来源： 闻斯设计，作者理策，如有侵权请联系
写在前面：
如题所说，这篇文章更多的是我个人的“喜好”，只能说是我自己对于当下的计算机介入设计的一些看法和吐槽，材料来源也限于自身视界难免有些局限，欢迎大家心平气和地讨论，但希望都能摆事实讲道理地讨论而不是瞎吹牛。此文也不是论文，字句之间必有不严谨的地方，烦请包容，如有模糊，欢迎提问我会进一步解释。
近来，经常在网上见到许多人工智能建筑设计的分享，大多是平面生成，住区规划，并抛出一系列的吓人的预测，诸如“建筑师即将被淘汰”，“设计师将被AI取代”等等。本来我是挺高兴的，建筑设计也算是趁着AI的热度获得了一些关注，但最近我发现事情有一些不对。
(最近比较火的两篇文章，可点击下方链接)
一键完成室内设计：哈佛学霸造出ArchiGAN，房间规划家具拜访全都有，Demo可玩
我所合作的高校教授开始问我能不能加点“机器学习”，而我所教的学生也有一些上来就问我“老师，我这个方案可以用人工智能生成吗？”，我在耐心地向他们解释之余也开始思考，是不是现在对于AI的吹捧有些过了？大量夺人眼球的项目和文章吸引了原本不太了解的人，却让他们产生一种莫名的向往。
文中会引用我自己的一些实践案例，提醒对数字化有兴趣的同学，现实项目有多难。
（另，文中的人工智能大多指机器学习。）
第一·人工智能建筑设计现在能做什么？
我所看见的人工智能建筑设计主要有三个方向，一是住区规划，二是平面生成，三是风格迁移。
住区规划
最早的人工智能建筑设计的热度应该就是来源于小库科技了，他们开发了一套非常方便的住区规划系统，人机交互和汇报PPT生成什么的我觉得都不错，能够大大节省建筑师初期方案试验的时间，但说实话，这能不能叫人工智能我是怀疑的。因为住宅强排在计算机辅助设计中已经算是一个比较老而经典的问题了，国内早在十年以前就有相关的研究。
小库最大的亮点在于真正把它作为一个产品开发了出来并产生了实际价值，而不是算法或者是想法上的创新。真正的住区规划在初期方案生成之后还需要反复地修改和权衡，而这一步目前还是由人工来完成的，毕竟最终的决定权始终还在他者而不是设计师的手里。
平面生成
通过房间的关系来进行建筑平面的生成和住区规划一样，是一个经典的算法辅助设计的题目，而最近的文章在平面生成上又分成了两类，一类是利用自己构建的房间结构，通过各类参数来系统地生成设计模型，包括但不限于三维模型，平面，立面等等，接近于我们从前认识的“参数化设计”，第二类则是利用最近大火的机器学习，通过对大量平面图图像的学习，根据所提供平面轮廓和一些特征参数来生成方案的平面。
第一类作为传统的参数化路径，我相信一样能提高建筑师的效率，是很有价值的。但另一方面，我所担心的是这样生成的方案是和实际生产相脱离的。对比而言，我更期待类似的系统能够在revit和dynamo里面实现（听说revit能导入rhino的几何库了，那gh应该也能用上）。这样的实现可以和BIM系统联动，联系到实际建造所用的部品和材料，将设计和实际更紧密的结合在一起，所节省的时间和提高的效率会更大。譬如前文链接中的Finch。
第二类利用机器学习，不再用试图用人工去构建平面的数据结构，而是利用机器学习的方法去近似。这样的好处是做出来的成果足够酷炫，仿佛计算机“学会了”建筑设计。但缺点是，在这个过程中，使用者除了得到了一张（或几张）平面的图像之外，没有学到什么，而要让这张平面图成为可用的图，还需要建筑师，室内设计师的深化。
但说实话，这样的平面设计，普通的室内设计公司都会有大量的样板可以套用，甚至细节到部品的选择，而高端的平面设计则需要设计师和户主反复沟通，没有那么多的数据量来让机器学习。这就使得这类应用的地位有些尴尬，高端的做不了，低端的用不着。譬如前文所提到的ArchiGAN。
当然，我并不是说我们要拒绝机器学习，而是应该更智慧地使用它，严谨地研究它，譬如郑豪博士所作的梳理：建筑师用人工智能在做什么？
风格迁移
我所见到的大部分的建筑设计风格迁移仍然是基于图像的，而图像的风格迁移已经是非常非常成熟的技术了，网络上有大量现成的库可以引用，所以做了建筑风格迁移的，如果只有图像，我对其创新型是怀疑的。当然如果谁知道风格迁移的三维空间版，烦请告知，我猜测可能是用体素取代像素，不过能作为学习的数据集太少了，更何况相对于像素，建筑空间的体素关系还更复杂一些。
二·人工智能建筑设计做不到什么？
这里说的做不到，是指当下，更严格地讲，是我所认识的当下。
实际建构
我尚未见到能较好地与现实的建构相联系的人工智能建筑设计，人工智能所给出的答案往往需要经过有经验的建筑师或工匠的处理才能真正地被实现，但反过来说，如果我们有了这些有实际经验的建筑师或工匠，让他们使用这些程序就好了，在教会他们实用程序之后，没有经验只会拖库的新建筑师们是不是就会陷入一个尴尬的境地呢？
形式创新
我个人认为，建筑师在建筑设计过程中的核心价值是形式，简单点说，一个建筑师能给一个方案提供最有价值的部分就是所设计的建筑形式。扎哈也好，盖里也好，或者是正火的马岩松，很多时候我们看到他们的方案就能猜测出他们的作者，而这种所谓的“风格”，也就是他们最有价值的部分。
机器学习则不然，机器学习称为“学习”，就意味着它天然地被限制在提供给它的数据集中，而方案评价标准又没有一个公认的理性标准，又如何能期待它能产生“新”的形式呢？
当然，当未来的运算能力进一步提升，数据集进一步扩大的时候，人工智能或许能做到创新，但不是现在。譬如我现在合作的一些形式研究的项目，其形式的来源和审美的奇异性，都来源于合作设计师自身的设计能力与创新想法，我所做的，只是把他们的想法翻译给了机器罢了。
学科进步
我的日常工作是提供一些算法设计的咨询服务，平时也教一些学生，我非常不愿意看到的一点就是许多学生，从网上看了教程，下载了他人做的插件，改了改参数，形体就做完了。在这个过程里，学生几乎什么都没有学到。重灾区集中在极小曲面，元胞自动机，多智能体系统，L-SYSTEM。
易于传播，便于使用是数字化设计的优点，但同时也是陷阱，这些成型的插件永远只是工具而不是设计本身，就像从纸笔画图变成Rhino画图并不能让一个人的设计水平有所提升，业务能力仍然是重要的。
举个例子，从前还有专门的“打字员“职业，会用一些办公软件还能成为职业优势，但现在这些技能已经成为每一个人的标配了，软件能力也是如此，用的好是锦上添花，但如果业务能力不行，用的再好也没有用。
然而相对于拖一拖滑动条就能实现的酷炫造型，静下心来去学习材料、构造、空间构成是多么的无趣，更别提真正读懂这些形式的源代码和数学基础了。本质还是懒。
而合作的高校科研项目里，老师们一开始也希望能够引入机器学习，人工智能一类的东西，我一般是拒绝的，当我解释清楚之后，老师们也都理解了我的做法。
机器学习在现在的设计研究项目中更多的起到的仍然是一个类似于优化拟合作用，如果利用这种方法来做研究，除了得到一个没人能够真正理解的黑箱之外，我们没有得到任何东西。但反过来说，老师们本身所拥有的经验，方法如果能翻译成算法，应用在实践之中，无论是效率还是科研价值上，都要远远地超过简单的机器学习。
写在最后
计算机或者编程能力是我所认为的，未来所有人都要会的技能，我觉得机器正在以前所未有的速度渗透到生活中，而编程语言正是人和机器沟通最重要的技能。生活用的app会有人为你设计好UI，做好人机交互。但在职业领域，需要利用机器的运算能力帮助你解决从未遇见的问题的时候，与机器的交流能力就显得格外重要。
另一方面，交流归交流，利用机器去做什么，怎么做仍然是需要人去解决的问题。我非常喜欢和高校的老师们合作的原因就在于，在把他们的思想翻译成算法的过程中，我自己获益良多，因为他们总归是要把我教会，我才能写成算法。有趣的是，一旦写成了算法，成果的可传播性和可理解性会有巨大的提高，毕竟只要懂得编程语言，所有人对于一段程序的解读将会是一致的。
这也是我最期待的场面，设计师们能把自己的设计能力和计算机的运算能力相结合，解放自己的设计潜能去创造更多的形式与设计产物，同时因为计算机代码的可读性，让设计交流变得更透明和简单。也不会再有“人机共生”什么的时髦词，因为这是很稀松平常的事，就像你现在不会说什么“人剑合一”一样。
举个例子，比如拓扑优化软件Ameba，能够看懂论文与代码的人就能够很好的交流，使用甚至改进，而不是听一些故弄玄虚的思想、理念，自以为懂了些什么。所有有兴趣的人都可以来使用，开发者也在开发过程中不断有所得，这种方式我觉得才是学科进步的方向。
设计教育也是，很多审美规律都可以用数学来表达，用准确的逻辑化的语言描述，譬如ZHACODE的一系列作品，但有意思的是，很多老师教学生居然还是“领悟式“的教法，譬如”多看看案例，找找感觉“。这感觉就像是教物理学的时候，不告诉你”物体在不受外力的情况下匀速直线运动“，而是给了你一堆物体”你去那边光滑的地面上滑滑看，找找感觉……“
推荐一篇从数学角度来理解扎哈的文章解构“解构主义大师”扎哈·哈迪德
最后的最后，以上均为个人观点，欢迎讨论和批评，不欢迎抬杠。
