Apakah yang boleh AIGC, didorong oleh ChatGPT, lakukan untuk industri menegak?

Kegilaan AIGC telah muncul sejak tahun lepas, mencetuskan pertumbuhan pesat dalam topik AIGC dan aplikasinya Ramai orang mengeluh bahawa era kecerdasan buatan yang kuat tidak begitu jauh dari kita. Tetapi di sisi lain ledakan, kita melihat bahawa masih terdapat sedikit senario yang sebenarnya boleh dilaksanakan Pada masa ini, aplikasi yang lebih berjaya tertumpu terutamanya dalam bidang penggunaan peribadi, manakala kebanyakan aplikasi AIGC dalam industri. masih dalam peringkat penerokaan.

Sequoia Capital membuat ramalan berikut untuk AIGC pada 22 September: penjanaan AI berasaskan teks akan memasuki tempoh keemasan pada 2023, dan penjanaan AI berasaskan gambar akan menjadi keemasan. Era itu akan tiba sekitar 2025. Penjanaan AI 3D dan video mungkin dalam peringkat draf pada 2023, dan mungkin memasuki zaman kegemilangan pada 2030. Tidak dapat dinafikan bahawa penjanaan AI bagi teks dan imej sememangnya mendahului keluk, manakala model 3D, penjanaan video dan permainan masih dalam peringkat pembangunan.

Ramalan kematangan Sequoia Capital untuk produk berkaitan AIGC

Jika kita mempertimbangkan aplikasi industri AIGC, seperti dalam entiti menegak gergasi seperti pembuatan dan pembinaan, kandungan C/Kandungan AIGC bukan sahaja akan kekal dalam bidang gambar dan teks, tetapi Perlu memasuki alam tiga dimensi dengan maklumat yang lebih kaya. Seterusnya, kami akan membincangkan laluan pembangunannya daripada teknologi AIGC -> produk -> aplikasi perniagaan dan realisasi nilai, dan menggunakan contoh industri untuk meneroka cara AIGC boleh mencapai gelung tertutup dan pelaksanaan nilai dalam bidang perindustrian.

1 Teknologi AIGC: daripada teks kepada gambar

Daripada peningkatan bilangan ujian di ChatGPT, kita dapat melihat bahawa ChatGPT bukan sahaja boleh menghuraikan dan menghuraikan semantik tetapi juga Pemprosesan bahasa semula jadi NLP berstruktur juga boleh digunakan untuk analisis data atas dasar ini.

kandungan berstruktur dan analisis data ChatGPT - disediakan oleh Jiage Data

Malah, beberapa rangka kerja atau platform lukisan AI, yang diketuai oleh Stable Diffusion, menimbulkan sensasi awal tahun lepas. Walaupun gambar kelihatan mempunyai kandungan maklumat yang lebih kompleks daripada teks, teknologi mereka matang lebih awal daripada penjanaan teks yang diketuai oleh GPT Adalah perlu bagi kita untuk mengambil rangka kerja sumber terbuka arus perdana Stable Diffusion sebagai contoh untuk menyemak Gambar ini bagaimana rangka kerja AIGC berfungsi.

​Gambar yang dihasilkan oleh Stable Diffusion mempunyai keupayaan untuk dibandingkan dengan pelukis manusia

Stable Diffusion terutamanya mempunyai tiga komponen, setiap bahagian Setiap satu mempunyai rangkaian sarafnya sendiri.

1. CLIP digunakan untuk pengekod teks: Gunakan teks sebagai maklumat semantik output untuk membentuk matriks 77*768 melatih AI dan melaksanakan pemahaman bahasa semula jadi pada masa yang sama dan analisis penglihatan komputer. CLIP boleh menentukan tahap surat-menyurat antara imej dan gesaan teks, seperti memadankan imej bangunan secara beransur-ansur dengan perkataan "seni bina", dan latihan keupayaannya dicapai melalui lebih daripada 4 bilion gambar dengan penerangan teks di seluruh dunia.

Set latihan CLIP

2. UNET dan penjadual: Ini ialah program utama model penyebaran yang terkenal (daripada "Model Resapan Terpendam" (LDM / Model Resapan Terpendam) yang dicadangkan oleh pasukan CompVis dan Runway pada Disember 2021), yang digunakan untuk menganalisa Kebisingan diramalkan akan merealisasikan proses denoising terbalik, seterusnya merealisasikan penjanaan gambar dalam ruang maklumat. Seperti yang ditunjukkan dalam gambar, proses resapan pewarna adalah seperti proses perubahan secara beransur-ansur dari gambar ke titik hingar Apabila penyelidik menambah titik hingar rawak pada gambar dan biarkan AI mempelajari proses keseluruhan secara terbalik, kemudian mereka mempunyai satu set kaedah pembelajaran terbalik daripada peta hingar ruang maklumat Model yang menghasilkan imej.

Proses denoising terbalik model resapan

Terangkan dengan contoh mudah, jika beberapa pewarna dijatuhkan secara rawak ke dalam air bersih, dari semasa ke semasa Dengan menolaknya , anda akan mendapat bentuk yang cantik seperti yang ditunjukkan di bawah. Jadi adakah cara untuk membuat kesimpulan terbalik seperti dos pewarna awal, urutan, dan keadaan awal menitis ke dalam tangki air berdasarkan keadaan tertentu pada masa tertentu? Jelas sekali, ini hampir mustahil untuk dicapai tanpa meminjam kaedah daripada AI.

Pewarna yang berbeza dititiskan ke dalam air dan disebarkan ke dalam bentuk yang berbeza

3. Penyahkod daripada ruang maklumat kepada ruang gambar sebenar: Iaitu, menukar maklumat matriks dalam ruang maklumat kepada gambar RGB yang boleh dilihat dengan mata kasar. Bayangkan proses berkomunikasi dengan orang lain Isyarat bunyi yang kita dengar ditukar kepada isyarat teks yang boleh difahami oleh otak dan disimpan di dalam otak. Jika anda cuba untuk menyatakan isyarat teks melalui bahasa tertentu, proses ini boleh dipanggil penyahkodan - ungkapan di sini boleh dalam mana-mana bahasa, dan setiap bahasa sepadan dengan penyahkod yang berbeza hanyalah cara ekspresi, dan intipatinya masih berdasarkan manusia Penghuraian dan pemahaman tentang sesuatu dalam fikiran.

Tafsiran keseluruhan proses StableDiffusion daripada input ke output

Ia adalah tepat dengan sambungan langkah-langkah teknikal utama ini bahawa Stable Diffusion telah berjaya mencipta robot pemetaan AI yang maha kuasa yang bukan sahaja dapat memahami semantik dan menukarnya kepada aliran maklumat dalam ruang maklumat, tetapi juga penciptaan adalah dicipta melalui simulasi pengurangan hingar di angkasa dan dipulihkan kepada gambar yang boleh dilihat dengan mata kasar melalui penyahkod Proses sci-fi ini dianggap sebagai keajaiban dalam dunia yang tidak wujud AI.

2.Teknologi AIGC: daripada gambar kepada model 3D

Penjanaan imej telah mencapai hasil terobosan, tetapi jika keputusan ini boleh dioptimumkan lagi dan digunakan pada lebih banyak medan , ia akan dapat mencapai nilai yang lebih besar. Kami juga telah melihat beberapa hasil penerokaan dalam medan yang dipecah bahagi Contohnya, melalui pemahaman tempat kejadian, menambahkan set data yang berbeza dan melaraskan parameter, kami boleh mencapai kawalan yang lebih baik ke atas penjanaan imej, bukan hanya melalui percubaan dan ralat teks yang berterusan.

2.1 Penjanaan Peta Niat Reka Bentuk

Pada awal 2019, siri "XX ini tidak wujud" yang dihasilkan oleh GAN adalah Ia telah menerima banyak perhatian di luar negara, dan di dalam negara kami juga telah melihat syarikat melancarkan keputusan dalam bidang yang dipecah bahagi. Pasukan itu juga secara eksperimen melancarkan "Perpustakaan Kreatif AI" pada telefon mudah alih pada 22 Ogos. Hanya masukkan ayat, dan robot perbualan boleh memahami semantik dengan cepat dalam masa seminit dan menjana berbilang gambar dengan kesan terperinci dekat dengan pelan konsep seni bina. gambarajah niat. Di samping itu, dengan memasukkan gambar sedia ada dan mengubah suai kata kunci beberapa penerangan, "Perpustakaan Kreatif AI" boleh menjana satu siri gambar terbitan untuk membantu pereka dalam mencari inspirasi dalam ciptaan harian.

Teknologi Xiaoku "Bangunan ini tidak wujud", model GANs menjana gambar rajah imej seni bina dan proses berulang

Gambar kiri: Perpustakaan kecil "perpustakaan kreatif AI" dijana, mencetuskan pernyataan gaya Louis Kahn, sebuah muzium kecil yang dikelilingi oleh gunung dan sungai; gambar kanan: perpustakaan kecil Perpustakaan "Perpustakaan Kreatif AI" dijana berdasarkan gambar gaya Louis Kahn di sebelah kiri, dan gaya yang lengkap ditukar kepada Le Corbusier

Untuk menjadikan "Perpustakaan Kreatif AI" lebih berkesan, pasukan telah membuat beberapa penerokaan baharu: Memandangkan algoritma dan model sedia ada lebih tertumpu pada bahan umum Internet, gambar berkaitan seni bina, penerangan dan gaya. rizab data pada tahap profesional jelas tidak mencukupi. Di sini, pengecam khas untuk perkataan berkaitan pembinaan digunakan untuk membentuk set data terdahulu yang diperhalusi dan set data digabungkan dan dilatih untuk mencapai peningkatan model. Melalui model baharu yang dipertingkatkan dalam bidang profesional pembinaan, perpustakaan kreatif AI yang didedikasikan untuk industri pembinaan telah dibentuk Untuk ayat huraian pembinaan ringkas, kadar produk cemerlang dalam set ujian telah meningkat sebanyak 13.6% berbanding model asal.

Rajah algoritma Penalaan Halus Google Dreambooth

Sebagai contoh, apabila gambar muzium dan perkataan "Zaha Hadid (arkitek wanita terkenal dunia yang telah meninggal dunia)" dimasukkan, model boleh memahami bahawa gaya seni bina atau ciri-ciri muzium perlu lebih dekat dengan Zaha Hadid. bekerja, dan Tidak menambah watak atau potret Zaha Hadid ke muzium, atau mencipta potret kartun Zaha Hadid di dunia AI - ini selalunya salah satu hasil yang dikembalikan oleh model universal.

Selepas memperhalusi model seni bina, perpustakaan kecil "AI Creative Library" dapat memahami sepenuhnya " Zaha Hadid" ” Maksud tersembunyi perkataan istimewa ini

2.2 Penjanaan model 3D

Walaupun gambar dua dimensi adalah indah, tetapi dalam aplikasi industri ia hanya berfungsi sebagai "perpustakaan niat" buat masa ini Jika ia ingin menjadi hasil yang boleh menyatakan reka bentuk dengan tepat pada masa hadapan, ia perlu bergerak ke arah 3D dan lebih tinggi dimensi maklumat.

Pada tahun 2020, apabila AIGC belum matang seperti sekarang, pasukan yang disebutkan di atas sedang meneroka cara menggunakan AI untuk menjana model 3D, dan mendedahkan kemajuan penyelidikan dan pembangunannya semasa pengajaran bengkel DigitalFUTURES di Universiti Tongji Dalam algoritma yang menjana imej daripada grafik dan seterusnya menghasilkan model, kita dapat melihat bahawa kesan model pada masa itu adalah tidak ideal.

2020 Tongji University DigitalFUTURES bengkel keputusan pasukan pengajar Xiaoku, grafik lukisan tangan menjana imej dan kemudian menjana model

Pada tahun kedua mengajar di bengkel DigitalFUTURES di Universiti Tongji, pasukan itu mengeluarkan kaedah untuk mempelajari hubungan antara graf dan model tiga dimensi sebenar melalui GAN, dan menjana graf ke dalam model model tiga dimensi sebenar. Dengan mempelajari ciri daripada elemen lapisan yang berbeza pada imej, algoritma ini secara kasar boleh memulihkan bentuk regangan tiga dimensi objek utama yang sepadan dengan imej, dan meramalkan ketinggian objek asal yang sepadan dengan unjuran objek yang berbeza. Sudah tentu, kaedah ini masih mempunyai kelemahan tertentu Ia hanya boleh digunakan dalam adegan gambar, dan sukar untuk mengumpul hubungan antara gambar yang serupa dan bentuk tiga dimensi dalam adegan lain Kedua, bentuk tiga dimensi yang dipulihkan hanya secara kasar meramalkan ketinggian, dan butiran lain perlu dilalui Algoritma dijana semula, yang mempunyai ralat besar dengan model tiga dimensi sebenar Ia hanya boleh digunakan untuk penyelidikan awal dan penilaian projek, dan senario aplikasi adalah terhad .

Rajah skematik latihan pengekstrakan ciri berlapis untuk model 3D bandar

2021 Tongji University DigitalFUTURES keputusan pasukan pengajar Xiaoku, berdasarkan pada model 3D pembinaan semula graf GANS

Terima kasih kepada ledakan algoritma AIGC dan peningkatan kematangan algoritma penjanaan 3D, kami juga telah melihat syarikat AI menegak mula menyerap teknologi dan idea yang lebih maju untuk menambah baik model mereka, dan pada laluan 3D-AIGC Di sana adalah beberapa arah baharu untuk dicuba. Sebagai contoh, OPENAI telah melancarkan rangka kerja Point-E, yang boleh meramalkan sebarang imej dua dimensi menjadi awan titik melalui algoritma, dan kemudian meramal objek tiga dimensi melalui awan titik.

Rajah skematik keseluruhan proses rangka kerja PointE

Walau bagaimanapun, kualiti penjanaan model masih mempunyai batasan tertentu, dan ketidakbolehgunaan model terutamanya ditunjukkan dalam tiga aspek berikut:

1 . Pemulihan bentuk tiga dimensi adalah sukar: pertama Data imej dua dimensi muncul lebih awal daripada data model tiga dimensi Pada masa yang sama, terdapat lebih banyak data imej dua dimensi yang tersedia kerana lebih banyak bahan latihan. Kurang keupayaan generalisasi bahan latihan model tiga dimensi, adalah sukar untuk memulihkan bentuk tiga dimensi asal

2 bahan: Bahagian yang paling penting untuk model tiga dimensi ialah pengisian dan pemilihan bahan Walau bagaimanapun, untuk penjanaan AI, Kaedah menganggar secara langsung bahan dari gambar belum matang Bahan yang sama berkelakuan berbeza di bawah bentuk yang berbeza. persekitaran, dan sumber cahaya Apabila pembolehubah ini tertumpu dalam satu gambar, pembinaan semula bahan adalah hampir mustahil; melalui awan titik biasanya bergantung pada ketumpatan awan titik untuk membina semula permukaan objek Mesh Jika awan titik terlalu sedikit, objek akan diherotkan dengan serius.

Pasukan Xiaoku menguji model Point-E, dan gambar bangunan di sebelah kiri menjana awan titik untuk simulasi Mengekstrak model 3D di sebelah kanan, malangnya yang kami dapat hanyalah sekumpulan model awan titik yang tidak bermakna Point-E masih tidak dapat memahami gambar bangunan

<. . e model anda akan mendapati bahawa kesannya lebih baik daripada ujian di atas tetapi masih dalam skop awal ini berkait rapat dengan set latihan menjana pandangan dari setiap perspektif melalui perisian pemodelan adalah salah satu cara paling mudah untuk mendapatkan data ini.>

Pasukan Xiaoku menguji model Point-E dan memilih model ringkas dalam pemodelan perisian Mengambil tangkapan skrin model 3D dari mana-mana sudut dan membina semula model 3D selalunya menghasilkan hasil yang cukup baik

Ringkasnya, daripada teks -> gambar -> titik awan -> Walaupun laluan teknikal objek tiga dimensi menakjubkan, jika ia diaplikasikan dalam bidang perindustrian, masih banyak kerja yang perlu dilakukan oleh saintis AI. Namun, adakah ini satu-satunya laluan teknikal untuk mencapai penjanaan model 3D?

3 Idea baharu untuk aplikasi AIGC dalam medan menegak

Dalam pembangunan model besar dalam bidang umum, pengeluar yang diketuai oleh OpenAI, termasuk gergasi seperti Nvidia dan Google, juga telah melancarkan rangka kerja 3D-AIGC universal saya sendiri malangnya masih dalam peringkat awal. Untuk industri fizikal menegak, jelas masih jauh lagi sebelum aplikasi praktikal.

Dari perspektif global, dalam bidang penjanaan model 3D, sebagai tambahan kepada model pan-field yang besar, beberapa industri menegak juga meneroka cara menggunakan AIGC. Sebagai contoh, Siemens menjalankan simulasi dasar dan pengoptimuman lanjut pada model yang dihasilkan semasa reka bentuk dan pembuatan enjin Akhirnya, melalui entiti pencetakan 3D, ia merealisasikan penyampaian hasil model 3D dan gelung perniagaan tertutup.

Siemens melaksanakan reka bentuk enjin dan simulasi melalui algoritma generatif

Realisasi keputusan sedemikian bergantung pada lelaran berterusan kandungan asas perniagaan dan piawaian datanya di bawah logik industri.

Memberi takrifan standard digital kandungan mengikut ISO/IEC SMART (Standards Machine Applicable, Readable and Transferable): Tahap L1 ialah Teks kertas, tiada interaksi mesin boleh dilakukan; adalah format digital terbuka, dengan interaktiviti mesin yang sangat rendah; tahap L3 adalah dokumen yang boleh dibaca oleh mesin, tetapi mesin tidak dapat memahami hasil carian dan kandungan tahap L4 adalah kandungan yang boleh dibaca oleh mesin, dan interaksi semantik adalah mungkin hubungan logik konteks; pada tahap L5, mesin boleh berinteraksi dengan kandungan dan merealisasikan ciri-ciri pintar seperti pengenalan automatik dan penjanaan automatik.

Dalam bidang perindustrian, kandungan maklumat peringkat L3 kini digunakan secara meluas, dan kandungan digital peringkat L4 sedang dibangunkan, manakala kecerdasan peringkat L5 ialah asas teras Industri 4.0 dan pembuatan pintar. Oleh itu, menjana kandungan yang boleh dibaca mesin peringkat L4 dan ke atas, terutamanya kandungan pintar peringkat L5, adalah hala tuju AIGC pada masa hadapan.

ISO/IEC SMART Digital Standard "Chinese Engineering Science" Jilid 23, 2021 Isu 6 "Penyelidikan tentang Status dan Trend Pembangunan Digital Standard" Liu Xize, Wang Yiyi, Du Xiaoyan, Li Jia, Che Di Walaupun penerokaan domestik masih agak terhad, kami juga telah menemui beberapa syarikat yang terlibat secara mendalam dalam bidang menegak. Sebagai contoh, seperti yang dinyatakan di atas, pasukan teknologi Xiaoku terlibat secara mendalam dalam industri pembinaan. Kami akan mengambil industri pembinaan sebagai contoh untuk membincangkan laluan pelaksanaan AIGC dalam industri menegak. | melaksanakan teknologi AI untuk membantu industri Mencapai lonjakan peningkatan dalam pendigitalan dan kecerdasan, bukannya menjadi produk DEMO yang kekal dalam konsep atau perkara yang menyeronokkan untuk dibincangkan selepas makan malam.

Industri pembinaan ialah industri tonggak negara dengan hasil tahunan hampir 30 trilion, tetapi tahap pendigitalannya berada pada kedudukan terakhir dalam kalangan semua industri di negara ini. Pada masa ini, negara telah mencadangkan dasar pembinaan pintar dan berharap untuk mencapai tahap baharu "Made in China". Pembinaan pintar adalah berdasarkan perindustrian bangunan baharu (perindustrian/pasangan, digital, pintar), berdasarkan integrasi mendalam teknologi maklumat generasi baharu dan teknologi pembinaan termaju, dan berjalan melalui semua aspek aktiviti pembinaan seperti reka bentuk, pengeluaran, pembinaan, operasi dan penyelenggaraan, dan penyeliaan , yang mempunyai ciri-ciri persepsi kendiri, membuat keputusan kendiri, pelaksanaan kendiri, penyesuaian diri, dan pembelajaran kendiri, dan merupakan kaedah pembinaan termaju yang direka untuk mengoptimumkan kualiti, kecekapan, dan. daya saing teras keseluruhan kitaran hayat industri pembinaan.

Jumlah nilai keluaran industri pembinaan China dan pertumbuhan dari 2011 hingga 2021 - Biro Perangkaan Negara - Hadapan- mencari Institut Penyelidikan Industri,

Sumber maklumat: Gartner Biro Pusat; Statistik ; Analisis Institut Global McKinsey

Dalam industri pembinaan, piawaian data asas bergerak dari era CAD dokumen yang boleh dibaca oleh mesin L3 kepada L4 yang boleh dibaca oleh mesin kandungan Era BIM maju semakin masuk. Keperluan untuk model 3D dalam industri pembinaan ialah objek kandungan mempunyai maklumat tepat dimensi penuh dalam ruang tiga dimensi, termasuk model, data dan dimensi lain Jika ia juga boleh memasukkan dimensi peraturan, ia kemudiannya boleh mempunyai persepsi kendiri. pembelajaran kendiri, lelaran kendiri, dsb. Keupayaan pintar. Pada masa ini, perisian aplikasi CAD peringkat L3 dan BIM peringkat L4 telah dimonopoli oleh negara luar negara dan potensi pembangunan kita mesti tertumpu pada perisian peringkat L5 yang boleh merangkumi dimensi rendah dengan dimensi tinggi.

Format kandungan SMART standard digital dalam bidang pembinaan

Berdasarkan cerapan tentang transformasi digital industri pembinaan, pasukan Xiaoku menyedari bahawa adalah perlu untuk mentakrifkan semula pangkalan data keseluruhan industri. Sejak penubuhannya pada 2016, ia komited terhadap penyelidikan dan pembangunan teknologi asas model 3D AIGC peringkat L5 dan aplikasinya dalam industri pembinaan. Berdasarkan satu set sistem AI yang mengandungi logik aliran perniagaan, kandungan boleh paut "skala model digital" termasuk maklumat bangunan, data berbilang dimensi, model 3D dan peraturan/norma/undang-undang dijana untuk merealisasikan penjanaan reka bentuk seni bina yang bijak. rancangan.

Pasukan memanggil data asas ini Model Maklumat Bangunan dipacu AI pada Awan model maklumat binaan awan yang dijana kecerdasan buatan (pendek kata ABC), dan akan Pencapaian penjanaan pintar merangkumi empat langkah praktikal: AI mengenal pasti kandungan sedia ada untuk latihan atau pembinaan semula data berstruktur, menilai dan mensimulasikan data, mengoptimumkan hasil data awal dan akhirnya menjana satu siri model perniagaan AI.

L5 format pintar membina rajah model awan pintar ABC

Pengiktirafan AI medan, pasukan telah memperoleh 100 lukisan CAD semantik peringkat L3 melalui pembersihan dan latihan berpuluh juta data lukisan CAD daripada jenis perniagaan yang berbeza. pemulihan awan dan 99.8%* analisis semantik dan suplemen yang tepat, mencapai tahap lanjutan dunia dalam bidang ini. Pencapaian ini telah diterapkan secara mendalam pada banyak produk dan penyelesaian syarikat Contohnya, "semakan lukisan pintar" untuk semakan lukisan pembinaan mempunyai kadar ketepatan semakan klausa kira-kira 96%.

Komponen lukisan pembinaan perpustakaan kecil dan pengenalan ruang

Medan Analisis AI , berdasarkan pengenalpastian berkesan projek, membolehkan pasukan menjalankan analisis simulasi persekitaran fizikal, simulasi dan ramalan data tingkah laku manusia, dan data besar berkaitan projek untuk jenis bangunan awam biasa seperti sebagai kediaman dan pusat membeli-belah dan simulasi. Pada peringkat aplikasi, ia boleh membantu pelanggan dalam analisis kuantitatif rancangan projek Contohnya, dengan menilai rangkaian penuh produk kediaman syarikat hartanah, pekali penilaian nilai yang berbeza boleh diperolehi untuk membantu syarikat hartanah dalam meningkatkan kualiti produk. Oleh itu, Xiaoku Technology turut dipilih sebagai hakim AI pertama Pertandingan Reka Bentuk Rumah Persatuan Perumahan China. Keupayaan ini juga telah digunakan dalam pembangunan dan operasi lebih daripada sepuluh bangunan pusat beli-belah di Hong Kong dan China.

Xiaoku "Penilaian Nilai Kekuatan Produk"

Dalam bidang pengoptimuman AI , pasukan percaya bahawa "pengoptimuman" adalah berdasarkan lelaran pengoptimuman selanjutnya selepas "pengenalpastian" dan "analisis" sebelumnya, iaitu, menjana semula hasil yang lebih baik berdasarkan kandungan sedia ada. Teknologi jenis ini telah digunakan dalam produk dan penyelesaian khusus syarikat. Contohnya, dalam fungsi "Pengoptimuman Cahaya Matahari Pintar" versi Design Cloud 2022, Xiaoku boleh memperhalusi secara automatik penyelesaian yang gagal melepasi cahaya matahari, supaya mereka boleh melepasi pengesahan cahaya matahari tanpa membuat pelarasan besar pada corak asal. Keupayaan ini juga digunakan dalam pembangunan reka bentuk penyelesaian seni bina, seperti senario pengoptimuman reka bentuk dinding tirai. Dalam projek dinding tirai muzium di Sichuan dengan kerjasama Institut Reka Bentuk Komersial Wilayah Sichuan, algoritma Xiaoku mengoptimumkan lebih daripada 30,000 panel dinding tirai segi tiga tidak sekata asal kepada 12 jenis modul standard, yang lebih rendah daripada 116 jenis yang tahap dunia semasa boleh mengurangkan kepada. Dikurangkan sebanyak 90%, kos membina dinding tirai akan dikurangkan dengan banyak kerana pengurangan kuantiti SKU dan acuan.

Algoritma AI pengoptimuman dinding langsir kecil

Medan

Penjanaan AI ialah bahagian teras reka bentuk pintar. Bagi industri pembinaan, memilih pelan reka bentuk yang menjimatkan, terpakai dan cantik serta menyampaikan hasil pembinaan yang selamat, cekap dan berkualiti tinggi memerlukan penyelarasan dan penyelarasan pelbagai disiplin dan peranan. Ia bukan sahaja perlu dipecahkan satu demi satu daripada skala makro, kepada skala meso dan kemudian kepada skala mikro, tetapi juga perlu secara beransur-ansur diliputi dalam pelbagai jurusan seperti seni bina, struktur, elektromekanikal, paip, landskap, dll. . Ia juga perlu meliputi pelbagai jenis kediaman, pangsapuri, industri, pejabat, perdagangan, dll. Jenis perniagaan. Oleh itu, penjanaan hasil profesional dalam bidang menegak tidak dapat diselesaikan oleh algoritma model tertentu dan set data Ia memerlukan penyepaduan organik berbilang teknologi seperti set berbilang model, berbilang modal dan berbilang data dengan logik perniagaan. , melalui reka bentuk produk yang sesuai dengan senario bersegmen Dan lelaran berterusan berdasarkan maklum balas pengguna akhirnya dapat mencapainya.

Bermula dari logik perniagaan, pasukan Xiaoku menyusun 24 langkah proses perniagaan yang diperlukan untuk reka bentuk seni bina tradisional, mengekstrak dan membina semula kandungan teras ke dalam 6 modul perniagaan, dan menggunakan AI ​​sistem kepada Dengan seni bina awan sebagai teras, satu set baharu reka bentuk seni bina proses perniagaan AIGC telah diwujudkan: laraskan (panggilan maklumat dan pengecaman AI), lakukan (penjanaan AI penuh dan penjanaan kerjasama manusia-mesin), ubah suai ( kebolehtukaran manual dan pengoptimuman AI) ), pengesahan (pengesahan data dan semakan AI), kerjasama (kerjasama berbilang orang dan pengurusan perniagaan dalam awan), eksport (mengeluarkan lebih banyak format secara automatik - model 3D/lukisan/imej 2D/PPT/Excel, dll.).

Gambar kiri: 24 langkah proses perniagaan asal reka bentuk seni bina, gambar kanan: kecil Perpustakaan ini dibina semula kepada 6 bahagian proses perniagaan di bawah sokongan AI

Berdasarkan pemahaman mendalam tentang perniagaan dan logik perniagaan yang dibina semula, 6 modul perniagaan utama disepadukan ke dalam reka bentuk produk Diintegrasikan secara mendalam dengan pengiktirafan AI, penjanaan AI, data besar, kolaborasi awan dan teknologi lain, ia merealisasikan keperluan perniagaan pembinaan dengan kedalaman yang berbeza seperti perancangan seni bina, reka bentuk unit, penjanaan komponen, dll., daripada analisis kepada reka bentuk untuk semakan. kepada kerjasama dan output, secara beransur-ansur meliputi Ia menyediakan keluasan dan kedalaman permintaan untuk perniagaan kediaman.

"Xiaoku Design Cloud - Architectural Planning" produk 6 modul utama

Produk 6 modul utama "Xiaoku Design Cloud-Building Unit"

4 . Pelaksanaan nilai AIGC dalam industri

Dalam kebanyakan industri, penerapan AIGC masih di peringkat awal, dan pembangunan berterusan teknologi AI secara keseluruhan akan menggalakkan aplikasi inovatif AIGC yang seterusnya. Mengambil amalan semasa dalam industri pembinaan sebagai contoh, AIGC kini boleh membantu dalam menambah baik senario perniagaan tertentu yang mempunyai keperluan yang lebih tinggi untuk kecekapan dalam beberapa senario perniagaan terperinci yang menjana nilai yang boleh dilihat oleh pengguna, seperti penyelidikan pelaburan, reka bentuk, penilaian, dsb. dalam industri pembinaan dan pengurusan.

4.1 Keuntungan Penyelesaian Optimum dan Peningkatan Kecekapan

Dalam peringkat penyelidikan pelaburan industri pembinaan, 2021 The Dasar "dua kepekatan" (pembekalan tanah tertumpu dan lelongan tanah berpusat) membolehkan sejumlah besar tanah dilancarkan dalam tempoh sebulan Syarikat pembangunan perlu menyelesaikan penilaian pelaburan setiap sebidang tanah dalam tempoh yang singkat iaitu cara mencari sebidang tanah Penyelesaian perancangan seni bina yang optimum untuk mendapatkan nilai produk maksimum dan pengiraan pulangan pelaburan. Ia pada asalnya mengambil masa sekurang-kurangnya 3-5 hari untuk menyiapkan pelan konsep perancangan kediaman, yang tidak dapat memenuhi keperluan perniagaan ini menimbulkan keperluan untuk kecekapan melampau dalam pelan perancangan seni bina sebelum pelaburan.

Pasukan Xiaoku melancarkan pelan perancangan seni bina AIGC, dan hanya mengambil masa kira-kira 30% daripada masa asal untuk mengeluarkan pelan awal. Lebih penting lagi, AI boleh menjana dan mengoptimumkan penyelesaian yang orang tidak fikirkan atau yang sukar untuk diperhalusi secara menyeluruh secara manual, dengan itu mencapai hasil yang lebih baik dari segi prestasi atau ekonomi. Sebagai contoh, dalam projek Jiangxi China Jinmao, pelan yang dijana AI bukan sahaja mengambil hanya 20% daripada kaedah asal dalam masa, tetapi juga meningkatkan jumlah nilai projek sebanyak 56 juta yuan berbanding dengan pelan asal. Dalam pasaran lelongan hartanah dalam tempoh sembilan bulan 2021, pasukan itu telah menyelesaikan hampir seribu projek dan hampir sepuluh ribu rancangan, membantu pelanggan berjaya mendapatkan berpuluh-puluh keping tanah.

"Xiaoku Design Cloud" AI menjana pelan pengambilan tanah kediaman sebenar

4.2 Pengurangan kos, penjimatan tenaga dan pengurangan pelepasan

Dalam proses pembinaan bangunan sebenar, pasukan Xiaoku menggabungkan AI dan DFMA (Design For Manufacture and Assembly) untuk pemasangan Digabungkan dengan kaedah reka bentuk "Direka bentuk untuk pembuatan", kami telah bekerjasama dengan China Construction Science and Technology, anak syarikat gergasi pembinaan China Construction Group, untuk menggabungkan secara mendalam bangunan pasang siap jenis kotak dengan penjanaan reka bentuk AI dan tahap L5 Hubungan "skala analog-digital" ABC untuk mencapai Ia mencapai kaitan masa nyata kos pelan pelaburan sebelum pelaksanaan, mengurangkan perubahan reka bentuk dan kos sebanyak 80%, dan secara berkesan mengurangkan keseluruhan komponen pemasangan SKU dan volum pembukaan acuan, mencapai lebih banyak daripada 50% penjimatan tenaga dan pengurangan pelepasan. Semasa memperoleh prestasi dan hasil ekonomi yang lebih baik, "data asli" boleh disambungkan dengan berkesan dengan barisan pengeluaran kilang dan tapak pembinaan pintar menjadi "data berkembar". Dalam projek hotel di Shenzhen, ia telah disiapkan daripada reka bentuk kepada pembinaan dalam masa 4 bulan, dengan ketara memendekkan jumlah tempoh pembinaan sekurang-kurangnya 14 bulan dan menjimatkan lebih daripada 60% masa.

"Xiaoku Assembly Cloud" bekerjasama dengan hotel Shenzhen di China Sains dan Teknologi Pembinaan, keseluruhan proses ialah Reka bentuk pintar dan pembinaan pintar)

Perbandingan antara mod pembinaan pintar L5 dan mod tradisional

Nota: *Atas dasar tiada ralat yang jelas dalam lapisan, pengecaman Xiaoku AI semasa adalah untuk komponen standard (pintu, tingkap, dinding, tangga, lif , penghawa dingin, pili bomba , tempat letak kereta), dsb. Kadar ketepatan pengecaman ialah 99.8% (set ujian ialah beribu-ribu lukisan CAD seni bina, dan sumber lukisan itu ialah perpustakaan standard dalaman beberapa pembangun terkemuka)

Atas ialah kandungan terperinci Apakah yang boleh AIGC, didorong oleh ChatGPT, lakukan untuk industri menegak?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!