AI是如何“看懂”这个世界的？

走进一家 科技 展馆，AI导览机器人向你行“注目礼”；肚子饿了走进无人超市，AI售货员亲切地提醒你是否需要购物袋；不想开车了，叫一辆无人车，让“老司机”载你出行……AI正在为我们打开一个新“视”界，然而疑惑的是，AI的“眼睛”在哪儿？它是如何一步步“看懂”这个世界的呢？

对于人类而言，“看”几乎是与生俱来的能力——出生几个月的婴儿看到父母的脸会露出笑容，暗淡的灯光下我们仍能认出几十米之外的朋友。眼睛赋予我们仅凭极少的细节就能认出彼此的能力，然而这项对于人类来说“轻而易举”的能力，对计算机来说确实举步维艰。

因为对于人类来说，“看见”的过程，往往只在零点几秒内发生，而且几乎是完全下意识的行为，也很少会出差错（比如当我们人类看到一只猫和一只狗时，尽管它们的体型很类似，但我们还是马上能够区分它们分别是猫和狗），而对计算机而言，图像仅仅是一串数据。

近几年AI技术的迅猛发展，使得“计算机视觉”成为最热的人工智能子领域之一。而计算机视觉的目标是：复制人类视觉的强大能力。

我们的大脑中有非常多的视网膜神经细胞，有超过40亿以上的神经元会处理我们的视觉信息，视觉占据着人对外界70%的感知能力，所以“看”是我们理解这个世界最重要的部分。

人类的大脑能完美地处理好这一系列的视觉信息，以此帮助我们理解世界、做出判断。当你看见一张狗的，你能轻松地知道这只狗的毛发、品种，甚至能大概知道它的身高体重。无论这张是否模糊、有噪点，或者条纹，但是AI就会“犯傻”了。

为什么会这样呢？

因为重塑人类的视觉并不只单单是一个困难的课题，而是一系列、环环相扣的过程。

研究认为，人看的是相对高层的语义信息，比如目标的形状等；计算机看的则是相对底层的细节信息，比如纹理。也就是说，一只“披着羊皮的狼”，人类与AI的意见并不相同。

AI的神经网络架构就是根据人的视觉系统开发的。德国图宾根大学科学家团队做了一组这样的实验：他们用特殊的方法对像素进行“干扰处理”，让像素降低，再用这个图像训练神经网络，在后续识别这些被“人为扭曲干扰”的图像时，系统的表现比人好，但是如果图像扭曲的方式稍有不同（在人眼看起来扭曲方式并无不同），算法就完全无能为力了。

到底是发生了什么变化？即便是加入极其少量的噪点，为何还是会发生如此大的变化？

答案就是纹理。当在图像中加入噪点，图中对象的形状不会受到影响，但是局部的架构会快速扭曲。

多伦多约克大学计算机视觉科学家JohnTsotsos指出，“线段组按相同的方式排列，这就是纹理”。

这也说明，人类与机器的“看”有明显区别。当然，随着技术的发展，算法会越来越精准，AI正在向人类视觉逐步靠近。

1算法模型是AI的“大脑”

如果说人类通过“智慧的大脑”来认识世界，那么算法模型就是AI的“大脑”。

AI目标是创造设计出具有高级智能的机器，其中的算法和技术部分借鉴了当下对人脑的研究成果。很多当下流行的AI系统使用的人工神经网络，就是模拟人脑的神经网络，建立简单模型，按照不同的连接方式组成的网络。

机器正是通过复杂的算法和数据来构建模型，从而获得感知和判断的能力。

这些网络跟人脑一样可以进行学习，比如学习模式识别、翻译语言、学习简单的逻辑推理，甚至创建图像或者形成新设计。

其中，模式识别是一项特别重要的功能。因为人类的“识别”依赖于自身以往的经验和知识，一旦面对数以万计的陌生面孔，就很难进行识别了。而AI的“杀手锏”就是处理海量数据，这些神经网络具有数百万单位和数十亿的连接。

2AI如何高度“复制”人的眼睛？

神经网络是图像处理的“得力助手”。作为计算机视觉核心问题之一的图像分类，即给输入图像分配标签的任务，这个过程往往与机器学习和深度学习不可分割。简单来说，神经网络是最早出现，也是最简单的一种深度学习模型。

深度学习的许多研究成果，都离不开对大脑认知原理的研究，尤其是视觉原理的研究。诺贝尔医学奖获得者DavidHubel和TorstenWiesel发现人类视觉皮层结构是分级的。

比如，人在看一只气球时，大脑的运作过程是：“气球”进入视线（信号摄入）——大脑皮层某些细胞发现“气球”的边缘和方向（初步处理）——判定“气球”是圆形（抽象）——确定该物体是“气球”（进一步抽象）。

那么，可不可以利用人类大脑的这个特点，构建一个类似的多层神经网络，低层的识别图像的初级特征，若干底层特征组成更上一层特征，最终通过多个层级的组合，最终在顶层做出分类呢？

答案当然是肯定的。这也就是深度学习系统中最重要的一个算法——卷积神经网络（CNN）的灵感来源。

CNN具有输入层、输出层和各种隐藏层。其中一些层是卷积的，它将结果经过分析，再传递给连续的层。这过程模拟了人类视觉皮层中的一些动作。

由于这种特点，CNN十分擅长处理图像。同样，视频是图像的叠加，因此同样擅长处理视频内容。生活中比较常见的自动驾驶、人脸识别、美图秀秀以及视频加工等都用到了CNN。

经典的图像分类算法就是基于强大的CNN设计的。例如，一只猫的图像，对计算机来说，只是一串数据，这时候，神经网络第一层会通过特征来检测出动物的轮廓，第二层将这些轮廓组合再次检测形成一些简单形状，例如动物的耳朵、眼睛等，第三层检测这些简单形状所构成的动物身体部位，如腿、头等，最后一层检测这些部位的组合，从而形成一只完整的猫。

由此可见，每一层神经网络都会对图像进行特征检测、分析、判断，再将结果传递给下一层神经网络。实际上，比这个案例中使用神经网络的层次深度更复杂的情况，在生活中更多。

为了更好地训练AI，就需要大量的被标记的图像数据。神经网络会学习将每个图像与标签对应、联系起来，还可以将之前未见过的图像与标签进行配对。

这样，AI系统就能够梳理各种图像、识别图像中的元素，不再需要人工标记输入，让神经网络自我学习。

对于AI系统而言，处理好视觉感知如同眼睛对于人类而言是一样重要的。也正是因为视觉感知对AI的重要性，计算机视觉（CV）成为了一门研究如何使机器“看”的科学。

但是很多人容易将计算机视觉与机器视觉（MV）混淆，尽管他们有共同点，但仍有差异。

相较于机器视觉侧重于量的分析，计算机视觉主要是对质的分析，比如分类识别，这是一个苹果那是一条狗；或者做身份确认，比如人脸识别，车牌识别；或者做行为分析，比如人员入侵，徘徊，人群聚集等。

计算机视觉并不仅仅停留在浅层的感知层面，大量高级智能与视觉密不可分。如果计算机能真正理解图像中的场景，真正的智能也将不再遥远。可以说，计算机视觉本身蕴含更深远的通用智能的问题。

随着技术的不断成熟，计算机视觉的应用场景愈加广泛，从消费者到企业，计算机视觉技术在各大领域都有着一席之地。如面向消费者市场的AR/VR、机器人、无人驾驶、自动驾驶 汽车 等，面向企业市场的医疗图像分析、视频监控、房地产开发优化、广告插入等。

在这些已经落地的应用案例中，无法忽视的问题是很多项目都处于小范围的试用阶段。相关理论的不完善使得这些先行者与创新者遇到不少挑战。如缺少可用于AI模型训练的大规模数据集，以及动态图像识别、实时视频分析等技术瓶颈有待突破。

目前AI对图像的处理不仅限于进行图像分类，常见的还有AI对老旧、破损图像的修复。我们在观看一些经典的、年代久远的老时，往往对其“高糊画质”难以接受。

用传统的方式对这些低画质的进行修复，速度慢就不提，而如果遇到图像缺失部分很大的情况，传统方法也无力回天。

但是AI的效率就高了，能够通过机器学习和模型训练来填充细节，提高画质，再利用神经网络上色，最后进行转录和人脸识别，半天就完成了。对于原图像缺失的部分，AI还能“开动大脑”，发挥自己的“想象力”，对缺失部分进行补充。

AI为何能拥有这么高的“想象力”？其根本原因在于其学习能力。基于生成对抗网络（GAN）的深度学习算法，证明了计算机视觉任务在图像恢复方面具有巨大的潜力。

GAN是基于CNN的一种模型，其特点在于它的训练处于一种对抗博弈的状态中。

我们常用“球员与裁判”的比喻来解释GAN的基本原理。

在足球运动中，某些球员经常“假摔”来迷惑裁判，使得自己的进攻或者防守动作是合规的，而裁判，负责找出这些“假摔”的球员的犯规动作，做出相应惩罚。

在球员与裁判的不断对抗中，球员“假摔”的水平越来越高，裁判识别“假摔”的水平也越来越高。

终于有一天，球员“假摔”的水平已经“炉火纯青”，成功的骗过了裁判，裁判已经无法识别出该球员是“假摔”还是“真摔”，这说明该球员的水平已经实现了以假乱真。就是通过这样不断地尝试和识别，球员欺骗过了裁判，目的达到。这就是GAN的基本原理。

GAN的主要结构包括一个生成器（G）和一个判别器（D），上面的例子中，球员=生成器，裁判=判别器。生成器可以是任意可以输出的模型。同理，判别器与生成器一样，可以是任意的判别器模型。

以生成为例，G随机生成一张x，需要D来判别是不是真实的，D（x）代表真实的概率，如果D（x）为1，表示100%为真实，如果D（x）为0，则表示为假图。在理想状态下，D无法判别G生成的是否为真实的，

D（x）则为05，那么，我们的目的就达到了：得到了生成式模型G，就可以用它来生成。

因此，在训练过程中，G的目标就是尽量生成真实的去欺骗判别网络D。

而D的目标就是尽量把G生成的和真实的分别开来。这就是一个“博弈”的过程。这样，不仅可以上色，还可以将普通提升为高清。

AI在学会这个技巧之后，不需要原始照片对照也能准确地修复、重建低分辨率图像。给图像“上色”之前，AI会对图像进行分析，区分出标志性的物体，如人脸、 汽车 和天空等，结合色彩信息进行彩色化。

其实，这个过程就相当于训练一段程序，让它对低质量的图像进行“想象”，并非完全能实现100%的图像恢复。相较于CNN，GAN采用的是一种无监督的学习方式训练。

值得一提的是，GAN的作用不仅限于老照片上色，他在各种涉及图像风格转换的任务中都有用武之地。如自动生成动漫角色并上色、让马变成斑马、生成人脸、作曲等。总之，GAN在图像生成、处理修复领域的应用十分广泛。

五、解释性、鲁棒性，安全性的提升，让AI更了解世界

AI席卷百业，作为AI时代的主要入口之一，计算机视觉正成为AI落地规模最大、应用最广的领域。官方数据显示，2016年，我国计算机视觉市场规模仅114亿元，到2019年，中国计算机视觉行业市场规模增长至2196亿元。

到2025年，全球计算机视觉市场规模，将从2016年的11亿美元增长到262亿美元。

对计算机视觉技术的研究在学术界与工业界已经掀起了热潮，在未来，随着算法的改进、硬件的升级、以及5G与物联网技术带来的高速网络与海量数据，计算机视觉技术必然会有更大的想象空间。曾经,人类用眼睛“记录”了波澜壮阔的 历史 ，未来，AI能够真正的像人类一样去“观察”世界吗？

遗憾的是，从目前来看，即便我们已经创造了许多在单个项目上已经超越人类的高级AI，但是这些机器仍然能力有限，它还无法成为人类的替代品，无法像人类一样去观察与思考，有自我意识的AI还不会很快出现，AI很难真正像人类一样去“看”世界万物。

即便如此，我们也不能否认AI的解释性、鲁棒性，安全性等正在不断提升，AI将在越来越“了解”这个丰富多彩的世界的同时，帮助我们的更高效、智能的完成更多工作，人类与AI将一起创造更多彩、更智慧的世界。

参考资料

[2]MomozhongAI赋能视觉技术，五大应用市场机遇多，>这个我也关注了一段时间，首先要知道这个东西不是一个很具象的东西，连德国都在阐述及完善相关产业链，至于如何迎接它，你必须有设计能力，无论是工业还是制造业以及软件，打个比方，我生产的产品需要设计，那就是产品设计，我的产品上市了，要平面设计及网页设计，成形了，要包装设计，每一个环节都离不开设计，所以我觉得设计师最关键的一环，看下面吧，你能了解的更多。亲临德国工厂，体验神奇的“工业40”
前段时间大家一直在探讨德国的“工业40”，其实这个问题可以上升到很高的高度，它关系到未来世界的主导者的问题，德国、美国、中国，分布遇到了什么机遇和挑战？谁最有可能掌控世界，完全可以从这里开始说起。
先说说德国，“工业40”确实已上升为德国的国家级战略，但就连德国业界都有300多种对于“工业40”的不同阐述，这说明崭新的事物不是随随便便就能被定义，更何况我们这些局外人？所以耳闻为虚，眼见为实，要想在工业40方面有发言权，必须亲自去德国的一线工厂深度学习、一窥尊容，下面我们就跟随一名德国的《环球》杂志记者的亲身经历一边学习一边探讨！
一、未来工厂——“机器”有了灵魂，它能读懂“产品”
位于巴伐利亚州东北小镇上的西门子安贝格电子制造厂，虽然只有三座外观简朴的厂房，却被誉为德国“工业40”模范工厂，它是未来德国工业的一个缩影。
安贝格拥有欧洲最先进的数字化生产平台。工厂主要生产PLC和其他工业自动化产品，在整个生产过程中，无论元件、半成品还是待交付的产品，均有各自编码，在电路板安装上生产线之后，可全程自动确定每道工序；生产的每个流程，包括焊接、装配或物流包装等，一切过程数据也都记录在案可供追溯；
更重要的是：在一条流水线上，可通过预先设置控制程序，自动装配不同元件，流水生产出各具特性的产品。
由于“产品”与“机器”实现了“沟通”，整个生产过程都为实现IT控制进行了优化，生产效率因此大大提高：只有不到四分之一的工作量需要人工处理，主要是数据检测和记录；工厂每年生产元件30亿个，每秒钟可生产出一个产品，产能较数字化前提高了8倍，而由于对所有元件及工序进行实时监测和处理，工厂可做到24小时内为客户供货。
此外，由于实时监测并挖掘分析质量数据，次品率大大降低。工厂负责人卡尔·比特纳说，该厂质量合格率高达999988%，“全球没有任何一家同类工厂可以实现如此低的次品率”。
二、自动化中心——机器也会自我更新
离开安贝格，我记者来到德国北部的雷蒙哥，这里是德国弗劳恩霍夫研究院工业自动化应用中心，专门为企业研发并生产推动“工业40”所需的设备和解决方案。
“传统工业时代下，如果更换一台流水机器的设备往往需要数天。但是现在我们只需要几分钟。中心负责人尤尔根·雅思博奈特说。这是因为在传统设备的安装过程中，技术人员需要先把新的部件手动连接到工作环境，然后再去调整生产线上的控制装置。就像几十年前使用电脑工作时一样。“那时，每个新部件都需要一张带有驱动程序的软盘，安装之后经常与计算机上的其他部件发生冲突，以至于用户不得不手工进行调整。”
而现在USB的出现让一切变得简单和轻松。我们只需把新装置插到计算机上即可。“即插即用”成为这一技术进步的生动描述。现在，工业40的专家们用“即插即生产”来指设备和系统的顺畅配置，就像雷蒙哥公司的场景一样。就像电脑一样，未来的部件会自发地与工作环境相连接，自己把自己集成到现有控制系统当中。
三、机器人会取代工人吗？
据德国一家独立市场调研机构的统计，截至2014年8月，德国70%的工业中小企业都已经开始“工业40”的革新，主要包括引入自动化、智能化的设备进行生产。这昭示着一种怎样的未来呢？
首先，工业重心发生了转变。工业40之前，所有的革新都是为了通过规模效应以及员工生产率来降低成本。而未来工业制胜的秘诀在于，如何在提高生产率的同时，还能缩短产品从“设计”到“上市”的周期，以及如何满足更复杂、个性化的产品需求。水木然点评：当然这一点其实也是为了满足当今人们对于多元化、个体化产品的追求！的确，这是一种世界潮流。
其次，虚拟与实际的界限似被消除。譬如，安贝格工厂中所有生产程序均可提前在计算机中仿真模拟，在虚拟世界中就可完成生产的分析与优化。
这样一看，人工似乎将被机器智能取代。德国《明镜》周刊曾刊文，忧心数字化将夺走现有大部分工作岗位，但前景也并非这么悲观。德国弗劳恩霍夫就业经济研究院院长威廉·鲍尔认为，新的工业系统虽然取消了很多需要“人”参与的生产关节，但是也会带来新问题与创造空间，未来人力将集中于创新与决策的领域
四：谁掌握了大数据，谁就掌握了未来！
正是因为机器的自我完善系统，“工业40”将产生大量数据。根据记者描述：安贝格工厂为例，其生产线上的在线监测节点超过1000个，每天采集数据逾5000万个。
那么问题来了！新的工业生产方式将产生海量的数据，这些数据终究是归属于工厂、软件制造商、工厂的客户抑或是终端用户？而利用这些数据又可创造什么崭新的商业模式？这将是决定未来工业竞争的关键问题。
德国VS美国; 戴姆勒VS谷歌
这个问题说白了，其实就是“德国制造业”与“美国科技业”的竞争，也意味着两种工业前景的竞争。一个非常微妙又戏剧性的动作就是：谷歌、苹果、亚马逊以及众多美国互联网企业“正在袭击德国工业”、正以新的产业思维与游戏规则进入德国传统工业强项，后者甚至可能沦为其供应商和附属者。
这一论调并非危言耸听，仅以谷歌为例，近年来，它收购了一家智能供暖设备商，摇身变为博世的竞争者；在糖尿病患者的隐形眼镜中加入测量眼泪中血糖含量并将其结果传导至智能手机的技术，就进入到西门子所擅长的医疗领域；现在，谷歌还在捣鼓无人驾驶汽车，与戴姆勒和宝马成了同行。
（上图）戴姆勒联手宝马推出双座电动车
“工业40”能帮助德国工业抵抗住这样的“侵袭”吗？德国软件公司SAP前首席执行官孔翰宁说，大部分德国中小企业主没有意识到一个关键问题，仅生产智能产品是不够的，重要的是提供智能化服务的能力，否则，德国当前市场领先的生产商将来可能仅是服务商一个可替换的产品供应者。
点评：“工业40”发源于德国，发扬于美国！
两个实例正好能说明这一点：戴姆勒公司在硅谷专门设置了研发中心，以开发车载智能娱乐系统，但这一系统最终要靠苹果的Siri语音系统来控制；德国能源巨头REWE和Eon近来发现要面临一个仅有5年历史的初创企业的竞争，这个小企业将并不属于它的1500多个天然气、太阳能和风能发电设备通过网络连接起来，可按需对设备进行开关调整，形成了虚拟的发电厂。
可见，不论是汽车内的某个娱乐装置，还是某块太阳能电板，谁能掌握附着在这些智能化了的产品上的数据与信息，谁也就掌握着提供智能化服务的能力。
点评：你是生产商、是服务商，还是用户，这三者的从属秩序决定了未来世界的格局！“工业40”其实就是“信息20”（传统互联网是信息10）。我们再来展望一下历史，如果说人类社会历史进程就是一条指数曲线，今天就是人类社会发展的临界点！大数据、云计算、物联网等新技术将带来一系列奇迹性的变化！未来的颠覆是如此可怕，又让人如此期待！
当戴姆勒遇上谷歌，不仅是德国与美国优势行业之间的竞争，更意味着在移动互联网的推动下，谁能代表最先进的生产力，谁就能赢得未来！
最后，我又不禁想到了一个问题：中国在哪里？
水木然整理 材料来自《环球》杂志记者

狭义来讲，区块链是一种按照时间顺序将数据区块以顺序相连的方式组合成的一种链式数据结构， 并以密码学方式保证的不可篡改和不可伪造的分布式账本。

广义来讲，区块链技术是利用块链式数据结构来验证与存储数据、利用分布式节点共识算法来生成和更新数据、利用密码学的方式保证数据传输和访问的安全、利用由自动化脚本代码组成的智能合约来编程和 *** 作数据的一种全新的分布式基础架构与计算方式。

基础架构

一般说来，区块链系统由数据层、网络层、共识层、激励层、合约层和应用层组成。 其中，数据层封装了底层数据区块以及相关的数据加密和时间戳等基础数据和基本算法；网络层则包括分布式组网机制、数据传播机制和数据验证机制等；共识层主要封装网络节点的各类共识算法；激励层将经济因素集成到区块链技术体系中来，主要包括经济激励的发行机制和分配机制等；合约层主要封装各类脚本、算法和智能合约，是区块链可编程特性的基础；应用层则封装了区块链的各种应用场景和案例。该模型中，基于时间戳的链式区块结构、分布式节点的共识机制、基于共识算力的经济激励和灵活可编程的智能合约是区块链技术最具代表性的创新点 。

：

区块链核心技术

区块链主要解决的交易的信任和安全问题，因此它针对这个问题提出了四个技术创新：

1分布式账本，就是交易记账由分布在不同地方的多个节点共同完成，而且每一个节点都记录的是完整的账目，因此它们都可以参与监督交易合法性，同时也可以共同为其作证。

区块链的分布式存储的独特性主要体现在两个方面：一是区块链每个节点都按照块链式结构存储完整的数据，传统分布式存储一般是将数据按照一定的规则分成多份进行存储。二是区块链每个节点存储都是独立的、地位等同的，依靠共识机制保证存储的一致性，而传统分布式存储一般是通过中心节点往其他备份节点同步数据。

没有任何一个节点可以单独记录账本数据，从而避免了单一记账人被控制或者被贿赂而记假账的可能性。也由于记账节点足够多，理论上讲除非所有的节点被破坏，否则账目就不会丢失，从而保证了账目数据的安全性。

2非对称加密和授权技术，存储在区块链上的交易信息是公开的，但是账户身份信息是高度加密的，只有在数据拥有者授权的情况下才能访问到，从而保证了数据的安全和个人的隐私。

3共识机制，就是所有记账节点之间怎么达成共识，去认定一个记录的有效性，这既是认定的手段，也是防止篡改的手段。区块链提出了四种不同的共识机制，适用于不同的应用场景，在效率和安全性之间取得平衡。

区块链的共识机制具备“少数服从多数”以及“人人平等”的特点，其中“少数服从多数”并不完全指节点个数，也可以是计算能力、股权数或者其他的计算机可以比较的特征量。“人人平等”是当节点满足条件时，所有节点都有权优先提出共识结果、直接被其他节点认同后并最后有可能成为最终共识结果。

4智能合约，智能合约是基于这些可信的不可篡改的数据，可以自动化的执行一些预先定义好的规则和条款。以保险为例，如果说每个人的信息（包括医疗信息和风险发生的信息）都是真实可信的，那就很容易的在一些标准化的保险产品中，去进行自动化的理赔。

在保险公司的日常业务中，虽然交易不像银行和证券行业那样频繁，但是对可信数据的依赖是有增无减。因此，笔者认为利用区块链技术，从数据管理的角度切入，能够有效地帮助保险公司提高风险管理能力。具体来讲主要分投保人风险管理和保险公司的风险监督。

参考资料：

区块链-百度百科

初中毕业是可以学习UI的 目前UI设计的前景是非常不错的
一、什么是UI？
UI设计是英文，User lnterface的简称，翻译成中文的意思就是用户界面设计。
通俗一点来说，手机上看到的一切基本都属于UI设计，比如APP手机图标，界面、微信打开页面、动效、交互等都属于UI设计范畴，移动互联网时代，没有人能离开手机，因此UI设计越来越火！
因此，UI设计师就是设计用户界面的人，在颜值当代的时候，UI设计师的水平，直接决定了互联网产品的颜值，像网站、APP、电商，无论产品质量怎么样，用户接触产品的第一幕就是UI设计师个产品设计的这张脸。
对于现在视觉要求越来越高的用户，如果一旦产品的颜值不过关，面临的就是关闭卸载。
二、什么是UI设计师？
平面设计、Web网页设计、手绘设计、用户界面设计、产品实战设计。
用户界面设计中，有用户，有界面，还有设计，由此用户界面设计（UI设计）分了三个职位。
研究界面的叫做GUI（界面）设计师、研究界面与用户的叫做ID（交互）设计师、研究用户的叫做UE（用户体验）设计师，我们常说的UI设计，一般指的就是GUI界面设计师。
GUI设计师的日常工作，一般是界面设计，图标设计，切图和标注。
三、UI设计都要学什么？
1．基础阶段：
技术基础：如果说程序员的一天都是在写代码，那么UI设计就是每天和Ps、AI、AE、ARP 、Sketch打 交道。娴熟的技法，是完美展现作品的必备条件。
作为UI设计师，要熟练掌握这些软件，至少要精通一种软 件，其他软件也就通个七八分。
画图基础：画图基础也是UI设计师的必修课，如果只是想着现在有很多素材库，借助工具修饰即可，自己 就不用设计了，那是对UI设计的一种侮辱，这相对于模仿抄袭，
但现在也有很多人说如果能够借鉴一些设计 好的的作品，风格、对自己的技能鉴赏水平也会有一定的提高。当然也赞同。琢磨他们的设计风格、思想和细 节，都能加深对设计的认识。
各平台设计规则：在IOS、Android、Windows、Max ox各个平台都有自己的设计规范和要求，在移动端，连 每款机型的分辨率，状态栏高度、导航栏高度、图标、尺寸、字体都有严格的规定
理解能力：最为一名设计师，产品经理经常会发产品需求文档给设计，能读懂产品文档，快速分析需求， 定位出风格、元素、色调，最后把产品需求迅速视觉化，就是产品经理最爱合作的设计师了。
2．进阶阶段：
审美意识：设计感投放到设计师身上，大概就是设计师自身的审美意识了，像我们所熟知的网易云音乐APP，不仅给用户提供优质的内容，视觉效果也是很好的。
多看一些设计好的作品，日积月累的浏览、学习、思考、联系是逐渐提升的途径。
用户体验：从前，除了UI设计师之外，一般互联网公司还有就是用户体验师，来处理用户体验的种种问题，但如今，在多元华的趋势下，一
个互联网产品的视觉设计，需要懂一点产品，还需要懂一点用户体验。才能更好地额推进合作，同时也培养自己多元化的思维方式。
交互设计：大家都知道，UI做的是图形界面设计的事，可以称之为GUI设计师，那么交互是做什么，交互就是做人机互动界面和机器打交道的事。
都需要交互设计师来完成。一个好的产品需要美观的界面和顺滑的交互，也就离不开设计师的两种能力相辅相成了。尤其现在，设计趋向扁平化设计
四、学习UI设计，前景怎么样？
立足于以人为本，以用户体验需求为基础，UI设计师的前景十分优越，是产品抢占市场的核心竞争力之一。是什么原因让UI交互设计前景被如此看好呢
1．需求强势 尚未发生改变
UI是研究人机交互的学科，从目前应用领域来看，主要应用于软件、互联网、移动智能设备、游戏和虚拟现实影音方面，这些新兴的热门方向和活跃领域。
同时，高校尚未开设相应专业，造成人才缺口和社会需求巨大，尽管坊间传言UI设计师趋于饱和，但根据智联招聘的数据来看年末与年初的招聘旺季依旧有大量的企业需求，
就算是招聘淡季也会有很多企业需要UI方面的专业人才。相比而言 “UI设计师”和“软件开发”依然是目前就业最好、薪资又高的两个职位，社会需求强势，这一点并没有改变。
目前国内众多IT名企(百度、腾迅、中国移动、联想、网易、微软、淘宝等)都已经成立了自己的UI设计部门。UI设计虽然炙手可热，可是没有金刚钻，揽不住瓷器活儿。
可是为什么有人说即将出现饱和？有的UI设计师找不到工作？总结一句话是市场对于UI设计师的门槛提高了。
2．“互联网+”催生更大就业空间
总理在政府工作报告中提出了“互联网+”，即通过互联网技术促进传统实体经济的发展，传统行业正在面临互联网企业的巨大冲击，
如：金融业面临“支付宝”、“微信”的严峻挑战，零售业面临“淘宝”、“京东”的几近颠覆，交通业遭遇“滴滴”“优步”的强力对抗传统企业 “互联网转型”已势在必行!
这将在全国范围内对互联网人才包括UI设计师创造新的巨大就业机会。
就中国当前的企业环境，企业不缺乏经营战略和理念，因为中国人是战略和思想理念的鼻祖，企业家也最擅长这些方面。但是诸多国内企业，在品牌视觉形象的管理方面，往往是处在非常初级的阶段，
并且投入也是非常微薄的，殊不知这些不足往往正是阻碍企业发展的劲敌。
在中国设计的春天还没有到来，但是中国的未来不可限量，这一切世人有目共睹。在中国社会与企业对视觉价值的认知，必然将逐步走向成熟并且科学的轨道。
3．“物联网”时代，一大波机遇来袭
“物联网”新时代即将到来，新兴的智能产品必将层出不穷，如：智能电视、智能手表、智能汽车、智能家居、智能城市这些都是尚待开发的处女地，对用户体验和UI设计有着巨大的需求，也将为UI交互设计的就业带来前所未有的人生机遇，UI设计的社会需求不仅不会短期内饱和，还会持续性放大。
五、UI设计师的薪资收入是多少？
初级设计水平月薪在8000~9000元；
中级水平设计师的收入可上升至10000~12000元；
有三到四年以上UI设计经验、作品质量高且具有大项目经验的UI设计师的月薪可达13000~15000元；
如果晋升到设计总监管理层，薪资待遇则可达20000元以上。
业内人士预言：UI设计将越来越有前景，因为企业将在用户交互方面拉开群雄逐鹿的态势争抢用户。
现今，用户的交互体验已经被认为是电子产品间继程序、功能之外的下一个竞争点，而这一点恰恰是UI设计师的工作职责。
除发展趋势外，单从薪资方面我们也可以看出UI设计将越来越有“钱”景。

---