AI时代下设计师作业模式的变化

文章正文
发布时间:2024-12-05 10:16

大模型诞生的那段时间,常有传言说设计师等岗位将会被 AI 所取代,是不是意味着以后设计师的职业就不存在了呢?其实不是。本文作者为我们详细分析了 AI 时代设计师的价值和如何成长,一起来看看。

最近一段时间一直在思考目前设计师的作业模式是否已然被 AI 改变? 设计工具经历了从传统的 Photoshop 到各种 AI 工具的转变, AI 逐步覆盖设计领域的各个方面,从图像 GC、文本 GC、音频拟合到视频生成,AI 的应用覆盖了媒体的所有模态。现在,设计师可以通过简单的文字描述生成高质量的矢量图标和 3D 插画,甚至几分钟内生成虚拟人物图像,且不用担心版权问题。通过 SD 不仅能快速生成高质量的设计素材,还能根据用户需求进行个性化定制。

视觉设计方向的大部分工作已经被 AI 完成,从业多年的设计师所追求的美感被降本增效的老板摧残,不再去打磨细节了。而刚入职场的菜鸟,如果你 v 不具备驾驭 AI 的能力或相关使用经验,你甚至找不到一份设计的工作。

因此,我先说一个暴论:AI 时代下,设计师会被干掉 90%。

但设计师这个岗位是不会完全消失的,设计师是被 AI 取代的吗?其实也不能说是取代,只能说 AI 作为一个工具,很多人不会用。就像 PS 软件一样,放普通人手里就真的只是 PS,而放到设计师手里就是 Photoshop。 AI 也一样,仅面向设计师来说,它就是一个划分传统设计师和新时代设计师的分割线。 现在大多数设计师都不用 PS 了,注意,先别喷,我说的是大多数!而还有一部分大神依然凭借 PS 的高超技法,让目前的 AI 生图望尘莫及。但是又有多少人呢?又有多少差距?

AI 的覆盖不仅在响应效率上,有的人说 AI 不就是生成的快嘛,但是生成的一塌糊涂,质量不行。但你要知道 AI 从进入大众视野,到现在才发展了多久?从 23 年初 AI 生成人手都惨不忍睹,6 个指头、7 个指头的。到现在 Flux 模型出的图足以以假乱真。你不可否认,目前设计师打开 AI 工具(MJ、SD 等)的频率是远超于 PS 的,起码我在整个一年的设计工作中,打开 PS 的次数不会超过 10 次。

在这样的一个 AI 洪流的冲击下,设计师的作业模式已然悄声发生改变。

一、AI 时代,设计师的价值在哪里?

先说结论,设计师肯定是具备先天优势的,因为现在缺的是会提问的人,而不是有能力回答问题的人。

为什么这么说?

是因为现在是大模型时代,任何的结果都可以通过模型快速得到结果。你就算是 PS 大神、就算是可以一下午画 10 张图、20 张图那又怎样?只要模型训练好,老板可以一分钟拿到 100 个结果,如果不满意点击刷新,又是 100 个。

尽管模型生成的图片质量可能只有 60、70 分,比不上你人工做的 90+ 的效果,但是架不住它响应快且产量大啊,而且模型是具备线性成长的,只要不停训练,给它 " 升级 "。它之后的输出质量会稳定在 70+、80+ 甚至 90+ !!!而人工的输出不具备这种稳定性,即便你有能力产出 100 分的结果,你也不可能次次都能保持巅峰水平,而模型可以!

因此现在会输出、会解答的人并不缺,缺的反而是懂得提问、懂得制定规则的人。当你提问的时候,你就已经知道会有什么结果。而需要做什么的规则制定才能让结果更接近你的预期,这才是现在版本需要去思考的点!!

尤其是在图像生成方面,一个懂构图、光影、色调等美学的设计师,显然比仅仅依靠个人美感判断的人更能与 AI 沟通,创造出更具价值的设计作品。例如,设计师可以通过 AI 生成初步设计,然后利用自己的专业知识进行细节调整和优化,最终完成高质量的设计作品。

批量生图 SOP

还是以目前我们部门目前的批量素材生成需求为例,就可以很清晰看到当你把自动化流程、规则前置好,输出的结果是人力远远不及的。我们去搭建了一整个 SOP,将批量生图做成工程化,批量产图 SOP 的设计需要明确每一个流程节点,保证高效、标准化的操作。

传统的 SOP 流程

之前传统的产图 SOP,需要投入的人力大概在 5 个:

技术开发同学:负责编写工程文件预留 SD 的 API 接口,保证系统能够灵活调用 SD 进行图像生成。

模型炼制设计师:负责炼制 Lora,确保产出的素材符合公司需求的统一风格,能够满足不同类型素材的需求,如 3D 风格、插画风格和真实场景等。

prompt 编写设计师:编写 CSV,确定图像生成的具体需求(即生图 prompt)。

素材审核员:在图像生成完成后,整理和审核输出的素材。制定素材入库的视觉标准,区分素材为三类:一类是达到视觉标准,无需二次调整的素材;一类是有略微瑕疵,二次调整后可达到入库标准的素材;一类是严重异形、画面杂乱等素材,无修改价值的素材。

素材管理员:针对素材的业务、类型、标签、命名做有效分类,确保素材在平台上的可查找性和可管理性。

整个 SOP 的运行中最核心的是 prompt 编写设计师的角色,他需要调控 prompt 和替换 lora,需要去调试工程文件中的节点。技术开发同学和模型炼制设计师其实都是前置资源,从产图到入库可使用的这个逻辑是这样的:

由 prompt 编写设计师编写 csv 条目,一个条目是一个图像生成的 prompt,所以批量生产同样的需要批量写 prompt,prompt 影响最终产图的质量。例如我们编写 10 个 prompt,那就可以产出 10 张素材。编写 100 个,那就可以产出 100 张素材。但人工编写的过程非常耗时耗力,这个节点是否可以借助 AI 的能力去提效?又该如何接入 AI?这个可以先思考一下,我们接着链路往下看

当批量产出素材后,例如今天产出 2000 张素材,将素材转接给素材审核员,按照入库的视觉标准将素材进行分类和二次调整。2000 张图需要多久,不包含调整的过程,只去审核区分素材就需要 1-2 个小时。那 20000 张呢?这个节点是否有 AI 运作的空间?

当素材处理完,假设良品率为 40%,可直接入库的素材为 800 张,由素材管理员进行分类和素材信息标注。当然我们也可以只给素材命个名,如 :3D 红包 .png 那如果有 200 个不同的红包素材,素材如何有效召回,所以素材如何有效管理,之前传统的素材管理,是将命名作分级,如:业务 A/3D/ 红包 / 装满金币。那仅这个命名过程,假设一张素材命名需要 5s,那 800 张仅命名大约需要 1.11 小时。那这个时间是否可以借助 AI 给吃掉?

AI 节点式提效后的流程

ok,我们梳理一下整个产图到入库的流程链路,其中费时费力的节点:

prompt 批量编写

素材审核

素材分类及信息标注

这些节点如何借助 AI 做提效或者直接用 AI 的能力给吃掉。我是借助 GPT 的能力,让技术同学预留出 GPT 的 API 接口,我负责炼制 GPTs,将调试好的 prompt 发给前端,在工程文件中调用。在多个节点安插 GPT:

输入想要的素材关键词及数量–批量产出 prompt 条目(AI 助力)–导入 csv 需求单–运行程序–调用 SD 做批量产图–素材质量筛选,将素材分类(AI 助力)素材信息标注(AI 助力)

所以除了前置资源,前端提供的工程文件和模型炼制设计师提供的 lora,剩余的事情只需要一名设计师即可,不仅减少人力成本,而且效率还比之前高数倍甚至数十倍。

具体的 3 个助力节点暂时就不一一细讲了。我仅着重说一下关于生成规则的制定和产出逻辑:

批量产出 prompt 条目

图像命名 ( 不可重复 ) , 图像内容 ( 50 字以内 ) , 不希望图像出现 ( 没有填无即可 ) , 图像模型风格 ( 必填 ) , 图片预生成数量 ( 1-30 )

如果有同学用过生图的软件,就会知道提示词。不同软件的提示词结构都是不同的,但核心不变,就是讲清楚你要生成的主体。那上面这个提示词撰写的规则也非常好理解。"图像命名" 有点类似于 ID 的逻辑;"图像内容" 正向提示词,描述要生成的图像主体;"不希望图像出现" 反向提示词,规避不想要的元素;"图像模型风格" 确定模型 lora,模型炼制设计师目前已经炼制了 13 个不同风格的 lora,需要在提示词中明确出来你想要的图像风格:"图片预生成数量" 确定生成数量,同一提示词多次产出。

完整示例:科技感轿车 1, 单个科技感轿车,蓝色系,立体呈现,q 版圆润风格,极简风格,简单构图,白色背景,3D 渲染,等距视角 , 复杂细节,多余的元素,最差质量,低质量,低分辨率,糟糕的手,手指缺失,坏解剖,错解剖,模糊,额外的数字,低质量,水印 ,3D- 通用模型 ,20

仅仅这一条提示词,就可以生产出 20 张相似风格的轿车素材。然后我们借助 Agent,将生图规则投喂给模型,就可以做到提示词量产。那就会是 20*20、100*20 的数量级产出,而这仅仅只需要不到 1h 的时间,你告诉我人力如何追赶?

而在这里面重要的是什么?是提示词怎么写吗?

我觉得是个人都有描述能力:一个什么颜色的车、什么视角、什么装饰元素…这都是再基础不过的编写而已。而最最终重要的就是这个规则如何定义!可以让模型亦或是其他人可以根据你制定的规则去做到量产。

所以为什么说设计师的创意和审美是 AI 无法替代的,AI 更像是一个有巨大天赋的幼童,如果你可以明确告诉他应该怎么去做、做成什么样算好的,那你才算是真正会用 AI。

仅以图像 GC 来说,美学标准和设计师自身的审美,会极大的影响生成效果。这也就是当下设计师的价值所在。因为再往后,新入行的设计师还需不需要去了解光影、结构、环境色、色调等等,还真的不知道… . 因为 AI 直接一键生成,根本不需要用传统的绘画技法再去精雕细琢了。

你觉得老板是要艺术家还是要一个秒出图的 AI 设计师呢?

二、作业流程变化

而设计师的设计流程也受到 AI 的影响在发生着深刻变革,传统的线性设计流程逐渐被更加灵活、高效的非线性流程所取代。

AI 工具的引入,使得设计师能够在短时间内生成大量的创意原型,然后进行筛选和优化。例如,利用 AI 进行图像生成、文本创作、音频处理和视频制作,可以大幅提升设计效率和质量。

具体实例中,设计师可以使用 AI 工具如 Midjourney 生成卡通人物图像,只需简单输入关键词,几分钟内即可得到多种风格的图像供选择。AI 工具还可以帮助设计师进行智能排版和图像后期处理等工作,缩短设计周期,提高工作质量。

传统作业模式(UI)

在 AI 加持下,产品形态也越来越丰富,作业模式也与传统的作业模式也悄然发生变化。现有的 GUI 作业流程大多依赖于人工设计师的精细操作。这些流程通常包括以下几个步骤:

需求分析与沟通:设计师通过与客户或产品经理沟通,获取产品的功能需求,并进行可行性分析。

原型设计:基于需求分析,设计师制作 UI 原型图,通常使用设计工具(如 Sketch、Figma)进行视觉排版。

交互设计:设计师根据用户体验要求,设计交互效果和用户操作流程,确保 UI 界面顺畅、易用。

高保真设计与实现:最终设计稿完成后,交给开发人员进行前端实现。

这一流程是线性的,依赖于设计师的人工参与,且时间较为冗长,容易受到人为错误和偏差的影响。此外,由于各环节之间的反馈周期较长,跨部门的协作沟通也时常导致效率低下。

新型作业模式(AI&UI)

AI&UI 融合生成,即通过人工智能和用户界面设计的结合,能够实现从需求到设计的智能生成,并自动化多个设计环节。主要步骤:

智能需求分析与提炼:通过 AI 模型对客户需求的自动化提炼,系统可以快速生成初步的设计方向,减少人工在需求分析阶段的负担。

自动化原型生成:利用 AI 算法,结合用户输入的需求,自动生成多个设计方案,并依据用户反馈快速调整和优化原型设计。

智能交互与视觉效果设计:AI 能够根据用户行为和交互数据,智能预测并生成最佳的交互设计方案,优化用户体验,减少手动调整的时间。

实时反馈与优化:通过 AI 的自学习能力,系统能够实时根据开发阶段的进展和反馈自动调整设计,从而提高产品上线的速度。

通过 AI 与设计的深度融合,设计师不再需要耗费大量时间在繁琐的细节上,而是将更多精力集中在创意方向的引导和决策上,从而大幅提高了工作效率。

模式的迭代,其主要原因在于:

1. 设计对象发生转变

设计对象从单一的设计师转变为设计师、产品经理、工程师和算法训练师的协同作业。每个环节都紧密相连,任何一个环节的输出都会影响其他环节。

2. 环节间的协同作业

AI 融合的设计流程不再是单向传递,而是形成了一个闭环。设计师、产品经理、工程师和算法训练师需要紧密合作,共同维护设计标注规范和评测集。每个环节的输出都可能成为其他环节的输入,形成协同作业模式。

3. 新增 " 模型训练师 " 角色

新增了 " 模型训练师 " 这一角色,主要负责训练和优化 AI 模型,确保输出的文案、图表等内容符合设计规范和用户需求。

4. 设计表达样式实现方式的变化

AI 融合后的设计表达样式不再局限于传统的视觉呈现,还包括了模型训练生成的内容。设计表达范式更加注重信息的清晰度和结构的合理性,强调重点信息的加粗和分段展示。

5. 内容范式的明确

在 AI 的辅助下,内容范式更加明确,强调信息的层级和结构。设计输出的内容需要遵循一定的规范,包括重点信息的加粗、分段展示、图表和图文的合理搭配等。

三、AI" 百家争鸣 ",我们能做什么?

随着 AI" 百家争鸣 ",新的岗位也不断涌现,如 AI 训练师、Prompt 工程师、数据标注师等。传统的设计岗位也在发生裂变,出现了模型炼丹设计师、AIGC 设计师、AI 视觉设计师等新角色。例如,AI 训练师负责训练和优化 AI 模型,使其更好地适应设计需求;Prompt 工程师则通过优化输入指令,提高 AI 生成内容的质量和准确性。

在 AI 时代下,设计师如何拥抱变化呢?我觉得可以大致分为两个方向:视角和认知扩展,以及能力边界扩展。

视角和认知扩展

设计师的视角和认知需要扩展,尤其是在面对 AI 和大模型的深度融合时。这不仅仅是技术层面的适应,还包括从更高层次上理解设计的角色和责任。具体的扩展动作包括:

熟悉上下游作业

设计师不仅需要理解自己的设计工作,还需对整个作业流程的上下游环节有清晰的认知。这意味着,设计师要深入了解需求分析、产品规划、开发实现、测试反馈等各个阶段,以及与这些阶段紧密关联的团队成员和工作内容。这种全流程的理解有助于设计师更好地把握设计目标与客户需求,并在与其他部门协作时形成共识。

认知不同实现方式

随着大模型技术的引入,设计师需要了解 AI 在设计中的应用与实现方式。传统设计是依赖人工操作的,而在大模型下,设计方案可以由 AI 生成,甚至可以根据数据和用户反馈实时优化。设计师需要认识到这种转变,并理解 AI 如何辅助或替代传统的设计流程,同时把握 AI 在设计中的局限性与优势。

能力边界扩展

随着设计工具和工作流程的进化,设计师的能力边界也在不断扩展。新的工作环境不仅要求设计师具备传统的设计能力,还要求他们具备更多技术性和战略性技能。具体的能力扩展动作包括:

表达范式设计

在 AI 和大模型的环境下,设计师不仅要设计视觉界面和交互,还需要参与到 " 表达范式 " 的设计中。这意味着设计师要考虑如何利用新的技术表达设计想法。例如,如何通过 AI 生成的设计快速表达不同的创意方向,如何利用 AI 优化设计文档与提案的呈现方式等。这是一个新的挑战,要求设计师跳出传统的设计思维,具备更广泛的创意和表达能力。

模型 prompt 学习

设计师需要学习如何通过模型的 prompt 来引导 AI 生成所需的设计结果。AI 模型的输出通常依赖于输入的 prompt 质量,设计师需要掌握如何精准地设计 prompt,以获得最佳的设计方案。这不仅涉及到对 AI 工具的使用技巧,还需要设计师具备一定的计算思维,能够根据设计目标调整 prompt,从而高效地利用 AI 完成复杂的设计任务。

结语

AI 技术的发展正在深刻改变设计行业的格局,设计师需要不断学习和适应新的技术和工具,才能在未来的职场中立于不败之地。虽然 AI 可能会取代大部分基础设计工作,但设计师在创意、美学和人机协作方面的价值依然不可替代。通过不断提升自己的技能和创新思维,设计师可以在 AI 时代找到新的价值和机会。

首页
评论
分享
Top