智能建筑設(shè)計(jì)的發(fā)展研究與探索

李丹宇 劉怡晴 丁松陽

1 研究背景

目前，我國建筑業(yè)數(shù)字化程度相對較低，傳統(tǒng)的施工技術(shù)更受業(yè)界青睞。與制造業(yè)等領(lǐng)域相比，建筑業(yè)缺乏足夠的數(shù)字專業(yè)知識、人才及相關(guān)技術(shù)的實(shí)際應(yīng)用，在效率、利潤水平、項(xiàng)目工期、決策知情及施工安全等方面均表現(xiàn)欠佳，亟需技術(shù)轉(zhuǎn)型升級。

自20 世紀(jì)初以來，建筑師為了尋求創(chuàng)新和發(fā)展，開始整合不同學(xué)科的理論和方法，探索新的設(shè)計(jì)途徑。人工智能（Artificial Intelligence，AI）標(biāo)志著一個(gè)關(guān)鍵的轉(zhuǎn)折點(diǎn)，但最初，由于計(jì)算機(jī)算力和人工智能技術(shù)的限制，建筑師主要是在理論層面上探索生成式設(shè)計(jì)的潛力，可并沒有取得太大的突破。隨著個(gè)人電腦的普及和計(jì)算能力的提高，建筑師開始使用計(jì)算機(jī)輔助設(shè)計(jì)軟件和三維建模工具來實(shí)現(xiàn)他們的設(shè)計(jì)想法，并通過數(shù)字化的方式表達(dá)設(shè)計(jì)概念。20 世紀(jì)末，深度學(xué)習(xí)的興起重新激發(fā)了建筑師繼續(xù)探索生成式設(shè)計(jì)的興趣。深度學(xué)習(xí)的發(fā)展使計(jì)算機(jī)能夠更好地模擬人類的創(chuàng)造力和設(shè)計(jì)思維，從而實(shí)現(xiàn)了更具創(chuàng)新性和多樣性的建筑設(shè)計(jì)生成[1]。

2 人工智能的發(fā)展歷程

2.1 崛起與第一次寒冬

1950 年，計(jì)算機(jī)科學(xué)家艾倫?麥席森?圖靈提出圖靈測試，成為判斷機(jī)器是否擁有人類智能的一個(gè)重要標(biāo)準(zhǔn)[2]。約翰·麥卡錫在1956 年的達(dá)特茅斯會議上首次提出“人工智能”概念，這次會議激發(fā)了人們研究人工智能的興趣。但到1970 年代中后期，人們發(fā)現(xiàn)人工智能只能做很簡單、專業(yè)性強(qiáng)的任務(wù)，稍微超出范圍就無法應(yīng)對。而且很多計(jì)算任務(wù)的復(fù)雜度以指數(shù)級增加，導(dǎo)致科學(xué)家無法解決實(shí)際問題，人工智能的發(fā)展進(jìn)入第一次寒冬。人工智能發(fā)展歷程如圖1 所示。

圖1 人工智能發(fā)展歷程（來源：作者自繪）

2.2 從基于知識到數(shù)據(jù)驅(qū)動

從1980 年代后期開始，在此后的30 年間，人工智能經(jīng)歷了2 個(gè)關(guān)鍵階段：第1，基于知識的人工智能。此階段的主要目標(biāo)是將人類知識抽象成機(jī)器可理解的形式，以便應(yīng)用于推理。其中，一個(gè)典型應(yīng)用是專家系統(tǒng)，它是一種計(jì)算機(jī)程序，通過捕獲并編碼專家的知識，使經(jīng)驗(yàn)不足的用戶也能訪問這些知識。專家系統(tǒng)也存在一些問題，它的知識范圍通常比較狹窄，難以應(yīng)用于其他領(lǐng)域。而且由于專家系統(tǒng)不具備學(xué)習(xí)能力，無法處理新的問題。人工智能的發(fā)展進(jìn)入第二次寒冬。第2，由數(shù)據(jù)驅(qū)動的人工智能。這時(shí)更注重實(shí)用性和功能性，機(jī)器學(xué)習(xí)成為核心。機(jī)器學(xué)習(xí)是人工智能的一個(gè)分支，它通過算法和模型使計(jì)算機(jī)能從數(shù)據(jù)中學(xué)習(xí)，并在沒有顯式編程的情況下做出預(yù)測或決策。但到1990 年代末，機(jī)器學(xué)習(xí)也遇到了瓶頸。傳統(tǒng)機(jī)器學(xué)習(xí)嚴(yán)重依賴人工處理的特征數(shù)據(jù)，成本較高，且往往無法準(zhǔn)確表示特征。為解決該問題，深度學(xué)習(xí)應(yīng)運(yùn)而生，通過深度神經(jīng)網(wǎng)絡(luò)自動提取高維數(shù)據(jù)的特征表示，從而減少對特征工程的依賴，使得特征的表示更加自動化和高效。

3 智能化設(shè)計(jì)探索與應(yīng)用

設(shè)計(jì)階段可以說是建筑行業(yè)的核心，在此階段不僅要滿足建筑使用功能，還要實(shí)現(xiàn)造型優(yōu)美、技術(shù)先進(jìn)的目標(biāo)。所以設(shè)計(jì)師不僅要考慮外部環(huán)境的影響，也要考慮建筑內(nèi)部構(gòu)造的合理性及建筑對環(huán)境產(chǎn)生的影響?；诖耍ㄖ焸儾坏貌豢紤]用其他領(lǐng)域的技術(shù)手段幫助解決問題，而隨著人工智能的日益崛起，利用計(jì)算機(jī)去解決建筑行業(yè)的問題漸漸落到實(shí)地。

3.1 專家系統(tǒng)引領(lǐng)建筑設(shè)計(jì)創(chuàng)新之路

1980 年前后，專家系統(tǒng)在建筑行業(yè)主要應(yīng)用在施工和建造管理方面，對生成式設(shè)計(jì)的研究處于探索階段。1985 年，MAHER 等[3]提出用于高層建筑初步結(jié)構(gòu)設(shè)計(jì)的知識型專家系統(tǒng)，這是結(jié)構(gòu)設(shè)計(jì)領(lǐng)域?qū)＜蚁到y(tǒng)開發(fā)的起點(diǎn)。除了結(jié)構(gòu)設(shè)計(jì)，該系統(tǒng)在建筑設(shè)計(jì)領(lǐng)域也有應(yīng)用，OXMAN 等[4]在BUILD 的基礎(chǔ)上開發(fā)了PREDIKT 專家系統(tǒng)，用于廚房設(shè)計(jì)的生成與評估。

但專家系統(tǒng)有明顯缺點(diǎn)，不僅知識難以用規(guī)則完全表示，很多非正式的知識（如個(gè)人直覺等）不能被完整記錄，且知識庫的維護(hù)成本很高。為解決上述問題，美國喬治亞理工大學(xué)在1990 年開發(fā)了基于案例輔助建筑設(shè)計(jì)概念階段的工具Archie，其中包含平面圖、案例評價(jià)以及項(xiàng)目運(yùn)作等相關(guān)資料，以避免建筑師犯同樣或者類似的錯(cuò)誤。但缺點(diǎn)也可見一斑，案例的數(shù)量和種類是有限的，無法涵蓋全部種類。其次，隨著時(shí)間流逝相關(guān)專業(yè)的法律條文或者規(guī)范也會不斷完善和改變，無法給未來建筑設(shè)計(jì)提供較好的建議[5]。

3.2 基于優(yōu)秀的機(jī)器學(xué)習(xí)算法的建筑設(shè)計(jì)優(yōu)化

由于專家系統(tǒng)無法達(dá)到商用的期許，人工智能發(fā)展進(jìn)入寒冬。隨著個(gè)人計(jì)算機(jī)的普及，建筑領(lǐng)域轉(zhuǎn)向了設(shè)計(jì)的數(shù)字化表現(xiàn)，設(shè)計(jì)任務(wù)中的“創(chuàng)造性”部分在很大程度上被忽視，計(jì)算機(jī)輔助設(shè)計(jì)過程主要包括算法分析和優(yōu)化。在此階段，產(chǎn)生了很多優(yōu)秀的機(jī)器學(xué)習(xí)算法應(yīng)用于設(shè)計(jì)優(yōu)化。下面介紹遺傳算法、貝葉斯網(wǎng)絡(luò)和蟻群算法在建筑設(shè)計(jì)優(yōu)化上的創(chuàng)新應(yīng)用。

3.2.1 遺傳算法

遺傳算法是一種針對難解問題的優(yōu)化搜索工具，其主要思想是使用隨機(jī)化技術(shù)初始化種群，然后用隨機(jī)選擇、交叉、變異操作產(chǎn)生一群更適合環(huán)境的個(gè)體，從而獲得更好的近似解。不斷循環(huán)該過程，最后收斂到一個(gè)最優(yōu)解。通過模擬生物進(jìn)化的過程，遺傳算法能有效解決各種優(yōu)化問題。

建筑設(shè)計(jì)可以看作一個(gè)多準(zhǔn)則優(yōu)化問題，通常需在資本支出、運(yùn)營成本和居住者的熱舒適度之間進(jìn)行權(quán)衡。2002 年，WRIGHT 等[6]研究了多目標(biāo)遺傳算法在識別建筑能耗中的應(yīng)用。結(jié)果表明，多目標(biāo)遺傳算法能在日常能源成本和區(qū)域熱舒適性之間找到最佳的收益特性。從而可看出多準(zhǔn)則遺傳算法能為識別建筑熱設(shè)計(jì)要素之間的收益提供巨大潛力。遺傳算法不僅能應(yīng)用在設(shè)計(jì)優(yōu)化階段，也可以應(yīng)用在結(jié)構(gòu)方面，尤其是樁基優(yōu)化問題。LIU 等[7]利用改進(jìn)的自動分組遺傳算法研究了初始設(shè)計(jì)階段的樁基優(yōu)化問題。通過提出的模塊化方法考慮樁特性（數(shù)量、長度、直徑）和樁布置，以實(shí)現(xiàn)樁尺寸和布置的并行優(yōu)化。結(jié)果表明，利用自動分組遺傳算法進(jìn)行樁基礎(chǔ)優(yōu)化設(shè)計(jì)的方法可提高設(shè)計(jì)的質(zhì)量和穩(wěn)定性，有重要的應(yīng)用價(jià)值。

3.2.2 蟻群算法（ACA）

蟻群算法（Ant Colony Algorithm，ACA）模擬了螞蟻在尋找食物時(shí)的集體行為，通常用于解決組合優(yōu)化問題，例如旅行商問題（Traveling Salesman Problem，TSP）、路徑規(guī)劃等。由于該算法具備同時(shí)控制局部最優(yōu)和全局最優(yōu)的能力，相較于其他仿生算法，蟻群算法在求解TSP 時(shí)有更好的表現(xiàn)[8]。在結(jié)構(gòu)設(shè)計(jì)方面，吳科等[9]利用蟻群算法對一個(gè)包含3 跨、24 層、168 根桿件的鋼框架結(jié)構(gòu)進(jìn)行優(yōu)化計(jì)算，研究結(jié)果表明蟻群算法在基于TSP 模型的結(jié)構(gòu)優(yōu)化設(shè)計(jì)中具有重要的價(jià)值，為土木工程結(jié)構(gòu)的優(yōu)化與分析計(jì)算提供了一種有效的方法。

3.2.3 貝葉斯網(wǎng)絡(luò)（Bayesian Network）

貝葉斯網(wǎng)絡(luò)是基于有向無環(huán)圖的概率模型，可直接表示變量之間的因果關(guān)系。它在人工智能領(lǐng)域具有廣泛的傳播，主要原因是其處理不完整或不確定信息的能力，其工作方式與人腦的做法非常相似。貝葉斯網(wǎng)絡(luò)能在建筑設(shè)計(jì)的粗略尺寸階段模擬設(shè)計(jì)師的推理方式，將易于使用的宏觀模型與更精細(xì)的微觀模型相結(jié)合。從而在執(zhí)行試驗(yàn)設(shè)計(jì)方法的同時(shí)恢復(fù)非常詳細(xì)的數(shù)值結(jié)果，達(dá)到更高的可靠性。

貝葉斯網(wǎng)絡(luò)允許建筑師根據(jù)某些決策變量（如建筑參數(shù)）的知識預(yù)測屋頂系統(tǒng)的性能，并推斷缺乏性能的最可能原因。貝葉斯模型可作為一個(gè)專家系統(tǒng)設(shè)計(jì)帶有屋頂池塘的建筑物。由于貝葉斯網(wǎng)絡(luò)的明確因果結(jié)構(gòu)，還能模擬屋頂池塘復(fù)雜的熱行為，因?yàn)樗鼈兙哂锌勺兲匦?，隨季節(jié)、建筑特征和氣候參數(shù)而變化。這種概率模型能處理多種建筑配置，為建筑師提供多標(biāo)準(zhǔn)決策工具，還可計(jì)算待設(shè)計(jì)建筑中存在的這種技術(shù)帶來的預(yù)期改進(jìn)。

3.3 基于深度學(xué)習(xí)的建筑設(shè)計(jì)發(fā)展革新浪潮

隨著大數(shù)據(jù)時(shí)代的到來，深度學(xué)習(xí)開始興起，重大突破出現(xiàn)在2012 年的ImageNet大規(guī)模視覺識別挑戰(zhàn)賽中，卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）被用于圖像識別。在這一次發(fā)展浪潮中，建筑行業(yè)的研究人員也進(jìn)行了一系列的嘗試。其中，圖形處理器（Graphics Processing Unit，GPU）的快速發(fā)展以及標(biāo)記數(shù)據(jù)可用性的增加，共同推動了建筑行業(yè)對深度學(xué)習(xí)技術(shù)的應(yīng)用。

3.3.1 基于CNN的室內(nèi)場景生成方法及改進(jìn)

2018 年用CNN 生成室內(nèi)場景的新方法被提出，這種方法采用了一種獨(dú)特的場景表示，在3D 房間的2D 地面布局中捕捉物體的特征，這種表示允許模型根據(jù)房間環(huán)境學(xué)習(xí)物體的放置。與該方法類似，2021 年一種基于Transformer 的室內(nèi)場景的模型出現(xiàn)，將FastSynth 中的深度卷積神經(jīng)網(wǎng)絡(luò)換成Transformer 架構(gòu)。該模型通過大規(guī)模室內(nèi)場景數(shù)據(jù)集從用戶設(shè)計(jì)的室內(nèi)場景中提取模式，并基于這些模式生成一系列對象及它們的位置和方向來解決室內(nèi)場景生成任務(wù)。不同于傳統(tǒng)方法，該模型不依賴任何外觀信息，而是用Transformer 的自注意力機(jī)制來隱式學(xué)習(xí)對象之間的關(guān)系，從而克服了傳統(tǒng)方法在生成場景時(shí)必須依賴2D或3D外觀的局限性。與傳統(tǒng)方法相比，利用該模型可更快地生成場景。

3.3.2 基于VAE和GAN的房屋設(shè)計(jì)方法及創(chuàng)新

深度學(xué)習(xí)發(fā)展至今，建筑設(shè)計(jì)中最常用的生成式算法是變分自編碼器（Variational Auto-Encoders，VAE） 和生成對抗網(wǎng)絡(luò)（Generative Adversarial Network，GAN）。VAE 是一個(gè)深度生成模型，目標(biāo)是訓(xùn)練一個(gè)神經(jīng)網(wǎng)絡(luò)，使得生成樣本與真實(shí)樣本盡可能接近。而GAN 主要由生成器G 和判別器D2部分組成。生成器G 將輸入的隨機(jī)噪聲映射成一張圖像，作為生成樣本。判別器D 是一個(gè)二分類的分類器，其任務(wù)是估計(jì)樣本是從真實(shí)數(shù)據(jù)中生成還是來自訓(xùn)練數(shù)據(jù)。2019 年基于VAE的生成遞歸自動編碼器來生成3D 室內(nèi)場景的手段出現(xiàn)，即首次嘗試開發(fā)一種生成神經(jīng)網(wǎng)絡(luò)來學(xué)習(xí)3D 室內(nèi)場景的分層結(jié)構(gòu)。該網(wǎng)絡(luò)將遞歸神經(jīng)網(wǎng)絡(luò)與變分自編碼器集成在一起，能夠在不到1 s 的時(shí)間內(nèi)生成3D 場景。該框架的核心模型是一個(gè)變分自編碼器，其編碼器部分實(shí)現(xiàn)了場景的結(jié)構(gòu)分層，編碼了3D 對象的空間屬性、語義以及它們在層次結(jié)構(gòu)中的相對位置信息。而解碼器則從這些信息中采樣，生成場景的新結(jié)構(gòu)。在GAN 提出前，基于數(shù)據(jù)驅(qū)動的場景布局主要有2 種方式：一種是利用CNN 學(xué)習(xí)已標(biāo)注的線框圖；另一種是使用多層全連接結(jié)構(gòu)學(xué)習(xí)元素的幾何參數(shù)（位置、大?。?。隨著GAN 的出現(xiàn)，開始將GAN 運(yùn)用于場景布局，但傳統(tǒng)的GAN 網(wǎng)絡(luò)只能學(xué)習(xí)像素級的布局，無法更深入地學(xué)習(xí)其中的結(jié)構(gòu)依存關(guān)系。為解決該問題，有學(xué)者嘗試將幾何參數(shù)與圖像信息結(jié)合，提出一種名為layoutGAN的新模型。該模型包含2 個(gè)辨別器，第一個(gè)辨別器致力于使初始輸入的隨機(jī)元素類別和幾何參數(shù)更真實(shí)，更好地捕捉全局信息。經(jīng)第一個(gè)辨別器的處理后，模型將幾何參數(shù)轉(zhuǎn)化為線框圖，然后由第二個(gè)辨別器評估線框圖的真實(shí)性。通過這種設(shè)計(jì)，GAN 的2個(gè)辨別器能分別識別幾何參數(shù)和線框圖的真假，提高生成布局的真實(shí)性。

房屋設(shè)計(jì)不僅含場景生成，還包括以圖像為主的平面設(shè)計(jì)生成。平面設(shè)計(jì)生成一直是個(gè)活躍的研究領(lǐng)域，早期方法主要依賴于迭代優(yōu)化，但成本高、耗時(shí)長。有學(xué)者在2020 年提出HOUSE-GAN 模型，是一種新的圖約束生成對抗網(wǎng)絡(luò)，生成器和判別器建立在關(guān)系架構(gòu)之上。主要思想是將約束編碼進(jìn)圖關(guān)系中，即將房間中的布局約束轉(zhuǎn)化為圖結(jié)構(gòu)，節(jié)點(diǎn)表示為每個(gè)房間類型，節(jié)點(diǎn)之間的邊表示相鄰空間之間的連接。在此之上，根據(jù)房間布局圖HOUSE-GAN 中的生成器通過輸入的房間圖結(jié)構(gòu)的約束下生成一組軸對齊的房間邊界框。

4 結(jié)語

本文以人工智能的發(fā)展為主線，系統(tǒng)回顧了近幾十年建筑設(shè)計(jì)領(lǐng)域中對技術(shù)的探索與應(yīng)用。從早期的專家系統(tǒng)，到現(xiàn)今的機(jī)器學(xué)習(xí)和深度學(xué)習(xí)，建筑設(shè)計(jì)已經(jīng)從傳統(tǒng)的手動方式逐漸向數(shù)字化和智能化轉(zhuǎn)型。在未來，深度學(xué)習(xí)將繼續(xù)成為智能建筑設(shè)計(jì)的焦點(diǎn)。其中，機(jī)器學(xué)習(xí)方法在3D 生成式設(shè)計(jì)中將發(fā)揮至關(guān)重要的作用，該方法能讓設(shè)計(jì)師在初始設(shè)計(jì)階段快速生成各種設(shè)計(jì)，從而實(shí)現(xiàn)批量快速生成可變形式的目標(biāo)。此外，為加強(qiáng)神經(jīng)網(wǎng)絡(luò)訓(xùn)練，必須建立一個(gè)更有效的數(shù)據(jù)收集模型來收集建筑數(shù)據(jù)。