何为建筑师？从人工智能看建筑设计进步

2018-2019年间，A.I.人工智能在建筑界里的应用刮起了一股旋风，随着A.I.技术日渐成熟和建筑学者们的积极研究探讨，平面图自动生成程序终于被研发面世。这次的发明不仅仅代表着A.I.技术在建筑领域中的实践范围又往另一个层次抬高，而且可能在建筑实践中带来革命性的转变。就如A.I.悄悄地改变我们的日常生活一样，计算机科学中人工智能的一个分支: 机器学习系统(machine learning system) 和算法（algorithm) 也正在改变建筑领域。其中，自动生成技术(autogenerative design) 因为对建筑师职业构成直接威胁，而在行界里触发了极高的话题热度。到底这股自动生成技术背后的理论基础是什么？经由挑选，在本文中我们将针对3项平面图自动生程序做出分析以了解其应用范围和操作原理，并探索目前在实践领域中的相关案例。

 

 01、平面图自动生成程序

 

1. ArchiGan

 

何为建筑师？从人工智能看2020年代建筑设计发展

 

（1） 背景 

 

ArchiGan是一个由哈佛大学毕业研究生Stainislas Chaillou制作的平面图生成程序。顾名思义，ArchiGan是Archi-（Architecture |建筑）和–GAN（Generative Adversarial Networks | 生成对抗神经网络）的组合。该程序除了能够分三个步骤快速运行以生成一个单户住宅平面图之外，还用了嵌套方法来实现创建整个公寓楼的 "generation stack"来允许使用者针对每一楼层做出客制化的改变，最终生成出一个超出单户住宅简单性的公寓规模平面图。

 

640.webp.jpg

 

生成3个步骤 © Image from ArchiGan

 

（2）生成步骤及原理 

 

第一步骤：Building Footprint 平面布局

 

建筑占地面积取决于周围的环境，研究员利用波士顿市的GIS地理信息数据进行训练 (deep learning) 来生成典型的占地面积。其中，训练过程采用了Isola等人于2017年的发明——Pix2Pix模型和后续在同一年里Wang等人的Pix2PixHD来学习从输入图像到输出图像的映射。研究员将成对的图像，即原始地块和绘制的建筑物平面面积，馈送到训练网络，所以ArchiGan是直接从建筑平面图种学习拓扑特征和空间组织。下图显示训练的典型结果。

 

640.webp (1).jpg

 

平面布局 © Image From ArchiGan

 

640.webp (2).jpg

 

(上） Isola 等人的 Pix2Pix研究（下）Wang等人的Pix2PixHD网络架构 © Image From Source 

 

第二步骤：Program Repartition 空间规划

 

第二步骤是重新分区和开窗。作为输入的是在第一步骤里生成的建筑平面面积， 以及用户指定的入后和窗口位置。研究员利用了800多个公寓平面图的数据库进行训练，并在过程中利用颜色来标注不同功能和提供成对图纸，包括公寓的平面面积和其中实际的空间划分。

 

640.webp (3).jpg

 

空间规划 © Image from ArchiGan

 

第三步骤：Furniture Layout 家具布局

 

最后，使用第二步骤的输出进行下一步的训练，同样是输入成对的图像，房间的颜色被映射到适当的家具布局。这个步骤保留了墙壁的结构和房屋的门窗。

 

640.webp (4).jpg

 

家具布置  © Image from ArchiGan

 

（3）模型链接和公寓生成 

 

Chaillou 将以上GAN原理扩展到公寓建筑设计上，使用算法来依次链接由第一至第三步骤产出的三个模型 （图1），并将连接好的多个图像作为单个图像来处理。客户可以针对第一和第二步骤产出的模型进行单位划分，换句话说，每一层都可以实现不一样的布局，客户可以指定每个单元的入口和窗户甚至楼梯。最后，算法将每个结果重新馈送进行第二步骤（图2），再结合输出馈入第三步骤（图3），最后组装每个楼层的平面图并将所有楼层平面图输出为单独的图像。

 

640.webp (5).jpg

 

图 1 © Image From ArchiGan

 

640.webp (6).jpg

 

图 2© Image From ArchiGan

 

640.webp (7).jpg

 

图 3 © Image From ArchiGan

 

（4）GANs 小科普 

 

GANs(生成对抗网络）全名为 Generative Adversarial Network 是一种机器学习算法，由两个互相竞争的独立深度神经网络组成：

 

1. Generator 生成器：经由训练，可以将通过机器生成数据（大部分情况下是图像），其目的是“骗过”鉴别器。

 

2. Discriminator 鉴别器 ：尝试猜测图像是由生成器生成的还是原始图像，其目的是找出生成器做的“假数据”。

 

新建项目.jpg

 

GANs 生成对抗网络系统 © Image From EasyAI 订阅号

 

如果这听起来还是抽象，那我们可以利用这个类推来尝试理解。将生成器想像为一个艺术仿照者；将鉴别器想象为一个调查者。在竞争的关系中，生成器会制造许多伪造的艺术品，而鉴别器则扮演区分艺术品真假的角色，这就是这两者之间的Adversarial（对抗）关系。总的来说，GANs 机器算法可以利用两个神经网络之间的反馈回路来完善其生成相关图像的能力。下图展示Chaillou在实验ArchiGan程序时用GANs算法产出的训练结果。虽然在一开始的模型不太精准，但在250次迭代后，机器形成了某种直觉，自动生成的数据精准度也越来越高，越接近设计师和客户想要的结果。

 

640.webp (9).jpg

 

ArchiGan 训练结果 © Image From ArchiGan

 

2. Evolving Floor Plan

 

Evolving Floor Plan 是乔尔·西蒙（Joel Simon）在2018年探索优化学校蓝图的一个实验项目。乔尔是一名纽约洛克菲勒大学（Rockefeller University）的实验室成员，从事生物物理学的研究。在此项目中他使用图收缩(graph contraction)和蚁群路径算法(ant-colony pathing algorithms)作为平面图算法模式。这个算法可以生成针对各种特征而优化的小学设计，例如：最小化走廊的长度以减少步行时间、布置室外景观和缩短逃生路线等等。

 

640.webp (10).jpg

 

（1）原始布局 

 

在缅因州的某所小学的原始布局。

 

640.webp (11).jpg

 

（2）算法优化 

 

左图：经过算法优化，可最大程度地减少教室之间的流量和建构材料使用率。右图：经过优化以最大限度缩短走火通道。

 

640.webp (12).jpg

 

（3）设置窗户 

 

添加窗户并把教室设置为比储藏室具有更高的优先级。这个设定促成许多内部庭院便逐渐生成。

 

（4）生成原理 

 

生成模式运用了两种算法：

 

(一）Graph Contraction 图收缩算法

 

功能是创建有视觉吸引力的布局图。

 

(二）Ant-Colony Pathing 蚁群路径算法

 

功能是使用蜂巢状特工来寻找出最佳路径的概率方法。

 

在生成模拟过程中，属性基因编码将控制各个方面的元参数，直接对整个布局进行优化，并不需要针对每一条走廊进行另外编码。而每个房间都有各自的节点基因，该基因包含了设计师输入如房间的大小之类的信息。连接基因会指定两个节点基因之间的连接以及给予随机化的初始权重。就这样节点基因以随机的方式逐渐添加直到形成一个完整的基因连接图。除此之外，设计师可以输入邻接要求，如自助餐厅必须与厨房相邻，这种设定将会形成最大边缘权重的子图。这种遗传编码是NeuroEvolution of Augmenting Topologies (NEAT) 的概括，它可以将神经网络进化发展为图形，并在训练的过程中使用历史标记，允许拓扑变化的图形交叉。最后形成可以提供设计师参考拥有多个不同房间数量的平面图。

 

（5）生成 Mapping 总览 

 

640.webp (13).jpg

 

a) 使用光谱布局作为输入的初始物理模式。

 

b) 物理模式的最终结果

 

c) 红色外壳被放大以产生紫色Voronoi种子边界

 

d) Voronoi布局创建几何网格

 

e) 以黄色添加内部边缘，并绘制走廊

 

f) 形成最终平面图表型。走廊合并为最终几何形状，以及内部边缘设定门口位置。

 

（6）门廊生成过程 

 

640.webp (14).jpg

 

a) 具有三个房间的平面图表型

 

b) 创建内部节点和边缘

 

c) OHP的初步成果，选定的边缘以红色绘制

 

d) 向内移动走廊顶点

 

e) 使用圆形半径与流量载荷促成的比例来创建走廊的几何形状

 

f) 形成最终走廊几何形状，设定门口位置

 

（7）未来应用 

 

乔尔此实验项目的初始概念是想借用算法设计一个可以随着学生课程表的改变而演变的平面布局。但实验项目并不是最完善的，乔尔指出算法指标还未加入其它诸多考量，如地形、太阳途径、现有树木和其它种种环境因素，但是有一点可以参考的是以上两种算法的原理可以使用在办公或医院布局上。例如办公部门之间的共享行道的百分比最大化，又或者缩小手术和病房之间或在护士与患者之间的路线。种种诸类的可能性都可以通过利用人工算法原理计算出最高效的平面图布局。

 

3. Finch3D

 

同样是在今年，两所瑞典建筑工作室Wallgren Arkitekter和BOX Bygg共同开发了这个名为Finch3D的平面图自动生成设计工具。Finch设计工具具有响应性，它可以帮助设计师在在项目早期阶段用作为设计工具，不管在任何位置和场景上，多大多小多宽多窄都可以进行设计模拟。该工具是建立在Rhino/Grasshopper之上开发。

 

（1）应用范围 

 

Finch3D策划于2020年推出作为Rhino中的Grasshopper的12种具有不同功能的插件面世。这些插件不管是修改面积、楼层还是体量，都可以快速实现精细化计算并自动生成平面图。

 

640 (15).gif

 

ADAPTIVE PLAN -  根据给定参数实时生成相应平面空间配置方案

 

640 (3).gif

 

MULTIPLE PLANS - 任意设定地块范围，根据建筑路径自动生成多个住宅平面图。

 

640 (4).gif

 

SQUARE METERS - 利用进化求解算法evolutionary solvers and algorithms找到楼盘得房率最高的点，从而节约投资。

 

640 (5).gif

 

COLUMN GRID - 使用Galapagos在有机建筑里优化方形网格和柱子的位置。

 

640 (6).gif

 

3D ORGANIC - 将有机形状的建筑分成所需大小的公寓，楼层高度可以随意增减。

 

640 (7).gif

 

FOOTPRINT - 通过折线创建建筑路径和建筑占地块，并实时进行尺寸和比例的即使计算。

 

640 (8).gif

 

VOLUME - 根据不同路径自动生成建筑体积。

 

640 (9).gif

 

STAIRS - 随设定层高一键生成所有楼梯。

 

（2）目前开发进展 

 

根据官方网站上看来，目前的进展已经推出了4种插件两种格式（grasshopper格式和3Ds Max格式）供给公众下载使用。下载链接请参考参考文献。

 

640.webp (15).jpg

 

FInch3D 官网 © Image From Finch3D.com

 

02

 

实践项目中的自动生成设计案例

 

（1）优化城市小区

 

除了以上三种平面图自动生成器之外，在国外目前也有不少正在把A.I.自动生成设计工具融入到实践项目中的案例。例如日本的大和房屋产业正在和Autodesk合作使用自动生成技术来设计城市住宅。其目的是在日本土地短缺以及稠密城市中找到一个可以在小块土地上优化设计的方法。设计师和工程师只需要输入参数，例如设计目标，材料，制造方法和成本限制，便可以快速生成大量的设计解决方案供设计师参考。大和房屋产业对此简化系统抱持非常欢迎的看法，并策划将训练销售人员用此工具，在未来根据快速自行输出结果和客户直接进行展示。