AI和機器學習在建築業的崛起

最新 03-04

人工智慧（AI）和機器學習的出現，使建築領域受益。那麼建築業應該如何積極利用AI技術推動其自身的發展呢？本文正是基於此給出了回答。

人工智慧（AI）和機器學習的出現，使建築領域受益。本文總結了這一領域的發展，並介紹了一種可以從這項技術中獲得最大價值的方法，包括對AI和機器學習在建築中的一些應用的廣泛調查以及潛在的影響。這些過程正在改變各個領域，包括風險管理、進度管理、分包商管理、施工現場環境監測和安全等。

AI對我們意味著什麼？

公眾對AI的認識通常介於兩種極端之間：一種是AI可以統治世界，另一種極端則認為其是難以實現的幻想。而現實事實是，AI遠不是超級智能的一種形式，而是一個已經取得巨大應用的研究分支，是當今技術應用的一大驅動因素。

傳統上，定義AI一直是一個挑戰。「人工」是定義中較簡單的一部分，它可以簡單地表示「不是自然發生的」。另一方面，「智能」則有很多意義。一般來說，AI指的是廣泛的科學領域，包括計算機科學、心理學、哲學和語言學等一系列學科。它主要關注的是讓計算機完成通常需要人腦智能才能完成的任務。這一系列的文章為理解AI的定義和歷史提供了更深層次的理解。

目前的眾多領域內，AI有更廣泛的工作範圍，但在這裡我想定義兩個比較流行的領域：機器學習和深度學習。機器學習就是這樣的一個子集，它處理允許計算機從數據中學習而不顯示編程的演算法。例如，如果你想寫一個演算法來識別電子郵件中的垃圾郵件，你將不得不把它暴露在許多被手動標記為垃圾郵件或不是垃圾郵件的電子郵件示例中。該演算法「學習」以識別模式，如某些單詞或單片語合，從而決定了該電子郵件是否為垃圾郵件。

在機器學習的基礎上，深度學習可以被認為是一套專門的技術，直到最近才真正發展起來。它們基於神經網路——一種模擬人腦神經元的機器學習演算法。深度學習在圖像和語言處理領域取得了一些突破，從而使得諸如家庭助手和無人駕駛汽車等先進應用的實現成為可能。

主要驅動因素

AI第一次會議在1956年召開，作為一個學術領域它已經存在了很長時間。但直到過去十年，它才逐漸受到更多人的關注，這可以歸因於最近幾年才獲得突飛猛進發展的一些因素。所有的AI都需要大量的數據來支持，而過去幾年所產生的數據量有了巨大的增長。

根據IBM的博客， 90%的數據是在最近兩年中創建的，我想今天這一數據可以增加到95%左右。隨著數據的增加，用於分析數據的計算能力每年都呈指數增長，而且計算的成本降低了。

今天，幾乎所有的數據都存在於雲中，並且考慮到處理這些數據的資源的可用性，我們已經看到了一些相應的應用程序的湧現，這些應用程序可以根據數據分析做出更好的決策。

AI的應用

看看AI是多麼無處不在。我們每天收到幾封電子郵件，大多數人花在上面的時間比我們想的要多。然而，你有沒有注意到現在那些可惡的垃圾郵件已經很少了？

五年前，你可能每周至少會收到一封中獎的電子郵件。垃圾郵件檢測是機器學習領域中比較古老和知名的應用之一。通過查看數以千計的電子郵件，計算機程序已經能夠「了解」垃圾郵件通常看起來是什麼樣子。它可以理解和判斷郵件的發送者並不是一個可能會給你發送電子郵件的人，或者是郵件中的內容很可能涉嫌欺詐。這只是AI用於文本處理的一個例子。

另一個發展領域是圖像分析，這個問題可以歸納為兩大類：識別圖像代表什麼以及識別圖像中物體的確切位置。例如，下面的照片中有一隻貓嗎？能否發現貓在照片中的哪個位置？

隨著深度學習的發展，這個領域有了一些突破，從照片中貓的檢測到新的iPhone帶有基於面部檢測的鎖定功能。這些演算法能夠分辨出圖像的細節，並能快速地完成圖像的實時決策。這些演算法檢測到照片中是否有貓，但現在他們可以告訴你每張照片中的貓是否是同一隻貓。

當這些圖像識別和檢測演算法與AI的其他形式結合在一起時，你會得到像無人駕駛汽車這麼棒的應用。他們能夠感知周圍的環境，並利用它們來導航環境。理解環境中不同的對象，理解它們在環境中的行為和操作的差異，以及它們在環境中所包含的規則，是一項複雜的任務。

下面的圖片是一個無人駕駛汽車將視圖用於導航的例子。該系統能夠區分人、汽車、靜止物體。它必須理解紅燈和單向信號的含義。它能夠估量對象之間的距離，並使用這個來做出決定。

人類的大腦在做出決定時能夠處理大約三到四個不同的數據點。這是AI取得進展的另一個領域。人類的頭腦只能處理三到四個維度，但AI演算法卻是沒有限制的。

當你觀看電視節目時需要依賴Netflix的推薦時，其推薦引擎可能需要考慮很多不同的因素：你的年齡，性別，這個群體的其他人喜歡看什麼，你在看什麼樣的節目，這個節目的評論，其他用戶的在該節目中的參與等等一些諸如此類的因素。

所有這些例子的共同要求是，這些演算法需要大量的數據來學習。AI提供了一種推薦或解決方案，而該方案是基於它所被提供的數據的，因此數據的質量直接決定了方案的可靠與否。為了能夠真正利用這個技術，我們必須把我們的思想注入其中，收集和管理加工所有產品的數據。用AI界的一句俗語說就是「垃圾進去，垃圾出來」。

AI會為建築業帶來什麼影響？

近幾年來，建築行業已經湧入了大量資金。這些資金的很大一部分用於建設建築工程中的數字化工作流程。BIM模型改變了建築物的設計方式，項目管理和問題管理流程也轉移到了雲，運營管理也變得越來越「感測」化和自動化。隨著數據的可用性的增強，基於AI的技術在建築中得到了更多的應用。

生成性設計

生成性設計是一種模式發掘的過程，是可以模仿自然進化的設計方法。計算機科學家找到了可以輔助建築設計過程的方法。它通常從明確指定設計目標開始，然後探索無數可能的解決方案，以找到最佳選項。下面舉個例子。

一個多倫多的團隊搬進了一個新的建築，它是用一個新的設計方法設計的。研究人員利用生成性設計幫助他們找到滿足他們所有需求的建築的理想設計。這個過程中，我們需要了解所有對居民來說這棟建築里重要的參數：鄰接偏好、工作風格、噪音、工作效率、日光和視野等。

上圖從左到右，依次是鄰接偏好、工作風格、噪音、工作效率、日光和視野在這一建築平面上的量化的模擬。

將這些參數輸入到一個計算機系統，該系統了解這些設計參數以及物理位置的要求。然後，演算法生成了滿足建築師需要的所有設計，以滿足風格和其他的需求。

由於這個過程非常快，所以很容易使設計經驗迭代，並在以往設計的基礎上改良最終設計。這篇文章在更深層次上解讀了該設計並解決了實際問題，生成性設計還可以通過提高調度和協調多個利益相關者的設計提高整體開發過程的效率和經濟性。

風險的控制

施工現場每天都有風險的評估和控制。有成百上千的分包商同時在不同的交易中工作，有成千上萬的問題被創造和管理，一切都在不斷變化。BIM360 IQ項目致力於理解施工管理者、項目經理和主管的需求，從而在日常工作的基礎上提出用AI解決的方法。在跟幾個項目主管溝通並參觀了現場，查看了工作產生的數據後，我們認為通過風險來確定優先順序是提高效率的一個有效的方式。

使用AI，特別是建築語言分析，可以自動分配待處理事項的優先順序。該演算法能夠理解和預測複雜的問題，比如施工中某一問題如不及時處理解決是否會導致潛在的水滲透。該系統充分利用了項目中許多質量管理人員在監測項目時所得到的經驗。

例如，如果質檢人員觀察到一個窗口外的遮雨板出現破損並記錄BIM360中，那麼就像平時一樣，AI演算法會通過這些數據運行，並自動將其標記為潛在的漏水問題。這樣，當主管檢查儀錶盤時就可以注意到這些問題。該系統目前處於試點階段，並對使用BIM360產品的所有人可用。

該系統還更進一步地將所有的風險從項目中分擔到負責它的分包商。它會考慮分包商的各種因素條件，例如他們過去的管理行為、當前的工作量以及他們當下負責的項目的重要性。然後，該演算法能夠為項目中的每一個分包商分配一個「風險評分」，這是一個指標，用來指示他們目前正在進行的項目可能的風險，以便施工經理能夠更好地優先安排時間從而與這些團隊更緊密合作。

安全

現場施工安全是首要任務。BIM360的重點是了解項目周圍的行為和環境從而確定可能的安全問題，提醒安全管理人員引起注意。BIM360應用程序自動掃描所有的現場安全問題上並附加一個標記指示它是否可能導致潛在的致命危險。

OSHA（職業安全與健康標準）顯示2015年約67%的施工有關的死亡事故是以下幾種：高空墜落、被物體砸中、夾傷和觸電。BIM360 IQ演算法將這幾項致命的威脅歸納到潛在的安全問題中。

該應用程序還提供了對可能導致事故的潛在危害的排查，同時顯示了39種不同危險的分布情況。

這使得安全管理人員能夠了解他們應該把規劃和培訓的重點放在哪裡，並在他們工作時更加關注這些具體的問題。

現在有大量的施工現場的照片和視頻。每一個建築工人都有一個帶攝像頭的手機，並且通常大家在施工中遇到問題都會用相機實時記錄下來。無人機已經變得越來越普遍，它們經常被用於空中拍攝，有時也用於更先進的活動如估測施工進度等。Go-pro和智能頭盔也越來越普遍。但目前的事實是，有海量的照片和視頻信息，而大多數技術應用程序沒有跟上，因此沒有一個很好的解決方案來管理整合這些信息或利用它們更好地服務建設項目。

smartvid.io是一個剛好解決了這一問題的創業公司。他們提供了一個平台，集成了不同的技術供應商，使所有圖像到一個地方。而後，他們使用AI來解析圖像中的內容。正如我們前面看到的例子，在無人駕駛汽車中，它用於將圖像中的各個對象隔離出來並加以分析。Smartvid.io將它們稱作「智能標籤」——一個更好地分類和搜索照片的系統。