Part 01?什么是人工智能？

提到人工智能，可能大家聯(lián)想到的都是科技大片里的智能機(jī)器人——“上可九天攬月，下可五洋捉鱉”等無所不能。那么現(xiàn)實(shí)是否是這樣呢？理想中的人工智能確實(shí)是這樣的，但由于目前發(fā)展的受限，AI技術(shù)距離在行業(yè)中真正落地還有很長的路要走。目前業(yè)界中的人工智能，可以概括為有多“人工”，就有多“智能”。

究其原因，主要是由于各種模型對于標(biāo)注數(shù)據(jù)的依賴性較強(qiáng)，而現(xiàn)實(shí)中往往標(biāo)注數(shù)據(jù)較少，不能直接滿足模型的需求，因此大多采用人工標(biāo)注數(shù)據(jù)的方式。這種方式既費(fèi)時又耗力。不過令人鼓舞的是，已經(jīng)出現(xiàn)一些半監(jiān)督的學(xué)習(xí)方法，能夠減少模型對標(biāo)注數(shù)據(jù)的依賴。

目前的AI技術(shù)，主要是以神經(jīng)網(wǎng)絡(luò)模型為主的深度學(xué)習(xí)（Deep Learning）。相比于傳統(tǒng)的機(jī)器學(xué)習(xí)（Machine Learning），深度學(xué)習(xí)不需要通過手動構(gòu)建特征，而是通過學(xué)習(xí)一組非線性變化將特征工程直接集成到輸出中，從而將特征工程集成到模型擬合過程中。并且正如大家所看到的的一樣，深度學(xué)習(xí)在計算機(jī)視覺領(lǐng)域大放異彩，包括人臉識別、圖像分割等，以神經(jīng)網(wǎng)絡(luò)為代表的深度學(xué)習(xí)方法逐漸應(yīng)用到我們生活中的各方面。

Part 02?人工智能做什么？

AI的任務(wù)本質(zhì)可以歸結(jié)為：分類、回歸、聚類和降維。前兩者分類與回歸屬于有監(jiān)督學(xué)習(xí)任務(wù)，后兩者聚類與降維則屬于無監(jiān)督學(xué)習(xí)任務(wù)。有監(jiān)督學(xué)習(xí)任務(wù)和無監(jiān)督學(xué)習(xí)任務(wù)的主要區(qū)別在于是否有數(shù)據(jù)標(biāo)簽參與訓(xùn)練過程。打個比方，在一個班級中，聚類可以根據(jù)成績的區(qū)間范圍分為良好、優(yōu)秀等具體標(biāo)簽；而分類則是事先告知哪些成績范圍屬于優(yōu)秀，再給定一個新的成績，此時就能直接推理出該成績是否屬于優(yōu)秀區(qū)間。

正如之前所述，深度學(xué)習(xí)在圖像領(lǐng)域大放異彩。在我們的生活日常中常見的就有人臉識別、自動駕駛等。下面舉一些簡單的例子：

·圖像分割

圖像分割可細(xì)分為語義分割，實(shí)例分割和全景分割。它們共同的任務(wù)就是將物體從圖像中給檢測提取出來。不過實(shí)例分割相較于語義分割，能夠?qū)⒆R別出的物體再進(jìn)行個體（實(shí)例）的分割，如圖B與圖C所示。

·變化檢測

變化檢測正如其名，主要任務(wù)是檢測出圖像中的變化情況。比較常用的是孿生網(wǎng)絡(luò)（Siamese Network），用戶只需輸入一對圖像，就能得到兩個圖像之間的不同處檢測結(jié)果。

·數(shù)據(jù)生成

生成對抗網(wǎng)絡(luò)（GANs）非常擅長于生成逼真的新數(shù)據(jù)實(shí)例。它的模型結(jié)構(gòu)也設(shè)計的非常巧妙，作者Ian GoodFellow借助博弈論的思想，設(shè)計了同時訓(xùn)練兩個模型（一個生成器，一個鑒別器）的技巧。打個比方，我們將生成器比作贗品制作者G，鑒別器D比作鑒別師，通過不斷讓G學(xué)習(xí)制作以假亂真的贗品，讓D進(jìn)行鑒別，他們互相指導(dǎo)以輔助對方取得更高的成績。最終我們的關(guān)注點(diǎn)——G，能夠生成出以假亂真的結(jié)果。

·三維重建

NeRF（Neural Radiance Fields，神經(jīng)輻射場），是近年來最火的三維重建技術(shù)之一。它基于體素重建的方法，通過在多幅圖片中的五維坐標(biāo)建立一個由粗到細(xì)的對應(yīng)，進(jìn)而恢復(fù)出原始的三維體素場景。

AI目前的應(yīng)用前景非常廣闊，受篇幅限制，僅談?wù)劤Ｒ姷挠猛尽?/span>

Part 03?AI &?建筑規(guī)劃？

從現(xiàn)有研究基礎(chǔ)來看，以深度學(xué)習(xí)為代表的人工智能在建筑規(guī)劃中的研究可以概括為微觀與宏觀尺度兩類：

微觀方面以建筑尺度為主。該類研究多注重于對建筑平面布局的優(yōu)化以及自動生成，通過GANs和相關(guān)的優(yōu)化算法，能夠?qū)崿F(xiàn)各式各樣的建筑平面布局方案；

宏觀方面則應(yīng)用較為廣闊。由于城市時空大數(shù)據(jù)廣闊，出現(xiàn)了以研究街景圖像為主的街道品質(zhì)分析、以微博打卡為主的空間場所情感分析，還有空間驅(qū)動因子解釋分析等方面，可以看出城市數(shù)據(jù)對于深度學(xué)習(xí)方面具有天然的數(shù)據(jù)優(yōu)勢與應(yīng)用價值。

Part 04?AI &?IFC？

目前行業(yè)內(nèi)的發(fā)展方向主要是CIM。而當(dāng)前的CIM發(fā)展水平還停留在三維實(shí)景展示上。比起較為成熟的GIS分析技術(shù)，三維分析功能與建筑管理功能則捉襟見肘。

對于CIM，不僅僅需要GIS為底座的空間管控加持，還需要BIM技術(shù)的數(shù)字單元底座，而這一BIM技術(shù)恰恰可以通過IFC的文件特性來實(shí)現(xiàn)解決。此時可以看出，基于GIS+BIM的數(shù)字城市管控體系已然形成，但對于分析功能尚且不足?；贏I的IFC技術(shù)應(yīng)用，能夠簡化大量的BIM建模過程，省去較多的時間與人力成本，并且通過深度學(xué)習(xí)的技術(shù)應(yīng)用能夠進(jìn)行未來模擬預(yù)測，真正助力實(shí)現(xiàn)三維CIM技術(shù)的落地開花。