AI时代，人工智能在建筑领域有哪些发展
DymaxionHouse，1929-1946，理查德·巴克敏斯特·富勒
▼
LeModulor，1945，勒·柯布西耶
▼
建筑师们根据这些早期的理论，调整他们的实践，以优化矩阵，这相当于把建筑设计的部分技术方面转移到模块的逻辑。这些论证被证明是有说服力的:在可预见性方面的重大改进降低了设计的复杂性和成本。模块化很快扩展到整个建筑领域，1933年RobertW.McLaughlin教授在美国建造了当时世界上第一个大型模块化项目——WinslowAmesHouse，被认为是当时建筑领域的一项重大突破。
WinslowAmesHouse
▼
20世纪60年代，模块化的思维甚至影响了城市规划，例如英国建筑师团体Archigram，他们希望在“插件城市（PluginCity）”这一项目中创建完全模块化的城市。
“插件城市”是库克在1962年至1964年间所进行的一系列研究和设计。它将可移动的金属舱住宅作为基本的构件，有了这样的基本建造单元，就可以按照人口规模拆卸、重组成大小不同的移动社区，再按照不同的需要插接到混凝土的“巨型结构”中从而形成的城市。
所以，不同的社区之间的联接可以像插头插入插座那样简单完成，再以此组织交通、生产和社会生活。
插件城市（PluginCity）
▼
通过在三维结构矩阵上不断地组装和拆卸模块，城市有望找到一种新的逻辑，解决城市增长问题。这一理论很快就达到了它的局限性，并被过早地抛弃。的确，将建筑设计限制在一个简单的装置上，用机械的方式将模块组装到一个框架上，最终导致了它的失败。
尽管如此，模块化的规则系统也是无处不在，并且在建筑设计的基本原则上留下了持久的印记。
02
计算机辅助设计（CAD）
1960-1990
随着计算机技术的飞速发展，建筑有了更多可能性，建筑师们也不用为模块化设计中的复杂问题在发愁了。20世纪80年代初，标志着以规则为基础的建筑设计系统化的复兴。
事实上，早在20世纪50年代中期，一些工程办公室就开始对计算机设计的潜力进行基础分析。1959年，PatrickHanratty教授发布了PRONTO，这是第一个计算机辅助绘图软件的原型，用于设计工程部件。
不久之后，加州大学伯克利分校的建筑教授克里斯托弗•亚历山大(ChristopherAlexander)提出了计算机设计的一个关键原则:“面向对象编程”的范式。在他的《NotesontheSynthesisofForm》(1964年)和后来的《APatternLanguage》(1968年)中，亚历山大将计算机作为建筑形式设计的一部分的原因和方式进行了理论化。
1968-1970年，随着Urban2和Urban5的发布，由NicholasNegroponte在麻省理工学院创建的团队AMG，展示了CAD用于空间设计的潜力。
1959年发布的PRONTO
▼
Urban2，1968
▼
Urban5，1970
▼
几年后，剑桥大学建筑系系主任塞德里克·普莱斯(CedricPrice)进行了一个名为theGenerator的项目。
在Generator中，从部件作为组成单元开始，没有了结构框架的概念，整体被理解成为组成部件的总和。因此Generator并不是一个发生在大而规则的框架中的不规则事件，而是一个在不规则区域，单元具有平等性的逻辑。
GeneratorProject，1976-1980
▼
基于麻省理工学院的这种势头，建筑师和整个行业都在积极地将这些发明转化为大量的创新。建筑师弗兰克·盖里（FrankGehry）无疑是这项事业最活跃的倡导者，他认为计算的应用可以极大地放宽系统的边界，并赋予建筑物新的形式。
弗兰克·盖里所建立的GehryTechnologies开创了未来三十年计算辅助设计的先机，展示了CAD对建筑师的价值。设计师们很快就掌握了这个新系统，通过对几何图形的严格控制，提高了设计的可靠性、可行性，并降低了设计成本。
然而，缺点最终还是出现了。特别是，某些任务的重复性和对复杂几何形状缺乏控制成为严重的障碍。面对这些局限性，CAD之外出现了一种新的范式:参数化。
03
参数化
参数化允许建筑师更好地掌握复杂的形状，同时避免重复的任务。由于这种新方法，每个任务都被合理化为一组简单的规则，构成一个过程。这个过程可以由建筑师编码到程序中，以便自动化以前手动的、繁琐的执行。
在20世纪60年代早期，建筑师LuigiMoretti开创了参数化建筑。他的项目“N体育场”是参数化的第一个明确表达。三年后，IvanSutherland将这些原则应用到设计软件中，他创作了第一个SketchPad，让建筑师们能够开始在屏幕上做设计。
1988年，参数化技术公司(PTC)的创始人SamuelGeisberg推出了Pro/ENGINEER，这是第一个为用户提供完全访问几何参数的软件程序。由Sutherland和Geisberg建立的设计和计算之间的桥梁，培养了新一代”具有参数意识“的建筑师，而其中最知名的非扎哈·哈迪德莫属。
N体育场，1960
▼
SketchPad，1963
▼
deKartalPendik的总体规划，设计：扎哈·哈迪德
▼
随着Grasshopper，各种BIM软件的出现，参数化设计将建筑行业的合理性和可行性提升到了一个全新的水平。
04
人工智能
人工智能(AI)本质上是一种建筑的统计方法。人工智能不仅回应了参数化建筑的局限性，而最重要的是：它开启了一个全新的建筑设计时代。
1956年，美国数学家约翰·麦卡锡(JohnMcCarthy)发明了人工智能的概念，即“用人脑作为机器逻辑的模型”。一旦达到了“学习阶段”，机器就可以生成解决方案，不仅要回答一组预定义的参数，还要模拟学习阶段接收到的信息的统计分布来创建结果。这一概念是人工智能带来的范式转变的核心。
20世纪80年代初，计算能力的突然增长和资金的投入让人工智能研究重获新生。这一时期的关键为两个主要的突破:专家系统和推理引擎。
专家系统是一个具有大量的专门知识与经验的程序系统，它应用人工智能技术和计算机技术，根据某领域一个或多个专家提供的知识和经验，进行推理和判断，模拟人类专家的决策过程，以便解决那些需要人类专家处理的复杂问题，简而言之，专家系统是一种模拟人类专家解决领域问题的计算机程序系统。
推理引擎是将逻辑规则应用于知识库以推断新信息的系统的一个组成部分。知识库存储了关于世界的事实。推理引擎将逻辑规则应用到知识库中，推导出新知识。
直到上世纪90年代初，一种新型模型的出现揭示了人工智能潜力的第二个领域:神经网络和机器学习。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。神经网络在设计的时候就是模仿人脑的处理方式，希望其可以按人类大脑的逻辑运行。
2014年，谷歌大脑的研究人员伊恩·古德费洛(IanGoodfellow)开发了生成对抗网络（GAN）：该模型可以从神经网络生成图像，同时通过自校正反馈回路确保一定程度的精确性。
Goodfellow的研究将人工智能从一种分析工具变成了一种生成代理，这样做使它更接近于建筑学的关注点:设计和图像的生成。
生成对抗网络
▼
发明源于研究，创新源于发明。在建筑设计中，计算机的革新实际上逐渐形成了实践，然而，这些运动的逻辑只能通过重新连接它们的来源来理解，通过重新连接创新和发明。这个时间轴反映了计算机科学和建筑的深度交织。它们共同编织了我们迄今为止的建筑实践。
1976年CAD
▼
1985年Autocad2.18
▼
2017年Mio.ai
▼
2018年Finch3D
▼
05
人工智能在建筑中的运用
人工智能代表了一种新的技术浪潮，而不是一种颠覆。它通过协助建筑专业知识和加强其表达来补充我们的建筑实践。今天，学术和私人研究的结果首次证明了这种演变。所谓的“生成”人工智能技术——即能够创造形状，而不只是分析它们——是最近才出现的。在过去三年里，他们开辟了新的实验领域。
由于生成对抗网络（GAN）的存在，AI最终承担起了建筑设计实践中的基本媒介——图象创造。事实上，在建筑中，图像已经成为绘制和设计城市的核心方式。因此，它是人工智能和建筑之间的一座沟通的桥梁:如果人工智能能够创造图像，并衡量其复杂性，那么将其应用于建筑生产是一种自然的扩展。下面展示的是最近的一些研究成果，关于四个不同的建筑尺度:平面、立面、结构和透视。
平面图自动生成
▼
空间规划是建筑设计的核心。在一个区域内安排房间是一个主要的挑战，人工智能可以提供解决方案。在尊重必要的邻接、合理的房间尺寸和适当的开口分布的同时，能够划分给定的平面图，是AI能够提供初始解决方案并提供结果的一项任务。
哈佛大学毕业研究生StainislasChaillou制作了一个名为ArchiGan的平面图生成程序。ArchiGan是建筑生成对抗神经网络的组合。该程序除了能够分三个步骤快速运行以生成一个单户住宅平面图之外，还用了嵌套方法来实现创建整个公寓楼的"generationstack"来允许使用者针对每一楼层做出客制化的改变，最终生成出一个超出单户住宅简单性的公寓规模平面图。
立面自动生成
▼
设计一个建筑的围护结构需要处理它的立面组成和它的材料。AI的灵活性可以帮助建筑师完成这个设计任务。加州大学伯克利分校的菲利普·伊索拉(PhilipIsola)在其他研究人员的协助下，于2018年提出了GAN模型(Pix2Pix)，能够从描述其主要结构元素(窗户、檐板、壁柱、门、阳台等)布局的图像出发，对立面进行纹理处理。
这种方法将立面的设计引用到一个严格的组合集。用户可以自由地改变每个元素的大小和比例，然后再指示模型对整体进行纹理处理。这个过程是无缝直接。由于对材料和整体外观的精确把握，建筑师可以在闲暇时调整其构图，以改变最终的效果图。
结构自动生成
▼
结构完整性是建筑设计的另一个主要挑战。每一栋建筑都必须有一个能够承载其形式的荷载的结构。如果说规则结构框架的使用在当时是一场革命，那么人工智能则超越了这一最初的范式，促进了不规则结构的设计，更适合建筑的结构现实。
CaitlinMueller和RenaudDanhaive在麻省理工学院和剑桥大学的研究中，提出了一种人工智能的创造性使用方法，使得探索独特的结构成为可能，同时确保用户对生成的形式保持一定程度的控制。Mueller和Danhaive专注于晶格结构的拉杆布置，以形成屋顶。在这里，效率被理解为用来塑造结构的金属量最小化。
这种新方法的价值体现在所创建的各种形式上。所有结构都响应一组类似的约束，但每个结构都提供一个惟一的解决方案。通过允许一定程度的探索自由，人工智能可以带来与传统模式不一样的解决方案。由于这些在可能性领域的“跳跃”，人工智能成为了一种创造性的力量。然后，建筑师可以自由地从这些意想不到的解决方案中选择最合适的方案。
透视
▼
奥克兰的一位建筑师KyleSteinfeld通过创造性工作、学术研究和软件开发的混合实践，他试图揭示被忽视的计算设计能力。他的作品跨越媒体，通过视觉和空间材料的结合来表达。他的研究和工作阐明了设计的创造性实践与计算性设计方法之间的动态关系，从而使建筑实践更具创造性、知识性、响应性和责任性。
人工智能目前正处于试验阶段，为我们的建筑环境设计的所有尺度带来解决方案。显然，结果是存在的，人工智能的应用也会越来越具体。单凭建筑师也无法推动它，跨专业的合作与交流将会给建筑实践带来更多突破。返回搜狐，查看更多
人工智能历史十大里程碑
人工智能得名缘由-1955
“人工智能”这个名词正式出现，最早是1955年8月31日由美国计算机科学家JohnMcCarthy和他的同事MarvinMinsky、NathanielRochester和ClaudeShannon提出的，那是确立了人工智能这一研究领域的Dartmouth学院暑期人工智能研讨项目经典提议的一部分，这个提议名为《2个月，10个人的人工智能研究》（2month,10manstudyofartificialintelligence）。
1956年Dartmouth会议被后世广泛承认为人工智能诞生的标志。会议上提出的断言之一是“学习或者智能的任何其他特性的每一个方面都应能被精确地加以描述，使得机器可以对其进行模拟。”这次会议上人工智能的名称和任务得以确定，同时出现了最初的成就和最早的一批研究者。
反向传播算法的出现—1969
反向传播（backpropagation）有时缩写为BACKPROP，是一种与最优化方法（如梯度下降法）结合使用的，用于训练神经网络的常见方法，在机器学习史上是重要的算法之一。它最早是1969年MarvinMinsky和SeymourPapert在《感知机》（Perceptrons）中提出，但直到20世纪80年代中期，才成为机器学习的主流。
反向传播要求有对每个输入值想得到的已知输出，来计算损失函数梯度。因此，它通常被认为是一种监督式学习方法，虽然它也用在一些无监督网络（如自动编码器）中。它是多层前馈网络的Delta规则的推广，可以用链式法则对每层迭代计算梯度。反向传播要求人工神经元（或“节点”）的激励函数可微。
人机对话—1966
近年来，人机对话交互技术成为人工智能的热点领域。众多业界公司相继推出了人机对话技术相关产品，如个人事务助理、手机助理、虚拟情感陪护机器人、娱乐型聊天机器人、智能音箱等等，并将人机对话交互技术作为其公司的重点研发方向。目前比较知名的产品有：Amaze的Alexa、Google的GoogleAssistant、Apple的Siri等等。
人机对话最早可追溯到1966年，麻省理工学院JosephWeizenbaum在ACM上发表了题为《ELIZA，一个研究人机自然语言交流的计算机程序》（ELIZA-acomputerprogramforthestudyofnaturallanguagecommunicationbetweenmanandmachine）的文章。文章描述了这个叫作ELIZA的程序如何使人与计算机在一定程度上进行自然语言对话成为可能。Weizenbaum开发了最早的聊天机器人ELIZA，用于在临床治疗中模仿心理医生。ELIZA的实现技术是通过关键词匹配规则对输入进行分解，而后根据分解规则所对应的重组规则来生成回复。简而言之，就是将输入语句类型化，再翻译成合适的输出。虽然ELIZA很简单，但Weizenbaum本人对ELIZA的表现感到吃惊，随后撰写了《计算机的能力和人类的推理》（ComputerPowerandHumanReason）这本书，表达他对人工智能的特殊情感。ELIZA如此出名，以至于Siri也说ELIZA是一位心理医生，是她的启蒙老师。（“Shewasmyfirstteacher!”、“…Shewasabrillantpsychiatrist.…”）
奇点理论-1982
想必你一定时不时在媒体上听到过“奇点”。何谓奇点？就是机器变得比人类更聪明的那个点。奇点的概念，最早是1982年VernorSteffenVinge在卡内基梅隆大学召开的美国人工智能协会年会上首次提出“技术奇异点”这一概念。1993年，他在美国国家航空航天局路易斯研究中心举行的一次讨论会上发表了论文《技术奇异点即将来临：后人类时代生存指南》（TheComingTechnologicalSingularity）再次简述了这个观点，论文同年刊载于《全地球评论》（WholeEarthReview）杂志上。在这篇论文中，VernorSteffenVinge系统地阐述了自己的“技术奇异点”的理论，并声称超越人类智能的计算器将在50年之内问世，并把这次变化好比200万年以前人类的出现一样重大。正是这篇文章，使“奇点”的观点流行开来。
自动驾驶终于来临-1989
自动驾驶似乎在这几年才频繁出现媒体上。世界上第一辆自动驾驶骑车是Google公司开发的吗？非也。自动驾驶汽车的展示系统可追溯至1920年代及1930年代间，但要到1950年代从出现可行的实验，并取得部分成果。第一辆能真正自动驾驶的汽车则出现于1980年代。1984年，卡内基美隆大学推动Navlab计划与ALV计划，这个被人搁置多年的想法又卷土重来，再到1987年，梅赛德斯-奔驰与德国慕尼黑联邦国防大学共同推行尤里卡普罗米修斯计划。从此以后，许多大型公司与研究机构开始制造可运作的自动驾驶汽车原型。
1989年，美国卡内基梅隆大学的研究人员DeanPomerleau就花费了8年的时间，研发出了一套名叫ALVINN（AutonomousLandVehicleInaNeuralNetwork)的无人驾驶系统，并用在了NAVLAB货车上，从宾夕法尼亚州匹兹堡到加州圣地亚哥行驶了2797英里，成功实现了自动驾驶，成为自动驾驶的祖师爷。虽然它的技术在今天来看非常原始，但是它证明了自动驾驶是可以实现的。
人脑的最后战役-1997
1996年2月10日，超级电脑DeepBlue首次挑战国际象棋世界冠军Kasparov，但以2：4落败。比赛在2月17日结束。其后研究小组把DeepBlue加以改良，1997年5月再度挑战Kasparov，比赛在5月11日结束，最终DeepBlue电脑以3.5：2.5击败Kasparov，成为首个在标准比赛时限内击败国际象棋世界冠军的电脑系统。IBM在比赛后宣布DeepBlue退役。
这是一场人类大脑和机器大脑的决战。尽管无疑DeepBlue处理信息的速度比Kasparov更快，拥有每秒超过2亿步的惊人速度。但DeepBlue的缺陷是没有直觉，不能进行真正的思考。这场比赛过程表明，DeepBlue无穷无尽的计算能力在很大程度上弥补了这些缺陷，这也反过来让人们思考，什么是思维的本质？思维是神秘莫测的吗？
这一结果尽管可能并没有证明AI除了在有明确定义的规则的问题上表现出色之外，在其他问题是否也表现出色，但这仍是人工智能领域向前迈进的一大步。
AI在Jeopardy！节目大获全胜-2011
就像DeepBlue与GarryKasparov的对弈一样，2011年，IBM的AI面临着另一个巨大的挑战，IBMWatson在挑战Jeopardy！（美国一档电视智力竞赛综艺节目）的前优胜者BradRutter和KenJennings——冠军奖获得100万美元奖金。比赛结束后，被Watson碾压的KenJennings打趣说：“我，作为一个人，欢迎我们的新机器人霸主。”（I,forone,welcomeournewrobotoverlords.）
Watson是能够使用自然语言来回答问题的人工智能系统，由IBM公司的首席研究员DavidFerrucci所领导的DeepQA计划小组开发并以该公司创始人ThomasJ·Watson的名字命名。IBM介绍时说“它是一个集高级自然语言处理、讯息检索、知识表示、自动推理、机器学习等开放式问答技术的应用”，并且“基于为假设认知和大规模的证据搜集、分析、评价而开发的DeepQA技术”。
AI的认猫事件-2012
以前，如果没有人类和大量现成数据的帮助下，人工智能甚至都不能分辨出猫的照片。但在2012年6月，Google的研究人员JeffDean和AndrewNg用1.6万块电脑处理器构建了全球最大的电子模拟神经网络，并通过向其展示自YouTube上随机选取的1000万段视频，考察其能够学到什么。结果显示，在无外界指令的自发条件下，该人工神经网络自主学会了识别猫的面孔。该成果表明Google在人工智能领域已取得重大进展。
AI打败围棋世界冠军-2016
2016年3月，GoogleDeepMind的AlphaGo在四场比赛中击败了围棋世界冠军李世乭。全世界有6000万观众观看了这场比赛。这是一个具有里程碑意义的事件，因为围棋中可能的落子位置数目比宇宙的原子总数还要多，把围棋所有的状态用穷举法全部列出大概需要10¹⁷⁰（相比之下国际象棋只有10⁴⁶），因此，围棋也被认为是人工智能攻克信息完全博弈游戏最后的堡垒。相比1997年IBMDeepBlue的暴力博弈树遍历而言，DeepBlue的胜利只是硬件速度的胜利和计算机的胜利。AlphaGo今天的胜利才真正是人工智能的胜利，它标志着真正人工智能时代的开启。返回搜狐，查看更多