当下，风景园林或景观设计行业不能只在自己的小圈子讨论设计好或不好，而是应该跨出舒适区，与不同的行业交流切磋。笔者一直对AI充满关注。认为未来是AI的时代，我们人类应该要未雨绸缪，更好地驾驭AI，或与AI并肩战斗。

　　从围棋AlphaGo、AlphaGo Master到AlphaGo Zero的演变和进化，我们看到了什么?

　　今年伦敦当地时间10月18日18:00(北京时间19日01:00)，谷歌旗下的DeepMind团队公布了进化后的最强版AlphaGo ，代号AlphaGo Zero。

　　新版本的AlphaGo究竟有多厉害?打败李世石的AlphaGo用了3000万盘比赛作为训练数据，AlphaGo Zero用了490万盘比赛数据。经过3天的训练，AlphaGo Zero就以100:0的比分完胜对阵李世石的那版AlphaGo。与学习大量人类棋谱起步的前代AlphaGo不同，AlphaGo Zero是从"婴儿般的白纸"开始，通过3天数百万盘自我对弈，走完了人类千年的围棋历史，并探索出了不少横空出世的招法。自我对弈40天后，AlphaGo Zero变得更为强大，超过了此前击败当今第一人柯洁的"大师"版AlphaGo。通过数百万次自我对弈，AlphaGo从零开始掌握了围棋，在短短几天内就积累起了人类几千年才有的知识。AlphaGo Zero也发现了新的知识，发展出打破常规的策略和新招，却又更胜一筹。

　　该团队的负责人哈萨比斯等人撰文《AlphaGo Zero从零开始》提到:人工智能研究的一个长期目标就是创造能在最有挑战性的领域，不用人类输入就达到超人水平的算法。AlphaGo Zero之所以能当自己的老师，是用了一种叫强化学习的新模式。系统从一个对围棋一无所知的神经网络开始，将该神经网络和一个强力搜索算法结合，自我对弈。在对弈过程中，神经网络不断调整、升级，预测每一步落子和最终的胜利者。升级后的神经网络与搜索网络结合成一个更强的新版本AlphaGo Zero，如此往复循环。每过一轮，系统的表现就提高了一点点，自我对弈的质量也提高了一点点。神经网络越来越准确，AlphaGo Zero的版本也越来越强。

　　那么从阿法狗的进化，我们发现AI强大的学习能力。所以，人类开始担忧:AI会不会取代人类?或者说:在这个时代，做什么工作最有可能被机器人淘汰?干什么最不容易被淘汰?

　　上周BBC分析了365个职业，我们意外地看到如摄影师之类的艺术家职业也正在被AI所取代，那么就是说:AI也已经能拍出美美的照片了?

　　上周，《纽约客》杂志的一张最新封面毫无征兆地在朋友圈里刷了屏。封面上，人类坐地行乞，机器人则扮演了施予者的角色，意指明显--在未来社会，人类的工作机会被不断进化的机器人剥夺，从而沦为了流落街头的弱者。

　　BBC 基于剑桥大学研究者 MichaelOsborne 和 Carl Frey 的数据体系分析了 365 中职业在未来的"被淘汰概率"。

　　虽说他们分析的仅仅是这些职业在英国的前景，所基于的也不过是英国本土的数据。但从这些概率中，我们可以得出两个基本的结论:

　　如果你的工作包含以下三类技能要求，那么，你被机器人取代的可能性非常小:

　　社交能力、协商能力、以及人情练达的艺术;

　　同情心，以及对他人真心实意的扶助和关切;

　　创意和审美。

　　如果你的工作符合以下特征，那么，你被机器人取代的可能性非常大:

　　无需天赋，经由训练即可掌握的技能;

　　大量的重复性劳动，每天上班无需过脑，但手熟尔;

　　工作空间狭小，坐在格子间里，不闻天下事。

　　以下则是部分具体职业的前景展望，我们重点关注了摄影师这个职业!但是，我们往下看到了建筑师。

　　电话推销员

　　被取代概率99.0%

　　打字员

　　被取代概率98.5%

　　会计

　　被取代概率97.6%

　　保险业务员

　　被取代概率97.0%

　　银行职员

　　被取代概率:96.8%

　　政府职员

　　被取代概率:96.8%

　　接线员

　　被取代概率:96.5%

　　前台

　　被取代概率:95.6%

　　机器人前台这两年已经多次登上了新闻标题，话题度最高的是由日本软银公司开发的 Pepper。目前，日本以及欧美多国都已经有医院、银行、电器店之类的机构购买了 Pepper，作为前台接待人员使用。

　　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%

　　房地产经纪人

　　被取代概率:86%

　　工人，以及瓦匠、园丁、清洁工、司机、木匠、水管工等第一、第二产业工作

　　被取代概率:80%-60%

　　厨师

　　被取代概率:73.4%

　　IT工程师

　　被取代概率:58.3%

　　图书管理员

　　被取代概率:51.9%

　　摄影师

　　被取代概率:50.3%

　　令人惊讶的是，摄影师这样一份依赖主观审美的工作竟然也被判定为有超过 50% 的可能被机器人取代。

　　而谷歌也的确开发出了一种试验性的深度学习系统，这个系统会模仿专业摄影师来展开工作，从谷歌街景中浏览景观图，分析出最佳的构图，然后进行各种后期处理，从而创造出一幅赏心悦目的图像。

　　下面是该 AI 系统基于 Google 街景创作出来的一些作品:

　　演员、艺人

　　被取代概率:37.4%

　　在所有常见的艺术创作工种中，"演员"被判定为最容易被机器自动化取代的行业，概率高达 37.4%。

　　但怎么说呢，撇开科幻小说中用虚拟形象取代真人演员的情节不谈，单单是当下以假乱真的"抠图剧"就让我们对这个行业被取代的前景充满了信心。

　　化妆师

　　被取代概率:36.9%

　　写手、翻译

　　被取代概率:32.7%

　　理发师

　　被取代概率:32.7%

　　运动员

　　被取代概率:28.3%

　　警察

　　被取代概率:22.4%

　　程序员

　　被取代概率:8.5%

　　记者

　　被取代概率:8.4%

　　保姆

　　被取代概率:8.0%

　　健身教练

　　被取代概率:7.5%

　　艺术家、音乐家、科学家

　　被取代概率分别为:3.8%、4.5%、6.2%

　　无论技术如何进步，人工智能如何完善，对人类而言，创造力、思考能力和审美能力都是无法被模仿、被替代的最后堡垒。

　　律师、法官

　　被取代概率:3.5%

　　牙医、理疗师

　　被取代概率:2.1%

　　建筑师

　　被取代概率:1.8%

　　近年，已经有各种各样的所谓"人工智能建筑师"被开发出来，但这些系统能完成的工作仅仅是画图纸而已。

　　公关人员

　　被取代概率:1.4%

　　心理医生

　　被取代概率:0.7%

　　教师

　　被取代概率:0.4%

　　酒店管理者

　　被取代概率:0.4%

　　从中我们可以看出:在专家的评估中，图像审美与其他艺术不同，是可以被量化、数据化的。

　　那么，问题来了。以建筑师为代表的设计师被取代指数为1.8%，名列该榜倒数第五位。其点评是因为:"以建筑师为代表的设计师真正赖以立足的创意、审美、空间感、建筑理念和抽象的判断都是机器难以模仿的。"

　　套用一句同济建筑城规学院领导的话来说:未来所有的人都是设计师，而所有的公司都是设计公司。

　　那么，再深究下去，景观设计师是否比建筑师更不容易被AI所取代?

　　我觉得答案是显而易见的，景观设计师几乎很难被取代。有以下三个原因:

　　1. 对风景园林的审美存在主观性。首先有东西方的差异，其次即使都是中国人，人与人也对园林景观有着不同的看法，差异也很大。这一点建筑行业的标准相对统一，审美比较一致。

　　2. 如果说图像审美可以通过大数据进行量化，但是风景园林的审美则难于被量化。我们很难说苏州园林指数34567，而日本园林的指数是76543，彼得沃克作品指数是86532，巴拉甘作品指数是97651....等等。依据不足，数据也不够大，如何被量化?

　　3.无法用大数据来量化并优化学习的根本原因是，风景园林或景观设计的标准和规律并不明确。哪些人或设计项目可以成为标准?这些标准的判断是一致的吗?还是各有矛盾?所以说，我们不要为难AI了，他都无从下手，学都不知道如何学，他如何战胜人类?这实在是AI厚黑学的经典案例。

　　当然，风景园林学科中很多已经标准化的内容会更容易被大数据穷举法运算出来，这实在都不需要AI出手。

　　最后，我们还是希望说透一个问题:审美是否可以被量化?而如何被量化?

　　要回答这个问题，还是回头问:"美到底是什么?"

　　应该说，美是一种引起人的愉悦感的物质属性。"认为一个事物美"，可以被看成一个行为或是大脑的一个认知活动。无论你是谁、对象是什么、在什么时候，这个活动都是有一定的共通性的。

　　而从神经科学角度来定义美的这类研究，叫"神经美学(Neuroaesthetics)"。这是一个相对较新的美学分支，最开始是由伦敦大学学院的神经美学教授Semir Zeki(泽米儿·泽基)提出的，他本身也是一个很有名的视觉神经科学家。Zeki在神经美学上最大的一个贡献是发现负责评价"一个视觉作品美不美"的大脑区域--覆盖于眼眶之上的大脑皮层，眼窝前额皮层(或叫眶额皮层，orbitofrontal cortex)。

　　有趣的是，核磁共振实验发现，人对作品的美丑评价，和这个区域的活动强度有关:活动强，便认为一个作品很美;活动弱，便是丑的。从这个维度来说，"美"是可以量化的。

　　那么，我们认为美所带来的"体验"，景观设计或建筑设计等一系列设计最终都是可以通过大数据量化的。而大数据量化的一个标准可能是"体验设计"的多个标准化体验点的打分机制。