人工智能很快將在建筑師的日常實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討論的跳板，邀請架構(gòu)師開始與人工智能接觸，數(shù)據(jù)科學(xué)家將架構(gòu)視為一個研究領(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，生成性對抗性神經(jīng)網(wǎng)絡(luò)（或 GANs ）被用于設(shè)計樓層平面圖和整個建筑。

我相信設(shè)計概念的統(tǒng)計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)器來優(yōu)化一組變量，不如依賴它們來提取顯著的質(zhì)量，并在整個設(shè)計過程中模仿它們，這是一種范式的轉(zhuǎn)變。

讓我們將樓層平面設(shè)計分為三個不同的步驟：

（I） 建筑占地面積體量

（II） 分發(fā)程序

（III） ￡家具布局

每一步都對應(yīng)于一個 Pix2Pix-GAN 模型 ，被訓(xùn)練來執(zhí)行上述 3 個任務(wù)中的一個。通過一個接一個地嵌套這些模型，我創(chuàng)建了一個完整的公寓樓“ 生成堆棧 ”，同時允許用戶在每個步驟中輸入。此外，通過處理多套公寓的處理，該項目的規(guī)模超出了單戶住宅的簡單性。

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

表現(xiàn)、學(xué)習(xí)和框架

Pix2Pix 使用條件生成對抗網(wǎng)絡(luò)（ cGAN ）來學(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；鑒別器嘗試猜測圖像是由生成器生成的還是原始圖像。網(wǎng)絡(luò)的兩個部分互相挑戰(zhàn)，導(dǎo)致輸出的質(zhì)量更高，難以與原始圖像區(qū)分開來。

我們使用這種能力來學(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。我們通過格式化圖像來控制模型學(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 ，因為龐大的用戶群和知識庫讓我有信心在遇到問題時能夠輕松找到答案。

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

圖 2 顯示了典型培訓(xùn)的結(jié)果。這個序列首先花了一天半的時間來訓(xùn)練。最終在 GCP 中的 Tesla V100 上花費了不到 2 個小時，與在本地運行相同的訓(xùn)練相比，它允許更多的測試和迭代。

我們展示了我的一個 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– 也稱為開窗 ——對于圖 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 250 次迭代后，建立了某種形式的直覺。

先例

伊索拉等人的早期工作。 2018 年 11 月，他們的模型 Pix2Pix 實現(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 來進(jìn)行平面圖的識別和生成，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)計研究生院（ Harvard Graduate School of Design ）發(fā)表的論文 ［2］ 探討了在一個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空的腳印變成了程序化的色塊，而沒有指定的開窗。

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

堆棧和模型

我在前面描述的先例的基礎(chǔ)上創(chuàng)建了一個三步生成堆棧。如圖 3 所示，堆棧的每個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)師能夠在每個步驟之間修改或微調(diào)模型的輸出，從而實現(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，它們包裹的形狀。由于住宅建筑足跡的設(shè)計可以從其所在土地的形狀中推斷出來，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)練了一個模型來生成典型的足跡。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）。我們在圖 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)的計劃來自于 800 多個公寓平面圖的數(shù)據(jù)庫，在培訓(xùn)期間對模型進(jìn)行了適當(dāng)?shù)淖⑨尣⒊蓪o出。在輸出中，程序使用顏色對房間進(jìn)行編碼，同時使用黑色補(bǔ)丁來表示墻結(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解決家具布局的挑戰(zhàn)。這個模型訓(xùn)練成對的圖像，將房間程序的顏色映射到適當(dāng)?shù)募揖卟季?。在圖像轉(zhuǎn)換過程中，該程序保留了墻結(jié)構(gòu)和開窗，同時用每個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

我為用戶提供了一個簡單的界面，每個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)生成生成生成的計劃。然后，設(shè)計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 中的動畫展示了為 ModelII 設(shè)置的這種類型的界面和過程。

你也可以自己試試這個 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)展到整個公寓樓的設(shè)計中。該項目使用一種算法將模型 I 、 II 和 III 一個接一個地連接起來，在每一步將多個單元作為單個圖像處理。圖 8 顯示了這個管道。

繪制多個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放到整個樓層板生成。

用戶被邀請指定 I 型和 II 型之間的單元分割，換句話說，指定每個樓板如何劃分為公寓，并定位每個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樓板。該算法最終輸出為單個圖像，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具有挑戰(zhàn)性的過程，因為占地面積在尺寸和形狀上發(fā)生了變化。事實證明，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，而不僅僅是單個單元的邏輯。在圖 12 中，我在研究模型對奇怪的公寓形狀和上下文約束的反應(yīng)時，將管道縮放到整個建筑生成。

局限性和未來改進(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未來的進(jìn)一步研究。

首先，由于公寓單元堆積在多層建筑中，我們目前無法保證承重墻從一層到下一層的連續(xù)性。 由于每個單元的所有內(nèi)部結(jié)構(gòu)布局不同，承重墻 MIG 不會對齊。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問題。

此外，下一步自然是通過獲得更大的圖像來增加輸出層的大小，從而提供更好的清晰度。 我們希望部署 NVIDIA 在 2018 年 8 月開發(fā)的 Pix2Pix 高清 項目來實現(xiàn)這一目標(biāo)。我們希望利用 TensorRT 來處理所需的增加的計算能力。

最后，一個主要的挑戰(zhàn)來自我們輸出的數(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踐集成的關(guān)鍵步驟。

甘斯建筑的未來？

我相信，我們設(shè)計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獨立的步驟，最終將允許用戶參與其中。我相信他們對機(jī)器的控制是設(shè)計過程質(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)計選項，他們的“直覺”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)提供一個巨大的起點。 通過將 GANs 的結(jié)果與優(yōu)化算法相結(jié)合，我認(rèn)為我們可以從每個世界中得到最好的結(jié)果，通過實現(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，主要研究人工智能在設(shè)計過程中的集成。他曾在國際知名公司工作過，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