聊聊人工智能建筑师

据说谷歌AI中国研究中心，最近内部有个项目是针对建筑方案设计、施工图设计，到施工现场管理的AI解决方案。

方法原型来源于建筑师习惯使用的grasshopper（即参数化设计）。只是所有的过程将有AI掌控。

当然，谷歌的产品离发布，还早着。

说起参数化设计，早些年我的毕业论文研究的就是参数化设计。

国内比较快速上线的人工智能建筑师是XKool，小库。

这类产品有个特点，延续了参数化设计的快速生成多方案的能力。

也可以说是人工智能应用在设计上的一个最核心的优势：多方案生成能力。

比如阿里的鲁班，也以多取胜；

上海的Arkie，也是一次生成多个方案。

还没了解过Arkie？可以查看我以前写的一篇分析文章：

DIY一个人工智能设计师_v0.0.1

最近多方案生成能力这一思想，在我自己开发的人工智能设计师中，被我优化了，我采用的策略是指推送给用户一个选择，最好的方案。

当设计师对自己的设计没信心的时候，才会提供多个设计方案。

又再给自己产品打广告……

回到本文主题，我们先了解下xkool的智能体现在哪些方面？

目前小库还处于公测阶段，只开放了：

基地评估

方案设计

而且方案设计是非常前期的，只解决房地产开发中的强排问题。

——开放商的智能助手啊。

不过仅仅是这样，也有可能会取代一大批给开发商做拿地方案的建筑师。

只是时间问题。

下面详细看下开放的2个功能：

1

基地评估

最主要的是地块周边的POI信息，及建筑物高度。

我查看了下其技术实现方案，主要是基于百度地图的POI信息，及Echarts可视化图表库的web开发。

下图是百度地图的POI官方接口返回的数据类型：

把百度的分类转化为城市用地分类：

其中，楼盘售价，百度地图的POI查询里也有这组数据，或者采用爬虫的方式，从各类房产相关的网站去爬取。

2

方案设计

有3个步骤：

第一步：配置参数，主要是地块的一些大的规划指标：

第二步，这个主要是开发商关心的事，选择地块里要布置的楼型：

这里小库内置了一些楼型数据。

第三步，选择适合的算法，由于是内测，只开放了1种算法。

生成过程：

稍有点慢哦。

生成了10个方案：

点击选择，可以查看详情：

目前的人工智能建筑师产品还比较初级，对大数据的处理，多方案的能力是其核心亮点。

我们稍微聊下，要实现这么一个人工智能建筑师产品，我们可以怎么diy？

技术方案：

1 基于百度地图的POI数据整合

国外使用可以选择mapbox，或者google map。前端工程师看下百度官方文档应该都很容易上手。

2 设计数据采集，目前主要是把大量的住宅地块的规划指标、建筑楼型转化为设计大数据

这个只能靠建筑师配合收集，国内各大设计院都有大量的设计方案积累。有个更高的要求，建筑师要理解人工智能产品，才能提供设计专业上的支持。

3 对设计大数据进行数据清洗、聚类等，生成知识图谱

数据处理与挖掘工程师擅长干这活。

4 基于知识图谱的后端云服务（类似于人工智能建筑师的大脑）

需要算法的支持，主要是用于建筑设计强排的算法及其相关指标的输出；

5 前端用户交互方案：基于Echarts的web开发。

建筑设计，即空间设计，需要运用到webGL相关的技术，当然需要关注建筑设计的习惯，与用户界面的体验设计。

如果你召集这么一群人：

懂人工智能的建筑师+熟悉建筑设计业务的用户体验设计师+喜欢建筑设计的算法工程师+数据处理与挖掘工程师+web全栈开发工程师。

那这个产品也是可以做出来的，未来各领域的交叉跨界会更明显。

其他补充：

ECharts GL 的酷炫效果如下，详情可以查看百度echarts的官方文档介绍，小库目前还比较素雅，我的MAC电脑打开已经稍微有点卡顿的感觉，三维场景的展示需要做许多优化工作。

最后，再总结下：

基于设计数据的知识图谱的质量，决定了一个人工智能设计师的设计天赋。