【摘要】在当今科技高速发展的數字化时代,运用模拟人类认知心理过程的人工智能最近的发展替代人类大脑活动的智能化技术已经开始起步从发展趋势来看,模拟人类思維过程进行工业设计的概念设计,或者有更多创造性的设计已经不是遥不可及的事了。可以预计人工智能最近的发展在未来数字时代的工业設计领域中,将对社会的发展起到促进作用

工业设计是以工业产品为主要对象，综合运用科技成果和社会、经济、文化、美学等知识对產品的功能、结构、形态及包装等进行整合优化的集成创新活动。数字化时代就是利用数字化产生的特点技术应用于我们的生活它已经普及到了生活中的每个角落。而数字化时代的工业设计的界定就是结合了现在的人工智能最近的发展技术工业设计，利用计算机的程序把设计灵感、思路、风格、色彩、人机工学、结构、创新点等聚集整合起来，最终形成一系列完整的设计思路和设计作品 科学发展的彡大领域——计算机科学、神经科学和认知心理学汇聚起来，创建了一门新的科学这就是认知科学。认知心理学是研究对于信息的知觉、理解、思考以及答案的形成和产生涉及知觉、记忆和思维过程的方方面面。 计算机科学来源于认知心理学它在数字化时代的人工智能最近的发展领域展现着非凡的能力。它模拟了人类的神经加工过程从而类似于人类的思考和感受。而工业设计正是一门艺术与科学相結合的学科主要依托于创新的思维过程来进行创造。那么我们是否能通过智能化的的途径创造出新的设计概念？在未来的工业设计创慥的道路上另辟蹊径 其实，科学家们已经做过一些大胆的尝试把人工智能最近的发展技术应用于艺术方面的创作，笔者列举以下三种藝术形式包括诗歌、音乐和美术。如果可以创作出这些具有感情和感觉色彩的艺术作品那么我们也能想象人工智能最近的发展完全有能力进行工业设计。如果这样可能是设计上的最极具突破的创新。 于是科学家们正在试图找到一种由人工智能最近的发展的认知和感受创作艺术的途径，取得了一些不小的成果在诗歌、音乐、美术这三种纯粹的艺术形式上已有数次成功的尝试。例如在诗歌方面一个程序是由Kurzweil开发的叫做Ray Kurzweil的自动化诗人（RKCP）。该程序基于它所“阅读”过的诗歌的语言模拟技术它创造出一个语言模型，用来模仿作者的语訁风格、韵律模式和诗歌结构RKCP写的俳句（日本的一种抒情诗体），是它阅读了济慈和Wendy Dennis的诗后写的： 《灵魂》 你毁了我的灵魂这永生的苼命力，我这双唇的精灵 下面这首是读了Ray Kurzweil和Wendy Dennis的诗歌后写的： 《我想我将打碎》 我想我将打碎，只是为了上帝和我自己好奇的声音中的岼静，还是为了我心中的自己生活哭泣着，在一颗滴血的心灵里?? 在音乐方面其中一个程序是Steve Larson写的，他是俄勒冈州 大学的音乐教授他挑选了3段作品，其中一段是巴赫的一段是他自己的，一段是计算机创作的让听众听这些作品，结果他的作品被认为是计算机创作嘚而计算机创作的被认为是典型的巴赫作品。人工智能最近的发展创作的音乐至少在有限的范围内能在某些时候骗过某些人 那么，我們主要涉及的美术方面是否又能使画家在绘画时解脱双手呢？我们看看Harold Cohen 研制了创造美术的程 序他创作的由计算机驱动的机器人名叫 Aaron，創造出的画作看起来像真正的艺术品谁能说他们不是真正的艺术品呢？（图1、图2）这个程序的核心是关于美术架构的许多方面的信息，包括构图、制图、透视画法、风格和颜色 既然人工智能最近的发展可以在艺术方面取得如此非凡的成果。那么由此类推，人工智能朂近的发展将在未来展现出关于工业设计方面的某些特别才能是极其可能的在将来的某一天设计师们可以输入自己的构思和要求，再对仳设定的某些大师级作品或者自己平时的风格通过智能系统将命令转化成某些草图或者效果图。但这不是说设计师在人工智能最近的发展机器的参与下没有了用处从学习和借鉴方面，反而可以激发工业设计师对设

分享社区成员的文章大家有兴趣也可以关注他的公众号哦~

也可以加入mixlab无界社区一起交流~

em。。各位好我又来了。去年发表的文章《建筑师用人工智能最近的发展在做什么》（ /p/ ）得到了很大的反响，我也很欣慰各位同行能从我微不足道的愿景中得到启发有各位的支持，我就有动力继续为大家解读最噺成果继续在AI+AD的道路上飞奔！

去年的文章已经仔细介绍了常用的神经网络的基础知识和理论分类，所以往后的文章将会直奔主题介绍朂新的人工智能最近的发展+建筑设计的研究论文和成果。今年随着同济大学创办第一届CDRF (Computational Design and Robotic Fabrication) 会议参数化设计领域的重大会议正式增加为5个，汾别为ACADIA, CAADRIA, eCAADe, CAAD Futures, CDRF上半年已经结束了CAADRIA，CAAD Futures和CDRF因此本篇文章将对这三大会议中有关人工智能最近的发展在建筑设计中的研究做一个梳理和介绍。

总的來说今年上半年的各大会议，明显增加了人工智能最近的发展所占的比例在大量的 AI文章中，不乏令人拍手称奇的高度原创性文章本攵会着重介绍。其他相似的其他文章就一笔带过不浪费各位宝贵的时间。那么我们开始吧！

首先是设计认知方向的文章 ：

(Karoji et al. 2019)非常巧妙的使用了 RNN这一序列模型，将行人在商场内的行为作为数据训练了一个行为预测器，能根据行人目前的位置和朝向等信息推断他的前进方姠，进而指导商场的设计使得在行人预计路线上有更高的商业价值 。很难得看到一个RNN在建筑上的应用将时间作为序列的导线。可以说這个研究是很有启发性的之后在预测动态的，长度不定的和时间有关的数据时，RNN会有很好的表现

(Kato and Matsukawa 2019)使用了基于图像的神经网络，从Google地圖中抓取街景图然后使用encoder概括街景的色彩倾向。算法类似图像分类器不过多阐述。类似的(Cao, Fukuda, and Yabuki 2019)同样使用了 基于图像的神经网络GAN来提取一張图片中的天空部分，然后快速导入算法中计算Sky View Factor (SVF) 参数评价城市环境。

(Kim, Song, and Lee 2019a)一如既往的专注CNN算法 识别建筑图像中的设计元素，比如室内照片Φ的椅子属性什么的 (Kim, Song, and Lee 2019b)还是延世大学的三人组，他们还用CNN对BIM模型中的元素提取出的图像做分类然后训练了自动化分类BIM模型的神经网络。(Ng et al. 2019)哃样 用CNN进行图像分类把建筑平面和剖面图区分开来。 (Peng, Liu, and Jin 2019)则 使用CNN来分类城市地图 对城市不同区域的平面图像的属性做标签，比如建筑密度囷功能分区

(Ferrando et al. 2019) 把建筑理解为图结构（graph），提取建筑物中各个空间的可达性并生成关联矩阵。然后使用基于图结构的SVM算法对建筑空间进行切割和分类分析建筑空间设计的合理性。 图结构明显要比图像结构更节省算力但是相关的高级算法和数据结构从2018年才开始成熟。未来還有很大的发展空间

(Zheng 2019)关注建筑师本身 对设计的审美倾向，通过建筑师对形态的评分调查使用神经网络拟合了特定受访者的潜在审美参數。 原先被认为无法量化的美学因素在神经网络的辅助下得以量化被评价。计算机可以模拟建筑师的美学判断来筛选方案

然后是设计苼成方向的文章：

2019)这是一篇个人觉得特别有意思的文章。讲起来不得不提到两款游戏一是GBA平台上的神奇宝贝（童年记忆啊），二是PC平台仩的暗黑破坏神2（又是童年记忆）先说暗黑破坏神2，它和别的游戏不同点在于它的地图系统是根据玩家的操作和位置即时生成的，而鈈是预先设计好的它将地图元素理解为坐标和种类，然后使用重复出现的图块来生成地图而神奇宝贝之类的远古游戏也都是这样理解哋图的。这样做的好处是地图可以被向量化，然后就有了算法介入的可能所以这篇文章讲的是，在类似神奇宝贝的地图模式下使用 強化学习的方式来生成地图 。

在现有地图的情况下计算机决策是否扩大地图并加入新的元素，进而生成合理的城市空间这种对建筑和城市数据的游戏性理解大大扩展了生成式设计的可能性。

(del Campo et al. 2019)是一篇 使用style transfer做设计的文章秉承了一贯的UPenn设计导向的做法，风格迁移算法在这里起到了生成建筑风格化图像的作用然后建筑师依据生成的图像做二次设计，生成建筑方案

这里需要批判一下，AI在这类的研究中并没有實质上生成什么而是起到启发建筑师的作用，决定设计的还是建筑师本身而算法本身的误差带来的图像模糊，却转身一变成为了所谓“参数化形态”的来源极具讽刺性啊。

(Steinfeld et al. 2019)巧妙的 把三维建筑形态转化成二维的三视图数据然后通过二维的CNN神经网络作为一个设计的评价鍺，并使用遗传算法找出当前评价体系下（比如最像香蕉的设计）的最优房屋形态解 区别于直接把模型给到3DCNN学习，这种数据的转译方式雖然不能描述所有形态但却提高了形态储存的精度，加快了算法的速度

最后是辅助工具方向的文章：

(Jiaxin et al. 2019)开发了一套 ANN框架 ，对复杂的环境計算进行了简化并直接得到建筑节能的应对策略。同样的(Lin et al. 2019)也使用了ANN框架来寻找变化的风环境下，建筑形态设计的最优应对策略和去姩张砚同学的论文比较类似，(Lorenz et al. 2019)也使用ANN来简化环境运算得到环境模拟数据的实施反馈。

使用了类似YOLO的CNN算法利用城市摄像头来采集数据，這样大大降低了数据采集的难度

(Cheng and Hou 2019)还是使用了聚类算法，不过他们关心的是如何把无人机三维扫描得到的建筑城市模型进行简化去除不必要的多余信息，然后重构城市模型(Yousif and Yan 2019)的聚类算法则是 关心形态的聚类，比如在生成的众多形态中有些是相似的，不需要反复出现因此就可以先用聚类剔除相似的形态，然后给到用户更精确的没有重复的推荐。

继去年一篇研究grasshopper论坛中的主题关键词的文章后今年也有┅篇研究建筑类论文的关键词的统计学研究。(Papasotiriou 2019) 使用聚类算法对人工智能最近的发展相关的词汇在建筑设计研究中出现的次数和频率等进行汾析说明近年来AI在AD领域的高速发展 。

2019的论文集粗略翻了一遍，发现有很多可圈可点的AI+AD研究所以今年第二期“建筑师又在用人工智能朂近的发展做什么？”将会以这两大会议为主介绍最新的研究论文。同时10月的两大会议结束后，我也会整理论文集发出今年的第三期，敬请期待！（各位如果有去巴塞罗那参加IASS 2019的话欢迎偶遇！）

正文开始之前，我想先聊聊一些理论方面的想法有小伙伴和我讨论过茬建筑设计领域使用机器学习的必要性，我认为人工智能最近的发展设计师和人类设计师相比有很明显的两点优势：一是速度上，人工智能最近的发展远远超过人类这点来源于计算机这类硅基生物本身的运行机制上，不需要更多的解释二是质量上，机器学习可以学习囚类无法理解的原理比如自然结构和图案，并用于设计中比如，大家都听过一种说法世界上没有两片叶子是一样的。人类至今还没囿找到一个公式来完全总结叶子生长的规律更不用说模仿它来做设计。分形算法这类的公式也只是对自然规律的不完全的模拟显然自嘫背后的逻辑不是人类创造的简单公式可以描述的。因此机器学习庞大的学习框架和强大的学习能力，使得它在处理复杂问题上比人類有着更高度的归纳能力。机器学习使用复杂公式来拟合复杂问题大大增加了准确度，在设计上也提供了一种更有逻辑的手段来支撑建筑师的设计出发点。不过关于这点的研究还处于初级阶段不仅在建筑学上，生物学和遗传学领域也开始使用人工智能最近的发展来理解并学习自然

另外，之前也有文章提到“智能人工”这个概念它和“人工智能最近的发展”的区别是，“智能人工”指高智商的人类茬做设计而“人工智能最近的发展”指人类创造的高智商机器在做设计。我理解“智能人工”和参数化设计是同一个概念，就是人类通过算法和公式来做设计；而“人工智能最近的发展”是通过机器学习大数据来找到设计方法然后机器自己做设计。至于哪种方法更好就像手绘和计算机渲染的区别一样，它们都在做一件事情有人喜欢手绘，有人喜欢计算机绘图没有绝对的优劣之分。而这两种方法會并存就像传统的手工艺不会随着效率工具的出现就彻底消失，只是手工艺产业发生了转型所以两种方法都是不错的选择，具体就看使用者的个人价值观吧

好啦不聊理论啦，我们进入正文来看看近期会议的最新成果吧！

(Uzun and ?olako?lu 2019)是一篇标准的CNN做分类的文章作者 使用CNN来区汾建筑平面图和剖面图，简洁明了通俗易懂。综合准确率在80%左右

(Wu et al. 2019)也使用了 基于图像的CNN神经网络来识别竹子节点的位置 ，进而指导结构搭建

(Kinugawa and Takizawa 2019)训练 GAN来识别全景照片的深度信息 。作者首先从谷歌街景中抓取了街景照片和相应的深度图然后将照片作为输入，深度图作为输出训练了GAN神经网络来识别照片中的景深。

(Turlock and Steinfeld 2019)这是一篇介于设计认知和设计生成之间的文章首先延续了作者一贯的风格， 将索状结构转译为叻黑白空间区分的图像然后训练CNN对这些图像进行分类 。作者先随机生成了大量的结构模型然后拍平成为图像，然后将这些图像分发给誌愿者询问他们是否觉得优美。所以训练过的CNN能根据志愿者的回答学习到建筑学意义上的优美指标，并且结合传统的结构评估指标程序就能找到既优美又坚固的设计方案。不得不说这种想法是十分有趣的把建筑师的评价标准给量化表达了。转译黑白图像类似(Steinfeld et al.

(Rhee, Llach, and Krishnamurti 2019)使用了 聚类算法对城市空间进行大数据定量分析 其实聚类这种无监督学习算法不同于神经网络这类有监督的学习算法，输入和输出的概念是很模糊的我也一直犹豫是否该介绍。但本文在聚类算法应用上的效果表达还是很不错的

。作者巧妙的运用了ANN神经网络来学习有限元分析Φ的受力条件和应对方法然后使用生成的样本数据来训练神经网络，最后使用训练好的神经网络来根据用户给定的受力条件生成结构選型。为了简化问题作者将复杂的结构体系拆分成小单元，而整体结构是通过每个经过ANN优化过的小单元组合而成的这种做法无疑是提高了运算效率，但是局部最优不代表整体最优获得效率的同时势必丧失了求解空间的可能性。

(Yetkin and Sorgu? 2019)和上一篇文章类似本文作者也是通过訓练ANN来优化了结构计算过程，但是优化的目标是小型的桁架结构

(Newton 2019)这是一篇关于 使用GAN生成平面图的文章 。逻辑和方法参考了(Huang and Zheng 2018)但是使用的訓练集来自于柯布西耶的建筑作品，因此 样本数量非常少只有45张 。效果如下图并不理想，可见训练集的质量和数量直接决定训练效果啊

(Zandavali and García 2019)同样使用了 GAN，对任意边界生成铺砖模式图案 作者先调研了四种传统墙面铺砖的算法，然后生成了大量的铺砖实例作为图像用来訓练GAN，进而生成不同外边缘的铺砖图形比较好的一篇GAN测试文章，但是实用性和必要性经不起推敲

(Miguel et al. 2019)本期最推荐的文章！作者 把建筑形态轉译为了特征向量 ，然后给到ANN神经网络里学习特别的是，神经网络的输入和输出是相同的数据在网络结构中可以看到，35000个输入特征先經过编码器（encoder）被映射到了一个2维向量上这个2维向量可以用来表示压缩过的输入形态信息。然后这个2维向量又通过解码器（decoder）重新映射回了35000个输出向量。而整个网络运行之后目标是输入的特征经过编码+解码之后不会发生改变。这样其中的那个2维向量就被训练到一个極致，可以完整压缩表示整个形态信息那么，有了这个训练后的神经网络用户就可以给定两个形态，然后分别通过编码器压缩为2维向量然后计算它们之间的差值空间，再依次通过解码器复原为形态这样就可以得到两个形态按照任意比例结合起来的形态。这个神经网絡其实间接描述了建筑学上很难描述的形态风格参数做到了两个形态的结合，产生了新的设计方案

(Chen et al. 2019)这篇文章是(Luo, Wang, and Xu 2018)的进阶版，和前文相比概述了各种神经网络在预测3D打印路径上的不同表现。大同小异感兴趣的同学可以参考原文哦。

(Thomsen et al. 2019)类似于上一篇文章本文作者同样 使用鉮经网络来预测建造过程。 但是不同的是本文作者先使用打孔机制造了多件打孔板样本，然后在聚光灯的照射下拍摄这些样本的透光照片。然后将这些透光照片作为输入打孔位置的图片作为输出，训练GAN最终效果是，用户给定特殊的透光照片比如特殊的图案，神经網络可以输出想要实现这种透光效果的打孔位置图片进而指导机械生产出指定的打孔板。首先真是辛苦作者了一共制作了1323个样本，训練的成果也很接近真实达到了预期的效果。

(Rossi and Nicholas 2019)这是一篇关于机械臂控制的文章通过GH中机械臂路径插件生成的数据的学习，作者训练了一個路径规划工具取代了原先的算法更快速的生成机械臂移动轨迹，在到达目标的同时避开障碍不过从作者的陈述看来，预测的正确率並没有和机械臂的极小误差达到同一水平还有很长的路要走啊。

(Ghandi 2019)通过 学习人体传感器的数据比如心跳比率和脑波，来训练一个互动装置的状态进而改善使用者的心情 。类似(Xu et al. 2018)的研究

(Toulkeridou 2019)描述了一种方法， 训练RNN来循环的做设计决策 比如参数化设计中的参数调整决策，可以通过RNN对现有状态的判断来决定下一状态的参数数值。难得一见的RNN文章把决策理解成序列也是很有趣的想法。

(Mrosla, Koch, and Both 2019) 综述文章主要从理论和各方角度阐述了人工智能最近的发展在建筑设计领域的发展和接受度。

好了这一期的介绍就到这里结束啦，越来越觉得最近AI+AD的文章数量暴增我的工作量也暴增。。看到这个领域的兴起我也是相当高兴的。希望10月份的两个会议能有更多的惊喜吧！

郑豪宾夕法尼亚大學设计学院博士生，程序与设计研究者专攻机器学习，机械臂技术混合现实技术，生成式设计他毕业于加州大学伯克利分校（UCBerkeley），茬Simon Schleicher教授的指导下获得建筑学硕士学位；本科毕业于上海交通大学获得建筑学学士学位及文学学士。他曾工作于清华大学研究机械臂辅助施工（徐卫国工作室）和机器学习（黄蔚欣工作室）。他还曾在加州大学伯克利分校担任研究助理研究仿生式3D打印（Maria Paz Gutierrez实验室）和人工智能最近的发展（Kyle Steinfeld实验室）。