人工智能很快將在建筑師的日常實(shí)踐中獲得巨大的授權(quán)，這種潛力就在眼前，我的工作為概念提供了證明。在我的工作中使用的框架提供了一個(gè)討論的跳板，邀請(qǐng)架構(gòu)師開(kāi)始與人工智能接觸，數(shù)據(jù)科學(xué)家將架構(gòu)視為一個(gè)研究領(lǐng)域。在這篇文章中，我總結(jié)了 2019 年 5 月在哈佛大學(xué)提交的 我的論文 的一部分，在那里，生成性對(duì)抗性神經(jīng)網(wǎng)絡(luò)（或 GANs ）被用于設(shè)計(jì)樓層平面圖和整個(gè)建筑。

我相信設(shè)計(jì)概念的統(tǒng)計(jì)方法將塑造人工智能在建筑方面的潛力。 這種方法不太確定，而且更具整體性。與其使用機(jī)器來(lái)優(yōu)化一組變量，不如依賴它們來(lái)提取顯著的質(zhì)量，并在整個(gè)設(shè)計(jì)過(guò)程中模仿它們，這是一種范式的轉(zhuǎn)變。

讓我們將樓層平面設(shè)計(jì)分為三個(gè)不同的步驟：

（I） 建筑占地面積體量

（II） 分發(fā)程序

（III） ￡家具布局

每一步都對(duì)應(yīng)于一個(gè) Pix2Pix-GAN 模型 ，被訓(xùn)練來(lái)執(zhí)行上述 3 個(gè)任務(wù)中的一個(gè)。通過(guò)一個(gè)接一個(gè)地嵌套這些模型，我創(chuàng)建了一個(gè)完整的公寓樓“ 生成堆棧 ”，同時(shí)允許用戶在每個(gè)步驟中輸入。此外，通過(guò)處理多套公寓的處理，該項(xiàng)目的規(guī)模超出了單戶住宅的簡(jiǎn)單性。

除了開(kāi)發(fā)新一代產(chǎn)品線外，這一嘗試旨在展示 GAN 在任何設(shè)計(jì)過(guò)程中的潛力，即嵌套 GAN 模型，并允許用戶在模型之間輸入，我試圖實(shí)現(xiàn)人與機(jī)器之間、紀(jì)律直覺(jué)與技術(shù)創(chuàng)新之間的來(lái)回轉(zhuǎn)換。

表現(xiàn)、學(xué)習(xí)和框架

Pix2Pix 使用條件生成對(duì)抗網(wǎng)絡(luò)（ cGAN ）來(lái)學(xué)習(xí)從輸入圖像到輸出圖像的映射。該網(wǎng)絡(luò)由兩個(gè)主要部分組成，發(fā)生器和鑒別器。生成器將輸入圖像轉(zhuǎn)換為輸出圖像；鑒別器嘗試猜測(cè)圖像是由生成器生成的還是原始圖像。網(wǎng)絡(luò)的兩個(gè)部分互相挑戰(zhàn)，導(dǎo)致輸出的質(zhì)量更高，難以與原始圖像區(qū)分開(kāi)來(lái)。

我們使用這種能力來(lái)學(xué)習(xí)圖像映射，這使得我們的模型可以直接從平面圖圖像中學(xué)習(xí)拓?fù)涮卣骱涂臻g組織。我們通過(guò)格式化圖像來(lái)控制模型學(xué)習(xí)的信息類型。例如，只要向我們的模型顯示地塊的形狀及其關(guān)聯(lián)的建筑跡線，就可以生成一個(gè)能夠在給定地塊形狀的情況下創(chuàng)建典型建筑跡線的模型。

我用了 pix2pix 的 Christopher Hesse 的實(shí)現(xiàn) 。他的代碼使用了 TensorFlow ，而不是基于 Torch 的 原版 ，它被證明易于部署。我更喜歡 TensorFlow ，因?yàn)辇嫶蟮挠脩羧汉椭R(shí)庫(kù)讓我有信心在遇到問(wèn)題時(shí)能夠輕松找到答案。

我使用 NVIDIA Tesla V100 GPU 運(yùn)行快速迭代和測(cè)試，用于 Google 云平臺(tái)（ GCP ）上的培訓(xùn)過(guò)程。 GCP 上提供的 NVIDIA GPU 云圖深度學(xué)習(xí) 的簡(jiǎn)單性允許無(wú)縫部署，它為 Pix2Pix （ TensorFlow ， Keras 等）安裝所有必要的庫(kù)，并安裝在機(jī)器的 GPU （ CUDA & cuDNN ）上運(yùn)行此代碼的包。我使用的是 TensorFlow 1 。 4 。 1 ，但是有一個(gè)新版本的 pix2pix 和 TensorFlow 2 。 0 可用 ［here］ 。

圖 2 顯示了典型培訓(xùn)的結(jié)果。這個(gè)序列首先花了一天半的時(shí)間來(lái)訓(xùn)練。最終在 GCP 中的 Tesla V100 上花費(fèi)了不到 2 個(gè)小時(shí)，與在本地運(yùn)行相同的訓(xùn)練相比，它允許更多的測(cè)試和迭代。

我們展示了我的一個(gè) GAN 模型是如何逐步學(xué)習(xí)如何在空間中布置房間和門窗的位置的– 也稱為開(kāi)窗 ——對(duì)于圖 2 中的序列中給定的公寓單元.

雖然最初的嘗試被證明是不精確的，但機(jī)器在經(jīng)過(guò) 250 次迭代后，建立了某種形式的直覺(jué)。

先例

伊索拉等人的早期工作。 2018 年 11 月，他們的模型 Pix2Pix 實(shí)現(xiàn)了圖像到圖像的轉(zhuǎn)換，為我的研究鋪平了道路。

鄭和黃在 2018 年［3］首先研究了使用 GAN 的平面圖分析。作者提出用 GANs 來(lái)進(jìn)行平面圖的識(shí)別和生成，使用 Pix2PixHD ［1］ 。由他們的 GAN 架構(gòu)處理的平面圖圖像被轉(zhuǎn)換成程序化的色塊。相反，他們作品中的色塊變成了畫(huà)室。如果用戶指定了洞口和房間的位置，則布置的網(wǎng)絡(luò)元素將成為家具。同年，內(nèi)森·彼得斯（ nathanpeters ）在哈佛大學(xué)設(shè)計(jì)研究生院（ Harvard Graduate School of Design ）發(fā)表的論文 ［2］ 探討了在一個(gè)家庭住宅占地面積上布置房間的可能性。彼得斯的作品將一個(gè)空的腳印變成了程序化的色塊，而沒(méi)有指定的開(kāi)窗。

關(guān)于 GANs 作為設(shè)計(jì)助理， Nono Martinez 在 2017 年哈佛大學(xué) GSD 的論文 ［3］ 研究了機(jī)器和設(shè)計(jì)師之間循環(huán)的想法，以完善“設(shè)計(jì)過(guò)程”的概念。

堆棧和模型

我在前面描述的先例的基礎(chǔ)上創(chuàng)建了一個(gè)三步生成堆棧。如圖 3 所示，堆棧的每個(gè)模型處理工作流的特定任務(wù)： （一） 足跡聚集，（ II ）程序重新劃分，（ III ）家具布局 。

架構(gòu)師能夠在每個(gè)步驟之間修改或微調(diào)模型的輸出，從而實(shí)現(xiàn)預(yù)期的人機(jī)交互。

模型一：占地面積

建筑腳印顯著地定義了平面圖的內(nèi)部組織。它們的形狀很大程度上取決于它們的周圍環(huán)境，更確切地說(shuō)，它們包裹的形狀。由于住宅建筑足跡的設(shè)計(jì)可以從其所在土地的形狀中推斷出來(lái)，因此我使用 波士頓市 中的 GIS 數(shù)據(jù)（地理信息系統(tǒng)）訓(xùn)練了一個(gè)模型來(lái)生成典型的足跡。在培訓(xùn)期間，我們以適合 Pix2Pix 的格式向網(wǎng)絡(luò)提供成對(duì)的圖像，顯示原始地塊（左圖）和繪制了給定建筑的同一地塊（右圖）。我們?cè)趫D 4 中顯示了一些典型的結(jié)果。

模式二：程序

模型二處理重新劃分和開(kāi)窗。該網(wǎng)絡(luò)以模型 I 生產(chǎn)的給定住房單元的占地面積、入口門（綠色正方形）的位置以及用戶指定的主窗位置作為輸入。用于培訓(xùn)網(wǎng)絡(luò)的計(jì)劃來(lái)自于 800 多個(gè)公寓平面圖的數(shù)據(jù)庫(kù)，在培訓(xùn)期間對(duì)模型進(jìn)行了適當(dāng)?shù)淖⑨尣⒊蓪?duì)給出。在輸出中，程序使用顏色對(duì)房間進(jìn)行編碼，同時(shí)使用黑色補(bǔ)丁來(lái)表示墻結(jié)構(gòu)及其窗洞。圖 5 顯示了一些典型的結(jié)果。

模式三：裝修

最后，模型三利用模型二的輸出來(lái)解決家具布局的挑戰(zhàn)。這個(gè)模型訓(xùn)練成對(duì)的圖像，將房間程序的顏色映射到適當(dāng)?shù)募揖卟季?。在圖像轉(zhuǎn)換過(guò)程中，該程序保留了墻結(jié)構(gòu)和開(kāi)窗，同時(shí)用每個(gè)房間的程序指定的相關(guān)家具填充房間。圖 6 顯示了一些典型的結(jié)果。

用戶界面和體驗(yàn)

我為用戶提供了一個(gè)簡(jiǎn)單的界面，每個(gè)步驟貫穿我們的管道。在左側(cè)，他們可以輸入一組約束和邊界，以在右側(cè)生成生成生成的計(jì)劃。然后，設(shè)計(jì)器可以迭代地修改左側(cè)的輸入，以優(yōu)化右側(cè)的結(jié)果。圖 7 中的動(dòng)畫(huà)展示了為 ModelII 設(shè)置的這種類型的界面和過(guò)程。

你也可以自己試試這個(gè) interface 。（性能取決于屏幕分辨率/瀏覽器版本 – 建議使用 Chrome ）。

模型鏈接與公寓生成

在這一部分中，我將 GANs 的應(yīng)用擴(kuò)展到整個(gè)公寓樓的設(shè)計(jì)中。該項(xiàng)目使用一種算法將模型 I 、 II 和 III 一個(gè)接一個(gè)地連接起來(lái)，在每一步將多個(gè)單元作為單個(gè)圖像處理。圖 8 顯示了這個(gè)管道。

繪制多個(gè)單元的樓層板的挑戰(zhàn)標(biāo)志著單戶住宅和公寓建筑的區(qū)別。從戰(zhàn)略上講，控制窗戶和單元入口位置的能力是確保每套公寓質(zhì)量的關(guān)鍵。由于模型 II 以門窗位置為輸入，因此上述生成堆?？梢钥s放到整個(gè)樓層板生成。

用戶被邀請(qǐng)指定 I 型和 II 型之間的單元分割，換句話說(shuō)，指定每個(gè)樓板如何劃分為公寓，并定位每個(gè)單元入口門窗以及潛在的垂直循環(huán)（樓梯、核心等）。然后，所提出的算法將每個(gè)結(jié)果單元反饋到模型 II （圖 9 中所示的結(jié)果），然后將 III （結(jié)果如圖 10 所示），最終重新組裝初始建筑的每個(gè)樓板。該算法最終輸出為單個(gè)圖像，生成建筑物的所有樓板。

更進(jìn)一步

如果使用這種技術(shù)可以實(shí)現(xiàn)標(biāo)準(zhǔn)公寓的生成，下一步自然是推進(jìn)模型的邊界。 GANs 為解決看似高度受限的問(wèn)題提供了顯著的靈活性。在平面布置的情況下，手工劃分和布置空間可能是一個(gè)具有挑戰(zhàn)性的過(guò)程，因?yàn)檎嫉孛娣e在尺寸和形狀上發(fā)生了變化。事實(shí)證明，我的模型在適應(yīng)不斷變化的約束的能力上相當(dāng)“ smart ”。

控制單元入口門窗位置的能力，加上我的模型的靈活性，使我們能夠在更大的范圍內(nèi)處理空間規(guī)劃，而不僅僅是單個(gè)單元的邏輯。在圖 12 中，我在研究模型對(duì)奇怪的公寓形狀和上下文約束的反應(yīng)時(shí)，將管道縮放到整個(gè)建筑生成。

局限性和未來(lái)改進(jìn)

如果以上結(jié)果為 GANs 的架構(gòu)潛力奠定了前提， 一些明顯的局限性將推動(dòng)未來(lái)的進(jìn)一步研究。

首先，由于公寓單元堆積在多層建筑中，我們目前無(wú)法保證承重墻從一層到下一層的連續(xù)性。 由于每個(gè)單元的所有內(nèi)部結(jié)構(gòu)布局不同，承重墻 MIG 不會(huì)對(duì)齊。目前，我們認(rèn)為外墻是承重的。然而，在模型 II 的輸入中指定承重構(gòu)件位置的能力可能有助于解決這個(gè)問(wèn)題。

此外，下一步自然是通過(guò)獲得更大的圖像來(lái)增加輸出層的大小，從而提供更好的清晰度。 我們希望部署 NVIDIA 在 2018 年 8 月開(kāi)發(fā)的 Pix2Pix 高清 項(xiàng)目來(lái)實(shí)現(xiàn)這一目標(biāo)。我們希望利用 TensorRT 來(lái)處理所需的增加的計(jì)算能力。

最后，一個(gè)主要的挑戰(zhàn)來(lái)自我們輸出的數(shù)據(jù)格式。像 Pix2Pix 這樣的 GANs 只處理像素信息。在我們的管道中產(chǎn)生的圖像目前還不能直接被建筑師和設(shè)計(jì)師使用。 將光柵圖像的輸出轉(zhuǎn)換為矢量格式是允許上述管道與常用工具和實(shí)踐集成的關(guān)鍵步驟。

甘斯建筑的未來(lái)？

我相信，我們?cè)O(shè)計(jì)正確管道的能力將決定人工智能作為一種新的架構(gòu)工具集的成功。將這條管道分成幾個(gè)獨(dú)立的步驟，最終將允許用戶參與其中。我相信他們對(duì)機(jī)器的控制是設(shè)計(jì)過(guò)程質(zhì)量和相關(guān)性的最終保證。

在更技術(shù)層面上，如果 GANs 不能完全創(chuàng)建 fit 設(shè)計(jì)選項(xiàng)，他們的“直覺(jué)”仍然是游戲規(guī)則的改變者，尤其是他們的輸出可以為標(biāo)準(zhǔn)優(yōu)化技術(shù)提供一個(gè)巨大的起點(diǎn)。 通過(guò)將 GANs 的結(jié)果與優(yōu)化算法相結(jié)合，我認(rèn)為我們可以從每個(gè)世界中得到最好的結(jié)果，通過(guò)實(shí)現(xiàn) 的架構(gòu)質(zhì)量和效率。

關(guān)于作者

Stanislas Chaillou 是巴黎本地人，是Spacemaker.ai 架構(gòu)師。 他在瑞士洛桑聯(lián)邦理工學(xué)院獲得建筑學(xué)學(xué)士學(xué)位，并在哈佛大學(xué)獲得建筑學(xué)碩士學(xué)位。他的工作圍繞建筑和技術(shù)展開(kāi)，主要研究人工智能在設(shè)計(jì)過(guò)程中的集成。他曾在國(guó)際知名公司工作過(guò)，包括芝加哥的 Adrian Smith & Gordon Gill ，東京的 Shigeru Ban Architects ，通量 io 在舊金山，螺旋線。 RE 在倫敦和其他地方。

審核編輯：郭婷