Skip to main content

机器学习能否在未来的建筑设计中平衡建筑师的工作与生活?

future of architecture

对于许多建筑设计师而言,晚上和周末加班是工作的一部分,尤其是当项目的交工日期临近的时候。根据《2018年建筑业公平待遇》报告,在接受调查的建筑师中,有70%的受访者感到无权要求雇主为他们提供能够平衡工作与生活的便利,例如远程工作和灵活的工作时间。

但是,在未来的建筑设计中,自动化和机器学习有望缓解一些这样的痛苦,把繁琐的任务接管过去,以便让建筑师把更多的时间花在设计创新(以及他们愿意做的其他事情)上。

在过去的几年中,我和我在欧特克研究所的同事一起一直在对机器学习进行推测性建筑设计项目的测试。我们看到了机器学习辅助设计有可能通过三种方式来增强建筑师的技能、提高生产率并让自动化替代繁重的人工劳动。

第一种方式是“设计自动化”或者说是衍生式设计,其特点是,设计人员在其中输入条件或参数,然后由计算机算法来创建出设计的选项。这就是欧特克研究团队对位于加拿大多伦多MaRS创新区欧特克办公室进行的探索

第二种方式是“设计洞察力”,其特点是,建筑师可以完全控制设计,但是机器学习在有些方面(比如当地的建筑规范要求)提供洞察力和建议。这为建筑师提供了更大的设计自由度,并提供了有益的(而无需人工干预的)指导,从计划到预施工,可以加快他们的工作流程。

第三种方式是“设计交互”,其特点是,机器学习软件与建筑师共同创建设计,并将工作中最繁重的部分自动化。最近,我们与欧特克的两个合作伙伴NVIDIAGensler对这种方法进行了探索。从我们的共同目标相重叠的情况来看,我们看到了一个研究项目的诞生,该项目表明机器学习在建筑设计和施工中的影响将是深远的。

从BIM到生成式对抗网络

以NVIDIA的一个办公楼项目(由Gensler设计)为实验,我们在建筑师的工作流程中对机器学习的可行性进行了测试,这是为了能够演示人与机器协同工作时的情景。

为了使实验相对简单,我们选择了四楼的一部分作为测试平台,而不是整个建筑。我们专注于三种类型的组成部分:隔间、会议室和电话亭,我们一致认为,这些组件的信息将足以令人信服这种概念是可行的。

在NVIDIA和Gensler的帮助下,我们收集到了它们在目前项目中使用的这三个组件的所有变体,并创建了一个包含有每种类型中所有可能的空间组合的数据集。

机器学习模型是通过从大型数据集中发现规律来“学习”的,在这个案例中是一座办公楼的内部布局示例。机器学习的基本原则之一是,必须对模型进行好数据和坏数据的训练,这些数据可以告诉模型你想要的结果(实用的、令人愉快的、高效的工作环境)和不想要的结果。如果我们只把好的数据给它,那么它在出错的时候并不知道自己把事情搞错了;比如说,它有可能让隔间超出了墙壁的尺寸,或者没有在两个隔间之间留出足够的行走空间。

为了这个项目,我们选择了一种特定类型的模型,称为生成式对抗网络(简称GAN)。像人类设计师一样,通过反复挑战对认知的假设,一个机器学习系统可以加快并加深对某一知识领域的掌握。

在GAN中,有两个相互挑战的模型。这两种模型都经过培训,使用的是NVIDIA GPUs,目的是为了“了解”好的办公室布局是什么样的:能够代表好的办公室设计的家具、基础设施(例如暖通空调和管道)、照明和空间的组合。有一个模型在不断地生成这些功能的组合并挑战另一个模型,以便准确地将其标记为“好的”或“坏的”设计。

如果试验的结果表明可行的话 … …

为了使得从BIM到GAN的过程显得真实,欧特克创建了一个草图界面,该界面遵循的工作流程是Gensler设计师熟悉的被称为“测试组成”的那种工作流程:建筑师选择了一座商业办公楼的一部分,并尝试在所选的空间内将电话亭、会议室和小隔间的目标数量最大化并对这些构成进行理想的配置。

团队输入了项目的目标:20个会议室、20个电话亭和200个(隔间)工作站。他们将这些要求配置为四种区域类型:三个项目目标以及“避开区域” — 例如厨房或中庭等区域(这些区域不包含这些构成部分,或者在建筑工程中应当避免去触碰)。

设计师用笔和平板电脑把需要考虑的区域轮廓画成草图。然后他们输入目标数据,对要填充到该空间的内容进行描述。然后该空间的几何图形就会被转换为BIM,使得上述草图转换为全保真的3D几何图形。

VGAN项目可使用户通过在所布置区域周围绘制边界来快速测试填充计划。Chin-Yi Cheng供图。

对区域类型定义之后,使用放大功能即可访问家具布局功能。Chin-Yi Cheng供图。

含有房间布局的详细信息的定义区域。Chin-Yi Cheng供图。

建筑师面临的主要挑战是当他们需要对办公室布局进行变动的时候,例如,现在需要400个隔间而不是350个隔间。这些变动通常需要设计师在欧特克Revit中从头开始,其实,创建一个空间的多种变体并对其进行对比是个非常艰苦的过程。如果没有机器学习技术,建筑师通常会把客户要求的所有内容一股脑地都塞进去,但到最终他们可能无法达到项目计划要求的确切数量。

但是,当GAN允许对替代布局方案进行探索时,它就可以把设计师从大量的繁琐工作中解放出来,并使他们可以专注于工作中的创造性元素。绘制草图可能需要90秒钟,但是这90秒钟的处理时间可能意味着Gensler的设计师在没有机器学习协助的情况下要在Revit中花费两到三周时间反反复复的工作。

该模型还使用户能够使用NVIDIA GPUs将设计直接转换为虚拟现实界面。绘制过草图两分钟以后你可以戴上虚拟现实头盔并在你创建的空间中走一走,体验一下到办公环境的真实感受。如果你不喜欢这个设计,就可以花上5分钟时间搞出一个替代方案。

future of architecture models vr interface
在虚拟现实界面可以查看房间设计并对其进行修改。Chin-Yi Cheng供图。

工作流程的未来

虽然机器学习可能有一天能使某些建筑师的日常任务自动化,但他们的目标应该是保持对设计创意的控制。建筑师使用独特的人类技能来创造一个用于工作和互动的愉快环境。

教会GAN的设计的无形部分比较困难,例如填充和终期处理、材料美学以及周围环境如何支持团队之间的协作。但是,机器学习在计算最佳布局方面可以发挥重要的作用 — 为不同类型的活动分配空间并确定建筑基础设施的需要。该技术可以提供指导来帮助建筑师选择最实用和最容易施工的设计。

机器学习辅助设计被建筑师广泛使用可能还需要几年的时间。而且,由于它并不是一种经过最佳化处理且已经投入商业使用的工具,因此很难量化我们的实验对生产率能够产生多少影响。但是它确实可以表明的是,我们可以将机器学习应用于能为建筑师、工程师和建筑商提高生产率(并减少繁琐的工作)的工作流程。有一天,这可能会使建筑师每隔一段时间就多休一次假。

其他内容由欧特克人工智能实验室首席研究科学家Chin-Yi Cheng提供。

关于作者

马克-戴维斯(Mark Davis)是一位多学科设计师、技术专家和思想领袖,致力于解决棘手问题。他拥有精湛的创造和执行战略的能力,是一位久经考验的设计领导者,为大型商业企业开发人工智能驱动的软件和体验,为企业的成功做出了贡献。作为欧特克研究部的前高级总监,戴维斯和他的团队探索并验证了新技术、下一代软件解决方案和身临其境的体验。

Profile Photo of Mark Davis - CN