探讨了人工智能（AI）的基本概念、传统编程与机器学习/深度学习的本质区别、哲学层面的意识与创造力争论（后人文主义与人机共生），以及建筑智能发展的四个核心阶段。
一、 人工智能的概念定义与三代分类
- 人工智能的运行模式：广义上，AI 的基础操作模式是输入训练数据，经过多层算法的训练，最终输出预测或判断结果。
- 基于人类行为模仿能力的三种 AI 类型：
- 狭义人工智能（ANI） / 弱人工智能（Weak AI）：又称限制领域 AI 或应用型 AI。它的能力范围相对较窄，只接受执行特定任务的训练（如 Google 的 RankBrain、Apple 的 Siri、Amazon 的 Alexa）。这也是目前人类唯一成功实现并应用的 AI 类型。
- 通用人工智能（AGI） / 强人工智能（Strong AI）：又称完全人工智能。它能像人类一样具备多种功能，解决复杂的多维问题，并能从经验中不断自发学习（目前尚未实现）。
- 超级人工智能（ASI）：在所有领域（包括科学创造力、一般智慧和社交技能等）都比最优秀的人类大脑更聪明得多的假想智能（目前连影子都没看到）。
二、 传统编程 vs. 机器学习与深度学习
| 维度 | 传统编程（Traditional Programming） | 机器学习（Machine Learning） | 深度学习（Deep Learning） |
|---|---|---|---|
| 逻辑核心 | 规则驱动：软件工程师利用以往经验总结出有效规则，用 if-then 逻辑写成程序，让机器自动运行。 | 数据驱动：计算机利用算法自发从大量数据中总结规律，属于归纳式（Inductive）学习方法。 | 特征自提取：无需人工干预，能够模拟人脑机制自动学习并提取数据的核心特征（图像、声音、文本等）。 |
| 数学特征 | 线性/简单判定：结果明确、完全可预期。 | 非线性/系统性判断。 | 多层神经网络（Neural Network）：模拟人脑交错连接的神经元生理结构。 |
| 局限与优势 | 无法超越人类已知的知识边界；在面对人脸识别等无法用有限规则快速描述的复杂现实问题时极难求解。 | 能够适应各种数据，在小样本数据场景下也能使用。 | 强依赖大数据集：训练集数据量越庞大，其学习和预测的精度也越高。 |
三、 机器学习的四大风格与七步工作流
1. 四种主流学习风格：
- 监督学习（Supervised Learning）：通过已知输入与输出函数关系的标记数据集进行建模，用来预测新数据的输出。
- 无监督学习（Unsupervised Learning）：使用无标签数据，让计算机自发寻找内部模式。在不知道要在数据中寻找什么时最为有效。
- 半监督学习（Semi-supervised Learning）：当人工标定标签的成本极高时，该方法可结合部分未标定数据与相关特征参数进行快速建模。
- 强化学习（Reinforcement Learning / 代理人学习）：智能体（Agent）连续不断地与环境产生交互，通过反馈的奖励或惩罚来总结规律，以最大化回报、最小化风险。
2. 机器学习的七步标准操作层：
- 收集数据：作为训练机器的教材。
- 数据准备：清洗脏数据，并通常划分为：训练集（60%）、验证集（20%）与测试集（20%）。
- 选择模型：根据特征维度选择合适模型（如双特征用简单线性模型）。
- 模型训练：机器独立做题，无需人工干预。
- 评估模型：评估模型是否可用。
- 参数调整：改进并调教参数权重。
- 输出预测：获得对未来的判断力。
四、 哲学探讨：人工智能的意识、创造力与人机共生
- 意识与欲望的类比：弗洛伊德和德勒兹（Deleuze，转译为 The Lords）在讨论人类意识时提出，意识产生于缺失和欲望驱动。这与 AI 底层算法生成图像的过程相似，但当今 AI 并不存在“算法的缺失”。米歇尔（Melanie Mitchell）也指出，真正的创造力需要理解和判别自己所创造之物，因此当今 AI 还称不上拥有真正的意识和创造力。
- 生成式对抗网络（GAN）带来的变革：杜冰呈在书中指出，人类唯一的独特能力是创造不曾存在的形象，而机器缺乏想象力。然而，由生成器（艺术家的角色，制造伪造样本）与鉴别器（批判者的角色，识别真伪）相互竞争、迭代而生的 GAN 算法，已经能够无中生有地生成逼真的图像，这在一定程度上代表了机器的想象力。
- Memo Akten（转译为 m accountant）的《Learning to See》：该交互装置通过神经网络（GAN/Sygam）实时分析摄像机里的日常物品，并将其语义转译为海浪、水、云、火花以及宇宙太空中等风景，证明了 AI 在训练后具备了将人类操作转化为深层语义联想的创造力。
- 智能增强（IA）与延伸心灵：
- 意识的延伸：如通过 StyleGAN 组合系统，在特定设计空间内实现从 2D 设计草图到 3D 模型的跨族群高频迭代。
- 身体的延伸：如多材料 3D 打印的可穿戴设备，能感知并响应大脑神经元指令，成为人类的“第二皮肤”或体外化器官。
- 后人文主义（Posthumanism）下的平权：在传统数字时代，人机是操控者与工具的关系。而后人文主义强调“人与万物（机器）享有平等的扁平地位”。机器被赋予了判断力和预测力，交互转变为人机共生的未来。
- 吴恩达（Andrew Ng）的名言：与其在短期内担忧 AI 的意识，不如多关注“内固醇的自动化”（即常态化/永不停歇的数据循环迭代与预测自驱力）。
五、 人工智能在建筑学中的四个发展阶段
根据 Stanislas Chaillou（转译为 stand）的划分，人类智能在建筑计算机应用中经历四个里程碑阶段：
- 模块化阶段（30年代起）：系统架构设计的起点。
- 计算性设计阶段（80年代起）：随着模块化系统的复杂度攀升，该阶段引入了基于规则的可修正系统，将柔性与弹性带回设计中。
- 参数化阶段（1990年代起）：处理大规模重复任务与极复杂形状，并将数据总结为“族群”（Family），建立起参数规则与形态输出的直接数理映射。
- 人工智能阶段（2010年代起）：将统计学原理与计算性结合。它从根本上克服了参数化的缺点。参数化设计的数据只能局限在单一族群内进行形态生形；而人工智能阶段，不同数据集的训练能够实现跨族群（Cross-family）的形式与知识转译，为数字建筑学带来全新范式。
同济大学/第6章 数字建筑学的未来展望/6.1.1 人工智能概述 （内容非AI生成 ©读行 • Readwiki™Studio 
，转载注明来源）
，转载注明来源）