相信这些年来，大家也已经通过各种渠道看到人工智能在设计领域应用的案例了。无论是营销号还是学术热点，都好像对这个高技术学科分支的应用极尽追捧。然而，去除成果动画给人“amazing”的印象以外，我们大约总也没办法准确描述人工智能到底在建筑设计中有什么作用——

在学校，导师有时候先教会研究生一些基本原理和案例，然后再拿自己的工作给他们“练手”。

人工智能在应用中差不多扮演这里的研究生角色：一个被大量数据调教过的人工智能，可以在没有被告知具体方法的情况下，完成所给定的任务——可能是画一张复合户主要求的平面图，或者是打败围棋世界冠军。

John McCarthy表示： 人工智能就是要让机器的行为看起来就像是人所表现的行为一样 。

人工智能包含的内容十分广泛，而我们在应用中常见的课题主要是“ 机器学习 ”和“ 神经系统 ”这两个，有时也会涉及“ 深度学习 ”。

顾名思义，机器学习模拟的是人的学习能力： 通过有限的案例数据，得出一般规律。

在学习模式中，可以分为： 监督学习 （投喂的数据有对应明确的标签）， 无监督学习 （投喂的数据没有对应的标签）和 强化学习 （通过在任务过程中收到的积极/消极反馈学习）

机器学习分类

而神经网络则模拟的是人的条件反射：假如输入A，需要经过继续操控B、C、D...Y等路径才可以得到Z，那么通过神经网络的联动，输入A，可以直接得到Z。

智能建造方向的论文标题里有时涉及的三个字母的组合指的就是神经网络，比如：

CNN：卷积神经网络（主要用来处理图像信息，比如图像识别归类）

GAN：生成对抗网络（可以用来图像识别，设计生成，比如设计平面图，训练机械臂）

GAN原理图，来源：曾旭东等，生成对抗式神经网络在建筑设计领域应用浅析

ANN：人工神经网络（人工神经元，可以用来评估设计结果）

RNN：循环神经网络（可以用来模拟随时间变化过程）

KNN：聚类神经网络（分类打包，可以用来识别或者标记）

神经网络分类

一些基于神经网络的研究，来源：中国知网

深度学习相对前两个名词而言是一个比较新鲜的概念：相比于一场机器学习只处理一类问题，深度学习同时嵌套多层相互之间存在非线性联系的关系。因此主要通过神经网络构建框架，但在整体上实现的也是通过数据学习获得一般规律的效果，某种意义上也可以看作是一种强化学习。

很多将建筑空间进行参数化分析的文章中提到的没翻成中文的名词就是深度学习的框架，比如Tensor Flow，Caffe等。

一些基于深度学习的研究，来源：中国知网

分类总结图示

终于说到了大家真正关心的问题了——人工智能究竟能代替设计师做多少事情？

首先注意，不要因为人工智能的技术门槛而为所有搭上人工智能tag的方案带上高端滤镜。电脑与人脑相比其优越性主要是其计算速度和准确度，因此很多人工智能在设计中的应用其实是前期调研的数据分析结论：也不一定真的为设计带来什么意想不到的成果。

当然也是因为计算机强大的计算能力和准确性，加上人工智能技术的发展免去了人类直接参与规划的很多步骤，人工智能辅助设计在很多方面展现了卓越的前景。

2.1 数据，数据，还是数据 

举个例子，某一天你突然感觉两个建筑师的设计风格很像，但是他俩作品众多——完全可能个例恰巧的相似给你带来的主观臆断——那么如果让人工智能对图像转译为数据，并通过对两人作品的大量比对分析，就可以收获一份关于相似度的数据化报告。当然不要忘记，确保人工智能分析出合理结论的 前提是 你自己清楚地知道通过哪些思路分析可以得到相似度的结论！

除了图像比对之外，设计中类似利用人工智能数据分析能力的还可以是前期的各种分析，利用“穷举”求最优的设计方案。

利用人工智能寻找建筑密度等与日照效果的关系，来源：王孝鑫，李竞一，基于生成对抗网络和NSGA-2遗传算法的汉口滨江居住区采光优化研究

利用人工智能进行街道色彩数据收集及分析，来源：许恒玮，李力，基于深度学习的街景色彩分析与生成研究

2.2 画图，看图，设计图 

建筑语言是图像编绘的语言，但是人类对图像的提取依赖于主观感受+客观观察，因此不同的人对于相同的数据往往有不同的理解。但是如果转译成数据语言，通过确定的指标进行处理评估，就能保证分析原则的唯一性，据此得出该原则语境下“准确”的结论。

扩展下来，除了产生结论评价之外，AI通过学习也可以模仿输入图像进行创作：比如让众多画图狗产生危机感的自动生成平面图。

除此之外，建筑基于一定概念想法的找形也是人工智能发光发热的领域。比如模仿生物动态的造型生成，模仿汽车工业设计逻辑的建筑设计......这些奇奇怪怪并且一般人难以一时间实现在形态上的想法都可以调教一个AI实现（同样前提是自己清楚哪些步骤可以实现概念或者自己可以在生成过程中给出评价）

人工智能用于识别户型图，来源：张薇等，基于CNN的住宅平面图元素识别与布局语义分析

利用人工智能进行学习设计，来源：李煜茜，徐卫国，基于深度学习算法的建筑生成设计方法初探

2.3建模，建造，管理建造 

自从非线性建筑大热，机械臂成为了某些建筑落地的刚需。这里面也利用到了人工智能的学习和映射能力：比如如何利用机械臂学习相关手法对材料进行加工，在三维空间场景中如何定位进行3D打印等。

在建造中，AI还可以通过结构的拓扑优化对建筑的落地进行准确的指导。甚至，可以同时处理各方面信息的人工智能还可以对于施工过程进行监督和管理。

人工智能建模找形，来源：Hao Zheng, Form finding and evaluating throgh Machine Learning: the prediction in Polyhedral Structure

显然，一直扮演执行者身份的机器开始有思想，甚至进行创意设计是一件非常恐怖的事情：

曾经电脑取代繁杂的重复工作时，我们鞭策被取代的从业者：多学习上层知识，做操纵设计机器的人。

现在机器学会管理自己了，又置人类于何地呢？

其实通过阿精之前的讲述，大家应该能发现，在建筑设计领域中，现阶段的人工智能辅助设计无论是从框架设计还是任务分配都其实需要被灌输现有的设计理论和思想构架，在它发展成可以自觉科研创新获得普利策奖之前，还是难以撼动设计师的主导权的。

并且，我们并不能确保现在已经拥有的智能设计案例可以做到永远适合人居。因为人工智能基于的大数据分析理解方法一定程度上和设计的决策依据是相违背的：

首先，大数据所强调的是普遍规律，即少数服从多数，因此这种逻辑下来的机器学习成果也是照顾普遍需求的。但是设计却是一个个性化的结果——基于的逻辑是短板效应。如果计算机想要在普适化的学习框架中模拟设计师对于少数群体的考量，那么如何确定考虑平均与少数的权重占比则又是一个依据情况而定的议题（这个问题当然可以通过数据解决，但是在解决的同时不又会牵扯平均与少数的问题了吗）。

因此，诚然智能设计可以大大节省成本，有经验和见解的设计师很长一段时间内还是不会失业的。

其次，由于机器现阶段还需要在我们的指定方向或框架下学习应用，其思维的源头还是既有的逻辑。因此它在对建筑的普遍观点和需求保持稳态的环境中操作性更强，也更经济。但如果处于一个对于建筑审美和需求不断变化的时代，人工智能辅助设计的意义也就难以保持了

    ——真没想到说到最后竟然成了劝学作文

    ——但是机器确实已经参与了设计内卷

    ——所以还是要努力学习，努力思考创新呀！

理论部分参考资料

1、邱锡鹏，《神经网络与深度学习》

2、郑豪，建筑师用人工智能在做什么？https://zhuanlan.zhihu.com/p/51109469

3、以及相关的维基百科和CSDN解释