【Skywoolf主讲】北京城市建筑双年展沙龙内容回顾:《AI辅助设计与创作模式创新》​

2021年10月25日 2,696

今年很荣幸我司收到北京城市建筑双年展的邀约,与建筑及互联网相关行业的领袖共同探讨未来的设计及建造方式,这是skywoolf大大首次以讲座形式公开探讨关于《AI辅助设计与创作模式创新》的内容。借此机会,数字冥想诚心和大家分享这次双年展的讲座,内容干货满满,有skywoolf本人近十年的技术探索总结以及诺亚三年开发历程的实践经验、感悟。同时欢迎大家转发评论、一起参与探讨交流。

点击下方视频链接。观看精彩内容回放

https://www.bilibili.com/video/BV1eq4y197BV/



skywoolf:今年有很多新朋友是通过这款名为诺亚的智能化辅助设计工具了解到我们的。它的主要功能目前是在住宅前期强排环节中。通过AI算法衍生为我们提供各种多样化的参考方案。原来需要我们手动一个楼一个楼的去排、算日照,现在有了诺亚就可以全自动计算了。那么对于人工智能开始做方案的问题,我想大家最关心的问题应该是:计算机生成出来的方案能靠谱吗?这样的技术,它的背后究竟是怎样的具体过程?


今天,我想在这里回答三个问题:



01
诺亚团队的技术起源


说到技术基因不得不提的是:我作为首要创始人,在2009年的时候创办了参数化建筑论坛。这个论坛在2011年成为了国内本领域最热的交流平台,至今仍在持续地为大家公益推广参数化技术。
在过去十年间,在与广大参数化爱好者的交流过程之中,我们积累了非常多关于计算几何算法编辑的经验。针对Grasshopper的技术交流,在我们的论坛上就积累了约3500个的技术主题。所以说,从技术基因的角度来讲,我们团队一直没有停下对参数化技术的研究和总结。

NCF论坛网站:http://www.ncf-china.com/forum.php

第二个很重要的技术基因,是我们数字冥想的前身是C+Z建筑师工作室的数字化设计团队。该工作室在2008年到2013年之间,参与了大连国际会议中心的工程设计,由我们的崔岩总建筑师作为中方设计人与奥地利蓝天组合作完成了整个项目。我们的建筑方案团队,也通过这个地标性的工程获得了很多关于参数化技的实践积累。

在2011-2015年期间,我们一直在不断地实践这项技术,去做项目投标和一些落地项目。我们越来越发现在设计的过程当中,有非常多的机械化制图工作是完全可以用参数化技术程序取代的,当然也可以把设计去做的更加科学更好。


在2017年的时候,C+Z和NCF共同联合推出了NCFZ数字设计平台。目前平台在国内一直在做技术的教学普及。我们把过去十年的技术经验、实践总结出来的要点,呈现在教学视频和书籍当中,向全行业进行技术普及。如果说,在早年学习这些技术需要几年的时间。那么通过我们平台的整理,可能只用几个月或更短的时间,大家就可以到达相对比较高的使用水平了。

通过不断的实践积累,我们也在不断思考参数化的本质。于是在2018年开始逐渐地尝试把技术通用化,希望能在日常建筑设计的每个环节中,把程序植入进去。用程序来辅助我们生成更多的方案,扩充思考空间。下图是我们目前在城市规划设计上的尝试。左侧图看起来虽然是随机生成,但是它里面也要有一定的参数录入,包括录入容积率,建筑的体量参数、间距参数,在一定的规则下去做体量生成。右侧的图是我们之前做独栋办公建筑规划,在一定日照间距的控制下,用计算机去衍生强排。所以说算法会在我们方案前期策划过程当中,为我们提供大量的形态参考和数据参照。

下图是在2015年的时候我们做的投标项目,当时因为时间很紧张,如果用传统建模方式可能无法完成工作。所以我们团队用参数化将整个方案的立面完全用程序生成。这套算法最终的效果可以做到平面无论怎么修改,立面一直跟着自动在变。

在这个项目当中,我有一个非常深的体会,就是在过去我们做方案的时候,都是把建筑看成一个凝固的状态,但是当我开始尝试把整个立面写成程序的时候,其实一直在设计的是一种逻辑关系、比如立面元素的动态比例,他们相互之间的组合逻辑。我感受到一种设计风格,可以永远存在算法当中。我们可以不断的完善、修改。它可以不断地适应不同的建筑和项目。

这是我们团队曾经在一个普通高层项目当中做的立面算法人机互动系统,把所有的幕墙类型构件全部写成了独立生成算法模块。然后可以由设计师自由地去调整,只需要录入修改参数,模型就可以自动生成。在以往的工作模式当中,我们可能更多的把时间都放在了建模本身这件事情上,浪费了很多时间。那么有了这样的系统之后,设计师就可以把目光聚焦到比例关系的推敲上,把时间留给我们思考怎样把方案做的更好。

通过我们的程序系统实现的关于平面办公的自动生成和地库车位自动生成。虽然这些图形框架都处于方案早期,但在我们去做前期策划的时候,往往设计师需要更多的数据支持。像这样输入轮廓就立刻能知道这里要排多少车位、车道大概是什么样,办公室的面积比例等等数据,都能对我们的方案决策起到很大的辅助作用。

下面这个项目是我想重点介绍的。这是我们在2018年做的一次投标。当时场景很特殊,一共有40多栋建筑,每栋建筑的功能平面都不一样,它是好几个学校建筑群组合在一起。整个投标周期非常短,如果说要想完成这样浩大工程的图纸量。基本上是需要十几个人,两三个团队去干一个月,但当时的时间和人手基本上是不太可能的。所以我们出了两个参数化设计师,大概花了一周的时间搭建了一套完整的生成过程。生成内容包含了整个总图的设计,每个楼单体平面的生成、立面、剖面以及最后排版出图,加上分析图的绘制全部是由计算机程序来完成了。最后整个程序生成的过程只需要大概十分钟的时间。

左上角是当时生成完的立面的犀牛模型,其他是平面生成包括家具的布置和结构框架的生成,基本上最终图纸达到了投标阶段技术标文件的设计深度。在整个项目的尝试当中,我们也深刻认识到了在日常的项目当中,有非常多的机械化制图工作是完全可以被程序化的。所以我们也希望能把这种技术通过诺亚近几年的努力做好打包、整合,能够向全行业去推广和分享。


总结一下在过去的十年,参数化技术对于我们团队来说就像纸和笔一样。我们一直在不断的尝试用它来解决各种各样的设计问题。一旦一个算法被写的非常成熟之后,这个问题就永远的被解决了。而不再需要人去重复的做这些无意义的工作。这也是一直以来我们想把这坚持下去的、觉得这会是行业未来方向的原因。 从我个人来讲,很敬佩能在一线一直去坚持使用参数化技术做设计的团队。因为我觉得他们是非常非常辛苦的,他们在做尝试的时候,要顶着非常大的开发压力。但是一旦开发完成之后,团队的能量和水平就实实在在的精进了一分,随着时间不断积累,不断翻倍。这样的技术团队不会因为人的能量局限而过早的触碰到发展天花板。因为算法一旦被写成,它就永远的存在在那里,它是积累,可以去帮助我们秒杀各种工作,它是提效的。



02

诺亚团队是如何做到的?


刚才所讲是我们以前做过的尝试。接下来我想讲一下这些智能化程序是如何实现的。首先,我们都知道,建筑设计是一个非常非常复杂的过程,包括我自己,亲身体验多年,也有深感其中的浩瀚。即使是把其中很小的一个环节摘录出来,想把它写成程序也是一件非常困难的事情。那么为了把这项几乎不可能的事情完成,我们所用到的核心解题思路就是一细分目标,二细分方法。

所谓细分目标,是将整个建筑设计的流程拆分成了近百个设计的环节。左边是从设计角度出发,将完整的设计过程拆解。右侧是我们的标准工作流程内容,可以理解为独立的工作单元。

那么,当我们把设计工作分解成若干的工作节点之后,我们发现里面有近70%的工作是非常机械化的制图工作,比如算指标、比如做强排,这些内容非常占用我们的时间。那么剩下的30%是什么?是方案的创意,是我们每个设计师真正不一样的、最体现个人价值的地方。但在这30%当中,仍有大部分的内容是制图工作,因为构思的过程同样需要通过工具来表达,不管是手绘也好、su建模也好,我们需要自我反馈来构思。通过不断的画图,去审视、去修改,去找到我们真正对方案的感觉。所以说,我们日常做的工作,大部分时间都是在制图,而这里面有90%的事情是可以写成程序去执行的。


这张卡片展示的是我们目前一个单一住宅强排算法,它背后算法逻辑的复杂程度。分成几个步骤,每个步骤分成很多分支,每个分支都会有判断筛选。虽然说当我们只给一块地做住宅强排的时候可能没有这么复杂的流程。但当我们想把它做成普适化的程序时,让大家拿到各种各样的地,各种各样的楼都可以去智能强排时。这件事情就非常非常难的。所以,我们现在的数字冥想团队,每天都在做如此复杂的程序开发。大家看到它的复杂程度不亚于我们去做建筑的工程设计,是一种很浩大的计算机编程。里面每一行逻辑代都表着几百行代码,或者是几百个电池。目前这个案例,如果我们要是用gh电池为单位把它量化,它大概是在3万Grasshopper基础电池左右的开发量。


目前,我们的团队已经建立了自己的研发体系和方法,在实现更多宏观目标之前,先做好各种基础的代码库建设。就目前为止,我们已经积累了近千个开发级电池,都是用来解决基本的几何计算问题的,以及它的上层会有几百种绘图级电池,都是建筑师日常的绘图动作。比如说摆车位、画墙等等。那么再往上涉及到整个方案推演的筛选判断,这类更宏观的算法,我们称之为工作流级,也有近几十个模块。它们是层层之间搭接后组成的体系。这样就大幅度的简化我们开发复杂程序的周期。目前,我们重新搭建一个万级电池以上的逻辑,大概只需要一周的时间。所以大家可以想象,一件原本上工程非常浩大的不可能事情,已经在过去的几年里头被我们逐一地体系化,并且这种方法体系可以不断地去创造新的功能。

回到今天的主题,我们在讨论人工智能。参数化和人工智能有什么关系呢?我们也是在今年开始关注人工智能领域的学科知识,发现了一个词汇叫做“专家系统”。它指的技术方向并不是从最底层的数据开始分析、它不是像机器学习那种自下而上的找方法。而是从逻辑的最顶层,从建筑师做设计的思想出发,根据人的经验和解体步骤来模拟编写程序,最终借助一个复杂的推演程序去自动化的处理问题。这就是“专家系统” ,它正是对于诺亚这几年开发技术形态的一种宏观描述。而据我们了解到的,专家系统普遍存在在各行各业当中。我们看到的人工智能,尤其是前期的系统当中都有它的影子。而在整个人工智能时代发展的脉络当中,尤其在第一次人工智能浪潮的时候,专家系统扮演的是非常主导的角色。

 所以我们得到了这个概念之后也非常欣慰,因为这标志了数字冥想在不断推进建筑参数化技术应用的进程中,已经在不经意间自研到人工智能领域里。正是因为我们算法团队非常擅长去搭建复杂的算法系统,也因为我们同是建筑师出生,有着更专业的行业实践经验。所以我们才能将行业的算法技术推进至人工智能的早期形态。目前,整个建筑行业的数字化仍处于早期阶段。我们认为专家系统是在这一阶段快速推进行业技术落地的重要基石。

 从人来制图到机算计全自动化制图,我们需要经历这四个阶段。

首先,一定要有行业设计经验的总结。其次,要形成固定的工作模式和流程。那么接下来就是现在数字冥想正在搭建的属于建筑行业的专家系统。只有当我们把所有的制图指令、建筑师的常用逻辑,都总结为程序之后,行业技术的升级才会迎来第四个阶段,正式普及机器学习。而目前只要我们能在近几年实现了第三阶段的专家系统,行业就可以实现整体上90%的提效了。
回答一个相对比较专业的问题,就是之前会有朋友问我们整个开发工作基于什么样的平台?在早期的时候,我们一直是在做的,包括去年开源的,都是完全基于grasshoppe开发的。但是从去年开始,我们为了大幅度简化大体量程序的开发工作,独立研发了名叫GAAE的通用建筑设计引擎。它可以用来管理编辑更宏观一点的设计逻辑算法?GAAE和grasshopper是完全平行运行的。我们在GH平台上可能做的各种绘图指令的操作,它们类似具体的画图动作。同时在GAAE上分析这些结果并对算法模块的组合做一些宏观的调度。两者的配合,就可以大幅度的降低庞大程序的开发难度,提供开发效率。

这里大家看到的是诺亚产品的无人测试现场,如右下角是研发团队的工位,到了晚上计算机自主运行测试算法。因为每次软件产品的升级,都需要经过很多的测试和打磨,几万个电池中有一个出了BUG,基本上整个这套程序就会全崩。所以说我们也一直强调希望大家在试用的时候能够正确的录入数据。今年整个诺亚从3月30号到现在已经更新了将近快15次吧。每次我们都会把根据大家给我们的反馈意见进行优化调整。那过程当中每一次都需要有大量的测试工作去保证产品的完善性。所以我们的开发人员站在诺亚的对立面上去写了名为”耶和华”的测试系统。每天晚上对诺亚的系统进行测试、数据分析,信息反馈。在这过程当中比较惊喜的就是,一开始我们在去做这件事的时候,仅仅是为了去解放自己人研发的劳动力。但是在做的过程当中,随着我们看到优化系统不断地聚集每次生成的数据,我们发现了这些数据库有很多深挖的价值的。目前的“耶和华”也在逐渐的升级,未来会往数据挖掘和深度学习的方向上继续探索。

03
我们的未来发展规划


好的,那么最后是简单的展望,因为现在我们的住宅强排产品已经上线了,前不久也在与用户交流的过程中逐渐挖掘出来了一种崭新的工作方法叫做“AHA”的智能化辅助设计工作流。

何谓“AHA”?但凡我们在做一项设计工作,里头包含了人的创意。我们都可以用这套工作流进行90%以上的提效。第一个A代表着用人工智能算法去做智能衍生,给我们推荐很多不同的方案做比选。可能它们不是直达的方案,但是每一版方案都能给我们提供参考。第二个阶段是设计师本身作为人一定要对计算机生成东西进行把控和调整,比如说我们希望某个楼要放在中间,或者是有其他细节调整。就可以用很简单的人机交互机制把数据录入到我们的程序当中,人只需要做简单的修改即可。最后一个A,代表程序自动对人改过的结果进行优化算法。比如自动帮我们把日照不过的楼调整到正确的位置,自动补充景观道路,包括各种各样的分析。虽然说目前诺亚上线的只是住宅强排案例,但是AHA的模式应该是普遍适用在我们的很多设计场景当中,比如说办公室的排布,地下车库的排布。因为只有人的介入我们才能让成果变得更加的专业落地。如果说要在现阶段追求去让算法完全独立生成一个理想的方案。这是一个伪命题,因为任何一个人做的方案,也很难去获得所有人的认同。所以在这里,我们更希望思考人和人工智能之间如何去结合,如何去互动,如何共同实现我们整体设计工作行业的提效。 

在下一步的开发场景上,这是一个早期的宏观设想。这项技术的价值并不仅限于Ai强排,在很多日常工作当中都有可挖掘的价值。这里x轴是整个设计的各个环节,把它分解成了近百个步骤。y方向代表不同的项目类型,比如说会展、医疗等更多的项目。XY交织而成的网格其实就是诸多可以开发的平行模块。那么z轴是我们给每个开发模块制定的可升级的智能等级维度。随着智能等级变高,这个模块智能性会越来越强。

具体来说,就是我们早期总结过的五阶论:首先,任何模块想做到计算机全自动出图都需要经历这个过程。第一步是一阶阶段,要用参数化的技术把它完全实现,我们称之为全参建模,这样可以把所有的建筑模型全部数据化,让计算机能够读取这些数据。第二个阶段是提高整个算法的适应性,比如原来只是针对方形用地排车位,现在我要针对任何的地形排车位,增加适应性。在过程当中,就已经进入到了专家系统早期阶段。那么三、四阶都是为了完善专家系统,让庞大的体系变得越来越灵活,越来越适应我们实际的需求情况。最后在五阶,我们就可以引入目前比较主流的深度学习、神经网络等算法,对前期的专家系统进行归纳,让整个循环变得更加智能。特别强调一点,没有前四阶专家系统的成熟搭建,像直接实现第五阶的机器学习,在我们看来是急于求成的,这种模式是基本无法落地的。

最后总结一下,我们目前正在平行开发很多模块,会在我们的网站上陆续更新。关于我们的信息,NCFZ数字设计平台微信公众号每周都会有一篇更新。所以欢迎大家可以随时来了解我们的最新动态。希望数字冥想团队能够成为建筑行业的科技探路者,能从建筑师的角度出发为大家提供更多和行业相关的技术思考,并分享给需要它们的人。谢谢大家!

精选评论

0 条

去评论