1.2 文献综述
1.2.1 基于知识的设计研究
“知识”的意义广泛,是认识的成果,是结构化的信息。本文的知识取自于知识工程领域的概念,认为知识是一种经过综合处理的具有自己独立语义的信息,这种信息被人们学习与使用,进而对周围的事物做出反应和预测。知识具有一定的目的性,能够产生一定的行动,具备“转化为实践的能力”[1]。“设计知识”是能对产品设计提供行动的信息,设计师可以通过获得结构化的、具有个人特点的设计知识来获取设计方案;设计师拥有设计知识就能进行产品设计;设计师对设计知识的获取和掌握是产品设计能力的体现,基于知识可以驱动设计。将知识工程引入设计领域以驱动设计早已成为设计研究的方向之一。
产品链接了委托者、设计师、用户,设计师通过设计知识来物化委托者的设计目标,同时满足用户的使用期望,故Ken Wallace认为,设计的本质是知识的获取、存储和使用[2]。设计知识的获取、表征、传递和运用能大大提高设计的效率[3],设计知识包括显性设计知识和隐性设计知识,显性设计知识是可以传授他人的技能和客观事实,如设计速写、设计效果图等;隐性设计知识是无法轻易描述的技能、判断和直觉,如设计创意、时尚风格等[4][5][6]。在知识驱动设计的方法中,Owen论述了设计领域中知识应用和模式,并做了较详细的分析[7],谭浩等基于案例推理(Case-Based Reasoning,CBR)用案例的显性和隐性知识驱动设计,形成了基于案例推理的工业设计方法(Case-Based Industrial Design,CBID)[8]。
基于知识的设计需要结构化的设计问题,需要通过结构化的设计知识进行设计问题求解,设计问题结构的不良性及不确定性导致问题的模糊性。在设计知识的运用上具有盲目性,而设计知识中的隐性知识的描述难度导致设计问题求解带有较强的主观特征,故基于知识的设计问题求解对建立专家系统有较大的难度,只能在一定的范围或边界内获得设计方案。
1.2.2 数据驱动的设计研究
什么是数据?在信息科学中,数据是对客观事物的逻辑归纳,是事实或观察的结果,是用于表示客观事物的未经加工的原始素材。数据是一种形式和载体,是记载下来的事实,是客观实体属性的值,代表真实世界的客观事物,是事实的反映,是发生事件的记录。数据是通过数字化或直接记录下来的可被鉴别的符号,是用以承载信息的物理符号,这种符号可以是文字、数字、语音、图像、视频等,通过有意义的组合来表达物理世界中某种实体(如事件、状态、对象、活动)的特征[9][10]。
数据与实体世界的关系如图1.1所示。
图1.1 数据与实体世界的关系
信息是加工后的有特定形式的数据,对接收者来说,这种数据形式是有确定意义的,并具有实际的价值。信息是一组有意义的数据,信息是数据加工的结果,信息是数据的含义,数据是信息的载体,信息是实体、属性、值所构成的三元组[11]。信息由信息源、内容、载体、信道、接受者构成。信息的构成如图1.2所示。
图1.2 信息的构成
“数据驱动”概念源于计算机软件领域,指在软件开发时基于数据进行程序设计以实现特定的功能输出。现代控制理论在信息科学技术的迅猛发展下,传统的依据机理建立准确的数学模型来进行控制的方法遇到了挑战,现代的控制系统或产品难以建立精确的数学模型,所以,数据驱动的控制理论得到应用。数据驱动控制是基于系统全局很难用数学模型来描述,或者数学模型具有很大的不确定性时,运用数据驱动控制理论来解决实际的问题。在数据驱动控制理论中,数据驱动是指利用系统中的各类数据,实现系统的预报、评价、调度、诊断、监控、决策和优化[12]。数据驱动不仅在产品的控制领域有很好的运用,而且在工业过程控制、故障诊断、语言学习、行为决策、问题解决领域都有应用,数据驱动的研究思想正越来越受到各个领域的重视。
产品创新设计没有完全的数学模型来描述,其问题结构也是不良结构,目前大都依靠设计师的直觉和经验来进行。西蒙把科学发现归纳为两种,一种是数据驱动,另一种是理论驱动。数据驱动即根据收集的资料进行分析,找出规律,它是一个自下而上的过程。理论驱动即先提出理论的预测和假设,然后依据事实来检验,它是一个自上而下的过程。
数据驱动产品创新设计,需要直接从数据中进行规则归纳,作为下一步行动的指南。所以,数据在产品设计创新开发中起到了非常重要的作用,如基于产品生命周期的开发策略中,新产品开发(New Product Development,NPD),数据是产品信息的形式[13],数据驱动产品的制造过程,实现制造流程的数据化[14]。在产品的供应链管理上,数据驱动能有效地实现客户与物料及生产过程的无缝对接[15],数据能促进项目的组织管理,改善效率,提高管理质量[16]。同时,在产品的商业市场策略上,基于数据可以即时掌握市场动向,调整市场策略[17],促进产品销售[18]。在产品的售后服务中,用户对产品的反馈数据,能促进产品的需求管理,提升用户满意度[19]。自从计算机和网络进入人类生活之后,数据的存储和传播获得了空前的发展,特别是基于云计算和移动网络的出现,数据呈现出“爆炸”的趋势,而且物联网技术的出现,使得产品与产品之间开始链接,数据作为产品与产品之间,产品与人之间流通的“血液”越来越受到重视。在智能产品中,数据是形成产品生命周期闭环的重要媒介[20],但大数据时代的数据使用策略不同于传统的数据使用方法,这些数据可能是用户使用的用户数据[21],也可能是产品使用过程中的产品数据。
目前,数据主要有3个来源:一是互联网的数据资源;二是物理信息系统的数据资源,如智慧城市、智能电网等;三是科学实验数据与观测数据等资源(简称科学数据资源),如生物数据、空间观测数据、高能物理实验数据等[22]。科学观察和实验的数据一般来自于实验室或专门的特定研究机构,对面向市场的产品设计则暂不作考虑。本书只讨论基于互联网的数据和物理信息系统的数据。数据正成为关键的产品形态和生产要素,是工业经济向知识经济转变的特征,数据不仅成为重要的资产,而且代表着生产力[23]。著名的O’Reilly公司断言:“数据是下一个‘Intel Inside’,未来属于将数据转换成产品的公司和人们。”[24]在现实层面上,目前数据主要来源于并服务于有限少数几个信息技术服务类大公司中,离海量数据的全面整合、复杂查询与智能化预测分析、社会规模的分享、人人皆可使用受益的愿景还有很大差距。而在设计学特别是工业设计领域中,数据的应用尚不清晰,需要探索,这正是本书的价值所在。
1.2.3 基于智能的产品设计系统
1.产品设计是认知协同的复杂系统
设计是业主、设计师、消费者等多方认知、多方目标和多方利益的协同过程,是一个多目标优化协调的过程[25]。产品是涉及社会文化、风俗习惯、审美特征、技术水平等条件的复杂系统。从人类诞生起,产品就承载了人类的文明发展,无论是基于生存的产品设计,还是基于功能的产品开发,无论是基于情感的产品装饰,还是基于体验的产品迭代,产品与人的认知水平和造物理念是分不开的。
人类认知决定了产品的发展。技术的进步是人类认知自然的结果,人类在自然进化的过程中,逐步发现并掌握科学规律,将科学发现转化为技术并应用于现实生活,故“科技是第一生产力”。科技促进了人类物质生活的极大丰富,产品是人类物质水平的反映,也是人类认知水平的反映。物质的发展不断地影响着人类的精神发展,精神是基于物质生活和人类相互交流发展起来的综合反映,是人脑意识的产物,反过来影响着人类的物质生产。所以,产品是物质财富和精神财富的综合反映,是人类认知水平的反映。
产品及产品设计活动是一个复杂系统[26]。产品的背后有技术做支撑,而技术本身是迭代发展的,所以产品也处于迭代发展中,承载着人类的情感和生活理想[27]。首先,设计问题是复杂的,设计问题源于对特定情境的观察和感悟;其次,设计的解是复杂的,不存在唯一的解,而是合适解,设计的问题解决是创造性的、见仁见智的,呈现出纷繁复杂的特性;再次,设计的过程是复杂的,设计可能存在一个基本的可靠过程,但这并不是标准的,创造性产品的出现总是多种因素综合的结果;最后,产品的存在是复杂的,产品在不同时期、不同用户、不同文化中的存在状态是不同的,必然导致人们对产品的使用和情感的复杂。产品及其产品设计活动是随着复杂的人类社会的发展而发展的,是一个复杂系统[28][29]。
2.人工神经网络是智能产品设计的认知规则
人工神经网络是基于生物大脑的机构和功能,采用数学或物理的方法进行研究而构成的一种信息处理系统[30]。神经元是神经系统功能构成的基本单位,如图1.3所示,主要包括细胞体、树突、轴突和突触。树突接受外部的刺激传给细胞体,细胞体通过轴突将刺激信号传出。大量的神经元相互连接就构成了神经网络,人工神经网络正是模拟神经元相互连接的结构而构建的模型,人工神经网络是对生物神经网络的简化、抽象和模拟。
神经网络的研究起源于20世纪40年代,当时,神经生物学家McCulloch与数学家Pitts合作,采用数理模型的方法研究了脑细胞及其神经元,提出了第一个神经计算模型,即神经元的阈值元件模型——MP模型[31]。随着神经网络研究的发展,出现了不下百种的模型及算法:其中BP模型及算法的出现对神经网络的发展具有举足轻重的作用,将陷入低潮的神经网络研究带入高潮;Hopfield神经网络创造了无层次的互联神经网络,有力地推动了人工神经网络的研究;而随机性神经网络将统计力学的思想引入神经网络,提出了具备自组织功能的神经网络,引入了竞争学习的概念,实现了自适应共振理论神经网络,使神经网络的研究得到了空前的发展[32]。
图1.3 神经元的构成(图片来自网络)
“人脑是如何工作的”,“人类能否制造出模拟人脑的神经系统”,人工神经网络是从不同的学科角度对神经细胞及神经系统的结构和功能进行研究,从而应用于实际的需求。神经网络的研究对象是“人脑”的神经感知系统,一方面利用已有的神经科学来探索人类思维感知的机理;另一方面是利用人脑研究的成果,用模拟的方法实现领域的应用。神经网络系统具备了部分人脑的功能,主要体现在几点:一是并行分布处理能力,二是良好的容错能力,三是具备复杂的非线性关系,四是自学习、自适应性[33]。
人工神经网络在产品的设计开发过程及生命周期中均有相关研究。在产品的开发过程中,有基于神经网络的色彩研究、材料质感、产品造型、产品意象、产品设计质量评价等研究[34][35][36][37],都从产品设计的一个特定角度进行研究,对一个特定设计问题进行表征,利用神经网络原理构建计算机系统,实现设计的规则化。在产品的工程开发设计中,基于神经网络进行产品的可装配性问题、产品的结构问题、产品的部件设计问题、产品的参数优化问题、工程造价、项目管理等[38][39][40][41]多方面的工程问题,利用神经网络确定合适的算法和学习机制,实现工程开发的智能化。
3.基于人工智能的设计活动
基于人工智能的产品设计活动是一项综合性极高的复杂系统,涉及复杂技术、商业模式、文化伦理、社会制度等一系列的问题,本书只从技术的角度来分析人工智能下的产品设计活动。
当前,人工智能的核心技术主要在自然语言处理、图形图像识别、语音识别、机器学习等领域,每一领域的技术成熟都会带来一系列的产品,提高人类的生活品质。如果将人工智能技术与硬件产品结合起来,产品将展现出激动人心的一面。例如,智能手机的出现宣告了功能手机时代的结束,智能手机采用了多任务处理模式,构建了世界级的程序应用平台,通过软、硬件搭配不断迭代使智能手机变成了口袋里的计算机,通过各种传感器与人建立各种连接,将人类带入了移动互联网时代。又如,无人驾驶汽车通过将智能互联技术、环境感知技术、高精地图和定位技术等与人工智能算法结合,将汽车变成了拥有四个轮子的机器人,改变了人类开车出行的方式,不仅解放了双手,还将对相关行业带来革命性的改变,带动了万亿级的市场前景。再如,智能家居将家居生活产品与人工智能技术结合,使人类的生活将变得格外便捷和舒适,智能家居中的设备不仅能互相连接,而且基于机器学习将人从物品中解放了出来,使家庭的所有产品如人所愿。人工智能技术正在改变人类的产品,传统的功能性产品正在逐步实现智能化,各种智能设备会被开发出来满足人类的个性化需求,结合人工智能算法的产品开始介入人类的生活,如基于用户的购物习惯和评论反馈可以即时推送用户可能喜好的商品(如亚马逊、天猫)或广告(如百度、Google),可以基于阅读习惯推送用户喜欢的新闻资讯(如今日头条),也可以基于对日常出行习惯的学习,预测此时此刻你想去的地方(如滴滴出行)。
在具体的产品设计活动中,人工智能产品已经开始替代相对确定性的设计活动。例如,普通人可以根据自己喜爱的图片风格进行图片的设计处理(如美图秀秀、Prisma),通过语言描述和图片风格描述能智能地生成图形(如Tailorbrands)。基于人工智能技术的设计软件可以通过相关参数自动设计出产品的造型(如Autodesk)或图案(如Adobe),通过大数据对设计师风格和产品设计需求风格进行算法匹配,可以快速实现设计人才的对接(如特赞)。随着认知的不断发展,许多具有不确定性的设计环节。在获得了相对确定性认识后,可以通过人工智能的方式实现替换,之前相对复杂的设计方案,有了确定性的认知结构后,改善设计流程。通过人工智能算法可以获得确定性的解决方案,而且,人工智能本身是可以辅助认知的,可以将设计问题的不确定性更快更容易的实现确定性。可以预见的是,人类正在从计算机辅助设计开始走向人工智能辅助设计,而数据在人工智能领域有着举足轻重的作用,数据驱动设计问题求解的课题提出,就是希望在人工智能的背景下,对设计问题进行研究,获得产品设计问题的确定性因素,为人工智能辅助设计添砖加瓦。
[1] 赵江洪,谭浩,谭征宇,等.汽车造型设计:理论、研究与应用[M].北京:北京理工大学出版社,2010:28.
[2] Ken Wallace.capturing,storing and retrieving design knowledge in a distributed environment.The 9th International Conference on Computer Supported Cooperative Work in Design Proceedings[M].US:IEEE press,2005,10.
[3] 谢友柏.现代设计理论和方法的研究[N].机械工程学报,2004,40(4):1—9.
[4] 罗仕鉴,等.产品造型设计中的用户知识与设计知识研究[J].中国机械工程,2004,15(8):709.
[5] 朱上上,潘云鹤,罗仕鉴,等.基于知识的产品创新设计技术研究[J].中国机械工程,2002,13(4):337—34.
[6] 姚干勤,薛澄岐.基于知识转化的产品设计方法研究[J].电子机械工程,2014,30(3):4—6.
[7] Charles L.Owen.Design research:building the knowledge base[J].design studies,1998,19(1):9-20.
[8] 谭浩.基于案例的产品造型设计情境知识模型构建与应用:[湖南大学博士学位论文][D].长沙:湖南大学设计艺术学院,2006.
[9] 百度百科.数据,https://baike.baidu.com/
[10] 黄宏斌,刘震,邓苏.基于语义的信息聚焦服务[M].北京:电子工业出版社,2012:7.
[11] 同上:8.
[12] 侯忠生,许建新.数据驱动控制理论及方法的回顾与展望[N].自动化学报,2009,35(6):650—667.
[13] Mickaël David,Frantz Rowe.What does PLMS(product lifecycle management systems)manage:Data or documents?Complementarity and contingency for SMEs[J].Computers in Industry,2016,75:140-150.
[14] Jeongsu Oh,Sehee Lee,Jeongsam Yang.A collaboration model for new product development through the integration of PLM and SCM in the electronics industry[J].Computers in Industry,2015,73:82-92.
[15] Gang Wang,Angappa Gunasekaran,Eric W.T.Ngai,Thanos Papadopoulos.Big data analytics in logistics and supply chain management:Certain investigations for research and applications[J].Int.J.Production Economics,2016,176:98-110.
[16] Kao-Hui Kung,Chin-Fu Ho,Wei-Hsi Hung,Chuan-Chun Wu.Organizational adaptation for using PLM systems:Group dynamism and management involvement[J].Industrial Marketing Management,2015,44:83-97.
[17] Zhenning Xu,Gary L.Frankwick,Edward Ramirez.Effects of big data analytics and traditional marketing analytics on new product success:A knowledge fusion perspective [J].Journal of Business Research,2016(5),69:1562-1566.
[18] Joel Järvinen,Heikki Karjaluoto.The use of Web analytics for digital marketing performance measurement[J].Industrial Marketing Management,2015,50:117-127.
[19] Maria Grazia Violante,Enrico Vezzetti.A methodology for supporting requirement management tools(RMt)design in the PLM scenario:An user-based strategy[J].Computers in Industry,2014,65:1065-1075.
[20] Dimitris Kiritsis.Closed-loop PLM for intelligent products in the era of the Internet of things[J].Computer-Aided Design,2011,43(5):479-501.
[21] Pekka Pääkkönen,Daniel Pakkala.Reference Architecture and Classification of Technologies,Products and Services for Big Data Systems[J].Big Data Research,2015,2:166-186.
[22] 李建中,刘显敏.大数据的一个重要方面:数据可用性[J].计算机研究与发展,2013,50(6):1147—1162.
[23] 田溯宁.云计算中的大数据[J].财经,2011,308(29):131—135.
[24] 李国杰,程学旗.大数据研究:未来科技及经济社会发展的重大战略领域:大数据的研究现状与科学思考[J].中国科学院院刊,2012,27(6):647—657.
[25] 赵江洪.设计艺术的含义[M].长沙:湖南大学出版社,2005:24.
[26] G Muratovski.Paradigm Shift:Report on the New Role of Design in Business and Society[J].She Ji the Journal of Design Economics & Innovation,2015,1(2):118-139.
[27] [美]Donald A.Norman.情感化设计[M].付秋芳,程进三,译.北京:电子工业出版社,2005:20.
[28] Suzan Boztepe.Toward a framework of product development for global markets:a user-value-based approach[J].Design Studies,2007,28:513-533.
[29] Donald A.Schön.Problems,frames and perspectives on designing[J].Design Studies,1984,5(3):132-136.
[30] 马锐.人工神经网络原理[M].北京:机械工业出版社,2014:1.
[31] McCulloch W S,Pitts W.A Logical Calculus of the idea immanent in nervous activity,bulletin of mathematical biophysics[J].Journal of Symbolic Logic,1944,9(2):49-50.
[32] 汪镭,周国兴,吴启迪.人工神经网络理论在控制领域中的应用综述[N].同济大学学报,2001,29(3):357—361.
[33] [加拿大]Simon Haykin.神经网络原理[M].叶世伟,译.北京:机械工业出版社,2004.
[34] 张全.产品色彩智能设计理论与方法研究:[西北工业大学博士学位论文][D].西安:西北工业大学机电学院,2007.
[35] 黄向东,谢朝林,谢岳璁.基于神经网络的汽车车身造型美学评价初探[J].中国机械工程,2002,13(5):420—423.
[36] 林琳,张志华,张睿欣.基于遗传算法优化神经网络的产品造型设计评价[J].计算机工程与设计,2015,36(3):789—792.
[37] 孙菁.基于意象的产品造型设计方法研究:[武汉理工大学博士学位论文][D].武汉:武汉理工大学设计艺术学院,2007.
[38] 苏子健,钟毅芳.基BP神经网络的工程大系统协调优化[J].机械科学与技术,2006,25(4):465—466.
[39] 宿莎莎,汪飞星,王彩凤.改进的标准模糊神经网络的工程造价快速估算[J].系统仿真学报,2008,20(5):1151—1154.
[40] 乔俊伟,施光林,詹永麒.基于结构的神经网络在参数优化中的应用[J].上海交通大学学报,2002,36(8):1113—1117.
[41] 关秦川.多目标模糊优化问题的神经网络解法[J].西南交通大学学报,2002,37(3):338—342.