技术开源×立面智能：DigitalFUTURES开营预热
题记：前不久看到一篇关于AI通过二维图像生成三维模型的文章，很震撼。拍几张照片，三维模型就生成了。这背后孕育的机变，不用多想就已经很刺激了。
但是，身为参数化设计师出道的我们确实有别样的看法。暂不谈任何算法都必然存在的缺陷，单看看设计师建模这件事情，何以谓“建模”?
任何模型（包括图纸）的背后，
都孕育着独特的生成逻辑。
同一个模型，不同人绘制的方法不一样：从建模角度讲，其中有主次、有先后、有包含与被包含，有镜像与复制……从成果的角度讲，其中有内在的比例关系，有逻辑上的关联，有模数化的建制，有情感表达的侧重……也许对于非设计人群而言，这些信息是抽象的，是触碰不到的。但对于设计师而言，失去了这些往往意味着创作的空洞，甚至无所适从。因为设计是需要生长的，而非凝固的。每一个最终的方案都是一套独特的逻辑孕育而生的。对于参数化设计师更是如此，建模的逻辑远比最终的成果更具有价值。
正是为了守护这份价值吧，感谢DigitalFUTURES给NCFZ提供的平台，我们相聚在一起借助【建筑立面理解】这个课题交流一下。我们应该如何用行业算法逻辑技术面对AI？在这个时代的进程中，建筑师和参数化设计师能扮演什么角色？当然，也借此机会来续写诺亚智能立面系统的技术开源之路。
OK，以下开始正文 ……
主题：AI建筑立面理解+诺亚智能立面生成匹配
承办单位：杭州数字冥想建筑科技有限公司 | NCFZ数字设计平台 | 诺亚叁数核心开发团队
研究方向：如何根据立面参考图片自动匹配生成与其特征相近而不一致的立面方案设计模型。研究题目限于线条感清晰的现代风格，生成模型深度可达LOD300，可用于方案实践。
技术包含：AI图像识别（迁移学习）+ AI专家系统（GH模拟）+ RPA制图（GH诺亚五代智能立面生形框架）
—摘录本次DigitalFUTURES – NCFZ工作营招生文案
设计“系统” 并不等同于设计“生成逻辑”
这次的课题我们会实验性的发布一套系统，这里强调一下，之所以称之为“系统”，是因为它不是任何一种形式的固态逻辑，而是一种生成各种逻辑的程序自由组合框架。也就是说，它更像是一套可以用于自由衍生各种生成逻辑的程序、方法论、自定义工具平台。好的系统可以兼容承载各式各样的建模逻辑，辅助设计师快速便捷地自定义逻辑算法，同时也可以大幅度缩短程序debug和后续升级维护的开发人力。所以这次工作营，我们会纵向解析从2015年-2022年间，NCFZ团队对立面生成框架系统的四轮理解进化。最终和大家一起讨论并开放第四代诺亚智能立面系统。
行为篇
认知-逻辑-行为，先从我们最熟悉的设计【行为】开始说
NO.1 RPA制图（机器人流程自动化制图）
当下中国的建筑数字化水平正在发生着翻天覆地的变化，自动化制图正是其中一个关键的核心环节。我们可以简单理解为这项技术正在将设计师的制图行为转译为自动化程序。而中国诺亚团队已经在这条技术赛道上率先推出了第五代智能生形系统框架。本次会议交流，诺亚团队将借助立面生形这个题目，充分展示智能系统生成立面模型的高效性和便捷性。整个系统可通过Grasshopper平台开源展示（附诺亚二次开发的立面分形插件），方便Grasshopper参数化设计师洞悉其技术本质。
—摘录本次DigitalFUTURES – NCFZ工作营招生文案
我相信用Grasshopper做全自动立面生成这种技术大家早已经不陌生了。问题是怎么样用一套模式程序生成各种各样的立面？一旦这一关被打通，我相信智能立面的生成时代将会被彻底开启。当然，交流还是要讲客观性的，之前我们迭代了一版又一版“打哪指哪”的程序框架，如今则应该复盘一下，开始认真讨论“指哪打哪”。
以下是用时间和实践论证的过程
初代智能立面框架（2015年）开启于NCFZ的《三叁》电子期刊
讨论：如何定制某一种立面风格算法，使其能够自动适配各种建筑形态。
二代智能立面框架（2018年）开启于诺亚青衫版开源文件
讨论：如何用诺亚二阶智能算法框架兼容多样化的立面生成变化。
三代智能立面框架（2020年）即将开源
讨论：实战性立面方案算法组织框架，提出“立面库”、“立面组合形式”、“立面区域匹配”等多个概念。
五代智能立面框架（2022年）即将开源
讨论：如何将日常建筑语汇翻译成立面自动生成程序，实现立面库算法规模化，多样化。这部分技术应该会伴随一系列的算法共享、算法开源、插件开源、二次开发开放等模式与大家陆续见面。
智能立面系统的升级迭代，在建筑设计整个行业的应用推进是一个全新的维度，从行业大部分工作现状来看，立面设计工作与其他部分设计工作相对脱节；从业主需求来看，多样化的立面风格选择是刚性需求；从城市发展来看，多样化、标准化、节能化也是大势所趋，所以这个领域的技术发展很值得我们重视。
逻辑篇
认知-逻辑-行为，设计【逻辑】是建筑师的宝藏
NO.2 AI专家系统（可控性复杂工作流程定制）
技术的【落地性】是AI目前在中国建筑设计行业发展的本质问题。复杂的设计需求、变化的信息环境都在制约着AI技术不能在分项细节场景中落地。专家系统则是让AI应用从宏观场景过渡到细分场景的一种必要技术形态。如何建立复杂可控的专家系统？诺亚团队已经基于GH以及GAAE（自研平台）搭建了完整的开发布署体系。目前这种技术已经在合作项目中投入实践。
—摘录本次DigitalFUTURES – NCFZ工作营招生文案
每一位建筑师的通用设计逻辑，或是某一类型设计的通用设计规则，都可以闭合成一套AI专家系统；当然这套系统也是基于专家经验编写的，一旦固化，它就有了明确的定向性和局限性。所以有声音认为专家系统过时了，对其不看好是可以理解的。
参数化设计因为本质上是在编辑模型生成逻辑。所以当程序开始考虑自适应，判断性计算，运算流选择的时候也就带上了专家系统的基因。我们可以把参数化模型想象成一个木偶，专家系统就像是控制这个木偶的那些线，甚至是驱动这些线背后的机器。每一个参数模型都可以有其背后复杂的程序，来不断提升其计算能力和优化计算成果，当然这个编写过程，我认为只有设计师本身最能体会其价值的。
对此，面对建筑行业的专家系统我们值得思考的有三个问题：
1.如何能够降低专家系统的编写门槛，使其对大众开源开放？
2.如何定义一种开放式的专家系统的自由组合框架，让程序自动生成不一样的专家系统？
3.以上两个问题，有没有同一个答案？
基于以上三个问题的思考，我的结论是【专家系统】是人工智能技术在建筑科技领域的必要形态，是未来连接诸多数字化技术应用场景的中间枢纽环节，其扩展潜力和维度还未见真正的天花板。
认知篇
认知-逻辑-行为，把认知的【误解】控制在最小的范围内
NO.3 AI图像识别（建筑立面理解 | Facades Reading）
随着深度学习的发展，如今在计算机视觉领域表现非常出色，并且有了很多实际应用。自2010年以来，根据ImageNet大规模视觉识别挑战赛（ILSVRC）的结果来看，来自全世界的优秀的人工智能研究团队，正一步步地将错误率从25%减少到5%以下，逐渐逼近人类对图像分类的识别的错误率。2012年，AlexNet在比赛中大大超越了以前所有基于非深度学习的模型，成为第一个在ImageNet分类上表现出色的大规模卷积神经网络体系结构。现如今，10年之后的2022年，这一领域又诞生了很多更优秀的卷积神经网络体系结构，比如VGG，ResNet，SENet等。
本次Workshop我们将使用Pytorch，在ResNeXt (ResNet的下一代) 的预训练模型基础上，通过对较小的数据样本（2217个）标记，进行迁移学习，尝试训练一个能够理解建筑风格关键特征的一个模型，为后续立面模型生成提供依据。学习这部分的内容，不需要会编程，不需要会Pytorch，只要有基本的数学逻辑理解能力就可以，0基础入门人工智能。
—摘录本次DigitalFUTURES – NCFZ工作营招生文案
本着建筑师严谨的基因和科技探索者开发的心态，我们一直有在为建筑行业观察各类型AI算法的应用模式。目前备受瞩目的一个应用范畴就是图像识别。某种意义上讲，这种技术已经在很多领域运在高度成熟化的应用了，当然进一步思考这些应用领域大致都有一个共同的属性，就是容错空间。当算法的判断失误率已经小于人的判断失误率，或者应用场景可以接受一定层度的判断失误时，我认为这些技术的产品落地形态是成熟且实用的。
当然，在大型程序自动化执行的模式里，任何小bug都是致命的。好比一万个gh电池串联，一个出错就会导致计算失败。逻辑推演也是如此，认知判断的失误，会影响接下来所有的决策。所以，如何降低这种“误解”，甚至做到零容错一直是我们持续观察思考的课题。一方面要把识别题目和分类设计好，降低判断的错误率，另一方面可通过专家系统的计算经验来修正一定的“误解”，这些都是可以持久研习的AI技术课题。
最后，剩下很多干货还没有聊的，就留给我们的工作营吧~
即将启动
6月26日 – 7月2日，欢迎行业老铁前来关注
截止目前本次DF工作营的招生工作已经圆满结束，对上述技术内容感兴趣并希望更深入研习的朋友也欢迎关注或许NCFZ暑期上线夏令营的相关安排。