸管（左邊），或者我去偷親他（中間）時，我的心情就會泛起漣漪。當(dāng)我看到我的大兒子在公園里騎自行車的時候（右邊），我便非常自豪，因為我記得那一天是他第一次獨自騎車。

建立信任

這個項目的初始假設(shè)是：我們可以向機(jī)器學(xué)習(xí)模型展示我們認(rèn)為美麗而有趣的東西，然后它會學(xué)習(xí)如何找到更多這樣的東西。我們對于圖像的景深、構(gòu)圖原則、光線強(qiáng)弱、視頻剪輯、情節(jié)設(shè)計等方面的處理顯得較為隨意，但遺憾的是，我們發(fā)現(xiàn)，永遠(yuǎn)不能低估人類運用常識和本能的能力。

這些早期的實驗暴露出一些關(guān)鍵的技術(shù)差距，也幫助我們重新評估了我們對產(chǎn)品的假設(shè)，讓我們真正明白了這項工作的本質(zhì)。我們轉(zhuǎn)變了工作方式，機(jī)器學(xué)習(xí)并不是我們所認(rèn)為的那樣“神圣”，它只有在相當(dāng)簡化的框架下才能有效地學(xué)習(xí)。打個比方，當(dāng)時的我們就像在用莎士比亞而不是“Go，dog，go！”來教一個兩歲的孩子英語。對我來說，這就是 AI 這個“龐然大物”走下“神壇”的時刻——AI 并不意味著一種可以理解所有事物、并且可以將學(xué)到的知識自行推廣的單一“智能”。不，它差遠(yuǎn)了。

回歸基礎(chǔ)

“一致性”是教授任何東西時秘訣。比如我們在教孩子們英語時，為了正確發(fā)音，我們會不斷地重復(fù)同一類詞匯（如 tough, through, thorough 中的 O-U-G-H，或 cat, bat, sat 中的 A-T），通過一致性，我們可以預(yù)測更多同類的詞匯發(fā)音和拼寫。

而信心便來自一致性。試想一下，當(dāng)一位老師提供兩個似乎并不一致的例子時，大多數(shù)學(xué)生會立刻指出其中的不協(xié)調(diào)。但是算法并不會提供這樣的反饋。就算法而言，除非另有指示，否則為算法提供的所有內(nèi)容對算法而言都具有相同的價值。對于 Clips Camera 來說，這意味著我們不僅需要示例間的一致性，而且還需要每個示例中的一致性。AI 需要對每一個單獨的框架進(jìn)行具體預(yù)測。同時我們還需要教會它哪些內(nèi)容可以被忽略。

捕獲圖像

我們需要訓(xùn)練模型學(xué)習(xí)什么是不好的圖像：比如手擋在鏡頭前、快速晃動、鏡頭模糊。

我們使用上面的例子來訓(xùn)練機(jī)器學(xué)習(xí)模型來識別相機(jī)是在口袋或錢包里面（左圖），或者相機(jī)被手指擋住時（右圖）。雖然訓(xùn)練模型去忽視某些東西的好處并不能立即體現(xiàn)，但隨著時間的推移，它會成為我們設(shè)計中的關(guān)鍵戰(zhàn)略部分。這種訓(xùn)練能夠讓相機(jī)減少無效照片的拍攝浪費，捕獲圖像的總體質(zhì)量將會顯著上升。

構(gòu)圖問題

我們需要訓(xùn)練模型以保持圖像的穩(wěn)定性、清晰度，還要正確的取景。如果不稍加注意，面部探測模型就會將畫框中心和邊緣檢測到的面部同等對待。

為了訓(xùn)練模型保持對某個對象的連續(xù)性，需要特別強(qiáng)調(diào)一些特殊的例子。比如上圖中，左邊是我的小兒子全程都處在焦點范圍內(nèi)，而右圖中我的大兒子只有 5％ 左右的時間處在焦點中。

確定人物

熟悉你是為你拍攝的前提：你將相機(jī)對準(zhǔn)某人時，他們通過微笑或擺姿勢來暗示同意，你才能按下快門。并且，攝影師才是那個決定取景和構(gòu)圖的人。所以對自動相機(jī)而言，我們必須根據(jù)社交線索來確定你想要和誰一起拍照，我們可以根據(jù)你和他人相處的時間長短來確定是否拍攝有關(guān)他的照片。

編輯

多樣性和冗余問題在我們拍照時并不是什么大問題，因為 我們腦海里總會有一個小小的聲音說：“我們還沒見過這個，需要拍下來！” 或者 “你已經(jīng)拍了太多孩子的照片，可以停下來了?！保俏覀兊?AI模型在這方面則需要很多的幫助。

我們從三個方面來處理多樣性：

• 時間：時間是最簡單的圖像捕捉信號。相機(jī)不能停工太久。

• 視覺： 顏色微妙或戲劇性的變化可以說明環(huán)境和活動的變化?？梢該?jù)此捕捉獨特的精彩時刻。

• 人物： 你正在一大群人當(dāng)中，還是獨自一人？讓相機(jī)理解你正在和多少不同的熟悉面孔在一起，是不錯過你人生重大時刻的關(guān)鍵。

我把 AI 相機(jī)放在書架的邊緣，鏡頭朝下，這個角度正好可以看到我的孩子們搭積木的場景。同時，這也意味著我在相當(dāng)長的一段時間里，向相機(jī)展示了一堆非常相似的內(nèi)容。既要避免不必要的冗余又不能錯過太多的精彩時刻，這在很長一段時間里都將會是一個非常復(fù)雜的 UX 挑戰(zhàn)。

用戶信任和自我效能

我們投資在 AI 相機(jī)上的一個原因是想要向大家展示出，設(shè)備自帶的用戶私人機(jī)器學(xué)習(xí)系統(tǒng)有多么重要，當(dāng)然還有它其他非常強(qiáng)大的功能特點（例如，它只需要很少的電量，設(shè)備不會發(fā)燙，而且設(shè)備處理器不需要網(wǎng)絡(luò)連接就可以快速而可靠地工作）。相機(jī)是一個非常私人化的物品，而我們一直在努力保證這一特性——相機(jī)硬件內(nèi)容和機(jī)器智能都只屬于你一個人。所有的一切都會永遠(yuǎn)保留在你的相機(jī)里，除非你自己將它公之于眾。

概念設(shè)計

我們著眼于用戶的信任和自我效能，在用戶界面設(shè)計中也非常強(qiáng)調(diào)這一點。這意味著，在項目開始的時候，我們就在不斷假設(shè)一個 AI 產(chǎn)品應(yīng)該如何“存在”。

當(dāng)我們開始考慮與未來相關(guān)的科技時，許多設(shè)計師都會一下子跳躍到“少數(shù)派報告”或“刀鋒戰(zhàn)士”這類電影中的沉浸式體驗中。但是請你想象一下，“少數(shù)派報告”中的 UI 是多么瘋狂：  只需伸出手臂，等待兩秒后，抓一把空氣，然后大手一揮反方向一轉(zhuǎn)就搞定了，多么簡單！幾乎每個科幻片中的用戶界面都有類似的東西，仿佛產(chǎn)品的交互模式必須要體現(xiàn)出科幻系統(tǒng)的無敵復(fù)雜性。雖然在我們早期的設(shè)計中曾經(jīng)有過這樣的一段時間，但是我們最終盡量避免了這樣的幻想，其中的原因是這樣的：

• 我們在一個明顯的模擬環(huán)境中向人們展示了虛假內(nèi)容，人們并沒有與圖像進(jìn)行真正的交互。請注意，這個問題不是AI獨有的；可用性實驗室中常有發(fā)生。

• 我們每天都和同行們在一起，對AI的未來想法一致。我們的錯誤在于，忘記了普羅大眾才是我們產(chǎn)品設(shè)計的參照點。

• 我們總認(rèn)為我們的新設(shè)計非?？幔钥傆X得即使產(chǎn)品無法盡快實現(xiàn)也說得過去。

大多數(shù)產(chǎn)品都有一些學(xué)習(xí)曲線，但是隨著 AI 的火熱，我們需要著重考慮到用戶的認(rèn)知負(fù)擔(dān)。對用戶來講，當(dāng)產(chǎn)品的內(nèi)容相對新穎時（圖A），可靠性非常重要。當(dāng)UI界面非常新穎需要用戶學(xué)習(xí)時（圖B），需要特別考慮到初級用戶的使用體驗。而當(dāng)產(chǎn)品的功能特別新奇時（圖C），你的用戶界面應(yīng)該向人們熟悉的模式靠近。

隨著時間的推移，我們放棄了那些不實用的幻想。我們開始大幅降低用戶界面的復(fù)雜性，并為我們的體驗框架提供了用戶控制，增加用戶的熟悉感。我們在相機(jī)上增加了一個軟件取景器和一個硬件捕捉按鈕。從相機(jī)中的最佳取景框到理想的持續(xù)時間，我們都確保用戶有最終決定權(quán)。同時，我們讓相機(jī)拍攝了更多的照片，因為實際上，讓用戶看到更多照片，自己刪除一些不那么精彩的照片，才讓他們更好地理解相機(jī)所能拍攝的畫面，才能提升他們對相機(jī)的信任。

經(jīng)過這個過程，我們發(fā)現(xiàn)了另一個關(guān)于測試 AI 產(chǎn)品的重要原則：使用用戶的真實內(nèi)容來創(chuàng)建用戶體驗?zāi)Ｊ奖仁褂?ML 模型進(jìn)行測試更加有用。后者需要花費很長時間來構(gòu)建和部署（與傳統(tǒng)的軟件開發(fā)相比，ML 模型的靈活性和適應(yīng)性也差得多，所以錯誤的的代價也更高），而前者則能提供真正的人類視角，人們才能真正從你的產(chǎn)品中獲得價值。

用戶通過從相機(jī)流式傳輸來預(yù)覽他們的照片。左圖中，用戶可以選擇他們想要保存在收集中的圖片。中間圖中，用戶可以切換到建議的視圖。右圖中，用戶可以精確定位出他們想要保存的靜態(tài)圖片。

在主觀性和個性化的背景下，完美是不可能的，我們甚至不應(yīng)該以此為目標(biāo)。與傳統(tǒng)的軟件開發(fā)不同，機(jī)器學(xué)習(xí)系統(tǒng)永遠(yuǎn)不會“沒有 bug”，因為預(yù)測是本身就是一種模糊科學(xué)。但正是這種模糊的特性才讓機(jī)器學(xué)習(xí)變得非常有用！這正是幫助我們制造更為強(qiáng)大和動態(tài)的“IF”語句的真諦所在，我們可以用它來設(shè)計一些東西——“如果看起來像 X，則執(zhí)行 Y 任務(wù)”。我們不僅要背離僵硬的邏輯規(guī)則，還需要拋棄傳統(tǒng)的用戶參與方式。谷歌 AI 相機(jī)的成功不僅僅在于“保留，刪除，點擊和編輯”（盡管這些都很重要），但更關(guān)鍵的是，用戶的作者身份、機(jī)器和用戶的共同學(xué)習(xí)和不斷的改進(jìn)。我們很希望通過這個產(chǎn)品，讓用戶可以忘掉拍照，盡情玩耍。

帶著目的去設(shè)計

通過對傳統(tǒng) AI 范例的重新定位，找到讓機(jī)器變得更加智能的方法，探索提升人類能力的方法，我們可以釋放出機(jī)器學(xué)習(xí)的更多潛力。它會成為一個前所未有的探索創(chuàng)新工具； 一個幫助我們找出自己和周圍世界內(nèi)在模式的工具。在“以人為本的機(jī)器學(xué)習(xí)”項目中，我們有無數(shù)的機(jī)會用 AI 來塑造一個更加人性化、更加包容的世界。而這一切要從我們的本源出發(fā)：尋找和解決人類真正的需求，維護(hù)人類的價值。要始終記?。何覀兪菫榱嗽鰪?qiáng)人類的能力而設(shè)計，不是為了機(jī)器的自動化。

人工智能的作用不是幫我們在雜草里尋找丟失的針，而是幫助我們清除雜草，好讓我們自己找到那根針。

via design.google雷鋒網(wǎng)編譯

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。