AI辅助设计时代的三大设计应用思维 - NCF参数化建筑论坛

我会想“这个方案是哪来的？对不对？好不好？有没有缺陷？下一步如何深化发展？”作为一名在坑里深埋了十年的职业建筑师，我看别人的方案满脑子不信任。虽然这么说有点悲观，但是只要是让我来负责这个项目，我一定会自己重做，以防未来一步一个坑……

“这个方案没创意空间，落地可能性低，甲方大概率不会结款。正好有个现成的方案，拿来先交一版吧。”你看，这种情况在现实行业里不占少数，也许外行人看了会觉得这是不负责任，但我清楚：建筑设计是一份高情感投入的工作，一旦不小心开始一段错误的情感，可能就会打击到我们去创作的初衷，即便是成熟的建筑师已经历了行业百般洗礼，但也无法避免我们必须学会用“防御”的心态来对待无穷无尽的设计任务。

大家不太适应直接看到方案被自动生成的感受，同时就生成方案能否直接使用的问题引发了不同层面的探讨。实话说，这种感受我也有，越是独立思考设计的人，越是难以消化别人的方案。很有意思的是，大家有没有觉得这种情况很像是我们把设计任务让别人来做，而不同的人做回来的方案也是千差万别，我们不知道“他们是怎么想的，为什么会这么做？”

有次我和一位朋友对此交流到深处，他说任何人看任何方案都会有自己希望去修改的地方，如果是委派给别人去做，拿回来的方案不对劲，自己会教他怎么修改。但是诺亚不行，算法只能输出固定的结果，所以没法跟人比。我听完忽然感受到了一丝触动和警醒，触动的是这位朋友在拿诺亚和人比，这说明他内心默认了智能化设计的未来，警醒的是他的注意力没有放在诺亚对这个设计工作本身的辅助意义上，而是希望诺亚能够代替他的员工来做一部分设计工作。

是的，谁也不愿意被AI代替，但常常会默认AI就应该代替我们工作。这种观念的矛盾差异不仅是因为每个人工作性质不同，更是因为不同的方案工作所处的设计目的不同，这导致我们时而排斥AI，时而又希望：”这个设计不想做了，就让AI弄吧“。这也是这段时间诺亚开发团队与广大的AI辅助用户交流后的直接感受。

为了更清晰，我帮大家重新梳理了以下技术观点：建筑设计大程序时代，AI有必要代替我们去做那些不想做或无意义的工作，而且要从那些最难受的、最没有意义的工作优先开始代替。但AI不会代替任何设计师，直白讲不难受的工作也是工作，还得靠人来完成。

A（Algorithm derive）H（Humen compute）A（Algorithm optimize）即为智能化辅助设计的三大主要模式，同时也是一连串完整的设计方法步骤。分别是代表了：A=智能衍生；H=人机交互；A=智能优化。

方案初期，我们拿到的规划用地条件和设计任务书只是停留在纸面上的数据，不够直观。此时我们需要一些测试方案来对项目宏观数据框架做一个相对的评估。也就是在正式设计前，我们常说的“先做几版看看”，先了解再创新。那么以往的工作方法需要人自己去画，算指标，测日照。也就是今天我们统称的“排指标”，很机械的工作，说这个工作没有意义吧？不做还不行，不做没有设计依据。说它很有必要吧？枯燥重复，占据大量时间。

所以，这种事情必须交给AI来做，我们要的是前期过程版方案，要的是全自动日照计算，要的是全自动计算指标。在这一阶段生成的所有方案都是用来给建筑师参考评估的，不是真正意义的方案成果。但在这一阶段，我们能短时间内获取的基础信息越多，下一步工作的坑就越少，最终设计出来的成果也就越成熟。不难想象的是，“智能衍生”会普遍提效设计前期的工作，而对于年轻一代的缺乏经验的建筑师而言，这种工作方法更提高了我们获取设计经验的速度。

是的，诺亚的衍生模块开发本意并不是排出和人排一样好的方案，它们只是帮我们画了一些参考方案或者说过程稿，省去了我们去画这个过程稿所付出的时间，当然在有些情况下，算法直接生成理想结果的可能性是有的，但一套固定的算法，仍无法满足千变万化的设计需求。在诺亚内部的使用测试里，我们会用前30分钟尽量通过控制参数多生成几套逼近设计目标的结果，这个过程通常会算十几版，有的直接淘汰，有的保留对比。这个过程可以让我们快速了解项目的规模，让设计方向和思路逐渐清晰。几乎70%以上的测试样本中，诺亚都能够算出较理想的参考方向。也就是说设计师在此基础上再稍微改改图，这个方案就很好了。如此，除了构思效率提升之外，建筑师还有精力探索更优的设计方向，不至于被制图工作掩埋。

我们必须承认，任何一个高分的强排方案，都是由设计师的经验和反复的制图推演工作共同完成的。即便强排工作再怎么套路化，这张关乎总平面设计的建筑定位图，也不是随便谁都可以做好的。

在这里与大家分享一个新的感受，同是诺亚用户，熟练操作的人会比新人更快的找到理想结果，时间差在10倍以上。同行者中，熟悉参数化思维的用户更容易体会到诺亚设计的深层次用法，也更了解如何通过配置参数让生成的结果更好地逼近设计目标。事实证明，不同的人用的结果不一样，这样的工具才是辅助工具。这种新的工作方式本质上是用来提效的，更出色的设计师能够借助它衍生出更好也更理想的方案。

关于住宅模块的“智能衍生”优化升级工作，诺亚仍在根据广大用户的意见调整中。因为最近大家提出了一个相对统一的述求：“满容”，有不少朋友也把“满容”视为此阶段设计的终点。在此我想分享两个之前产品设计的观点：

1、从辅助设计的角度，之前的衍生算法是希望能提供数量更多的参考方案，而不是说技术上无法“满容”，比如诺亚演算100个方案，其中几乎肯定会出现容积率最高的结果。但因为一次性计算时间过长会影响用户交互体验，同时我们也应为其他“不满容”的衍生结果也有不同维度的参考价值，所以之前诺亚设计了“方案种子”+“衍生次数”这样结合使用的设计模式。目前，很多用户都提出了希望能够一次性算出“满容“方案的诉求，所以我们也在考虑让算法折损一部分方案多变的可能性，提高出现直接“满容”的机率。

2、根据我所了解的行业现状，以往业内的前期“满容”方案其实也参杂了很多的人为因素。直白讲是一种不负责任的估算，比如利用一些户型数值的偏差、日照计算的偏差、排除一些消防扑救因素的影响后形成的估算方案。这种指标看似“满容”，但实际实施起来就会发现有很大难度，给后续的落地性带来隐患。所以我不得不澄清，有些“满容”是虚假的指标，而这种能力恰恰逾越了算法程序开发的底线。

所以对于算法“满容”的问题，可能会一直存在争议，这种争议并不仅仅是一种技术开发问题，更多是社会问题，我们不能保证会满足所有人的需求，但我们下一步会尽量用算法先把容积率做到数据认为的“满”。

记得去年我们在诺亚青衫版的开源时期分享过一个技术文章，大概讲述了在强排算法开发过程中，我们发现了一种十分高效率的强排方法。即人来选择放置楼的位置，算法自动算日照并同步测算指标。那么试想一下，如果我们在确认方案的规划的过程中，能够得到实时的验证反馈数据，每放一栋楼，每改一栋楼，都可以立刻确认它对不对，合不合理。那么，这样是不是就会节约大量的工作时间呢？

这个功能太好用了，而且开发起来不难，只是对于大众建筑师而言，人机交互形式需要不断地被完善。如今的强排工作有了这种方式，效率可提高数倍。一位朋友在用了这种方法之后告诉我，他感觉自己的强排思维都提高了一个段位。甚至问我，为何传统的日照计算软件不直接设计成这样？我说有啊，给大家推荐一下Sunflower，目前我了解到在手动实时日照这块最好用的专业日照软件。我们所谓的设计推敲本质就是一个测试+反馈的迭代过程，在参数化设计的思想里，很多设计问题都可以用这种形式科学、高效地解决。

没错，人机交互是现阶段为了适应千变万化的设计场景所必须出现的一种产品形式，虽然技术实现起来并不复杂，但是可以用于广泛地将项目落地并且提效。诺亚的产品体系中“强排转手动”即为这样的一个功能，方便建筑师自由修改“智能衍生”生成的各种方案。

“智能衍生=推荐方案” + “人机交互=自由修改”，这也是我理解的“提效”+“落地”。从诺亚的产品开发角度讲，二者之间的分工界限是一个深邃的话题。衍生阶段算法越逼近落地，手动修改的空间就越小，产品的普适性就越差，应用场景越局限。这也是我们一直不愿轻易把算法写深入的主要原因，逻辑每深入一个层级就要面对更多的选择岔路。过分的逼近某些要求，会使得其他反向的要求更难实现。最直白的例子就是大家都有过同时给多个人做设计的经验，不同人的看法是矛盾的，不同项目的需求是矛盾的，不同阶段的理解是矛盾的。如果我们只用一种设计思路去解题，那么如何去满足所有的情况呢？我想至少现在的程序能做到那些共性的问题都可以标准化，那些不确定的信息都可以衍生，而那些确定的不同，一定还是要交给人来判断。所以不论我们对算法的技术能力有多自信，智能算法产品的社会性是一种统筹工作，需要时间来让真理浮出水面。

从技术的角度来看，在AI能够开始直接服务于人的个性需求之前，它一定要充分地采集这个人的个性需求。而反过来看，任何类型设计的方案成果都是一个独立体，从末端学习返回得到的“共性需求”本身就代表不了每个个体的需求。

有人认为，“人机交互”是AI把设计工作又推给了人。但在诺亚的工作流体系中，第二阶段仅是通过人的操作录入方案的个性数据，到了第三阶段仍旧可以对之前的这些设计信息进行智能整合，形成完整的闭合方案。

我们观察在过去的两个月里几乎很少的用户，会使用到第三阶段的功能，比如这个“日照改善计算”，之所以设计这样的算法，就是为了当靠人无法再排出更合理的日照方案时，AI可以再次借助算法辅助我们自动根据已有方案进行优化调整。相信反复挪楼测日照的夜晚大家都有过体会，理论上这个算法就是可以在几分钟之内完成这种工作。

相比较，第一阶段的“智能衍生”算法是在没有具体设计方案参考的情况下，开放式地寻找答案，设计结果是发散的、估算的、启发的，以此辅助设计师思考。而第三阶段的“智能优化”算法则是在方案已经存在明确导向的前提下，对落地结果进行直接的检测、评估、优化，将运算结果收敛成一个完整的、有定向性的结论。

所以，整个工作流程正是靠这一放一收，中间再介入人的感知，形成了诺亚完整的智能化辅助设计体系及三大应用方法。有时候大家不愿意用第二阶段和第三阶段的算法，直接想对衍生算法结果提出较高要求，这其实也在迫使开发团队将一些第三阶段优化的算法前置到第一阶段，从而减少第二阶段人机交互的自由度，这种情况其实不是诺亚原本的初衷。当然，有人说住宅强排不需要这个自由度，我们也能理解，也愿意为这种特殊市场行情去调整。不过接下来的公建、商业等其他的设计模块，我相信会有更多的设计师希望诺亚坚持自己的“产品辅助设计”原则，把更自由的端口开放给众人。

在这里分享一个开发过程背后的故事，就是原本我们设想的第三阶段会有很多不同的优化算法，以适应不同设计师的不同需求，但在实际的开发过程中，由于开发团队自己也对第一阶段的衍生算法良品率有着较高的要求，所以很多成果已经直接内置到了第一阶段的衍生算法里面，这种内置也会导致一些用户遇到的多个方案种子生成的结果有趋同的现象出现。其本质是生成的过程不一样，最后都自动的改成了一样。

综上，“智能衍生”；“人机交互”；“智能优化”是诺亚总结的智能化辅助设计三大工作阶段。我们在这个完整的算法辅助工作流中，获取设计模式的“去制图化”，减轻制图负担，提高设计效率和设计标准，并最终让方案落地。

所以三大阶段，算法-人机-算法，这种我们简称为“AHA设计模式”其实是普遍存在于各类型智能化辅助设计的领域里。除了住宅强排，还有地库设计、办公平面设计、立面设计、景观设计、室内设计，从宏观到微观，从整体到细节。AHA可以实现全场景的提效，它也是诺亚开发团队在过去的几年里共同领悟到的智能化AI算法技术在实战场景中应用的必经之路。

目前我们看到的“诺亚战斧版-智能住宅模块”就是基于这种AHA模式的产品。也是我们团队自主研发的第三代智能强排算法。虽然在研发的过程中，AI强排的第四代“强智能”算法框架已经逐渐清晰，但我们仍然坚信AHA模式会是现阶段未来国内建筑行业技术应用的主导趋势。毕竟技术的迭代是基于行业的迭代，没有参数化的思维，就不容易领会AHA，没有AHA普及，我们的行业整体技术水平是驾驭不了“强智能”的。希望大家能够理解，“数字冥想”孵化于本土建筑师原创数字化设计技术的实战应用生态，我们的目标是探索更多技术应用的可能性，也肩负了提高行业技术应用水平的社会责任。AHA模式是一种基于当下智能化算法技术提出的崭新设计方法，能掌握它的建筑师越多，就等于我们把未来的数字技术和创新价值握在了自己的手上。