同济大学/第6章数字建筑学的未来展望/6.1.3 人工智能在建筑全生命周期中的应用展望（上）

聚焦于人工智能在建筑设计阶段的前沿应用与案例实践。随着算力提升和工业化发展，计算机在建筑学中的角色正在从单纯的“建造与建设”工具，转变为协助人类进行思考和决策的“设计机器”与“运营机器”。

人工智能在建筑全生命周期的三个主要阶段均有深度渗透：

传统参数化设计依赖于建筑师事先在程序中编写硬性规则，设计空间的探索深度仍受限于人类设计师的个人能力。而将机器学习模型、统计学原理与计算相结合，可为设计工作流带来更丰富的可变性。

案例一：震后结构安全评估框架（PCA 降维）
- 由章鱼等人完成的研究，利用主成分分析算法（PCA）对高维数据进行降维，发掘更易理解的特质。
- 该方法自动生成设计变量，能极大地加快样本价值信息的处理速度，辅助建筑师在极短时间内确保结构安全并优化采光环境。
案例二：ETH 结构找形（CEM + SOM + UMAP）
- 该研究将结构找形与最先进的机器学习算法结合，极大地扩展了建筑师与工程师的典型设计空间。
- 技术路径：
  1. 使用组合均衡模型（CEM）为输入参数生成多种处于平衡状态的空间网格。
  2. 运行自我组织映射（SOM）算法将这些网格进行聚类，并以表单（fmap）形式呈现。
  3. 借助均匀流形近似与投影算法（UMAP）解析并解释解空间，提炼出关键的结构知识。

生成式对抗网络（GAN）等技术，正在将耗时的人动执行设计规则转化为自动化流程，广泛应用于平面生成、渲染以及风格转换。

2017年提出的工作流：首先利用神经网络将光栅化图像转译为代表几何和语义信息的特征点（如墙角、门端点）；然后通过整数规划（Integer Programming）将节点聚合为简化的墙线、门线和图纸框，最终自动组装成保持拓扑一致性的 3D 实体模型，用于室内可视化、建筑改型或后续的数据分析。

由哈佛大学毕业生 Stanislas Chaillou 研发，通过三个级联步骤生成单户住宅平面，并能通过嵌套方法创建整栋公寓楼的生成堆栈（Generation Stack），支持每层楼的定制化修改：
- 第一步：建筑轮廓（Building Footprint）。基于波士顿市的 GIS 数据，利用 Pix2Pix/Pix2Pix HD 模型学习从原始地块到建筑平面边界的映射。
- 第二步：空间划分（Program Partition）。引入用户指定的入口和窗户位置，对 800 多个公寓平面进行训练，利用不同颜色标记卧、餐、客等空间，使算法学习其面积与空间邻近关系。
- 第三步：家具布局（Furniture Layout）。将第二步的色彩分区映射为相适应的家具陈设，在保留墙壁和门窗结构的同时增加家具构件。
- 多模型链接：算法将这三个模型串联并作为单张图像处理，客户可以对第一和第二步结果进行定制化反馈，算法再将修改实时反馈并重新计算，最终组装输出整栋公寓楼的完整平面。

冰水空间生成：同济大学 2021 年四年级教学中，学生通过对操作物体和传角冰水空间的学习，实现了通过控制操作物来生成冰水空间建筑。
StyleGAN 立面设计与属性操控：同济团队硕士研究采集了新马地区 1000 张 2~3 层房屋照片进行 StyleGAN 初始训练，生成了一个 512 维的潜在空间（Latent Space）。建筑师可以通过移动该空间中的操控点来改变立面属属性（例如将任意屋顶变为倾斜屋顶）。
解决特征纠缠（Feature Entanglement）的两阶段实验：
1. 在第一、二训练周期使用相同训练集进行假设检验，发现加入黑白/浅灰立面图像后，原本呈蓝/棕色的建筑确实转为了灰白色，但该过程耗时较长且多次迭代后会影响结果质量。
2. 对比“语言描述（StyleClip）”、“图像查询”和“批量规则”三种控制方法，发现基于语言描述的 StyleClip 方法在耗时和生成精度上最为有效，展示了 GAN 无缝嵌入建筑设计流程的可能性。

在设计评估中引入机器学习，能替代计算耗时长的传统模拟软件，快速辅助设计师进行决策：

会议室空间利用率预测：基于 6 座建筑的经验数据训练人工神经网络，该网络预测会议室未来实际使用情况的准确度超过了人类设计师。
室内日光性能预测：开发了能够预测室内空间日光自主水平（Daylight Autonomy）的人工智能网络，用以替代传统计算量大、极其耗时的日光模拟软件，实现大尺度、自动化的视觉环境评估。