人工智能的相关技术已经渗入了设计领域中的不同方面，AI将如何影响和重塑建筑行业，目前都有哪些突破性的研究呢？ 建筑智能研究组（AIG）的郑豪博士，将展开讲述与梳理AIG的学术研究与应用项目，并比较AI建筑行业中的发展。正文以下三个部分讲解：1）建筑为啥需要人工智能？2）人工智能如何解决建筑问题？3）未来我们能做些什么？
<br> (二维码自动识别)
一、建筑为啥需要人工智能？
1.1 从离散性到参数化设计
建筑被誉为人类文明的结晶。在历史长河中，建筑师一直在寻找一种设计方法来总结并实践建筑设计策略。从历史的角度来看，设计规则变得越来越复杂，并且需要越来越大的计算力来支撑设计规则的执行。但是实际上，建筑设计的核心理念是相同的：它是离散的，可以用状态和规则表示。状态即为建筑中的度量，而规则描述了将一种状态转换为另一种状态的方法。最终的建筑设计方案由状态的集合表示，即为建筑中的所有度量数据。
随着计算机科学的飞速发展，离散体系结构的概念在实践中得到广泛的应用。在建筑学领域，随着建筑数据的数字化，基于二维手绘图纸的设计方法逐渐演变为三维数字建模。随后在20世纪90年代出现的算法生成式设计打开数字建筑的大门。建筑师通过将设计规则和状态转换为编程代码和数据，在更短的时间内完成更复杂的设计。
(左)The Universal Constructor，(中) Evolution of Tuscan columns，(右) Morphogenetic Design Experiment
1.2 设计师决策VS人工智能决策
正如尼古拉斯·尼葛洛庞帝（Nicholas Negroponte）在他的《建筑机器》（The Architecture Machine）一书中所定义的那样，机器设计助手应该能够使当前的工序自动化，将兼容的工序转换为设计，并迭代计算设计数据。毫无疑问，当前的设计算法已经达到了设计助手的标准。但是，当我们讨论由计算力带来的设计行业变化时，计算机仍然仅被视为计算器，仅仅根据设计师给定的规则来生成设计，并没有自个的设计逻辑。设计师仍然凭借自个的直觉来主导一台设计。
近几年，随着人工智能（AI）的发展，计算机被广泛用于寻找现实世界问题的解决方案，将来自现实世界的信息映射到量化数据中，并找到它们之间的关系。人工智能解决问题的过程虽然不同于传统的对建筑设计的感性理解，但它们的出发点却是相同的，都在总结并应用规则。
计算机辅助设计VS人工智能决策式设计
因此，在这个人工智能和大数据的时代下，我们将讨论建筑设计行业可能的结合点。在人工智能参与的建筑设计中，设计人员提供案例来表示设计的初始和最终状态，计算机通过构建机器学习模型来拟合设计规则，然后将经过训练的模型应用于新设计的生成中。计算机将不仅是设计助手，而更是设计合作者，帮助建筑师根据设计规则做出决策。
1.3 建筑+人工智能的突破点
在建筑设计领域，人工智能的应用范围包括三个方面：设计认知，设计生成和设计加速。每种设计的复杂度是不同的。因此，当设计任务的难度增加时，人工智能和人类设计师之间的主要区别就突显了出来。人工智能具有学习和实现复杂设计目标的强大能力，但是人类设计师可能无法在其知识和想象力之外的内容中游刃有余。
例如，在与工程相关的问题中，存在可描述且相对简单的目标函数，人类设计师和人工智能都可以轻松将其概括并总结为设计策略。在建筑设计领域，目标函数仍然是可描述的，但是比工程领域的目标函数更为复杂。面对目标函数模糊的复杂设计问题，人类设计师存在局限性。最后，当人类设计师遇到所能创造的简单规则不足以来概括的复杂逻辑时，人工智能在经过设计数据的训练，能产生超出人类设计师的能力，生成人类设计师几乎无法描述的设计案例。人工智能强大的学习能力将给设计行业带来新的突破口，使设计变成可描述的，可控的，可优化的过程。
二、人工智能如何解决建筑问题？
2.1 空间布局问题
考虑人工智能在建筑行业具体的应用场景，首先值得一提的就是空间布局问题。建筑师在对空间进行排布的时候，往往是根据某些行业共识，进行相对比较有理可据的设计。因此，这种“排平面”任务大多是有一种背后的逻辑在支撑的，建筑师根据一种有据可循的规则而完成的。所以，设计平面图这项任务，非常适合人工智能的参与。我们在2017年的研究中就实现了使用图像到图像的神经网络（GAN）来训练人工智能模型，让其根据平面图边界自动生成内部的布局图纸。
从平面边界到设计图纸的机器学习[1]
可是GAN的缺点也很明显，这种“一对一”的神经网络根据一种平面边界，只能给出一种平面图，而建筑师往往能给客户设计出多种方案。为了解决这个问题，我们将平面图进行了矢量化处理，从图形学而不是图像学的角度来重构平面图数据，使得数据本身的表达更具接近本质的抽象逻辑。
户型图的矢量化[2]
基于矢量化的数据，我们以户型图的生成为例，训练了一台混合式的神经网络。我们的人工智能模型不再只从表面的图像上去理解一张户型图，而是真正学习户型图背后的矢量逻辑，以更接近建筑师思考的模式来生成多种户型图方案。
平面布局问题的多解性[3]
在这种混合式的神经网络的作用下，对于一张用户输入的户型边界，程序可以自动生成多达200种不同的户型图，其中涵盖了各种户型配置，比如一室一厅，或是两室一厅等等。其中也不乏一些具有特色的方案，比如拓宽的阳台空间或是较大的厨房等等，可以充分满足用户的不同需求。
对一台户型边界生成多达200种不同的户型图[3]
对于空间布局问题，以上我们给出的是一种基于大数据学习的解决方案，我们替换不同的数据，比如商业楼的平面图，就能训练人工智能来学习并生成不同类型的建筑平面。
除此之外，另一种解决方案是基于评价函数和多目标优化算法的。这里我们以当下比较热门的强排问题为案例来介绍这种解决方案。强排问题可以理解为，在空间中摆放多个建筑物，使得它们满足一些列强制要求的同时，又能带来最大的优势。我们根据用户具体的需求，将这些强制要求和优势的评价写成了数学公式，通过人工智能的优化算法来寻找公式之中的最优解，进而生成强排方案。
空间布局问题的另一种求解模式：基于评价函数的优化[4]
从下面这个动画展示的优化过程中可以看到，程序首先读取用户预设好的场地和建筑信息。算法在随机尝试多种强排的可能性后，逐渐收敛到若干种可行解，最终找到最优化的解。这个最优解兼顾了场地周边的河流带来的景观优势和采光距离的要求等，形成了一种强排方案。
小区强排的优化过程[4]
在空间布局问题上，基于数据和基于算法的解决方案所适应的条件是不同的。我们在选择解决方案的时候，应当评估数据获取的难度和算法求解的难度，然后定制化的决定不同任务适应的技术手段。
2.2 城市预测模型
同样基于平面图的机器学习，第二类应用专注于城市信息系统，训练人工智能来预测城市中的各种指标，辅助设计师或城市运营者改善城市环境。首先，在如今GIS系统发达，信息爆炸的年代，收集城市数据已经不再是困难的任务。而过于庞大的信息种类如果不加筛选，不相关的数据混进了人工智能的训练数据中，这将直接导致训练的效率下降，预测的准确率降低。因此，配合来自人类设计师的专家知识筛选需要收集的数据，是训练城市AI的第一步。
城市数据的收集和可视化[5]
完成训练的人工智能模型，就具有了预测能力，其能预测的内容即是训练时候我们筛选给它的数据类型。比如，在我们最新的一项研究中，我们应用手机APP的定位功能，收集到了大量用户的步行和骑行数据。我们将数据通过热力图的模式表目前了平面地图上，并训练AI来根据城市地图预测每个区域的用户经过次数。预测的数值越大的地方，说明有较多的人以步行或骑行的方式经过，给社区带来更多的活力。
城市活力预测模型：你的社区有活力吗[6]
基于同样的技术，我们还可以精确的预测城市犯罪率，确定每条街道甚至每栋建筑里发生犯罪的可能性。通过对近十多年的所有报警记录数据的解析，我们可以生成犯罪率热力图，直观的表示城市中每个社区的犯罪案件总数。在设计新城市，或是改造旧城市的时候，人工智能模型可以根据大数据学习的结果，预测当前城市设计的犯罪率，并从设计角度提供能降低犯罪率的改良建议。
城市犯罪率预测模型：你的社区安全吗[7, 8]
在两种人工智能模型的共同作用下，我们建立了一套预测系统，帮助用户在决定居住地点（比如买房子）的时候，借助AI的力量找到最适合居住的小区，保证犯罪率较低的同时，社区活力能较高。当我们用不同类型的数据训练AI的时候，这项技术可以定制化的预测任意的城市指标，辅助用户决策。
城市活力与犯罪率预测模型：计算最佳居住地点[6-8]
2.3 形态生成任务
人工智能不仅能学习二维的图像数据，还能学习三维的模型数据，辅助设计师进行三维创意的任务。我们在三维数据的机器学习方面，主要关注的是建筑形态的风格化生成。首先我们尝试了基于大数据的学习模式，收集了近200组的建筑数字模型，并将数据矢量化，形成点云的模式。
建筑形态数据的收集和矢量化[9]
我们接着训练了一组神经网络，来根据用户输入的建筑场地边界和希望的建筑师风格，生成建筑的三维形态体量。用户可以自由选择或添加新的建筑数据来完善人工智能模型，让AI学习并生成自个喜欢风格的建筑形态。
建筑形态的快速风格化生成[9]
建筑形态的生成：同济大学DF2019工作营成果
风格迁移是另一种重构设计风格的人工智能算法，它使用预训练的图像模型，可以将输入的设计数据进行风格化的改变，进而生成新的设计方案。这也是一种设计师可以便捷使用的人工智能辅助算法，帮助设计师寻找灵感。
风格迁移：建筑师灵感的再塑造[10]
风格迁移：同济大学DF2020工作营成果
2.4 其他工具
除了上述三种常见的建筑+人工智能应用，还有其他一些有趣的人工智能模型，在不同层面介入建筑相关的任务中。其中一类的人工智能模型，关注的是对底层计算效率的优化。我们这里以一种结构优化算法为案例，简单介绍一下这类人工智能模型的应用。我们在传统的结构计算（比如有限元计算）时，往往会消耗大量的运算时间。人工智能模型的介入，以少量计算样本来拟合整体求解空间，替代原先的计算模型，可以大大提高运算效率，实现快速的求优计算。
神经网络替代模型：加速结构优化计算[11]
另一台有趣的实验是我们实验室进行的一项尝试性质的开发。其目标是希望人工智能模型可以和人类交互，通过人类反馈的数据来学习人类的审美倾向，进而帮助设计师进行更有效的设计评估。首先我们让一台实验者观察几组形态，并从中选出自个最喜欢的一台。然后我们重复这个实验，通过不断的收集实验者选中的形态，建立一台数据库，来训练人工智能模型学习实验者选取形态时候的逻辑。训练完成的人工智能模型可以根据后续生成的形态，自动判断该形态会不会受到实验者的喜爱，然后迭代寻找到实验者最喜欢的形态，作为一台推荐系统。后续如果我们将形态数据换成是更为普遍的建筑渲染图或是平面图数据，这套系统将可以学习到设计评价者（比如甲方）的审美倾向，然后投其所好的生成方案。
推荐系统：你的甲方喜欢什么样的方案[12]
三、未来我们能做什么？
3.1 定制化的问题解决方案
以上，我们介绍了人工智能在建筑相关的各个领域应用的可能。其实我们可以看到，人工智能在各种细分领域上有很好的解决方案，但还并没有任何一种方法可以完全解决建筑领域的所有问题。罗马并非一日建成，人工智能成为理想中的“全能建筑师”，还有很长的路要走。
但是，这不妨碍人工智能逐步介入建筑行业。针对每个问题的定制化人工智能解决方案，在适用范围内可以起到立竿见影的效果，迅速改良原先的流程模式，提高效率。可想而知，当下人工智能在建筑领域最好的落地场景，是针对特殊需求的定制化开发，而不是空喊所谓颠覆行业的口号。
3.2 在此基础上，人机协同推进设计
因此，在人工智能的影响下，人类设计师未来的角色正在发生变化，从而形成新的合作与共存关系。人工智能会取代一些职能，例如秘书，制图员，和分析师之类的辅助性职位，但它却对人类设计师提出了更高的要求，要求未来的人类设计师更具有决定性和创造力，成为组织者，决策者，和创造者。人工智能和人类设计师互相合作，促进人类设计师的进化，以达到更高的设计智能和设计思维水平。这种合作关系最终的目标是使得建筑设计的整体水平持续提高，进而简化原先复杂的建筑设计，或是探索出一种新的建筑模式来适应复杂建筑。
3.3 学术与开发前沿
为突破未来智能设计的发展，我们建筑智能研究组（AIG）旨在深耕于人工智能在建筑、城市、景观、建造等领域的新兴技术研究与应用。对接前沿创新的学术成果、技术概念和商业落地项目，致力于寻找学术研究与技术应用的共同突破口，以研究总结方法、由方法指导实践，双向引领AI智能化设计的全新技术变革。
我们集中发展的内容主要分为以下四类研究：
1）建筑智能 | Architectural Intelligence，
2）城市智能 | City Intelligence
3）景观智能 | Landscape Intelligence，
4）建造智能 | Construction Intelligence
AIG关注的内容
我们兼顾实验室（学术研究）与智库团（项目应用）的特点，在建筑、城规、室内、人机交互、计算机、大数据等多领域跨界融合人工智能技术的创新想法。
郑豪博士 建筑智能研究组负责人
郑豪博士，AIG建筑智能研究组负责人，宾夕法尼亚大学（University of Pennsylvania）设计学院博士，专攻机器学习，数字建造，混合现实技术，生成式设计。他于加州大学伯克利分校（UC Berkeley）获得建筑学硕士学位，于上海交通大学获得建筑学学士及文学学士学位。他曾工作于清华大学和加州大学伯克利分校，研究机械臂辅助施工，机器学习，仿生式3D打印。他的教学经验包括，同济大学工作营导师，澳门科技大学讲师，宾夕法尼亚大学讲师，上海交通大学设计实践导师等等。同时，他还担任国际会议ACADIA、CAADRIA、CDRF的协办人和审稿人，SCI/SSCI期刊审稿人。他总计发表20余篇学术文章，包括国际顶级会议和1区SCI收录文献。
AIG团队成员教育与工作背景
AIG研究组成员多年从事设计、研究与开发的工作经验。由宾夕法尼亚大学、牛津大学、加州大学伯克利分校、伦敦大学学院、新加坡国立大学、代尔夫特理工大学等全球出色教育背景的学者，并涵盖Facebook软件工程师、联想软件工程师、微软设计院助理研究员、强生数据工程师等工作背景的成员联合组织与构建。
AIG团队成员
我们不同领域的学术成果主要涉及人工智能与数字设计，建筑平面图生成、形态生成、方案优化；城市数据分析、城市预测模型、规划优化；创意方案生成、景观大数据、场景识别；建造路径优化、计算机视觉、虚拟现实等新兴领域。过往的研究论文也分别发表于SCI期刊和国际顶级会议，并收录于CAADRIA亚洲计算机辅助建筑设计研究协会、ACADIA国际计算机辅助建筑设计协会、ECAADE欧洲计算机辅助建筑设计教育和研究协会等诸多国际学术协会平台。
AIG研究成果
我们同时也提供有关人工智能技术的商业咨询与应用开发。与AIG合作或咨询的企业客户有百度、阿里巴巴、碧桂园、龙湖集团、广联达、朗绿科技、应舍美居、天华设计、上海交通大学设计研究总院、以及美国Kreysler & Associates、挪威SpaceMaker公司、英国Brainpool公司等多家科技与设计企业。
AIG商业咨询与应用开发
我们AIG建筑智能研究组深耕AI+Design等相关领域的核心新兴技术、创新型学术思想。欢迎志同道合的您和我们建立学术交流和商业合作，关注公众号接收我们的项目分享与最新动态！
<br> (二维码自动识别)
AIG参考文献列表：
1. Zheng, H., Drawing with Bots Human-computer Collaborative Drawing Experiments, in Proceedings of the 23rd International Conference on Computer-Aided Architectural Design Research in Asia. 2018: Beijing, China.
2. Zheng, H. and Y. Ren, Machine Learning Neural Networks Construction and Analysis in Vectorized Design Drawings, in Proceedings of the 25th International Conference on Computer-Aided Architectural Design Research in Asia (CAADRIA). 2020: Bangkok, Thailand. p. 709-718.
3. Zheng, H., A Hybrid Machine Learning Method for Generating Multi-Solution Architectural Plan Drawings. Under Review, 2021.
4. Zheng, H. and Y. Ren, Architectural Layout Design through Simulated Annealing Algorithm, in Proceedings of the 25th International Conference on Computer-Aided Architectural Design Research in Asia (CAADRIA). 2020: Bangkok, Thailand. p. 275-284.
5. Liu, X. and H. Zheng, Applications of Machine Learning Methods for Predicting the Risk of COVID-19 in Beijing Based on Multifaceted Data, in Proceedings of the 12th annual Symposium on Simulation for Architecture and Urban Design (SimAUD). 2021: Los Angeles, USA.
6. Sun, Y., L. Jiang, and H. Zheng, A Machine Learning Method of Predicting Behavior Vitality via Urban Forms, in Proceedings of the 40th Annual Conference of the Association for Computer Aided Design in Architecture (ACADIA). 2021: Philadelphia, USA.
7. He, J. and H. Zheng, Crime Map Prediction through Generative Adversarial Networks. Under Review, 2021.
8. Shou, X., P. Chen, and H. Zheng, Predicting the Heat Map of Street Vendors from Pedestrian Flow through Machine Learning, in Proceedings of the 26th International Conference on Computer-Aided Architectural Design Research in Asia (CAADRIA). 2021: Hong Kong, China.
9. Zheng, H., A Generative Architectural Design Method through Artificial Neural Networks. Under Review, 2021.
10. Zheng, H., DigitalFUTURES World 2020 Workshop 2020.
11. Zheng, H., V. Moosavi, and M. Akbarzadeh, Machine learning assisted evaluations in structural design and construction. Automation in Construction, 2020. 119: p. 103346.
12. Zheng, H., Form Finding and Evaluating through Machine Learning, in Proceedings of the 1st International Conference on Computational Design and Robotic Fabrication (CDRF) 2019. 2019: Shanghai, China. |
