當下，風景園林或景觀設計行業不能只在自己的小圈子討論設計好或不好，而是應該跨出舒適區，與不同的行業交流切磋。筆者一直對AI充滿關注。認為未來是AI的時代，我們人類應該要未雨綢繆，更好地駕馭AI，或與AI并肩戰斗。

　　從圍棋AlphaGo、AlphaGo Master到AlphaGo Zero的演變和進化，我們看到了什么?

　　今年倫敦當地時間10月18日18:00(北京時間19日01:00)，谷歌旗下的DeepMind團隊公布了進化后的最強版AlphaGo ，代號AlphaGo Zero。

　　新版本的AlphaGo究竟有多厲害?打敗李世石的AlphaGo用了3000萬盤比賽作為訓練數據，AlphaGo Zero用了490萬盤比賽數據。經過3天的訓練，AlphaGo Zero就以100:0的比分完勝對陣李世石的那版AlphaGo。與學習大量人類棋譜起步的前代AlphaGo不同，AlphaGo Zero是從"嬰兒般的白紙"開始，通過3天數百萬盤自我對弈，走完了人類千年的圍棋歷史，并探索出了不少橫空出世的招法。自我對弈40天后，AlphaGo Zero變得更為強大，超過了此前擊敗當今第一人柯潔的"大師"版AlphaGo。通過數百萬次自我對弈，AlphaGo從零開始掌握了圍棋，在短短幾天內就積累起了人類幾千年才有的知識。AlphaGo Zero也發現了新的知識，發展出打破常規的策略和新招，卻又更勝一籌。

　　該團隊的負責人哈薩比斯等人撰文《AlphaGo Zero從零開始》提到:人工智能研究的一個長期目標就是創造能在最有挑戰性的領域，不用人類輸入就達到超人水平的算法。AlphaGo Zero之所以能當自己的老師，是用了一種叫強化學習的新模式。系統從一個對圍棋一無所知的神經網絡開始，將該神經網絡和一個強力搜索算法結合，自我對弈。在對弈過程中，神經網絡不斷調整、升級，預測每一步落子和最終的勝利者。升級后的神經網絡與搜索網絡結合成一個更強的新版本AlphaGo Zero，如此往復循環。每過一輪，系統的表現就提高了一點點，自我對弈的質量也提高了一點點。神經網絡越來越準確，AlphaGo Zero的版本也越來越強。

　　那么從阿法狗的進化，我們發現AI強大的學習能力。所以，人類開始擔憂:AI會不會取代人類?或者說:在這個時代，做什么工作最有可能被機器人淘汰?干什么最不容易被淘汰?

　　上周BBC分析了365個職業，我們意外地看到如攝影師之類的藝術家職業也正在被AI所取代，那么就是說:AI也已經能拍出美美的照片了?

　　上周，《紐約客》雜志的一張最新封面毫無征兆地在朋友圈里刷了屏。封面上，人類坐地行乞，機器人則扮演了施予者的角色，意指明顯--在未來社會，人類的工作機會被不斷進化的機器人剝奪，從而淪為了流落街頭的弱者。

　　BBC 基于劍橋大學研究者 MichaelOsborne 和 Carl Frey 的數據體系分析了 365 中職業在未來的"被淘汰概率"。

　　雖說他們分析的僅僅是這些職業在英國的前景，所基于的也不過是英國本土的數據。但從這些概率中，我們可以得出兩個基本的結論:

　　如果你的工作包含以下三類技能要求，那么，你被機器人取代的可能性非常小:

　　社交能力、協商能力、以及人情練達的藝術;

　　同情心，以及對他人真心實意的扶助和關切;

　　創意和審美。

　　如果你的工作符合以下特征，那么，你被機器人取代的可能性非常大:

　　無需天賦，經由訓練即可掌握的技能;

　　大量的重復性勞動，每天上班無需過腦，但手熟爾;

　　工作空間狹小，坐在格子間里，不聞天下事。

　　以下則是部分具體職業的前景展望，我們重點關注了攝影師這個職業!但是，我們往下看到了建筑師。

　　電話推銷員

　　被取代概率99.0%

　　打字員

　　被取代概率98.5%

　　會計

　　被取代概率97.6%

　　保險業務員

　　被取代概率97.0%

　　銀行職員

　　被取代概率:96.8%

　　政府職員

　　被取代概率:96.8%

　　接線員

　　被取代概率:96.5%

　　前臺

　　被取代概率:95.6%

　　機器人前臺這兩年已經多次登上了新聞標題，話題度最高的是由日本軟銀公司開發的 Pepper。目前，日本以及歐美多國都已經有醫院、銀行、電器店之類的機構購買了 Pepper，作為前臺接待人員使用。

　　客服

　　被取代概率:91.0%

　　人事

　　被取代概率:89.7%

　　保安

　　被取代概率:89.3%

　　房地產經紀人

　　被取代概率:86%

　　工人，以及瓦匠、園丁、清潔工、司機、木匠、水管工等第一、第二產業工作

　　被取代概率:80%-60%

　　廚師

　　被取代概率:73.4%

　　IT工程師

　　被取代概率:58.3%

　　圖書管理員

　　被取代概率:51.9%

　　攝影師

　　被取代概率:50.3%

　　令人驚訝的是，攝影師這樣一份依賴主觀審美的工作竟然也被判定為有超過 50% 的可能被機器人取代。

　　而谷歌也的確開發出了一種試驗性的深度學習系統，這個系統會模仿專業攝影師來展開工作，從谷歌街景中瀏覽景觀圖，分析出最佳的構圖，然后進行各種后期處理，從而創造出一幅賞心悅目的圖像。

　　下面是該 AI 系統基于 Google 街景創作出來的一些作品:

　　演員、藝人

　　被取代概率:37.4%

　　在所有常見的藝術創作工種中，"演員"被判定為最容易被機器自動化取代的行業，概率高達 37.4%。

　　但怎么說呢，撇開科幻小說中用虛擬形象取代真人演員的情節不談，單單是當下以假亂真的"摳圖劇"就讓我們對這個行業被取代的前景充滿了信心。

　　化妝師

　　被取代概率:36.9%

　　寫手、翻譯

　　被取代概率:32.7%

　　理發師

　　被取代概率:32.7%

　　運動員

　　被取代概率:28.3%

　　警察

　　被取代概率:22.4%

　　程序員

　　被取代概率:8.5%

　　記者

　　被取代概率:8.4%

　　保姆

　　被取代概率:8.0%

　　健身教練

　　被取代概率:7.5%

　　藝術家、音樂家、科學家

　　被取代概率分別為:3.8%、4.5%、6.2%

　　無論技術如何進步，人工智能如何完善，對人類而言，創造力、思考能力和審美能力都是無法被模仿、被替代的最后堡壘。

　　律師、法官

　　被取代概率:3.5%

　　牙醫、理療師

　　被取代概率:2.1%

　　建筑師

　　被取代概率:1.8%

　　近年，已經有各種各樣的所謂"人工智能建筑師"被開發出來，但這些系統能完成的工作僅僅是畫圖紙而已。

　　公關人員

　　被取代概率:1.4%

　　心理醫生

　　被取代概率:0.7%

　　教師

　　被取代概率:0.4%

　　酒店管理者

　　被取代概率:0.4%

　　從中我們可以看出:在專家的評估中，圖像審美與其他藝術不同，是可以被量化、數據化的。

　　那么，問題來了。以建筑師為代表的設計師被取代指數為1.8%，名列該榜倒數第五位。其點評是因為:"以建筑師為代表的設計師真正賴以立足的創意、審美、空間感、建筑理念和抽象的判斷都是機器難以模仿的。"

　　套用一句同濟建筑城規學院領導的話來說:未來所有的人都是設計師，而所有的公司都是設計公司。

　　那么，再深究下去，景觀設計師是否比建筑師更不容易被AI所取代?

　　我覺得答案是顯而易見的，景觀設計師幾乎很難被取代。有以下三個原因:

　　1. 對風景園林的審美存在主觀性。首先有東西方的差異，其次即使都是中國人，人與人也對園林景觀有著不同的看法，差異也很大。這一點建筑行業的標準相對統一，審美比較一致。

　　2. 如果說圖像審美可以通過大數據進行量化，但是風景園林的審美則難于被量化。我們很難說蘇州園林指數34567，而日本園林的指數是76543，彼得沃克作品指數是86532，巴拉甘作品指數是97651....等等。依據不足，數據也不夠大，如何被量化?

　　3.無法用大數據來量化并優化學習的根本原因是，風景園林或景觀設計的標準和規律并不明確。哪些人或設計項目可以成為標準?這些標準的判斷是一致的嗎?還是各有矛盾?所以說，我們不要為難AI了，他都無從下手，學都不知道如何學，他如何戰勝人類?這實在是AI厚黑學的經典案例。

　　當然，風景園林學科中很多已經標準化的內容會更容易被大數據窮舉法運算出來，這實在都不需要AI出手。

　　最后，我們還是希望說透一個問題:審美是否可以被量化?而如何被量化?

　　要回答這個問題，還是回頭問:"美到底是什么?"

　　應該說，美是一種引起人的愉悅感的物質屬性。"認為一個事物美"，可以被看成一個行為或是大腦的一個認知活動。無論你是誰、對象是什么、在什么時候，這個活動都是有一定的共通性的。

　　而從神經科學角度來定義美的這類研究，叫"神經美學(Neuroaesthetics)"。這是一個相對較新的美學分支，最開始是由倫敦大學學院的神經美學教授Semir Zeki(澤米兒·澤基)提出的，他本身也是一個很有名的視覺神經科學家。Zeki在神經美學上最大的一個貢獻是發現負責評價"一個視覺作品美不美"的大腦區域--覆蓋于眼眶之上的大腦皮層，眼窩前額皮層(或叫眶額皮層，orbitofrontal cortex)。

　　有趣的是，核磁共振實驗發現，人對作品的美丑評價，和這個區域的活動強度有關:活動強，便認為一個作品很美;活動弱，便是丑的。從這個維度來說，"美"是可以量化的。

　　那么，我們認為美所帶來的"體驗"，景觀設計或建筑設計等一系列設計最終都是可以通過大數據量化的。而大數據量化的一個標準可能是"體驗設計"的多個標準化體驗點的打分機制。