本文转自公众号： FabUnion

2018-2019年间，A.I.人工智能在建筑界里的应用刮起了一股旋风，随着A.I.技术日渐成熟和建筑学者们的积极研究探讨，平面图自动生成程序终于被研发面世。这次的发明不仅仅代表着A.I.技术在建筑领域中的实践范围又往另一个层次抬高，而且可能在建筑实践中带来革命性的转变。就如A.I.悄悄地改变我们的日常生活一样，计算机科学中人工智能的一个分支: 机器学习系统(machine learning system) 和算法（algorithm) 也正在改变建筑领域。其中，自动生成技术(autogenerative design) 因为对建筑师职业构成直接威胁，而在行界里触发了极高的话题热度。到底这股自动生成技术背后的理论基础是什么？经由挑选，在本文中我们将针对3项平面图自动生程序做出分析以了解其应用范围和操作原理，并探索目前在实践领域中的相关案例。

 01、平面图自动生成程序

1. ArchiGan

（1） 背景 

ArchiGan是一个由哈佛大学毕业研究生Stainislas Chaillou制作的平面图生成程序。顾名思义，ArchiGan是Archi-（Architecture |建筑）和–GAN（Generative Adversarial Networks | 生成对抗神经网络）的组合。该程序除了能够分三个步骤快速运行以生成一个单户住宅平面图之外，还用了嵌套方法来实现创建整个公寓楼的 "generation stack"来允许使用者针对每一楼层做出客制化的改变，最终生成出一个超出单户住宅简单性的公寓规模平面图。

生成3个步骤  Image from ArchiGan

（2）生成步骤及原理 

第一步骤：Building Footprint 平面布局

建筑占地面积取决于周围的环境，研究员利用波士顿市的GIS地理信息数据进行训练 (deep learning) 来生成典型的占地面积。其中，训练过程采用了Isola等人于2017年的发明——Pix2Pix模型和后续在同一年里Wang等人的Pix2PixHD来学习从输入图像到输出图像的映射。研究员将成对的图像，即原始地块和绘制的建筑物平面面积，馈送到训练网络，所以ArchiGan是直接从建筑平面图种学习拓扑特征和空间组织。下图显示训练的典型结果。

平面布局 Image From ArchiGan

(上） Isola 等人的 Pix2Pix研究（下）Wang等人的Pix2PixHD网络架构 Image From Source 

第二步骤：Program Repartition 空间规划

第二步骤是重新分区和开窗。作为输入的是在第一步骤里生成的建筑平面面积， 以及用户指定的入后和窗口位置。研究员利用了800多个公寓平面图的数据库进行训练，并在过程中利用颜色来标注不同功能和提供成对图纸，包括公寓的平面面积和其中实际的空间划分。

空间规划  Image from ArchiGan

第三步骤：Furniture Layout 家具布局

最后，使用第二步骤的输出进行下一步的训练，同样是输入成对的图像，房间的颜色被映射到适当的家具布局。这个步骤保留了墙壁的结构和房屋的门窗。

家具布置   Image from ArchiGan

（3）模型链接和公寓生成 

Chaillou 将以上GAN原理扩展到公寓建筑设计上，使用算法来依次链接由第一至第三步骤产出的三个模型 （图1），并将连接好的多个图像作为单个图像来处理。客户可以针对第一和第二步骤产出的模型进行单位划分，换句话说，每一层都可以实现不一样的布局，客户可以指定每个单元的入口和窗户甚至楼梯。最后，算法将每个结果重新馈送进行第二步骤（图2），再结合输出馈入第三步骤（图3），最后组装每个楼层的平面图并将所有楼层平面图输出为单独的图像。

图 1 Image From ArchiGan

图 2 Image From ArchiGan

图 3 Image From ArchiGan

（4）GANs 小科普 

GANs(生成对抗网络）全名为 Generative Adversarial Network 是一种机器学习算法，由两个互相竞争的独立深度神经网络组成：

1. Generator 生成器：经由训练，可以将通过机器生成数据（大部分情况下是图像），其目的是“骗过”鉴别器。

2. Discriminator 鉴别器 ：尝试猜测图像是由生成器生成的还是原始图像，其目的是找出生成器做的“假数据”。

GANs 生成对抗网络系统  Image From EasyAI 订阅号

如果这听起来还是抽象，那我们可以利用这个类推来尝试理解。将生成器想像为一个艺术仿照者；将鉴别器想象为一个调查者。在竞争的关系中，生成器会制造许多伪造的艺术品，而鉴别器则扮演区分艺术品真假的角色，这就是这两者之间的Adversarial（对抗）关系。总的来说，GANs 机器算法可以利用两个神经网络之间的反馈回路来完善其生成相关图像的能力。下图展示Chaillou在实验ArchiGan程序时用GANs算法产出的训练结果。虽然在一开始的模型不太精准，但在250次迭代后，机器形成了某种直觉，自动生成的数据精准度也越来越高，越接近设计师和客户想要的结果。

ArchiGan 训练结果  Image From ArchiGan

2. Evolving Floor Plan