设计互动与协作应用探索 该应用平台通过衍生式设计探索设计师与 AI 协作,以及设计师之间协作的新模式,完成未来社区的规划,类似于搭建乐高积木完成城市级别的规划设计和建设。该平台为客户提供了三种不同的角色,分别是生态专家、开发商和市长,每个角色都有其独特的板块和目标。比如,生态专家的目标为创造绿色生态环境,开发商的目标为提高城市密度,市长的目标为打造便捷的公共服务以及入口,平台界面如图 3 所示。 图 3 设计互动与协作 AI 应用 该平台主要特点包括以下四方面:一是增强他人的能力以提升协作效率,如不同角色可以查看其他角色规划的方案;二是增强设计师间的相互协作并与 AI 互动,AI 在后台工作,根据用户的操作提供建议;三是使用指标叠加来实时查看设计方案的执行情况,如光照分析、碳足迹等、密度等;四是在设计方案完成后,可以通过不同维度和指标来综合评价方案。 该平台背后是 AI 根据前端设计在后台持续优化,设计师使用自组织映射在前端可视化设计空间,AI 支撑的设计建议系统在后台持续优化,基于 AI 实现设计方案、设计空间可视化和用户设计轨迹可视化。 快速概念设计与验证应用探索 该应用程序为欧特克研究团队与某客户合作开发的人工智能解决方案,主要是通过 AI 辅助进行建筑体量及平面设计,可让建筑师插入建筑物的基本参数并提供少量的指示,就可估算出体积,并对室内布局进行程序化的规划。 其技术路线如图 4 所示,主要利用体素图这种新的 3D 表达数据集,并设计了一个跨模态的图形神经网络,也就是将计划神经网络(Program Graph)与表示设计空间的体素神经网络(Voxel)连接,再基于对专家系统的学习,增加一个判别网络(Discriminator),这就具备生成式对抗网络的条件。 图 4 技术路线图 通过生成式对抗网络,打磨生成的体素模型,最后得到类似 ChatGPT 的效果。设计师输入设计目标或条件,AI 通过计划神经网络加体素神经网络,生成体素模型并用鉴别器进行不断优化。如图 5 所示,左边计划神经网络代表的大厅、办公室、会议室、卫生间、楼梯间等建筑设计功能需求,右边是 AI 生成的体素模型,设计师可以在任何步骤进行干预,弥合 Building–GAN 和人类建筑师之间的差距。 图 5 生成式对抗网络 完成建筑体量设计后,进一步关注建筑平面的生成,根据计划图(气泡图)生成平面并进行大量训练,比较生成的平面布局之间的优劣。同时,可以采用基于语义的设计(图 6),对自然语言和结构化的自然语言的处理,适合有很多建筑规范要求和限制的平面设计场景。图 6 基于语义的平面设计 基于目标和结果驱动的设计流程,由 AI 自动给出设计选项并可以循环优化,AI 在极短的时间内极大提升方案优化的效率,从而节省时间。 除了 AI 辅助建筑体量及平面设计,欧特克还研究探索了基于 AI 实现结构、机电及桥梁等流域的方案规划及优化设计。
分析 AI
Autodesk Forma 2023 年 5 月 8 日,欧特克在全球范围内发布 Autodesk Forma。Forma 是一个通过云计算和人工智能技术提供城市和建筑地块规划、建筑方案设计和即时分析的软件产品,为城市化和可持续发展提供数据驱动的设计和评估能力,其主要功能及特点如图 7 所示。图 7 Autodesk Forma 主要功能及特点 Forma 可辅助设计师进行即时的规划建模,可以实时评估方案的各项设计指标、工程建成后的租售面积、未来建造运营的成本估算,以及地块的平面布局和建筑物的三维体量的可视化效果。同时,可以根据早期规划,将建筑物模型结合户型、容积率、地形、光照、噪音、密度、风向、视线、碳排放等因素进行实时模拟分析,辅助设计师设计出更合理、优秀的设计方案。 由于 Autodesk Forma 是基于云计算的,因此每个分析的计算都可以同步完成,从而释放计算机上的资源;显著减少分析等待时间,将反馈周期从几天(使用顾问和他的软件)缩短到几分钟。 Forma 基于 AI 可实现地块布局的自动生成,根据地块的边界条件探索不同设计方案,生成对应指标数据,用作多项分析及与其他设计平台实现数据互联。Forma 采用无文件存储,可与 Revit 数据互通,基于浏览器随时随地开展设计协作。此外,Forma 与 Rhino 可实现同步联动创建方案模型,利用 Rhino 创建更富细节的模型并同时使用 Forma 进行即时性能分析。 Midjourney 和 Stable Diffusion等 AI 绘图软件可根据文字生成图像。同样,Forma 已发布 AI 渲染插件 Veras for Autodesk Forma,可以实现基于 Forma 设计成果的 AI 效果图渲染。 Autodesk InfoDrainage Autodesk InfoDrainage 是排水系统的设计和分析软件,可用于可持续排水系统(SuDS)、绿色基础设施和传统排水系统的规划、初步设计及详细设计。其中,在加速洪水风险评估领域,欧特克推出了内置于 InfoDrainage 的开创性功能——基于机器学习的洪水评估工具。利用此工具可大幅提高洪水评估工作中的速度、稳定性、适应性和交互性,简化工作流程。 传统的洪水评估通常涉及复杂的模拟,计算量大、耗时长。新机器学习工具利用先进的算法解决了这个问题,该算法可以快速分析整个排水方案的水深,在短时间内获得快速而准确的洪水地图。例如,排水设计师调整了池塘的位置,洪水地图会快速进行更新,几乎实时地反映池塘位置的调整对整个排水方案带来的改变。借助这个工具,可以使得排水设计更加智能、反应更快、效率更高。
自动化 AI
PDF 到 BIM
工程建设行业中的设计单位、施工单位及业主单位积累了大量纸质或 PDF 文档,大量的数据被限制在 PDF 文档中,欧特克研究团队利用 Autodesk Dynamo 作为原型设计工具探索 PDF 到 BIM 的可行性,探索通过 AI 技术实现 PDF 图纸到 BIM 模型的转变,从而能够为 Revit 用户增加真正价值。例如,从 PDF 文档平面图中进行特征提取,识别出门、窗、墙等对象,从而实现从 2D PDF 自动生成 3D BIM 模型的目的,如图 8 所示。
图 8 PDF 到 BIM 研究探索 点云扫描到 BIM 目前,点云扫描和倾斜摄影在工程建设行业中应用日益广泛,但从原始点云及照片中提取对象特征基本需要其他软件或手动进行处理,如果可以基于原始点云或照片文件提取基础设施和建筑特征可以大幅提高设计、施工效率。Autodesk ReCap Pro 为现实捕捉和三维扫描软件,具有各种预处理功能,用于处理 Autodesk 各种产品中的点云数据,并创建能增强与欧特克产品兼容性的数据,从而可以轻松处理设计项目中的点云数据段。 在 ReCap Pro2023.1 及后续版本中,更新了通过提供高效的预处理分割功能。通过此更新,用户可以自动将地面点和非地面点分开,提取既有道路特征,并可在 Civil 3D 中作为要素线进行使用。这减少了数据大小并提供了高效设计过程所需的数据。 未来,欧特克将在 ReCap Pro 产品中整合更多的 AI/ 机器学习技术,从而实现更多场景的特征提取。例如,从点云扫描到 BIM,通过机器学习技术,读取点云对象的特征,进行自动分类和智能分段,提取墙、柱、门、窗等要素,将点云转换为原生 BIM 模型,以快速跟踪改造项目,如图 9 所示。图 9 点云扫描到 BIM 研究探索 BIM 聊天 AI——Otto AI 欧特克研究团队正在研发 BIM 聊天机器人——Otto AI,基于对 Revit 等数据格式的解构,通过类似于 ChatGPT 问答的方式可以提供不同场景、不同团队所需的信息,如图 10 所示。目前,Otto AI 提供了设计主管、造价主管、业主三种角色。图 10 Otto AI 界面 设计主管:可验证设计模型的合规性,如输入“显示所有未设置防火等级要求的门”,Otto AI 可以通过表格、列表、二维视图和三维视图等方式显示结果,并可以追问是谁设计创建了这些门,将结果以 Excel 文件通过发送邮件给相关设计师进行修改工作。 造价主管:可提取模型的某个类型的清单类目数据,如通过 Otto AI 可创建该项目的门窗规格表,并导出成 Excel 文件。 业主:可提取业主关心的相关信息,如提取项目中可出租的办公空间的面积数据和可能获得的收入信息。
图 11 菲尼克斯项目 AI 辅助设计减少成本并改善宜居性 使用 Autodesk Forma 进行前期设计,快速探索满足复杂项目目标的大量设计方案。例如,在建筑物上增加一层楼、将结构的位置向北或向南移动、将游乐场或绿地从开发项目的边缘转移到中心等每次方案的改变,Forma 均可实时评价不同方案的成本、碳排放和宜居性等指标,图 12 为公路对建筑噪音的分析。图 12 利用 Forma 对高速公路噪音影响进行分析 Forma 具有较强的开放性,用户可基于 API 创造本地部署的插件,利用 Forma 的人工智能相关算法,加上客户的定制化数据和设计目标要求,形成了属于用户自己的人工智能应用。在该项目中,根据用户输入,自动化生成基于 Factory_OS 的标准单元户型的单体模型,包含外立面、内部隔墙与平面图,切换查看户型组合、碳排放、租售收入等指标,并快速专注于最大限度地提高预期结果的设计,通过使用欧特克工具和新的工作流程,将前期设计周期由两周缩短至 6 个小时。 新材料使建筑物成为负碳 为了尽可能减少幕墙的碳排放,项目团队通过玉米秸秆等农作物残渣与结合菌丝体进行有机发酵,经过 40 天在模具中发酵,然后高温杀菌脱模,形成新型的幕墙材料,如图 13 所示。该幕墙材料符合防火、防水、保温等性能要求,而且能够主动吸收大气中的二氧化碳,生产成本比传统幕墙更低,目前已经具备了规模化生产的条件。图 13 负碳幕墙材料制作过程 该项目的建设成本、时间和碳足迹仅为旧金山湾区典型多户建筑的一半,不仅实现了高质量项目的高效交付,而且积累了大量可落地的探索经验。项目团队研究并验证了结果驱动的工作流程,完成了负碳建筑材料的成功应用,并计划在未来将该成功经验拓展至更多、更丰富的建筑类型中。
总结与展望
欧特克将 Autodesk AI 定位为 Autodesk Design&Make 一体化数据平台的顾问,赋能设计与建造。未来,欧特克将会不断更新 AI 领域的研究,为用户更快地提供更多、更丰富反馈和选择;利用自动化代替重复繁琐的工作任务,减少工程各阶段的错误,提升效率,解放用户的时间和精力去做更有价值、更有创意的任务;帮助用户打开想象力空间,让用户变得更加有创意。同时,欧特克极度尊重用户的数据权利,在 AI 时代建立与用户之间的信任,保有对 AI 技术的可控,符合法律和道德要求。
参考文献 [1] Hernandez D,Brown T B.Measuring the Algorithmic Efficiency of Neural Networks.2020[2024–02–19].DOI:10.48550/arXiv.2005.04305.[2] Miller E R.Pandora's Can of Worms:A Year of Generative AI in Higher Education[J].Portal:Libraries and the Academy,2024,24(1):21–34.[3] Attar,Ramtin,Robert Aish,Jos Stam,Duncan R Brinsmead,Alex Tessier,Michael Glueck and Azam Khan.“PHYSICS–BASED GENERATIVE DESIGN.” (2009).[4] Umetani N.Exploring generative 3D shapes using autoencoder networks[C]//Siggraph Asia Technical Briefs.ACM,2017.DOI:10.1145/3145749.3145758.