基于生成式人工智能技術AIGC的工業色彩設計方法

摘 要：近些年設計發展受到AI大模型的猛烈沖擊許多人產生了設計該何去何從的問題。本文旨在探討在AIGC技術下的產品色彩設計新方法。在第一部分通過對于AIGC的技術概述分析色彩在其中的應用方式與基本原理。第二部分以工業4.0為背景分析色彩設計在時代下的創新設計方法以及案例，而后第三部分提出了一種基于AIGC賦能的工業色彩設計。為大模型背景下的色彩設計展開綜合分析。

關鍵詞：AIGC；產品設計；色彩實驗；數智平臺

Abstract： In recent years， the development of design has been strongly impacted by AI large models and many people have raised the question of where design should go from here. This paper aims to discuss a new method of product color design based on AIGC technology. In the first part， through the technical overview of AIGC， the application mode and basic principle of color are analyzed. The second part analyzes the innovative design methods and cases of color design in the era under the background of Industry 4.0， and then the third part puts forward an industrial color design based on AIGC empowerment. To conduct a comprehensive analysis of color design under the background of large models.

Keywords： AIGC；product design；color experiment；digital intelligence platform

1 以AIGC實現產品色彩設計的技術概述

1.1 AIGC技術的定義與發展

人工智能（AI）作為一種能夠模擬和擴展人類智能的技術，從早期的基于規則的系統到今天的深度學習網絡，AI技術的發展使得許多以前需要人工處理的復雜任務現在可以自動化完成。現有的人工智能模型已涵蓋各個方面，包括但不限于文生圖、圖生圖、圖生文、文生視頻等形式[1]，在各個領域具有強大的革命性，常用的平臺例如Midjourney、Stable Diffusion等在設計圈用戶之間也急速發展，從來沒有任何一種設計形式經歷過如此快速的傳播。AIGC（Artificial Intelligence Generated Color Combinations，人工智能生成的顏色組合）指的是利用人工智能技術生成和優化顏色組合，以滿足不同應用場景中的美學和功能需求。該技術結合了色彩理論和機器學習算法，通過分析大量的色彩數據和用戶偏好，自動生成符合設計要求的色彩組合。AIGC技術的發展伴隨著人工智能和大數據技術的進步，近年來在工業設計領域的應用逐漸增多。

1.2 AIGC技術的基本原理

1.2.1 數據收集與預處理

數據是AIGC技術的基礎。設計師為了探求生成一種高質量的色彩組合，往往需要收集大量的色彩數據[2]，包括色彩組合的歷史記錄、用戶偏好的數據、市場趨勢的數據等等。在數據收集過程中，最值得注意的是數據多樣性與代表性，以確保模型的訓練能夠覆蓋廣泛的應用場景。但收集到的數據通常是雜亂無章的，需要進行清洗和規范化處理。例如，去除重復數據、處理缺失值、將色彩數據轉換為模型能夠理解的格式等。

1.2.2 模型訓練

這一步通常是在數據預處理完成后，經深度學習算法，如卷積神經網絡（CNN）和生成對抗網絡（GAN）的轉化后[3]，產出圖像和色彩數據的處理。CNN可以提取色彩組合中的特征，并通過層級結構逐步學習色彩的空間關系。而GAN則可以生成新的色彩組合，通過生成器和判別器的對抗訓練，使生成的色彩組合更加真實和多樣。模型訓練需要大量的計算資源和時間。在訓練過程中，模型會不斷調整參數，以最小化損失函數，使得生成的色彩組合與真實數據之間的差距越來越小。當前也有很多個人設計師通過個人訓練后將模型上傳至開放平臺供使用者一起測評與使用，極大促進了模型的再訓練程度。同時，通過交叉驗證和測試集評估，可以不斷優化模型的性能，防止過擬合和欠擬合。

1.3 AIGC技術在色彩設計中的應用

AIGC在工業色彩設計中的運用通常包括自動生成色彩方案、個性化色彩推薦與色彩趨勢預測與分析三個方面。這種技術是基于大模型對人類世物件物體的認知基礎上經過數據清洗、歸一化和特征提取等預處理步驟，以確保數據的質量和一致性后生成物件色彩預設。這種自動化的色彩生成不僅節省了設計師的時間和精力，還能提供更多具有創意和靈感的設計方向。設計師可以從生成的色彩方案中選擇最符合設計需求的方案，或根據生成的方案進行調整和優化。例如在最近熱度很高的汽車原型設計中，不同車型、不同市場的消費者對顏色有不同的偏好。通過AIGC技術，可快速生成多個汽車漆面及內飾色彩搭配方案，并根據市場調研結果進行選擇和調整，從而推出更符合市場與用戶需求的車型顏色。而個性化色彩定制也早已在工業設計中投入使用中去，Nike By You通過機器學習的手段使得想象多年的大眾私人定制化的球鞋成為可能，不僅提高了用戶體驗，還為企業帶來了更多的商業機會。通過精準的色彩推薦，企業可以更好地滿足用戶需求，提升品牌忠誠度。通過大數據CNN，卷積層自動提取市場數據、社交媒體數據中圖片的色彩紋理與特征后進行趨勢預測與分析，幫助設計師制定更符合市場需求的色彩方案[4]。

2 AIGC時代下產品色彩創新設計方法

2.1 產品色彩設計的基本理論

2.1.1 色彩理論及其在產品設計中的應用

色彩理論的界定與研究還在設計發展之前，中國封建時期對于色彩的分級有過明確規定，如皇室用具皆為黃色為尊，民間用品皆為青灰色等。在西方古代則有亞里士多德研究光和顏色的性質，雖然他的理論后來被證明是錯誤的，但他對光作為色彩源的想法為后來的理論奠定了基礎。后至架上繪畫階段的各個時代藝術家例如達·芬奇和阿爾伯蒂開始系統地研究色彩，并將其應用于他們的作品中，探索如何通過色彩達到更真實的視覺效果。真正改變人們對色彩認知的是艾薩克·牛頓進行的關于光和色彩的科學實驗，實驗中發現了光譜，并展示了白光是由多種顏色組成的；而后，歌德的《色彩論》強調色彩是主觀感受和心理效果的產物；門捷列夫等人通過研究提出色彩對人心理和情緒的影響，為色彩心理學和色彩療法奠定了基礎。早期的工業設計師更多則由藝術家擔任，工業色彩設計也依從藝術發展而進步，在20世紀初工業革命時期開始獨立出來，由工業革命時期的以金屬色、黑白色為主到功能主義時期包豪斯與現代主義設計哲學的興起，色彩開始被視為一種可以提高產品功能性的元素，如雷·和查爾斯·埃姆斯采用鮮明的色彩來區分產品的不同部分，使產品使用更為直觀。而后的消費主義更具表現性與高技派流行時期重回產品設計的無色傾向。隨著數字化和全球化的影響，色彩的使用變得更加多樣化和國際化。色彩設計隨著時代的發展演進，再也不單單是藝術或設計學科獨有，而是多學科交叉研究，也反向要求設計師對于多學科的了解。

2.1.2 色彩心理學及其對消費者行為的影響

色彩心理學簡要來說是不同顏色能夠激發特定的情緒反應。色彩心理學是一個不斷發展的領域，它探討顏色如何影響人的情緒和行為。美國流行色彩研究中心的一項調查表明，人們在挑選商品的時候存在一個“7秒鐘定律”，即面對琳瑯滿目的商品，人們只需7秒就能確定對這些商品是否感興趣[5]。談及色彩心理學不得不提到關于營銷學的相關知識，一項關于營銷學的研究表明，在觀察產品的2分鐘內，產品色彩的選擇在用戶對于產品購買的決定中占據了超過60%的比重。遠遠超過了其他產品信息例如形狀、結構、材質等要素。一個好的產品色彩設計能夠對購買者進行無意識地情緒激發后，基于其色彩設計及基本說明對于產品產生品牌認知，加強品牌形象，提高品牌隱藏價值，影響消費者的購買決策。色彩心理學在產品設計和市場營銷中的應用是一個復雜而深入的領域，設計師和營銷人員必須理解和運用色彩來最大化產品的吸引力和市場表現。通過細致的研究和測試，企業可以更有效地利用色彩來影響消費者情緒和行為，從而增加產品的成功率。

2.2 當代人工智能大模型技術介入的色彩處理方式

2.2.1 深度學習與神經網絡在色彩處理中的應用

在人工智能技術的發展中，深度學習和神經網絡通過模擬人類大腦的結構和功能，處理復雜的圖像數據，實現自動化和高效的色彩處理。圖像自動上色是深度學習在色彩處理中的一個典型應用。目前大模型共有三種方式對圖像實行色彩處理，包括圖像色彩基礎生成的CNN模式、更復雜處理色彩關系的殘差網絡以及ResNet提高生成圖像的細節度與物質世界的適配度。除卻對圖像的上色外人工智能還能在色彩遷移和風格遷移中發揮作用，此功能是為提升圖像處理的智能化和藝術性，由生成器（Generator）和判別器（Discriminator）組成，生成器生成圖像，判別器評估生成圖像的真實性，通過對抗訓練，生成器不斷改進生成圖像的質量，最終能夠生成逼真的彩色圖像。CycleGAN通過無監督學習在風格遷移中表現尤為出色，即將一種圖像的色彩風格遷移到另一種圖像上，例如，將一幅修拉的點彩風景畫的風格應用到冬季風景攝影中，使得圖像呈現出獨特的藝術效果。深度學習在圖像增強與修復方面也具有廣泛的應用，通過對圖像進行處理，改善其質量，使之更加清晰和美觀。在此方面一些研究類的高校在文物保護相關研究中早已投入使用。如若不想進行色彩模型訓練則可通過自監督學習通過利用數據本身的內在結構進行訓練，而不需要大量的標注數據。在色彩處理方面，自監督學習可以通過分析大量無標注的圖像數據， 自動學習色彩規律，從而進行更加智能的色彩修復和增強。

3 以AIGC賦能創新產品色彩設計

3.1 AIGC賦能下的創新設計發展方向

當代工業設計發展經過工業1.0的機械制造和大規模生產的發展到工業2.0階段，受包豪斯設計風格的影響，工業產品開始強調功能性與美學的結合，到工業3.0時代計算機輔助設計的興起，以計算機為代表的電子信息技術快速發展實現工業生產的自動化信息化。當前正在面臨以人工智能帶來革命的工業4.0[6]。但在發展過程中設計的推動力都是基于設計對于當前問題發現后經過科學技術的研究進步而發展，并不是由于設計的內趨式發展，且經過多輪發展設計的起點越來越低，近兩年OpenAI的大模型開放使得有更多的人參與設計中去，設計不再是少數專業人士的權利。單純的產品外觀設計，可能人并不能比得過大數據計算下生成的產品形態合理，我們可以通過去向大模型軟件描述幾個關鍵詞例如Designed by Philippe Starck+metal shell+Clear Case，去描述一個按菲利普·斯塔克風格設計的一件擁有金屬外殼的產品。對于產品的色彩設計這另一重要因素來說，我們簡單的色彩搭配和基于過往通用色彩設計發展中的色彩都能利用人工智能在充分墊圖學習后予以生成，但全新的色彩形式及強烈個人風格的方式依然得依靠人類來嘗試創作，去提供模型訓練新信息。

3.2 AIGC發展下的多學科融合協同趨勢

AIGC可以理解為我們在創造中的一個萬能百科全書，我們所需要的任何學科內容皆可向語言對話類大模型提問，它會基于已有的學科認知給予綜合回答，這一點使得我們即使只是在某一個領域深耕也可以在短時間內了解其他任何學科的知識并運用到自身學科建設中去。例如可以通過借助AIGC獲取藝術理論、心理學、文化背景和市場趨勢等多方面的信息，了解不同文化背景下的色彩象征意義，從而在國際化產品設計中使用適合的色彩方案；抑或是結合心理學知識，設計出能夠激發特定情感和行為的色彩搭配，提高產品的用戶體驗和市場吸引力。除此之外我們也會發展近些年來我國南北方設計高校都爭相創立跨學科協同的專業方向，就像是在為每個專業方向做一個不同的排列組合。潘云鶴院士曾提出過創新設計的五大構成模型，包括技術創新、藝術創新、文化創新、人本創新和商業創新，相互融合推動創新設計的形成。未來AIGC與色彩設計的結合只會更加深入。隨著AI技術的不斷進步和多學科融合的進一步發展，設計師將能夠更加精確和創意地運用色彩，打造出既具美學價值又符合市場需求的產品。通過AIGC的賦能，色彩設計不僅僅是一種美學表達，更成為了一種融合技術、文化和商業智慧的創新實踐。

3.3 AIGC下的數智化平臺搭建

隨著人工智能生成內容創作技術的快速發展，數智化平臺的搭建成為實現多學科融合與創新設計的關鍵。數智化平臺通過整合大數據、人工智能和云計算等先進技術，提供一個高效、智能和協同的設計與創作環境。

3.3.1 數據集成與管理

數智化平臺的核心是關于數據的集成與管理。AIGC（AI Generated Content，人工智能生成內容）大模型通過整合來自不同來源的數據內容，對數據進行訓練與分析，輔助設計師進行智能創作和設計決策。通常平臺需要集成多種數據源，包括用戶行為數據、市場調研數據、設計素材庫和行業知識庫等。在實際案例中，現有電商平臺大都可以整合用戶瀏覽和購買數據，為AIGC提供用戶偏好和市場趨勢的實時分析。為保證數據質量，通常運用數據清洗與預處理實現高質量的數據。

3.3.2 云計算與實時色彩處理

云計算和邊緣計算技術為色彩設計提供了強大的計算能力和實時處理能力。設計師可以在云計算平臺內訪問海量色彩數據和強大的計算資源，使得大模型支持復雜色彩模型的訓練和實時色彩生成。當使用分布式計算框架時，設計師則可以并行處理大量色彩數據，提升色彩分析和生成效率。而實時色彩處理則可以通過邊緣計算技術使得色彩處理更加實時與高效，特別是在需要快速響應的應用場景，如虛擬試衣和在線設計工具中，邊緣計算可以實時調整服裝的色彩和款式，提供即時的試穿效果，提高用戶體驗。

4 結語

在近兩年的科研發展中，通過深度學習和生成對抗網絡（GAN）技術，AIGC展現了其在色彩設計中非凡潛力，極大提升了設計效率，更利于設計師進行色彩方案優化并實現個性化定制。未來，隨著深度學習算法和計算資源的進一步發展，AIGC將在處理復雜色彩設計任務上取得更大突破。云計算和邊緣計算技術的普及將實現實時色彩處理和即時反饋，增強設計師的創作效率和靈活性。多學科協同將進一步深化，色彩設計將融合更多文化發展、心理學基礎和商業分析的知識，推動創新設計發展。

5 參考文獻

[1]趙亮.ChatGPT及其對圖書館行業的影響[J/OL].競爭情報，2023， 19（03）：43-44.DOI：10.19442/j.cnki.ci.2023.03.010.

[2]肖雨璇.基于語義引導的循環一致對抗圖像自動著色[D/OL].南昌：江西師范大學，2020.DOI：10.27178/d.cnki.gjxsu.2020.000757.

[3]曹仰杰，賈麗麗，陳永霞，等.生成式對抗網絡及其計算機視覺應用研究綜述[J].中國圖象圖形學報，2018，23（10）：1433-1449.

[4]盧璐.基于消費者感知的產品色彩設計與評價方法研究[D].西安：西安理工大學，2014.

[5]張艷.基于情感化設計的網絡富媒體廣告設計研究[D].上海：上海交通大學，2009.

[6]張群嶺.淺談制造業從制造到智造[J].中國信息化，2019（10）：95-96.