AIGC影响下的AI建筑学

本文主要是介绍AIGC影响下的AI建筑学，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

前言——AI建筑学

我们在讨论AI，也在讨论建筑学。

最近随着AI Generated Content（AIGC）（人工智能自动生成内容）的兴起，我们可以将AI和建筑学放在一起讨论，形成一门新的学问：AI建筑学。其中，建筑师使用Diffusion等AI模型，通过提示语（Prompt）的输入，来生成设计方案。

下文将从我们建筑智能研究组（AIG）在AIGC领域的尝试为切入，为大家介绍AI建筑学中的几种模式，聊聊AI如何和设计师一起参与到建筑创作中。也希望本文能给读者们一些灵感，启发后续的研究和设计。

模式一：从“低信息量”到“高信息量”的生成

首先，我们可以使用Stable Diffusion或Midjourney之类的图像生成类模型来提升建筑设计方案的细节。我们输入信息量较低的初步设计，AI可以帮助我们在初步设计的框架控制下，生成信息量较高的进一步设计方案，以此来深化设计。

例如，下图展示了一种AI和SketchUp结合的场景，设计师可以在SketchUp中简单建立一个体块，然后驱动AI生成对应的建筑细节。在观察角度不同的情况下，AI生成的方案也会不同，因此提供更多的选择。

从SketchUp体块模型生成方案细节

同样的，在Rhino中，我们可以输入多个体块形成的简单建筑形态，然后嵌入AI程序来生成细节丰富的设计方案。同时我们可以控制AI的提示语，例如指定不同设计师的风格，然后对同一个体块模型生成多种风格的设计方案。

从Rhino体块模型生成不同风格的建筑

除了数字模型，实体模型也可以作为AI生成的目标。对于习惯手工搭模型来推敲方案的设计师，也可以使用体块模型的照片作为输入，指导AI生成方案细节。这种工作流程在后期可以开发为手机APP植入相机应用，方便设计师调用。

从实体模型生成建筑

另一种信息升维的方式是，由手绘草图来生成方案。这种工作流程尤其适用于喜欢通过草图来推敲方案的设计师。例如下面这个案例，我们可以随手绘制一个非常潦草的建筑场景线图，让AI来生成对应的建筑实景图。可以看到，随着手绘信息的增加，AI生成的信息也越来越稳定。

从手绘草图生成建筑实景图

而且，生成信息的风格同样是可控的。对于手绘图，如果我们倾向于生成的是类似风格的建筑彩绘图，可以通过提示语和权重来控制输入和输出的相似度。例如下面这个案例，随着提示语权重的增加，一张建筑草图逐渐变成写实风格的建筑表现图。而设计师可以选择中间任何的一个状态作为其理想的输出。

从草图生成建筑表现图

总的来说，第一种模式更接近建筑师原本的工作流程。AI在设计的某个阶段介入，帮助将设计深化到下一个阶段。这种模式下，建筑师提供的“低信息量”作为控制要素，指导AI生成“高信息量”，以此在可控的情况下丰富设计细节。

模式二：从“非建筑信息”到“建筑信息”的迁移

在第二种模式中，AI同样作为信息的生成者，但更像是“翻译”，将用户提供的与建筑无关的信息转化为建筑信息。这种流程常见于各类建筑研究中，例如对空间关联的探讨，或是对形态演变的研究。

在下面这个案例中，我们拿取了一些手边的物件，随意摆放在桌面上。虽然这些物件和建筑没有关系，摆放的位置也是随意的，但我们仍然可以用描述建筑的提示语来让AI生成对应的建筑场景。和手绘的情况相同，我们对物件摆放的越详细，AI生成的结果也就越相似。但即便是在摆放不完整的情况下，AI也可以生成完整的建筑场景。

从物件摆放生成建筑场景

另外，从不同角度对物件的拍摄，也能生成略微不同的建筑方案。这种区别性，益处在于能提供更多种可能，为之后的建筑创作提供灵感。而不利点就在于，方案之间无法在空间上统一，使得后续的三维建模需要人工的参与，而无法直接得到三维模型。因此，这种流程更适用于设计前期或研究阶段。

从物件摆放生成建筑形态

除此之外，输入的非建筑信息也可以是来自非人类的信息，比如自然界。下面这个研究案例展示的是，AI根据菌类在培养皿中的生长来生成城市的平面图。我们希望类比菌类和人类的活动规律，通过AI的眼睛来分析他们在有限空间内的扩张模式，进而得到有助于人类城市发展的结论。

从自然菌类生成人类城市

综上，第二种模式常被用于设计初期，或是灵感阶段。通过AI将“非建筑信息”迁移到“建筑信息”，或许本身也是一种对建筑设计理论的延伸。

模式三：从“一个方案”到“多个方案”的扩展

第三种模式在技术上区别于前两种，它利用AI模型的隐空间（latent space）中参数的连续性，生成多种建筑方案，而且前后方案之间具有一定的联系。借此对隐空间的控制，设计师可以自由决定提示语的权重，进而选取合适的结果。

例如，我们可以将一张柯布西耶的建筑草图作为输入，将“传统建筑”和“未来建筑”作为提示语，生成柯布西耶版本的各种建筑草图。其中的隐空间参数决定“传统”与“未来”的提示语权重，而生成的建筑草图也具有符合权重变化的特征。

从单张草图生成多张草图

同理，我们可以在家具设计领域采用同样的方法，将设计师风格作为隐空间调控的变量，生成不同的椅子设计。这些生成的椅子具有相似性的同时，也在设计风格上产生渐变。

隐空间中的一百张椅子

因此，对于提示语的隐空间操作，可以给设计带来定量的变化，并生成一系列的方案。

模式四：从“二维图像评估”到“三维模型生成”的转变

在最后一种模式中，我们将从生成“二维图像”转变为“三维模型”。技术上，我们采用了Stable Diffusion中的核心部分——CLIP，作为一种评估生成结果和提示语之间相似度的工具。结合相应的生成式算法，CLIP可以帮助算法的走向朝着提示语的描述上倾斜，并优化得到符合提示语描述的最终结果。在生成式算法是三维的情况下，得到的结果也就是三维的模型。

这套逻辑特别适合和已有的生成式算法结合。例如在下面的案例中，我们将城市中的建筑作为基本元素进行城市填空。算法将建筑放入城市空地后，CLIP对结果和提示语的相似度进行评估，随后算法根据评估结果优化建筑的摆放位置。使用不同的提示语来描述城市，最后建筑摆放的位置也会和描述接近。

CLIP指导下的城市填空

另外，下面这个案例展示了CLIP和图解静力学的结合。作为一种结构设计算法，图解静力学以图形量化的形式进行非标准桁架结构的设计。对于生成的结构，CLIP一样可以参照用户输入的提示语，提供给算法优化的方向。

CLIP指导下的结构设计

因此，第四种模式将Stable Diffusion保留了CLIP的部分，而原有的二维图像生成被替换为了三维模型生成，提供了一种更贴合建筑设计需求的工具。

结语：致迷途的建筑师们

我们在这里提出的AI建筑学，通过以上几种模式和案例已经介绍完毕。本质上，AI建筑学和传统建筑学的区别在于，设计工具本身是否能产生创造性。从墨线到尺规再到CAD，传统的设计工具只能记录设计师的创造性。而AI这种新的设计工具使得创造性不再是人类的专长，因此建筑学将在AI的影响下发生转变。

建筑师的工作内容也在逐渐发生变化。从两千年前的工匠，经历文艺复兴的绘图者，到近现代的建筑师，一种职业发生的变迁可能是悄无声息的。而最近的一个世纪，我们正在经历着技术爆炸。在历史上看来很短的一个时期，一种职业或许也会发生剧烈的变化。很难想象，“建筑师”这个称谓，在AI影响下的未来十年、二十年，是否会快速演变成另一种职业。

或许我们会从内心里喊出：建筑学不存在了！但我相信，如果建筑师能跳出自己的舒适圈，让自己成为那个让建筑学不存在的“农场主”，那将会是革命性的维度提升，一场彻底的新生。

关于作者

郑豪博士现任香港城市大学建筑学及土木工程学系助理教授。他博士毕业于宾夕法尼亚大学（University of Pennsylvania），专攻机器学习，城市大数据，数据驱动式设计，数字建造，混合现实技术。他于加州大学伯克利分校（UC Berkeley）获得建筑学硕士学位，于上海交通大学获得建筑学学士及文学学士学位。他曾工作于清华大学和加州大学伯克利分校，研究机械臂辅助施工，机器学习，仿生式3D打印。他的教学经验包括，同济大学工作营导师，宾夕法尼亚大学讲师，上海交通大学设计实践导师等等。同时，他还担任行业最高水平的国际会议ACADIA、CAADRIA、CDRF的协办人和审稿人，SCI/SSCI/AHCI期刊审稿人，中国知网特聘专家顾问等等。他总计发表包括国际顶级会议以及中科院一区SCI和AHCI收录文献在内的30余篇学术文章，受邀在国际大型会议上发言20余次，参与各大高校和学术组织的公开演讲10余次，涵盖清华大学，上海交通大学，同济大学，华南理工大学等国内知名学府。他拥有多年的建筑行业人工智能开发经验，担任多家建筑科技公司专家顾问与项目负责人，并拥有人工智能建筑设计领域上万粉丝的媒体平台，文章获得超百万次阅读和3万余次点赞。