别做成自动驾驶：Gavin Miller 谈把主导权留给创作者的 AI

当话题转到美化后的自我和深度伪造时，Gavin Miller 提起了一位宫廷画家。Holbein 受命去为 Henry VIII 画 Anne of Cleves；国王并不满意，这段婚姻几乎刚开始就结束了。Miller 的重点不在于八卦。几个世纪以来，人们一直在请人把自己的脸画得更好看，远远早于 Photoshop 里出现滑块。

Miller 是 Adobe 研究院的负责人，这个团队想把 Photoshop、Premiere、Illustrator 以及整个套件中那些繁琐的逐像素工作解放出来，转向 Lex Fridman 所说的“创意空间”。他同时也是诗人、剧作家和机器人学家。早在 1990 年代初，他在苹果公司工作时，就把一首诗逐行写入一位朋友的新语音合成器；1993 或 1994 年前后，他又做了一个会说话的公寓：一种声音会因为他的衣物发霉而唠叨他，相册能感知当前翻到哪一页，并播放与之相配的声音。他说，智能体这个文学概念，变成了他想与之生活在一起的一种个性。

同样的直觉也体现在硬件上。在 1988 年发表论文《蛇与蠕虫的运动动力学》之后，他花了多年时间在车库里研究蛇形机器人。第五代 S5 如今陈列在华盛顿的国际间谍博物馆。他把它的视频传到 YouTube 上，结果不得不反复回应一些评论者，他们坚称视频是假的，理由是 Adobe 的人不会去拍摄真正的机器。他告诉他们，背景没有动，是因为装置架在三脚架上。

Miller 早期的职业生涯是三维计算机图形学，这有点像文艺复兴式的工程：在电影依赖数字特效之前，先对光、色彩和形状建模。他现在描述的是第二波浪潮，更偏印象派：一个想法，甚至一句话，就能生成一幅图像。他说，Adobe 仍然想要这一谱系的两端，而非只押注于自动驾驶式的艺术。

在模拟的那一端，研究院模拟油画和水彩，让每一根笔毛都有相应的表现，水在笔触之后仍会继续流动，关心笔触轨迹的画家可以完全掌控。在另一端，则是他所说的内容速度（content velocity）。一张完成的海报仍得变成手机竖屏、网页横幅和平板方形；文案换成德语后，单词变长，版式必须重排，并且仍要看起来经过设计。这类工作要耗费数小时，而故事的重点并不在这里。

AI 在第二端的任务，是从第一个示例中读出意图：什么是主体，留白是为了什么，哪些东西可以移动。然后它把其他格式填充得足够好，让没有人需要重新开始。Miller 认为，节省下来的时间不会消失，它会回到视觉、风格、信息和故事上。有些人仍会做亲手操作的工匠。另一些人会转向艺术总监或概念艺术家，把电脑当作打磨想法的伙伴。

Fridman 是 Photoshop 和 Premiere 的重度用户，他希望在底层像素操作上少点几次鼠标。Miller 的第一个回答几乎有些谦逊：许多现有工具已经有太多滑块，所以一个根据图像而非工具出厂数值来设置参数的自动按钮，本身就是一种常识。他把它叫作智能默认值。你从一个像样的猜测开始，然后再去调整。

选区的故事更长。在 Miller 于 Adobe 的二十年里，大部分时间里 Quick Select 只是追踪颜色边界，并对图论认为相连的区域进行填充。它比逐个点击像素是一次飞跃，但它仍然完全不知道猫或狗长什么样。神经网络改变了赌注。一次点击就能抓住主体。对于熟悉的类别，比如人或动物，工具可以省去点击，直接把画面中央的人当作主要对象。

他对“足够好”的标准很谨慎。一张假装你身在夏威夷的搞笑明信片不需要完美的边缘，而专业的抠图则需要。Adobe 已经把廉价的一键遮罩与能从粗糙选区中拉出干净蒙版的算法结合起来。在 Adobe Max 大会上，研究院展示了一个围绕舞者的粗糙多边形，前面是一面砖墙，然后从移动的目标中拉出一个蒙版。过去要数小时的工作，现在只要几秒，最后再稍作清理。工具链是分层的，用户可以按照工作需要深入到任意程度。

Fridman 追问 robust（稳健）这个词：在 Max 上能在大多数情况下工作的演示，还不是你能在每一份工作上都信赖的工具。Miller 在学术研究与工业研究之间划了一条线。学术界奖励那个第一个提出有前景想法、并在数据集上展示出来的人。Adobe 仍然以这种方式发表论文，他说，其发表记录与一些大学不相上下。但它还必须把产品做出来，然后经受客户评审和产品评论家的检验。

他说，上线并不意味着每次都完美。它意味着大多数时候足够好，外加一种在模型出错时进行干预的方式。Adobe 的客户都很熟练。公司不希望他们在每个文件上都做繁琐的工作，但在专业端，用鼠标把结果从 99 调到 100 是可以接受的。正是这个逃生口，让尚未完成的研究得以进入产品。“如果它每次都必须 100% 自动，那我们进入市场的时间就会被推迟。”

他补充了第二个测试，他觉得它比原始准确率更有用。系统应当估计自己在这张图片上的能力，在不确定时收手，或者请求帮助。再往远看，他描述了一个专家集成：一个模型懂房子，一个模型懂树，还有一个调度器负责分配任务。这需要大量工程。务实的路线是先把最常见的工作流做稳，再向外扩展。

Fridman 承认，许多 Photoshop 最好的功能他从没用过。Miller 把问题分成两个部分：帮你完成眼前的任务，以及帮你完成学习这个工具的更长旅程。他喜欢城市的比喻。你不需要每一条街道，只需要那些能带你到工作地点的街道。待得够久，你会成为自己街区的专家，而非整张地图的专家。他开玩笑地提到 Adobe 大学：长期使用产品，专业知识自然会来。

研究院已经把成千上万小时的在线 Photoshop 教程输入到模型中，试图理解这些视频在教什么。一篇 CHI 论文提出了一个更窄的问题：根据你最近的三到四步操作，教程中的其他人接下来做了什么？建议可以出现在上下文中，所以你不必离开应用、自己想关键词、再到处搜寻。从长远来看，同样对设计师行为的理解，是为了驱动一个助手，它可以提出下一步，或者直接展示如果你尝试会发生什么。

他想要的目标是“一边有艺术家在肩上，另一边有老师在肩上”。他说，每一次发布都必须在自身有用的同时，为下一层的期待打下基础。他更愿意把新技能放进助手里，而非在图形界面里增加另一个控件。新的菜单项会给每个新用户增加视觉复杂度。而在助手上增加一项新技能，如果你知道去询问，它就是附加的。高级用户仍然想要密集的界面和键盘快捷键；在他们手中，Photoshop 正如他所说，变成了一件乐器。

当被问到 Adobe 的视觉演示中最喜欢哪一个，Miller 选择了 Sky Replace，因为它是一个复合动作，而非单一指令。系统会选中天空，在库存或本地磁盘中搜索与地平线、光线和透视相匹配的几何形状，并刻意提供几种氛围。它会用蒙版把新天空放在前景之后，然后根据传入的图像重新为前景上色。把正午换成傍晚，物体会染上橙色的光。

大学时，他墙上挂着 Magritte 的《光之帝国》，那幅画里房子处于夜晚，天空却是白天。Adobe 试图不默认做这种事。超现实主义可以是一种选择。一个看起来假的默认值只会制造后期工作。打包好的流程只需大约一秒，而不是一两分钟。因为成本低，你可以试十片天空。你可能要看到之后才知道自己想要什么，然后再回去打磨蒙版。过去，这种先探索再精修的循环只属于有时间和预算的项目。

Concept Canvas 解决的是另一类搜索失败。普通的图像搜索只看标签：你说狗，就得到一张有狗的照片。设计师常常需要人物位于左侧偏中，狗在右下角，天空留白放标题。这个工具让你给区域分配关键词。图库已经为重要概念所在的位置建立了索引，于是匹配就变成了版式问题。虽然它仍是搜索，Miller 说，人们会“莫名地对返回的图像感到负责，仿佛是自己发明了它”。给够控制权，所有权感就会随之而来。

内容感知填充（Content-Aware Fill）这种较老的修补方法，在碎石、草地和砖块上仍然非常出色。它把相似的纹理复制到空洞中，并平滑光线，让补丁不会闪烁。这些材质几乎没有全局结构，所以局部的合理性就够了。但当它必须凭空创造隐藏的结构时，这种方法就会失效。一个人站在房子前面，遮住了四分之一的立面。算法完全不知道房子是什么，所以窗户线对不上，墙面看起来皱巴巴的。

GAN 和其他神经网络，会从训练集中学到常识：房子有窗户，窗户会重复，屋檐是水平的。纹理只是它们所知道的一小部分。问题在于，常识的宽度只和数据一样。在房子上训练，然后给它看一只章鱼，模型依然会尝试补全一座房子。Miller 补充说，生成式填充仍只在低分辨率下稳定。你要么用另一种方法做上采样，要么等研究追上来。他不愿给出时间。

这就是为什么他总是回到护栏这个话题。检测器可以估计算法在这张图片上会表现如何。之后，专家可以就置信度投票，或者调度器可以把房子交给房子专家，把树交给树专家。这涉及大量模型。务实的推出方式，是先覆盖你最常见的工作流，再扩展。

要走到那一步，你需要数据，而 Adobe 掌握着数千万人的工作流。Miller 不会把它当作理所当然的权利。他说，现代的规则是，你必须让用户看到分享数据能给他们带来什么好处。短期内，这可能意味着更好的意图理解和更好的推荐。长期来看，靠这款工具谋生的人可能希望它更快变得更聪明。研究院也在研究即时学习，而不永久保留某人做过什么的记录。

Fridman 给出了一个 Miller 喜欢的比较。主持人说：“我对与社交网络分享数据的顾虑，比对与 Adobe 分享的更多。”因为在 Photoshop 这一边，下一项工作中有明显的回报。Miller 同意，有些地方公司绝不能进入。为一起法律案件准备证据的人，不希望任何一步都回传数据。未来的设计也许会从大多数人那里获取粗粒度的高层行为，只从那些同意更宽松关系的人那里获取细粒度的痕迹，或许是在业余爱好的工作中。

如今，Adobe 仍然大量从面对面的客户研究中学习。训练算法需要更系统的做法，Miller 说，这必须是有意识的。信任是人们珍视 Adobe 的原因之一。激进的数据收集会耗尽这份信任。公司设有首席隐私官，他希望隐私“放在思考 AI 的核心位置，而不是事后才想起”。

Miller 提到 Project Puppetron，因为外界仍然把 Adobe 看作二维公司。输入是一张静态图或一段说话者的视频，加上另一个人的一幅画。输出是说话者的脸上披着那幅画的风格，同时保留嘴型、表情和头部动作。它不是那种滑过画面、一旦人物移动就撕裂的纱窗式滤镜。系统推断出三维结构，把特征绑定到模型上，并让图像跟随头部运动。

纯二维的风格化并不知道哪一块补丁是鼻子。笔触会被涂抹。三维先验知道什么应该保持刚性，什么应该形变。人脸也是最不宽容的主题；一个小误差就会掉进恐怖谷。Miller 认为，三维视觉会先在先验知识丰富的领域成熟，比如可以用参数化模板拟合的人脸，然后再扩展到一般对象。用户可能永远不会被告知正在进行重建。他们只会注意到，编辑之间能够保持一致。

他用同样的方式划分沉浸式媒体。VR 把你带进另一个世界，更像一台超宽的电视，而非工具；他在 1990 年代研究过延迟和晕动症，也解决了其中足够多的问题，但觉得设备太贵，时机也太早。新一波是一体机，分成消费玩具和专业用途，比如建筑，其中建筑本身就是产品，尺度才是重点。AR 则相反：它把数字资产从屏幕上拿下来，放到你的桌上。适应性才是难点。他把它比作一个剧团在英国乡间别墅里演《哈姆雷特》，为发现的每个房间重新编排每一场戏。一段 Nureyev 的录像可能要保留每一个细微之处，也许只需缩放。一只讲公主故事的青蛙则可以随意走动。他认为，游戏行业用于自适应角色的技巧，会渗透到普通的商业 AR 中。

Adobe 的既有用户群足够大，任何改动都会遭遇一句话：“我已经习惯这样了。”Miller 的规则很简单。用控制权换便利，现有用户会反感。在保留控制权的同时增加便利，他们或许会接受。熟悉的隐喻不应被随意打破。Photoshop 从来不是静止的，也从来没有被淘汰。一键选择物体可以作为一种模式或起点，与旧的笔触并存。它不要求任何人重新学习这门手艺。

他说，在新容器里，极简更容易。在手机上，可供性本来就不同。或者你推出第二个工具，针对速度而非精确。Premiere Rush 就是例子：在家里花半小时处理度假录像，而不是在完整版 Premiere 里花四个小时剪一部四集的电视剧。同一个人可以同时拥有两种思维方式。智能默认值也是一种教学。当滑块以你看不见的方式相互作用时，“给我一个起点”的按钮，其实就是一位熟练的人替你把桌子调好了一次。他宁愿提供几个好的默认值，也不愿提供一个侥幸的设置。

他的一首短诗打断了产品话题：“今天我把手机留在家里，去了海边。”沙子很软，水如镜面，“但我依然只是我。”Fridman 问，我们该如何与比当天的自己看起来更好的 AI 版本相处。Miller 语气温和。十八世纪的贵族雇佣著名画家，油画中的他们几乎肯定比早餐时好看。关键在于意图。一个美化的化身大多无害；人们会与你本人见面。伤害来自于拿一个你永远达不到的标准要求自己。他还担心，完美的预视化——与他小时候看到的那些颗粒状的登月画面恰好相反——可能会削弱人们想去的愿望。冥王星在照片传回之前一直无人见过，但它仍然让所有人惊讶。总体来看，更强的想象工具是好的。滥用存在，应当加以劝阻。他补充说，公众需要知道什么是可能的，所以单张图像不再足以作为证据。

Miller 写过，实习生是繁荣研究实验室的秘密，他的意思有三层。人们在职业生涯的某个阶段会与一些想法建立深厚联系，并不断回到它们。如果领域在五年后解决了你的问题，你就出局了。每年一批新人会带来尚未僵化的头脑。工业研究也会投入大量资源，使功能足够稳健，这让员工趋于保守：他们挑选产品团队已经想要的东西。实习生可以花三个月做一件异想天开的事情。一篇论文就是胜利。失手也不会打垮实验室。这些赌注堆积起来，就成为投资组合，接下来一年里，其中一两个想法会被打磨成熟。

实习生也是一条招聘途径，也是通向大学的桥梁。Adobe 许多最强的研究人员就是这样起步的，这种轮换让教授和公司保持在同一个对话中，通常还附带学术捐赠。Miller 说，实验室的长期遗产包括那些离开的人，他们把工业研究的模式带到了别处。这让招聘更加困难。他仍然把它看作水涨船高。

谁来选择工作？Adobe 把自由度推向研究人员和实习生，然后奖励影响力：论文和产品。他不想要的模式，是一个自以为天才的主管，他分配每一项任务，独占功劳，并把责任推给大家。公司优先事项仍然存在，它们会以“X 今年会特别受欢迎”这样的方式向下传递，人们则根据自己本来想做的事去重新解读 X。宽广的产品线会有所帮助。一个好想法通常会找到一个好奇的团队，所以实验室不必在一开始就对项目做过多的限定。偶尔，某个产品团队会为它真正需要的问题再出钱请一名实习生。他说，那是糖霜，蛋糕本身并不靠它。每个夏天都以很高的期望开始。有些项目成为功能，有些成为论文，有些并不新颖却能做成一个好用的按钮，还有些在多年后同一问题被重新尝试时，才显示出大家对它所知有多么少。

展望 2019 年之后，Miller 提出了三个赌注。最热门的是一个创意或分析助手，它会不断猜测你想做什么，并主动提供帮助。他不会预测它何时成熟，所以他想观察它。第二个是 GAN 在高分辨率下变得适用于主流工作。他甚至喜欢它的失败：它们出错的方式，看起来像在做梦。第三是基础设施。Sensei 正在把神经网络拉进一个平台、一个界面，相当于以前与单一产品团队的定制合作，现在变成了一条福特式的流水线。一个应用里的好想法，可以被其他应用调用，从原型到产品的时间会缩短。再加上实时光线追踪、实时阴影和反射，以及根据推断出的意图调整画面的 AI，他说，这基本上就是在“与光共舞”。

蛇形机器人最初是一个图形学问题。1980 年代，他在模拟会弹跳然后消失的布料和软体。他想知道，如果像肌肉一样去动画化弹簧的静止长度，会发生什么。最简单的生物是蚯蚓，这引出了 1988 年的论文；在从 Alias 转到苹果之后，又拍了一部短片《女王陛下的秘密之蛇》。用金属制造让他对摩擦变得诚实。第一台机器只能侧向蠕动。后来的机器加上了轮子，然后是协调的步态。S3 能侧行（sidewinding），也能前进；他的婚礼上，它把戒指送过过道，还上了当地报纸。早期的大脑是离散逻辑，之后是带 256 字节内存的八位芯片，它们是遥控而非自主的。一个廉价的发条玩具教会了他关于齿隙的知识，也让这位计算机科学家谦卑下来。S5 是他最喜爱的一台，形状像真正的蛇一样逐渐变细，每一节都不一样，这也是大多数机器人学家拒绝这样做的原因。S9 运行在树莓派（Raspberry Pi）上，还能接入视觉加速器，因此板载神经网络和物体识别终于成为可能。孩子们觉得这些机器很可爱。大人则觉得它们瘆人。它们的成本仍然超过回报，这就是它们依然只是一种爱好的原因。

“做研究就是好奇心的许可证，”他说，这项爱好也是同样的许可证。它把他带进了生理学，也带进了响尾蛇在沙地上留下的痕迹中，去看他的机器是否留下同样的痕迹。他并不追求人类水平的智能。图灵测试，他认为，是一个高到自相矛盾的标准。他想要的是一个界限清楚、你能理解的伙伴，更接近一条狗，而非一个能谈论任何事情的陌生人。一个能解释自己为何知道某件事的推理系统，既会让人觉得更有感知，也会更容易调试。机器人是他对 AI 下一步应该发明什么的灵感来源。Adobe 在物理世界里还只是“我心里的一个念头”。他认为，虚拟物体会先通过 AR 到来，而当智能机器人普及时，它们也不会让任何人惊讶。人们早已在屏幕上与那些人格相处过。他开玩笑说，那时的反应会是：长了腿的 Siri，或者长了蹄子的 Alexa。

Fridman 以 Miller 一首关于必朽与某种不朽的诗的最后几行作结：人们的想法活在别人的作品中。“不要哭泣，也不要哀悼。已经足够了。”在选区工具、天空替换、会说话的公寓和车库里的蛇之间，方法始终是一样的。决定一个东西应该如何表现，让它动起来，然后让动作看起来有生命。技术的组合会变，但这个顺序不会变。