03建筑，建筑师与算法——机场中心自动化辅助设计务实
朱仁杰（BIAD）
04算法设计——建筑设计与计算机算法的多维世界
王鲁丽（BIAD）
05科创赋能原创：AlphaDraw筑绘通的设计AI实践
房宇巍（品览）
06设计数字化与数据赋能
王斌（维树科技）
彩蛋数字化设计未来展望
Tech研习社、房宇巍Bio
#论坛全文#
01
AI辅助设计与创作模式创新
祁鹏远杭州数字冥想建筑科技有限公司CEO、诺亚主设计师
今年，有很多新朋友通过这款名为诺亚的智能化辅助设计工具了解到我们。它目前的主要功能是在住宅前期强排环节中，通过AI算法衍生出各种多样化的参考方案。我们原来需要手动对逐个建筑排列、计算日照间距，现在我们可以使用诺亚全自动计算。在人工智能对方案的设计上，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？
于是今天，我想在这里回答三个问题：我们团队的技术起源？我们是如何做到的？以及未来有哪些发展规划？
01.我们做过什么
项目作品：C+ZStudio方案工作室
2008年起，大连国际会议中心中方设计师团队
第二个很重要的技术基因，是我们数字冥想的前身——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术的实践积累。
参数化设计项目，实战投标参赛作品
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完全可以被参数化技术程序取代，当然也可以让设计去更加科学、更好。
城市规划设计中的程序辅助设计尝试
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，我们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。目前图上是我们在城市规划设计上的尝试。左侧图看起来虽然是随机生成的，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。
2015年参数化程序在设计项目中的应用
立面算法人机互动系统
由程序系统实现的方案自动生成
这是通过我们的程序系统，实现办公空间平面和地库车位布局自动生成的效果。虽然这些图形框架都处于方案早期，但在前期策划阶段它们很有用处，因为设计师往往需要更多的数据支持。像这样输入轮廓就能立刻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，对我们的方案决策起到很大的辅助作用。
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。我们一直在不断尝试用它来解决各种各样的设计问题。一旦一个算法被写得非常成熟之后，这个问题就永远地被解决了。而不再需要人去重复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。
02.我们如何做的？
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。我自己亲身体验多年，也深感其中的浩瀚。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。
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。
对建筑设计流程的拆分与分析
所谓细分目标，是将整个建筑设计的流程拆分成近百个设计的环节。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。
这张卡片展示的是我们目前一个单一住宅强排算法，可以看出它背后算法逻辑的复杂程度。整个算法分成几个步骤，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，这件事情就是非常非常难的。
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。它的复杂程度不亚于我们做建筑的工程设计，是一种很浩大的计算机编程。里面每一行逻辑都代表着几百行代码，或者是几百个电池。目前这个案例，如果我们用GrassHopper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。
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身，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。
从人做设计到计算机做设计的四个阶段
从人做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，之前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，我们一直在做的，包括去年开源的，都是完全基于GrassHopper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平台上可能做的是各种绘图指令的操作，它们类似具体的画图动作。同时我们在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，就可以大幅度降低庞大程序的开发难度，提高开发效率。
这是诺亚产品的无人测试现场。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地录入数据。今年整个诺亚从3月30号到现在已经更新了将近15次。每次我们都会根据大家给我们的反馈意见进行优化调整。
每一次的过程都需要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“耶和华”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就是，一开始我们在做这件事的时候，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“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.我们将做什么
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。然而，只有人的介入才能让成果变得更加的专业落地。所以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行业工作的提效。
未来开发场景的宏观设想
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，想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。
02
计算机辅助的高层建筑设计
冉展北京建院建筑师、SmartTower板块设计人
首先介绍我们的小团队，分别是来自北京市建筑设计研究院高层建筑研究中心的设计总监解立婕、设计师王斌和我本人。我们通过团队的配合实现了算法的理论构建和程序编写。
高层建筑一个比较鲜明的特点是，它是由相对简洁、规整的平面叠合形成的一个复杂的剖面构成体。
这样的局面，非常形似一个物理上的多摆系统。多摆系统对其系统的初始输入值非常敏感，任何细微的变化都会对系统的最终状态产生巨大的影响。
由此可见，在高层建筑的设计过程中，尤其是在设计的早期，众多因素的共同存在与作用使得建筑设计变得十分复杂，且任何对输入条件的调整都需要对整个系统进行迭代运算，以求出调整后的结果。这样巨大且枯燥的计算过程成为了高层建筑设计的一个痛点。
为了解决这个痛点，以往我们可能通过excel表格等工具尝试简化计算过程，但其劣势在于完全无法与建筑电子模型进行关联，无法实现立体造型与剖面数据的联动，这样的缺陷对于依赖三维造型进行推敲的建筑设计来说无疑是致命的。
另一方面，我们可以看到，在高层建筑竞赛中，同一个任务书指导下具有相似指标的高层建筑，可以拥有完全不同的造型。这体现了建筑中感性的一面，即人类审美是多样化的，高层建筑的设计有众多的可能性，依赖建筑师不断尝试而求解。
因此，我们尝试将计算机辅助技术引入这个设计过程，计算机所擅长的是复杂机械的计算，让计算机根据设计师在设计过程中调整的输入条件进行运算，快速准确的对复杂的剖面系统中的各项指标进行反馈，从而辅助设计师，使其解放更多的精力专注于人类更为擅长的审美判断，最终形成1+1大于2的效率提升。
为了实现这个结果，我们首先设定了程序的设计目标。为了尽可能的方便设计师使用程序，我们希望程序的输入控制尽可能的简洁，设计师只需要输入必要的面积、楼层高度等参数，以及一个希望被用于评估的三维模型即可。程序的流程设计上则在计算机基于输入参数进行运算后，插入了人工再次介入精细化调整的可能性，从而保证更为完善的人机互动效果。最终计算机则在人工确认精准的数据基础上生成可视化的数据与可编辑的计算机三维模型。
在设计目标的基础上，我们通过编程实现了计算机计算的功能。用户输入体型和面积等参数后，计算机能够智能判断避难层的分布、空中大堂的分布、竖向交通的组织策略与分区策略，也可自由插入更多功能块及自定义功能。同时，当用户调整三维体型或楼层高度时时，计算机能够联动调整各系统的分布策略，自动生成带有充分信息的所有楼层平面和剖面。这样的策略很大程度上能够帮助设计师快速判断方案的可行性，提升了设计效率。
首先，我们在程序中采用模块化的思想进行构建，包括了塔楼功能模块的程序模块化、程序传递与输出数据的模块化以及程序流程的模块化。塔楼内部不同功能在竖向上的处理逻辑有着巨大的不同，通过功能模块化有助于清晰地解决相应的问题，也为用户自主调整提供了方便；数据的模块化则在方便了内部功能模块传递数据的同时，为用户后续再次利用相应数据进行更深入利用与开发提供了接口；使用流程的模块化，为用户的自主调整与对程序的自由利用提供了便利。
另一方面，高层塔楼在技术与规范的作用下，其内部的规划逻辑呈现了非线性的状态。即当塔楼的体量或高度超越某一阈值后，所应用的决策逻辑链将会发生巨大改变，从而使程序存在众多的逻辑分支。另一方面，不同的逻辑分支之间并不是互相独立的关系，随着逻辑链条的发展，容易出现需要从某一分支在中途转换至另一分支的情况。为了解决这样的问题，提升程序的鲁棒性，我们采用了特征值预计算的方式，通过提取塔楼内部某些关键数据的数学规律，使用一个轻量化的迭代运算进行预处理，对所应执行的逻辑链路进行预判断，从而降低程序的复杂度。
这样的技术在近期已经运用到了我们的设计过程中，能够将以往在设计前期需要花费半天或一天才能完成的一个计算周期，缩减到了数秒钟，从而大大提升了设计师调整自身设计的效率。同时，通过在实际中的运用，我们总结了相应的需求，将在未来把程序的功能进一步拓展、健壮，目标实现核心筒内部组织的智能排布。
03
建筑，建筑师与算法——机场中心自动化辅助设计务实
朱仁杰北京建院建筑师、SmartTerminal板块设计人
基于机器学习的智能化设计相比于自动化可解决的问题更为全面、更为整体，我们也找到了一条适合建筑师使用的工作流程。基于建筑师比较熟悉的Rhino平台，通过Grasshopper调用CH-CPython，从而外接第三方解释器并调用Tensortflow等机器学习库，打通机器学习的工作流程。但是在所有的这些工作之前，需要人工整理大量可供学习的数据，这将会产生大量的人工时成本。并且如果学习的数据量太少，生成的学习模型也不具有可应用性。
所以，我们有这样的背景，需要自动化工具替代建筑师完成一定的工作，但也需要务实，务实并不是说不能去做，而是要思考如何去做，考虑投入与回报。在这样的背景下，我们完成了几个采用自动化工辅助设计的项目。通过对于项目的总结与思考，我想探讨几个问题。首先，建筑师该如何利用数字化工具辅助设计；其次，算法在建筑设计中的角色；最后，未来基于AI的建筑设计会是什么样的。
01.航站楼构型
航站楼构型是方案前期重要的考量因素。构型有不同的划分方法，若以航站楼与空侧机位的衔接方式划分，可分为前列式、指廊式和卫星式。大部分机场都为前列式构型，如北京首都机场的T1、T2航站楼。卫星式如首都机场的T3航站楼，在航站楼主体之外的空侧，布置了另外两座卫星式建筑。若以航站楼的组合方式可分为集中式和单元式，集中式如北京大兴国际机场，单元式如成都的天府国际机场，国内功能占用一个单独航站楼，国际以及可切换功能占用一个单独的航站楼。
这张图是机场部完成以及正在完成的航站楼项目，包括首都机场T1、T2、T3、大兴国际机场、福州机场T2、海口美兰机场T2、以及其他分别位于昆明、桂林、深圳、柬埔寨吴哥等地的航站楼项目。仔细观察可以发现，众多航站楼构型基本都可以简化为由端点和连接点连接而成的骨架。
在工作中，我们将旅客量以及构型骨架的逻辑通过程序进行了表达。如动画所示，当旅客量增加的一定程度后，构型变复杂，需要的机位数量增多，指廊数量也增多。在程序中可以通过增加或删除关键节点，快速得到简单的构型轮廓以及未来可能的机位数量。节点的位置是可以手动调整的，当调整到合适的位置后，进一步将构型按指廊端头以及港湾进行柔化，得到最初期的构型。
多目标算法的优化过程如动画所示。为了表达更为直观，我们直接让构型“舞动”了起来，加大了节点的可移动范围。在构型的优化过程中，各个生成的方案对应的四个指标会同时显示。同时最为关键的指标最远步行距离会以柱状图的形式在屏幕左侧绘制。
在优化迭代到一定程度后，我们可以暂停查看某个构型结果对应的指标，也可以查看整个迭代过程中各个指标对应的变化趋势。并且在设定一定的筛选条件后，符合条件的构型会被自动记录。通过遍览历史构型，建筑师可选择出较为理想的最优解。
得到最优构型轮廓方案后，进一步工作即是机位的细致化排布。这就涉及到飞机的分类。若以尺寸为标准，可分为由A-F六个等级。A级最小，F级最大，我们所熟悉的A380机型即为F类飞机。机位与机位之间，由于有服务车辆通行等需求，也需要相隔一定距离。
02.FD项目
在FD项目*中，算法不光在建筑专业中得到应用，在结构专业中同样得到了应用。该项目的表皮形式如图所示，我们采用了近似折纸式的原型。这样的结果是建筑结构共同设计的结果。
*FD项目：该项目具体信息保密
结构专业在设计前期采用了多目标优化算法，将结构变形进行最小化优化。如上图所示，通过程序允许结构桁架最外弦杆件端点在一定范围内移动，以此作为优化变量。最终通过遗传算法和退火算法的迭代后，两种算法都导向同一结果：即由圆形和方形组合的单元截面形式。建筑专业将这样的优化结果在空间上进行了分离、生长和叠加，最终形成了建筑结构一体化的表皮方案。
单元表皮形式如下图所示，算法优化结果中的圆形即为桁架的结构环箍，桁架外侧为金属外围护板，起到保护主体结构、隔绝外部影响的作用。桁架内侧采用混凝土内壁，保证表面粗糙度的工艺需求。
该项目任务书中，对于土方量的考量尤为重视。故建筑专业也通过算法对建筑平面位置和标高进行了优化。如动画所示，优化目标为建筑体嵌入地形时的挖方量和建筑体高于地形时的结构支撑量，优化的变量为建筑体在空间中的水平位置（X,Y），竖向位置（Z），以及旋转角度（R）。最终优化的得到的最优位置为：（0，30，489.98）、旋转角度0°。
该项目打破了专业的界限，建筑和结构专业共同以算法为基础进行高效的设计，最终得到经济、美观、合理的建筑结构一体化方案。
03.总结
那么针对这三个层级的工作，我们该如何运用数字化工具？首先，我们需要务实。考虑工作的通用性与特殊性，层级一中的问题建筑师可以依靠自身能力，采用自动化工具解决。对于通用性强的问题，现今已经有很多可用资源，问题只是设计师去不去用。
其次在方法选择上需要具体问题具体分析。以目标为导向，考虑方法的时效性。例如层级三中的工具在解决层级一的问题上可能并不能快速获得结果，需要有针对性的选取最有方法。
第三，要打破专业界限，整体提效，通过计算机完成各专业中重复性的工作。除建筑专业外，结构、电气、给排水等专业同样需要自动化工具对工作进行辅助。例如结构专业计算模型的搭建，电气专业灯具的布置等，都可通过自动化工具进行效率的提升。
第二个问题，算法在建筑设计中的角色。创造力应该是建筑师的核心竞争力之一，是一种发散性的思维，这也是使建筑成为艺术的驱动因素之一。当下人工智能虽然称自己为智能，但是个人认为它还不够智能，依托的是学习，是一种趋同性的思维方式。例如下图中所示，当计算机学习了唐诗后，就会得到“午”这个答案。原因是计算机见过、学习过，所以知道答案。在这样的背景下，算法对于建筑师来说仍然是个辅助性的工具，不能完全替代建筑师的创造力。
当算法得到进一步提升时，具有了人类的创造性，真正的有感而发的得到“午”这个答案或者作出其他诗句，这时候算法将会是以共线工作的状态与建筑师合作。未来共线工作的状态是什么样的，这就是第三个问题的答案。
第三个问题，未来基于AI的建筑设计是什么样的？当下衍生设计（GenerativeDesign）是一个非常火热的设计方法，通过设定设计目标以及设计参数，软件将会计算出一系列可能的解，供使用者选择，得到使用者的反馈后继续优化。试想当软件的算法也具有创造性后，建筑师与算法的衍生设计，也许就像与另外的一个设计师同时进行设计，这将是一种非常富有创造力的交互过程，双方互相反馈，互相启发，这也是未来基于AI的建筑设计过程。达到这一目标需要多专业、跨学科的研究与尝试，将计算机的计算力（Computation）转化为计算的创造力（ComputationalCreativity）。
04
算法设计——建筑设计与计算机算法的多维世界
王鲁丽北京建院建筑师、SmartCity板块负责人
01.反馈
反馈的概念来自于研究生的一门基于PythonforRhino的算法设计课。两位老师两位老师CecilBalmond和EzioBlasetti都在算法设计方向上有很深研究。最右侧是当时我们项目小组的阶段成果，远看还挺像两座塔楼。方案的灵感来自于棉花糖，加热融化后的糖在机器离心力的作用下被拉长成纤维状态的线型，纤维状的线又在糖棒的搅动下纠结缠绕成形体，这种点的运动形成线的轨迹再生成体的过程，让我们想到是否可以通过算法设计由点生成空间的自动化程序。
算法的逻辑是基于吸引系统，吸引系统分为两个子系统——agents（模拟糖）和axis（模拟糖棒），agents之间会有相互的引力或斥力的反馈；agents和axis之间也会存在相互反馈；子系统内部的反馈与子系统之间的反馈使得整个系统进行更新迭代生成下一代子系统，相同的反馈逻辑持续发生，所有元素之间存在相互联系，进行系统的全局更新，整个系统在算法的运行下生生不息。
反馈的概念在smartcity中的应用最明显的部分是土地细分。对于大面积的区域研究，这部分的算法可以辅助建筑师在充分考虑现有城市肌理的条件下，通过算法快速进行与城市肌理协调的研究用地细分。现有路网以及研究地块作为基本数据输入，对基本地块通过初始设置细分后，各个地块之间的路网开始相互反馈进行迭代更新，逐渐形成贯通的城市路网。
02.离散
另一个概念是离散，更精确地说是离散型随机变量。这个名词在高中数学课本上曾经出现过，相信大家都不陌生。所以我们直接说应用——是在SmartCity自动化体量生成这部分。在体量自动化生成的过程中，伴随有数据数据指标的产生，体量的形态关系给设计师感性判断，数据指标则是帮助设计师理性选择，从而快速筛选出我们设计的目标方向。
这个案例是根据实际项目改编的，数据上会有些差别，设计条件类似。只有红线范围的用地面积是确定的，其他的条件都为开放条件。用地情况的不确定性给初期的体量研究带来了不确定性，相应的就是土地用地指标的不确定性。如何在这么多不确定性存在的情况下得到合理的用地指标，帮助土地资源的合理开发以及平衡城市空间是我们项目团队面临的最大挑战。我们根据这些开放条件，首先定义了影响设计的变量参数；通过排列组合，确定了至少图示中显示的15种用地情况的分类，通过基本的数据分析，我们锁定了用地情况较好的这类情况，并在此类条件下进行定制式智能化生成算法研究。
离散概念的核心应用是在体量生成的自动化过程。首先体量的确定需要一定的输入条件作为变量，变量是具有一定范围的，对影响体量的变量，在其变量范围内进行随机采样后输入到体量生成的算法，这个过程完成了大批量体量生成方案的自动化。
感谢我的高中数学老师蔡转云女士。也是想说明建筑师做算法并不是做软件工程，基本的高中数学及高等数学知识就足够对我们的设计进行很多工作的算法辅助。
那么，建筑师写程序是否让本已内卷严重的行业卷上加卷？答案是否定的。根据2017年麦肯锡发布的数据表明近二十年建造业的生产劳动率增长已经滞后于制造业和总体经济。这一点从大家的收入上也可以感受到。这种生产效率的低下与建造业的自动化、智能化程度有很大关系。在计算机算法蓬勃发展的环境下，制造业甚至农业的生产效率已经大大提高。建造业领域中计算机算法使用普及程度却远远滞后。
目前，随着编程语言与编程方式越来越友善，建筑师们将有很大的空间利用计算机算法来辅助建筑设计。两个专业领域产生的交叉领域包含的智能化设计将会实现设计支持、设计自动化、生成式设计。设计成为建筑师感性认知与理性数据的高效结合。
感谢为本项目提供宏观发展指导、建筑数据与理论支持、程序测试以及商务管理的核心团队；感谢由教授级高级建筑师、高级建筑师组成的多种类型建筑的大型移动数据库的支持；感谢我们进行创新尝试的道路上的精神助力。“独行快，众行远。”希望新老建筑师可以联手走向更远的未来。
最后，借用阿里巴巴新总部大楼精装修样板间的一句话，祝愿大家的代码都运行得顺利。谢谢大家！
05
科创赋能原创：AlphaDraw筑绘通的设计AI实践
房宇巍上海品览数据科技有限公司CPO、联合创始人
01.Design+AI是否真的可行
从泛设计行业而言，设计思维整体上遵循着理解、探索、实现的环状流程。环节大致可细分为6个阶段：理解、定义、概念、原型、测试、实施。无论是产品设计，如服装、时尚、工业设计，还是建筑与环境设计、视觉传达设计，均遵循这样的思考模式及流程。因此，AI赋能设计，必须要能够满足以上步骤。当然，仅就脑力环节而言，可以先忽略掉实体实施，以虚拟建造/数字孪生来代替。
人工智能的发展经历过几次浪潮的起起落落。近年来，AI方向的学术论文数量近乎指数级增长。同时，愈加成熟的云计算及云存储能力，极大促进了AI行业的技术成熟化和应用规模化。可以说，现在已经从“AI+”时代，进入到了“+AI”时代，即AI已开始基于行业know-how，在各个垂类场景上展开的深入赋能。
于是我们看到，随着AI技术日渐成熟，基于设计知识图谱，运用图像识别、运筹优化等技术可以实现对设计思维模式中“理解”与“探索”两大环节的实现。最后借助日益强大的渲染技术，实现设计成果的可视化，虚拟完成设计的“实现”环节。具体过程我们会在第二个话题展开讨论。因此我们可以说，Design+AI并不是空中楼阁，新的设计AI时代已在路上。
02.如何实现设计AI
AlphaDraw是品览智造的核心产品，目前致力于赋能建筑施工图的设计环节。我们可以从设计思维来解读AlphaDraw的实现过程。首先通过AI识图深度学习系统，将图纸进行信息化，让计算机理解图纸，实现感知智能。然后借助AI画图强化学习系统，提高AI的设计探索能力，实现决策智能。最后，这一切都基于“建筑师之脑”，通过一个庞大而完备的AI画法知识库，实现设计AI的认知智能。
最后，基于以上技术的综合应用，针对住宅地上部分，AlphaDraw目前可以实现在项目级机电施工图2小时级的出图，完成近500个图框。我们希望，通过AI赋能提高设计效率，让建筑、结构、给排水、暖通、电气五大专业的工程师可以将更多精力放在线下当面沟通，通过充分的讨论，来解决工程中的重难点问题。而讨论后的结论，即体力型设计及所有的绘制工作，则可以交由AI助手完成。AI让建筑设计回归本源，“理解、探索、实现”，从而促进建筑设计行业的高质量发展。
03.设计AI对行业的影响
AI介入设计流程，必将对整个设计流程，乃至设计行业的工作场景、设计人才的能力模型产生深远影响。20世纪原创媒介理论家，思想家MarshallMcluhan有一句关于人与技术互动的著名论断，“首先我们塑造工具，然后工具塑造了我们”。
我们相信在不远的将来，设计企业的竞争将成为“设计品牌+设计AI+设计服务”三位一体的全方面竞争。AI最终将全方位融入设计全过程中，设计IP的价值会被进一步放大，设计人才的成长速度将大大加快，更加优秀的设计作品将会层出不穷。科创赋能原创，设计AI将助力行业实现新时代的“双创”。
感谢来到凤凰中心参加北京设计周学术沙龙的各位听众，好的建筑总是能引发对美好的向往和对设计的热情。品览将继续夯实产品，与设计AI的各位同路人，一起为设计行业的明天而奋斗！
设计数字化与数据赋能
王斌维树科技（北京）有限公司创始人
我们是一个创业团队，人员规模和知识储备都还很小。团队创立之初，得益于BIAD提供项目和场地支持。我们希望能够用智慧设计的方式，或者说数据化的方式，为整个设计的生态提供链接。我们不想成为一个“设计院”，我们想成为一个设计的服务商。在过去的7年，我们得到了BIAD这样的大客户对我们的支持，我们有机会参与了很多国内大型、知名的重点项目，也参与了雄安新区这样大规模的城市建造。
在这些项目完成之后，我们开始思考，我们认为过去积累的是设计的“资产”，而项目利润是一次性的价值。对于我们和合作伙伴来说，未来的真正的价值是可持续的发展。可持续发展具象的东西，我认为是设计数据的重用。
01.设计数字化的核心
设计数字化的核心有三个理解。第一个就是方法论的问题。在整个设计数字化的过程中，我特别注重模块化设计和系统化设计。第二个是设计数字化的环境，第三个是数字资产的建立。
我们在过去的项目中寻找它们的共性。就像大兴机场，把整个屋面顶子把掀开以后，实际上它呈现的是这样的场景。如果从建筑的角度去解释，它大概有22个系统，每个系统上它都是一个独立的模块功能，比如垂直的交通系统、浮岛、登机桥、步道系统构成整个建筑。
这里就引申出我们所注重的方法论问题，就是模块化设计和系统设计。模块化的设计，就是从基本模块生成一个组合，然后生成一个单体楼栋，最后变成一个总平面图。
做系统化或者模块化设计的时候，其实它有一个底层的支撑，需要有基础模块的积累。举个我们对空调机组的积累的例子，因为空调机组有各种各样的参数，它有不同的风段，有不同层级的过滤器，也有不同的分量。其中能够满足我们正常生产和项目运行状态的机组大概有2000个。虽然它看起来都一样，但是它的参数和几何的形态是不一样的。
我们还有其他的基本模块，比如说家具模块，洁具模块。我们的模块跟模块的之间，有一定的知识工程集合，比如说电梯模块，电梯厅的宽度和井道有一定的关系，我们可以把它写录进去，可以自动检查规范。
有这些基本的模块以后，我们可以生成一些小的系统，比如说像一个电梯的系统，根据每个项目它可能会有参数驱动，让它形成一个新的矩阵。
得到新矩阵之后，我们可以把它再合并成一个更大规模的组合系统。比如说像这样的核心筒，它可能就不仅仅是一个电梯的模块，它可能还包含管井、机房这样的模块。
像这样的模块，其实已经可以完成我们一个独立系统的施工图设计。我们看到的是六七年前大兴机场当时一些系统式的施工图。整个大兴机场系统式的施工图大概有3600多张，规模庞大，占了整个施工图30%多。
回过头来看系统化的设计，模块化的设计完之后，我们还需要一个数字化设计的环境。过去，我们的数字化设计环境，是以BIM作为底层的支撑体系。这种数字化的设计环境，它不单是一个软件的功能，它可能会带来一个模型的管理协同的标准，模型的要求，机组的设定，一个组织体系的协同。
整个的数字化设计环境对我们传统的设计流程会带来很多的这种挑战。举个很简单的一个例子，比如过去我们不同专业之间所提的条件和责任都是非常清晰的。但在BIM时代，它的效率有问题，因为它需要改变过去的一些规则，以适应我们这种设计数字化的环境。
当然这个数字化环境其实对我来说也只是一个铺垫，我们真正的目标是可持续发展。可持续发展，实际上就是要形成数字资产。第一件事是对数字资产数据的特征进行提取。
我们过去的CAD时代也可以算是电子化，但是为什么没有办法形成数据资产，或者说数据资产的规模可能非常有限，只是集中在某个人手上的一个U盘里或者一个移动硬盘里面的数据。当你想要提取它的时候，它可能并不能够百分百地满足你的项目需求。
那么我为什么认为在BIM环境之下，我们具备了足够的条件？第一个是元素的分类特征，在BIM条件之下，它是什么样的分类，比如墙、风管附件，这些都非常清晰。第二个特征是元素的属性特征，物件的尺寸、材质是非常清晰的。第三个是几何空间特征。从计算机的识别上以及它的逻辑关系上，这个特征的提取稍微有点难度，但我觉得对于今天的几位高手来说，就是非常简单的一件事情。只有把这些的特征的提取出来，集合起来，才会形成一个所谓的数据集，而这个数据集才是我们形成数据资产的描述关系。
那么我们是怎么做的？我们已经开始在做这块的工作了，我们从以往项目的设计实例里，通过插件提取数据特征，然后存储在一个文件型的数据库里面。文件在数据库里面可以进行存储和打标签。因为在BIM时代，我们提取标签的成本是比较低的，当然这个标签的成本高低也取决于标准化的程度，以及数字化设计的环境。我们在使用的时候，就希望直接通过拟合跟筛选找到自己想要的模块。
不管怎么说，我们都要经历一个结构化可交互的数据的发展过程，从设计模型到深化模型，到最终的运维模型。运维模型一定是结合了整个知识库，包括我们的产品信息和建造信息。但有一个问题是，在现在的环境之下，我要收集的很多信息，相对来说是很割裂的。等下我会介绍一个例子，在一定程度上或者说在不用太长的阶段之内，可能会达到一个运维模型的数据深度。
我把我们的发展历程定为十年。2015年，我想用参数的方式去建模，正向的BIM施工图设计。到了2018年，当我们做了这么多项目后，我们是想到了模块化跟系统化。2019年左右，像Dynamo这样工具的出现，激发了我们开发工具集产品，这种能匹配我们日常工作的工具。在这个基础上，2020年的时候，我们开始把它变成插件，因为本身脚本性的工具，它的运行效率是有问题的，尤其是在不同场景之下。所以从今年开始，我们就已经在注重未来的数据资产的挖掘。如果我们公司能撑到2025年，我觉得应该会挺伟大的。
02.数据赋能
刚才我说的是数据资产，那么第二个要讲的就是数据赋能。数据赋能我就讲两个点，第一个是需求数据驱动的衍生式设计。衍生式设计很流行也很好用。第二个就是模块化的产品数据库拼装施工图。
这个是我们今年做的一个落地项目，一个养老地产项目。这个项目第一个问题就是个性化的需求。其实标准化和个性化的需求之间是冲突的，但是反过来说，如果说只做标准化，不去照顾到个性化的需求以及产品落地、落位过程中的所有的这些细节跟信息，这基本上是属于耍流氓。一些规模很大的地产公司，一年为了五六个户型可能要花三个多亿。这件事的核心问题是他的个性化的需求以及在落地过程中的各种变量，实施起来有困难。
我们也是一样的。首先我们要去定义目标，使用需求、经济指标、供应链信息、当地法规、市场需求的户型配比。今天讲户型库似乎已经变成一个特别流行的事情。
把他们的这种需求变成一个规则，而这个规则本身是可以被驱动的。这个养老地产项目，它的户型是单边排布，中间有一个走廊，北边的是交通核。它有一个规则是楼栋长度不能超过68米，超过68米之后要设置一个变形缝。它就有这个限制和要求，这种设置的要求，驱动的规则大概能达到四五十条。
我用Autodesk衍生式的计算程序来生成组合。开始我先设定参数配比，然后它会算出很多组合供我们筛选。
它甚至可以计算整个平面的布局，整个设计流程实际上是这样的：先输入条件，然后衍生计算，评估筛选。我估计在未来这应该是会一个非常流行或者嵌入到我们整个设计作业里面的工作方法。当我们得到一个总平面图以后，我们就利用他们的整个产品库，模块库来拼出整个施工图。
有一个问题是，标准化完以后立面会不会长得一样，肯定不是的。从功能角度来讲，它是以效率为导向的标准化设计，所以就用到模块库的拼装。模块库里本身有模块，我们再根据实际情况去调整模块个数，但每个模块里都结合了建筑结构机电系统。
模块里结合了它整个过程的“Knowhow”知识，就像产品、设计指引的文本。现在，我们把整个信息集合到一个模块里面，因为这种BIM的模块能够承载的信息维度更大。在拼装的过程中，它可能有一个不停修正的过程和迭代的过程。
模块里结合了它整个过程的“Knowhow”知识，就像产业、设计指引地文本。现在，我们把整个信息集合到一个模块里面，因为这种BIM的模块能够承载的信息维度是更大的。在拼装的过程中，它可能有一个不停修正的过程和迭代的过程。
刚才讲的是户型库的拼装，还有成品构件。比如楼梯要预制化，那么楼梯的预制化后，我们积累了几千个楼梯，然后在库中快速地找到成品构件。这个可能都不需要算法，只要有一些能够自动提取的标签，把它给安进去。当然空间的标准单元模块可能会稍微难一点，但都处在算法的层级，还不到人工智能计算的层级。
模块装配成楼栋的逻辑就是先用标准户型加上公共走廊加上核心筒，形成这样的组合，再加上刚才说的一些成品构件，比如像预制化的楼梯。反过来说，从技术上层面上来讲，这件事可能难度不会太大或者说没有壁垒，但它也有它的难点。
首先这个数据的维度特别大。假设，我有6种户型，还有若干种的交通配套，过程中，户型可能会旋转，可能会镜像，又会产生一种新的实例。然后我还有13个建筑的系统，除了我们建筑、结构、空调风水、电器等还有别的系统，而且我还有这么多楼层，每个楼层之间又不一样。
还有一个维度是交互。交互体现在我们所处的不同阶段。比如现在，我们还没有达到3D模型交互的阶段。我们目前是通过图纸蓝图交付作为一种法定的交付，我们要用整个模块用2D注释符号标注出来，那么它就是一个很大的数据结构体系。
第二个难度就空间位置。比如，我们会通过镜像来移动物体，但是在我们传统用Cad制图的时候，也是一个概念，比如说我们做楼栋拼装的时候，会想着把它做成一个块，然后通过外部参照来实现，但是使用外部参照的时候，镜像的图层，它的文字也会镜像，就无法使用，这也增加了一个难度。
还有一个我们觉得特别有意义的事情。这个甲方（养老地产）他们在每个城市都盖了很多楼，盖每个楼的过程中都收集了很多很完整的数据，比如窗、门、到所有的产品。因此，我们觉得做BIM，或者说作为一个数据库，这些能够得以延伸的核心关键。一些大型地产商的供应链特别庞大，可能达到2000多家，相对而言，他们的供应链特别小，可能也就几百家，甚至核心的只有几十家。所以它的整个供应链系统可以和我们的数据系统高度结合。
还有一个问题，在整个项目落地的过程中，个性化的需求怎么解决？如果光有标准化拼装，它其实只是一个技术的问题。但是如果说你能在项目落地完之后，把它变成能用的设计，或者说能够通过审图，这其实是一个管理的问题。我们需要在整个过程中做了一整套的销项系统，包含了所有的个性化需求。
最后是成图。BIM设计有一个很重要的工作流程，它先确保模型的准确性，才到图纸注释的准确性。也就是说，我们要先把模型搭对，把信息填对，最后很多这种注释性工作就变得简单易做，比如说tag、尺寸标注，这些东西不会占用特别大的成本。
03.收益
最后谈到收益。我觉得设计的数字化，包括数据的赋能，它可能会给你带来一个额外的收益，也就是管理的精细化。我们可以把工作拆解，一级拆解是阶段，二级拆解是专业类的各种系统，三级拆解就涉及专业系统里的具体工作，四级拆解就是每天每个员工的具体工作。
为了达到目标，我们付出了巨大的代价。而达不到理想状态的事情，我可以去找到它的根源，需要管理数据来跟踪它，然后解决它，否则你永远都到不了这个状态。
如果说，你有了整个数据跟踪技术，配合技术，怎么能够逐步地去使用它，消化它？比如说某件事情我原来用了300个工时，我现在跟踪到它，我如何能够定量定性地把它干掉。我发现，其实大部分情况都不是技术问题，是管理的问题，是沟通的问题，它实际上是流程性的问题。这是我们过程中的第一个“收益”。
第二个收益，是图纸质量。我们出的图纸中，只有一个暖通强条。我们自己大概都做了270多个销项。
最后，我自己感受到这是一个设计普惠的时代。比如说他要求对你的成本要求是越来越低，所谓大数据的招标：这一轮不能比上一轮高。在成本不断被往下压的时候，如何实现可持续的发展，对一个设计服务团队也好，或者一个咨询团队也好，都是摆在我们每个传统工程设计行业从业者面前的一个巨大的问题。
所以对于我自己来说，我只能让这个东西智慧化或者让一个数据化场景去影响一些上下游的生态，提高效率，解决行业的一些问题，找到自己的一个生存空间。谢谢大家。
现场活动照片
#彩蛋#
数字化设计创作思路与未来展望
Tech研习社/房宇巍Bio
Tech研习社
Tech研习社是北京建院青年人自发组织多元数字设计创新、交流的社区，包括建筑、结构、电气、设备等专业；聚焦前沿科技，涵盖数字媒体、编程算法、可动机械装置、物联网工程等方面的研究。“数据驱动,设计未来”是Tech研习社的使命。在北京建院庞大的即有数据库的支持下，以创新的设计方法，将传统的具象知识结构化，实现数据驱动传统行业的业务显性增长；以面向未来的精神，将深奥的专业知识数据化，实现设计未来创造人民美好生活的夙愿。
Tech研习社作品：smartcity
Tech研习社作品：SmartTerminal
Tech研习社作品：SmartTower
Q：Tech研习社在数字设计方面的创作思路是什么？
在编程算法日益普及的同时，建筑行业面临着数字化转型的挑战。设计思维的转变与设计方式的创新将会带来新的活力与未知的可能。
SMARTCITY,SMARTTOWER,SMARTTERMINAL三个板块是在设计实务过程中，青年建筑师将建筑设计理论与算法编程相结合，转化为高效的设计生产工具的实际案例。这三个板块展示了智能化生成设计以及人机实时协同互动在园区总部、超高层建筑、机场航站楼建筑等方面的研究应用成果。智能化生成设计研究以专业的建筑设计为理论基础，创新的数字算法为技术手段，通过算法程序，进行快速的大量方案生成以及优化目标筛选，人机交互过程中的实时数据可视化帮助建筑师进行理性决策，实现高效快速的算法设计。
Q：你们如何展望数字设计的未来？
数字设计经过迭代演进已经进化到十分成熟的阶段，今天的数字设计在具象知识和计算机算力的双重作用下，越来越接近人工智能的能力范畴，不再被专业知识鸿沟所制约的设计工作变得更简单、更高效、更广泛、更标准化。
在建筑创作实践中计算机算法编程将会越来越多地参与进来，并逐步转化为高效的设计生产工具：对建筑设计行业传统设计经验进行数字化重构的同时，重新定义建筑设计行业设计方法。
房宇巍Bio
品览联合创始人&首席产品官，清华大学建筑系本硕，曾在大型国有设计院北京市建筑设计研究院、头部开发企业龙湖集团、奥园集团等公司就职，其参与设计项目获GermanDesignAward、IconicAwards、A&DTrophyAwards多项国际大奖，曾担任大型地产集团产品研发总监，负责产品战略、产品线及标准化产品研发、产品数字化建设等工作。
品览产品：筑绘通
Q：品览如何展望数字化设计的未来？
因此，如何更聚焦在创意上，是未来数字化设计要回答的必然命题。“更加艺术、更加科学”，建筑学将在几千年来的一直坚持的道路上愈来坚定。更加艺术，意味着未来的建筑师培养，从day1起会聚焦空间造型、社会命题、环境行为学的思考，将脑中的创意变为空间实体。“更加科学”，意味着强大的设计辅助软件会帮助建筑师将多专业的落地“枷锁”变为科学的研究，从而进一步夯实学科大厦的基础。