設計融入其中，並藉助人工智慧技術做到深度和廣度的拓展，以及提高設計的預警機制及改善提高設計效果！～～～沿著這樣的導向，那就是要從問題出發，以人工智慧技術原理以及演算法架構的結合，實踐與理論結合起來，最重要的是你要什麼為主導，現代製造技術創新及未來又是如何的？扣緊實際，才有學有所用，用有其效！

人工智慧的學習門檻是相對比較高的，在學習人工智慧技術之前，需要具有一定的程式設計和數學基礎。初學者可以從Python開始學起，由於Python的語法規則對於初學者比較友好，所以前期通常並不會遇到太大的學習障礙。

學習人工智慧一定離不開演算法，雖然很多同學都會認為演算法難度比較大，但是經典的機器學習演算法往往都非常簡單，而事實也證明這些經典機器學習演算法所輸出的模型往往有非常穩定的表現，所以即使數學基礎比較薄弱，我也建議重點學習一下經典機器學習演算法，這對於後續的學習和實踐都會有非常積極的影響。

學習機器學習演算法的過程涉及到資料收集、演算法設計、演算法實現、演算法訓練、演算法驗證和演算法應用，而透過這個過程也能夠逐漸提升自己對於機器學習的認知，一些經典的小案例會逐漸讓自己建立起學習人工智慧的信心。

在具備了一定的機器學習基礎之後，就可以進一步透過機器學習框架來完成更多的應用案例，現在很多大廠也開放了自己的機器學習平臺，裡面有大量的案例可以復現，而且很多案例對於初學者都是非常友好的。

文生圖擴散模型在今年受到了大量的關注，很多輸出作品在不斷重新整理人們對於人工智慧技術的認知，相信在2023年文生圖會獲得更多的突破，而對於設計專業的同學來說，文生圖擴散模型也許是一個潛力巨大的工具。

學習人工智慧技術對於場景的要求是相對比較高的，不僅需要資料和算力的支援，也需要有一個比較好的交流場景，為了讓更多同學有機會參與到高質量的實踐和成果分享活動，我聯合多名國內外知名大學的導師和網際網路大廠的企業導師，共同搭建了一個面向大資料、人工智慧、物聯網相關領域的技術論壇，感興趣的同學可以聯絡我申請參與。