智能建筑設計的發展研究與探索

李丹宇 劉怡晴 丁松陽

1 研究背景

目前，我國建筑業數字化程度相對較低，傳統的施工技術更受業界青睞。與制造業等領域相比，建筑業缺乏足夠的數字專業知識、人才及相關技術的實際應用，在效率、利潤水平、項目工期、決策知情及施工安全等方面均表現欠佳，亟需技術轉型升級。

自20 世紀初以來，建筑師為了尋求創新和發展，開始整合不同學科的理論和方法，探索新的設計途徑。人工智能（Artificial Intelligence，AI）標志著一個關鍵的轉折點，但最初，由于計算機算力和人工智能技術的限制，建筑師主要是在理論層面上探索生成式設計的潛力，可并沒有取得太大的突破。隨著個人電腦的普及和計算能力的提高，建筑師開始使用計算機輔助設計軟件和三維建模工具來實現他們的設計想法，并通過數字化的方式表達設計概念。20 世紀末，深度學習的興起重新激發了建筑師繼續探索生成式設計的興趣。深度學習的發展使計算機能夠更好地模擬人類的創造力和設計思維，從而實現了更具創新性和多樣性的建筑設計生成[1]。

2 人工智能的發展歷程

2.1 崛起與第一次寒冬

1950 年，計算機科學家艾倫?麥席森?圖靈提出圖靈測試，成為判斷機器是否擁有人類智能的一個重要標準[2]。約翰·麥卡錫在1956 年的達特茅斯會議上首次提出“人工智能”概念，這次會議激發了人們研究人工智能的興趣。但到1970 年代中后期，人們發現人工智能只能做很簡單、專業性強的任務，稍微超出范圍就無法應對。而且很多計算任務的復雜度以指數級增加，導致科學家無法解決實際問題，人工智能的發展進入第一次寒冬。人工智能發展歷程如圖1 所示。

圖1 人工智能發展歷程（來源：作者自繪）

2.2 從基于知識到數據驅動

從1980 年代后期開始，在此后的30 年間，人工智能經歷了2 個關鍵階段：第1，基于知識的人工智能。此階段的主要目標是將人類知識抽象成機器可理解的形式，以便應用于推理。其中，一個典型應用是專家系統，它是一種計算機程序，通過捕獲并編碼專家的知識，使經驗不足的用戶也能訪問這些知識。專家系統也存在一些問題，它的知識范圍通常比較狹窄，難以應用于其他領域。而且由于專家系統不具備學習能力，無法處理新的問題。人工智能的發展進入第二次寒冬。第2，由數據驅動的人工智能。這時更注重實用性和功能性，機器學習成為核心。機器學習是人工智能的一個分支，它通過算法和模型使計算機能從數據中學習，并在沒有顯式編程的情況下做出預測或決策。但到1990 年代末，機器學習也遇到了瓶頸。傳統機器學習嚴重依賴人工處理的特征數據，成本較高，且往往無法準確表示特征。為解決該問題，深度學習應運而生，通過深度神經網絡自動提取高維數據的特征表示，從而減少對特征工程的依賴，使得特征的表示更加自動化和高效。

3 智能化設計探索與應用

設計階段可以說是建筑行業的核心，在此階段不僅要滿足建筑使用功能，還要實現造型優美、技術先進的目標。所以設計師不僅要考慮外部環境的影響，也要考慮建筑內部構造的合理性及建筑對環境產生的影響?；诖?，建筑師們不得不考慮用其他領域的技術手段幫助解決問題，而隨著人工智能的日益崛起，利用計算機去解決建筑行業的問題漸漸落到實地。

3.1 專家系統引領建筑設計創新之路

1980 年前后，專家系統在建筑行業主要應用在施工和建造管理方面，對生成式設計的研究處于探索階段。1985 年，MAHER 等[3]提出用于高層建筑初步結構設計的知識型專家系統，這是結構設計領域專家系統開發的起點。除了結構設計，該系統在建筑設計領域也有應用，OXMAN 等[4]在BUILD 的基礎上開發了PREDIKT 專家系統，用于廚房設計的生成與評估。

但專家系統有明顯缺點，不僅知識難以用規則完全表示，很多非正式的知識（如個人直覺等）不能被完整記錄，且知識庫的維護成本很高。為解決上述問題，美國喬治亞理工大學在1990 年開發了基于案例輔助建筑設計概念階段的工具Archie，其中包含平面圖、案例評價以及項目運作等相關資料，以避免建筑師犯同樣或者類似的錯誤。但缺點也可見一斑，案例的數量和種類是有限的，無法涵蓋全部種類。其次，隨著時間流逝相關專業的法律條文或者規范也會不斷完善和改變，無法給未來建筑設計提供較好的建議[5]。

3.2 基于優秀的機器學習算法的建筑設計優化

由于專家系統無法達到商用的期許，人工智能發展進入寒冬。隨著個人計算機的普及，建筑領域轉向了設計的數字化表現，設計任務中的“創造性”部分在很大程度上被忽視，計算機輔助設計過程主要包括算法分析和優化。在此階段，產生了很多優秀的機器學習算法應用于設計優化。下面介紹遺傳算法、貝葉斯網絡和蟻群算法在建筑設計優化上的創新應用。

3.2.1 遺傳算法

遺傳算法是一種針對難解問題的優化搜索工具，其主要思想是使用隨機化技術初始化種群，然后用隨機選擇、交叉、變異操作產生一群更適合環境的個體，從而獲得更好的近似解。不斷循環該過程，最后收斂到一個最優解。通過模擬生物進化的過程，遺傳算法能有效解決各種優化問題。

建筑設計可以看作一個多準則優化問題，通常需在資本支出、運營成本和居住者的熱舒適度之間進行權衡。2002 年，WRIGHT 等[6]研究了多目標遺傳算法在識別建筑能耗中的應用。結果表明，多目標遺傳算法能在日常能源成本和區域熱舒適性之間找到最佳的收益特性。從而可看出多準則遺傳算法能為識別建筑熱設計要素之間的收益提供巨大潛力。遺傳算法不僅能應用在設計優化階段，也可以應用在結構方面，尤其是樁基優化問題。LIU 等[7]利用改進的自動分組遺傳算法研究了初始設計階段的樁基優化問題。通過提出的模塊化方法考慮樁特性（數量、長度、直徑）和樁布置，以實現樁尺寸和布置的并行優化。結果表明，利用自動分組遺傳算法進行樁基礎優化設計的方法可提高設計的質量和穩定性，有重要的應用價值。

3.2.2 蟻群算法（ACA）

蟻群算法（Ant Colony Algorithm，ACA）模擬了螞蟻在尋找食物時的集體行為，通常用于解決組合優化問題，例如旅行商問題（Traveling Salesman Problem，TSP）、路徑規劃等。由于該算法具備同時控制局部最優和全局最優的能力，相較于其他仿生算法，蟻群算法在求解TSP 時有更好的表現[8]。在結構設計方面，吳科等[9]利用蟻群算法對一個包含3 跨、24 層、168 根桿件的鋼框架結構進行優化計算，研究結果表明蟻群算法在基于TSP 模型的結構優化設計中具有重要的價值，為土木工程結構的優化與分析計算提供了一種有效的方法。

3.2.3 貝葉斯網絡（Bayesian Network）

貝葉斯網絡是基于有向無環圖的概率模型，可直接表示變量之間的因果關系。它在人工智能領域具有廣泛的傳播，主要原因是其處理不完整或不確定信息的能力，其工作方式與人腦的做法非常相似。貝葉斯網絡能在建筑設計的粗略尺寸階段模擬設計師的推理方式，將易于使用的宏觀模型與更精細的微觀模型相結合。從而在執行試驗設計方法的同時恢復非常詳細的數值結果，達到更高的可靠性。

貝葉斯網絡允許建筑師根據某些決策變量（如建筑參數）的知識預測屋頂系統的性能，并推斷缺乏性能的最可能原因。貝葉斯模型可作為一個專家系統設計帶有屋頂池塘的建筑物。由于貝葉斯網絡的明確因果結構，還能模擬屋頂池塘復雜的熱行為，因為它們具有可變特性，隨季節、建筑特征和氣候參數而變化。這種概率模型能處理多種建筑配置，為建筑師提供多標準決策工具，還可計算待設計建筑中存在的這種技術帶來的預期改進。

3.3 基于深度學習的建筑設計發展革新浪潮

隨著大數據時代的到來，深度學習開始興起，重大突破出現在2012 年的ImageNet大規模視覺識別挑戰賽中，卷積神經網絡（Convolutional Neural Networks，CNN）被用于圖像識別。在這一次發展浪潮中，建筑行業的研究人員也進行了一系列的嘗試。其中，圖形處理器（Graphics Processing Unit，GPU）的快速發展以及標記數據可用性的增加，共同推動了建筑行業對深度學習技術的應用。

3.3.1 基于CNN的室內場景生成方法及改進

2018 年用CNN 生成室內場景的新方法被提出，這種方法采用了一種獨特的場景表示，在3D 房間的2D 地面布局中捕捉物體的特征，這種表示允許模型根據房間環境學習物體的放置。與該方法類似，2021 年一種基于Transformer 的室內場景的模型出現，將FastSynth 中的深度卷積神經網絡換成Transformer 架構。該模型通過大規模室內場景數據集從用戶設計的室內場景中提取模式，并基于這些模式生成一系列對象及它們的位置和方向來解決室內場景生成任務。不同于傳統方法，該模型不依賴任何外觀信息，而是用Transformer 的自注意力機制來隱式學習對象之間的關系，從而克服了傳統方法在生成場景時必須依賴2D或3D外觀的局限性。與傳統方法相比，利用該模型可更快地生成場景。

3.3.2 基于VAE和GAN的房屋設計方法及創新

深度學習發展至今，建筑設計中最常用的生成式算法是變分自編碼器（Variational Auto-Encoders，VAE） 和生成對抗網絡（Generative Adversarial Network，GAN）。VAE 是一個深度生成模型，目標是訓練一個神經網絡，使得生成樣本與真實樣本盡可能接近。而GAN 主要由生成器G 和判別器D2部分組成。生成器G 將輸入的隨機噪聲映射成一張圖像，作為生成樣本。判別器D 是一個二分類的分類器，其任務是估計樣本是從真實數據中生成還是來自訓練數據。2019 年基于VAE的生成遞歸自動編碼器來生成3D 室內場景的手段出現，即首次嘗試開發一種生成神經網絡來學習3D 室內場景的分層結構。該網絡將遞歸神經網絡與變分自編碼器集成在一起，能夠在不到1 s 的時間內生成3D 場景。該框架的核心模型是一個變分自編碼器，其編碼器部分實現了場景的結構分層，編碼了3D 對象的空間屬性、語義以及它們在層次結構中的相對位置信息。而解碼器則從這些信息中采樣，生成場景的新結構。在GAN 提出前，基于數據驅動的場景布局主要有2 種方式：一種是利用CNN 學習已標注的線框圖；另一種是使用多層全連接結構學習元素的幾何參數（位置、大?。ｋS著GAN 的出現，開始將GAN 運用于場景布局，但傳統的GAN 網絡只能學習像素級的布局，無法更深入地學習其中的結構依存關系。為解決該問題，有學者嘗試將幾何參數與圖像信息結合，提出一種名為layoutGAN的新模型。該模型包含2 個辨別器，第一個辨別器致力于使初始輸入的隨機元素類別和幾何參數更真實，更好地捕捉全局信息。經第一個辨別器的處理后，模型將幾何參數轉化為線框圖，然后由第二個辨別器評估線框圖的真實性。通過這種設計，GAN 的2個辨別器能分別識別幾何參數和線框圖的真假，提高生成布局的真實性。

房屋設計不僅含場景生成，還包括以圖像為主的平面設計生成。平面設計生成一直是個活躍的研究領域，早期方法主要依賴于迭代優化，但成本高、耗時長。有學者在2020 年提出HOUSE-GAN 模型，是一種新的圖約束生成對抗網絡，生成器和判別器建立在關系架構之上。主要思想是將約束編碼進圖關系中，即將房間中的布局約束轉化為圖結構，節點表示為每個房間類型，節點之間的邊表示相鄰空間之間的連接。在此之上，根據房間布局圖HOUSE-GAN 中的生成器通過輸入的房間圖結構的約束下生成一組軸對齊的房間邊界框。

4 結語

本文以人工智能的發展為主線，系統回顧了近幾十年建筑設計領域中對技術的探索與應用。從早期的專家系統，到現今的機器學習和深度學習，建筑設計已經從傳統的手動方式逐漸向數字化和智能化轉型。在未來，深度學習將繼續成為智能建筑設計的焦點。其中，機器學習方法在3D 生成式設計中將發揮至關重要的作用，該方法能讓設計師在初始設計階段快速生成各種設計，從而實現批量快速生成可變形式的目標。此外，為加強神經網絡訓練，必須建立一個更有效的數據收集模型來收集建筑數據。