


Bagaimanakah AI generatif membantu mengautomasikan reka bentuk seni bina?
Industri pembinaan telah mula berkecimpung dalam menggunakan kecerdasan buatan (AI) untuk menyelesaikan tugas harian seperti penjadualan dan analisis dokumen. Tetapi AI generatif adalah penukar permainan, kata Ketua Pegawai Eksekutif Augmenta, Francesco Iorio, dan ia berpotensi mengubah cara bangunan direka bentuk — mengurangkan kos, meningkatkan produktiviti dan mengurangkan sisa.
Alat seperti ChatGPT dan DALL-E menggunakan model pembelajaran mesin (ML) berskala besar dan mengakses sejumlah besar data berlabel dan bermakna untuk memberikan respons yang mendalam kepada pertanyaan dalam teks dan imej. Walau bagaimanapun, sesetengah industri mempunyai akses terhad kepada set data yang digunakan untuk melatih model ML, menjadikan faedah menggunakan AI generatif untuk menyelesaikan masalah dunia sebenar sukar untuk dituai.
Industri pembinaan adalah contoh yang baik. Tiada repositori tunggal mengandungi data markup untuk lukisan kejuruteraan bangunan. Ini kerana syarikat kejuruteraan merahsiakan data mereka dan tidak cenderung untuk berkongsi harta intelek mereka. Satu akibatnya ialah kaedah reka bentuk yang ketinggalan zaman menghalang pertumbuhan industri pembinaan. Alat warisan sedia ada untuk mereka bentuk bangunan dan sistemnya sedikit lebih baik daripada pensel elektronik di atas kertas, mengakibatkan reka bentuk yang tidak boleh dibina, kekurangan penyelarasan antara industri, dan pembaziran masa dan bahan apabila ia semestinya perlu dibuat semula.
Yang dikatakan, model AI generatif yang canggih seperti ChatGPT, yang menggunakan set data yang sangat besar, pelbagai dan terperinci untuk melatih model yang kompleks, boleh menghasilkan hasil yang salah sambil turut menjejaskan output keyakinan penuh. Dalam kes ChatGPT, akibat melakukan kesilapan adalah agak rendah. Tetapi kepentingannya sangat tinggi dalam kejuruteraan sehingga penggunaan AI generatif yang selamat dan berkesan akan memerlukan lebih daripada model matematik kotak hitam yang besar.
Peralihan paradigma dalam reka bentuk seni bina
Syukurlah, terdapat pendekatan hibrid baru untuk sistem AI berasaskan peraturan yang boleh menjana data baharu yang sah dalam bentuk reka bentuk generatif yang boleh digunakan untuk melatih Model ML. Aplikasi paling berharga pendekatan ini adalah dalam reka bentuk bangunan automatik. Ia bukan sahaja memendekkan proses reka bentuk hujung ke hujung dari bulan ke hari, tetapi ia juga menyediakan pembangun, arkitek dan jurutera dengan cerapan yang belum pernah berlaku sebelum ini untuk membantu mereka membuat keputusan yang lebih termaklum berkaitan kos, jadual dan kecekapan.
Kelebihan Reka Bentuk Bangunan Automatik dalam Pembinaan
Mari kita lihat dengan lebih dekat apa yang boleh dicapai oleh industri pembinaan dengan mengautomasikan proses reka bentuk bangunan.
1. Reka bentuk bangunan berprestasi tinggi, mematuhi kod – mengurangkan risiko, kelewatan dan kerja semula
Hari ini, arkitek dan jurutera perunding yang mencipta reka bentuk bangunan termaju tidak mempunyai masa atau maklumat yang mencukupi untuk membangunkan sistem Boleh Bina. Sebagai contoh, proses reka bentuk untuk sistem mekanikal, elektrikal, paip dan struktur (MEP/S) adalah sangat kompleks, memakan masa dan terdedah kepada ralat. Ia juga merupakan salah satu punca utama kesilapan, kelewatan, risiko dan ketidakpastian.
Dengan mengautomasikan reka bentuk, kelajuan reka bentuk dan proses pembinaan boleh dipercepatkan dengan sangat baik, mengurangkan beberapa bulan daripada jadual pembinaan, sekali gus mewujudkan bangunan berfungsi untuk kegunaan kediaman dan komersial dengan lebih pantas. Dengan mengurangkan risiko dan ketidakpastian serta menghapuskan kerja semula (yang menambah purata 6% kepada kos), pemaju boleh merancang dan membiayai projek dengan lebih baik, manakala kontraktor boleh membida kerja dengan lebih tepat.
2. Membina dunia yang lebih baik dan lebih mampan
Industri pembinaan adalah pengguna utama tenaga dan bahan. Menurut Transformasi Digital dan Pengurusan Sisa Energy Research Frontier dalam laporan Industri Seni Bina, Kejuruteraan, Pembinaan dan Operasi, sehingga 30% bahan binaan baharu dibazirkan disebabkan oleh kesilapan reka bentuk dan kerja semula. Menggunakan sistem reka bentuk automatik hampir boleh menghapuskan ralat ini.
AI Generatif juga boleh mencipta berbilang alternatif reka bentuk secara selari, membantu mencari cara untuk membangunkan bangunan yang berprestasi lebih baik menggunakan bahan yang kurang. Ia juga membantu meningkatkan kecekapan tenaga - keupayaan penting memandangkan bangunan menggunakan kira-kira 40% daripada tenaga dan sumber dunia, menurut Program Alam Sekitar Pertubuhan Bangsa-Bangsa Bersatu. Kini pembangun boleh memahami pilihan mereka: mengoptimumkan untuk kos dan jadual sahaja, atau mereka bentuk untuk penggunaan bahan yang lebih mampan dan operasi secara serentak. Menjana reka bentuk yang sangat terperinci secara automatik memastikan mereka hanya memesan apa yang mereka perlukan, mengurangkan pembaziran bahan.
3. Meningkatkan kecekapan dan keberkesanan kos
Dengan memanfaatkan AI generatif untuk mengoptimumkan reka bentuk dan prestasi bangunan, industri bukan sahaja dapat mengurangkan jejak karbonnya, tetapi melakukannya dengan lebih cekap dan menjimatkan kos Sasaran . Beberapa tahun yang lalu, dianggarkan bahawa arkitek, jurutera dan profesional pembinaan (AEC) menghabiskan kira-kira 20% masa mereka untuk menyelesaikan ralat dan konflik yang disebabkan oleh kesilapan reka bentuk dan penyelarasan. Secara global, ini bersamaan dengan $280 bilion dalam kerja semula. Tidak dinafikan jumlah ini semakin meningkat kerana bakat semakin terhad dan permintaan untuk pembinaan baharu semakin meningkat.
AI Generatif membawa tahap automasi kepada proses reka bentuk dan pembinaan, membolehkan profesional AEC mencipta reka bentuk optimum dalam beberapa jam dan bukannya minggu dan secara mendadak mengurangkan ralat pembinaan. Oleh kerana reka bentuk direka dengan tahap kepastian yang tinggi, profesional reka bentuk boleh menjadi lebih cekap dan menghabiskan lebih sedikit masa untuk kerja semula dan ralat.
4. Mengurangkan tekanan kekurangan tenaga kerja
Industri pembinaan menghadapi kekurangan tenaga kerja yang terlatih dan berpengalaman yang serius serta tidak dapat memenuhi keperluan projek semasa dalam pembinaan. Malah, beberapa kesatuan terbesar dalam industri meramalkan akan terdapat kekurangan tenaga kerja mahir di Amerika Syarikat.
Reka bentuk automatik bertujuan untuk memudahkan individu dalam firma pembinaan, firma kejuruteraan dan kontraktor memperoleh pengalaman pengurusan yang berpengalaman, malah membolehkan pereka dan jurutera junior mencipta reka bentuk yang boleh dibina dan mematuhi spesifikasi. Ia juga membebaskan mereka daripada kaedah tradisional dan membosankan untuk mereka bentuk kerja. Sebaliknya, mereka boleh meluangkan masa untuk benar-benar memahami keperluan pelanggan dan meneroka pilihan reka bentuk dan tukar ganti untuk mencapai reka bentuk terbaik.
5. Skala untuk memenuhi permintaan pembinaan baharu
Menurut laporan Tinjauan Industri Kejuruteraan dan Pembinaan 2023 oleh Deloitte, tiada kekurangan pelaburan dalam projek pembinaan baharu. Di Amerika Syarikat, unit rumah baharu dijangka mencecah 1.55 juta unit setahun, berbanding 583,000 unit pada 2009. Memandangkan kekurangan pekerja mahir ditambah dengan kadar pusing ganti yang tinggi, industri mesti belajar bagaimana untuk melakukan lebih banyak dengan lebih sedikit.
AI Generatif berpotensi untuk merentasi keseluruhan ekosistem pembinaan. Kontraktor boleh mengembangkan keupayaan reka bentuk mereka tanpa dihadkan oleh bakat atau pengekalan. Pembekal alat ganti boleh mengautomasikan dan mengembangkan perkhidmatan pasang siap mereka untuk memasukkan penjualan pemasangan lengkap yang direka khas dan bukannya hanya alat ganti. Industri pembinaan akhirnya boleh mengejar dengan menerima teknologi baru muncul ini.
Asas Teguh
Tidak dinafikan bahawa industri pembinaan sudah matang untuk mengalami gangguan. AI Generatif mempunyai potensi untuk mengubah secara asas perjalanan sejarah seni bina—mengubah secara asas cara kami mereka bentuk bangunan dan reka bentuk bangunan itu sendiri. Walaupun AI telah mencapai beberapa keputusan dalam bidang ini, jelas bahawa yang terbaik masih akan datang.
Atas ialah kandungan terperinci Bagaimanakah AI generatif membantu mengautomasikan reka bentuk seni bina?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

AI Hentai Generator
Menjana ai hentai secara percuma.

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas



DALL-E 3 telah diperkenalkan secara rasmi pada September 2023 sebagai model yang jauh lebih baik daripada pendahulunya. Ia dianggap sebagai salah satu penjana imej AI terbaik setakat ini, mampu mencipta imej dengan perincian yang rumit. Walau bagaimanapun, semasa pelancaran, ia adalah tidak termasuk

Dalam bidang pembelajaran mesin dan sains data, kebolehtafsiran model sentiasa menjadi tumpuan penyelidik dan pengamal. Dengan aplikasi meluas model yang kompleks seperti kaedah pembelajaran mendalam dan ensemble, memahami proses membuat keputusan model menjadi sangat penting. AI|XAI yang boleh dijelaskan membantu membina kepercayaan dan keyakinan dalam model pembelajaran mesin dengan meningkatkan ketelusan model. Meningkatkan ketelusan model boleh dicapai melalui kaedah seperti penggunaan meluas pelbagai model yang kompleks, serta proses membuat keputusan yang digunakan untuk menerangkan model. Kaedah ini termasuk analisis kepentingan ciri, anggaran selang ramalan model, algoritma kebolehtafsiran tempatan, dsb. Analisis kepentingan ciri boleh menerangkan proses membuat keputusan model dengan menilai tahap pengaruh model ke atas ciri input. Anggaran selang ramalan model

Cabaran biasa yang dihadapi oleh algoritma pembelajaran mesin dalam C++ termasuk pengurusan memori, multi-threading, pengoptimuman prestasi dan kebolehselenggaraan. Penyelesaian termasuk menggunakan penunjuk pintar, perpustakaan benang moden, arahan SIMD dan perpustakaan pihak ketiga, serta mengikuti garis panduan gaya pengekodan dan menggunakan alat automasi. Kes praktikal menunjukkan cara menggunakan perpustakaan Eigen untuk melaksanakan algoritma regresi linear, mengurus memori dengan berkesan dan menggunakan operasi matriks berprestasi tinggi.

Pembelajaran mesin ialah cabang penting kecerdasan buatan yang memberikan komputer keupayaan untuk belajar daripada data dan meningkatkan keupayaan mereka tanpa diprogramkan secara eksplisit. Pembelajaran mesin mempunyai pelbagai aplikasi dalam pelbagai bidang, daripada pengecaman imej dan pemprosesan bahasa semula jadi kepada sistem pengesyoran dan pengesanan penipuan, dan ia mengubah cara hidup kita. Terdapat banyak kaedah dan teori yang berbeza dalam bidang pembelajaran mesin, antaranya lima kaedah yang paling berpengaruh dipanggil "Lima Sekolah Pembelajaran Mesin". Lima sekolah utama ialah sekolah simbolik, sekolah sambungan, sekolah evolusi, sekolah Bayesian dan sekolah analogi. 1. Simbolisme, juga dikenali sebagai simbolisme, menekankan penggunaan simbol untuk penaakulan logik dan ekspresi pengetahuan. Aliran pemikiran ini percaya bahawa pembelajaran adalah proses penolakan terbalik, melalui sedia ada

Penterjemah |. Disemak oleh Li Rui |. Chonglou Model kecerdasan buatan (AI) dan pembelajaran mesin (ML) semakin kompleks hari ini, dan output yang dihasilkan oleh model ini adalah kotak hitam – tidak dapat dijelaskan kepada pihak berkepentingan. AI Boleh Dijelaskan (XAI) bertujuan untuk menyelesaikan masalah ini dengan membolehkan pihak berkepentingan memahami cara model ini berfungsi, memastikan mereka memahami cara model ini sebenarnya membuat keputusan, dan memastikan ketelusan dalam sistem AI, Amanah dan akauntabiliti untuk menyelesaikan masalah ini. Artikel ini meneroka pelbagai teknik kecerdasan buatan (XAI) yang boleh dijelaskan untuk menggambarkan prinsip asasnya. Beberapa sebab mengapa AI boleh dijelaskan adalah penting Kepercayaan dan ketelusan: Untuk sistem AI diterima secara meluas dan dipercayai, pengguna perlu memahami cara keputusan dibuat

MetaFAIR bekerjasama dengan Harvard untuk menyediakan rangka kerja penyelidikan baharu untuk mengoptimumkan bias data yang dijana apabila pembelajaran mesin berskala besar dilakukan. Adalah diketahui bahawa latihan model bahasa besar sering mengambil masa berbulan-bulan dan menggunakan ratusan atau bahkan ribuan GPU. Mengambil model LLaMA270B sebagai contoh, latihannya memerlukan sejumlah 1,720,320 jam GPU. Melatih model besar memberikan cabaran sistemik yang unik disebabkan oleh skala dan kerumitan beban kerja ini. Baru-baru ini, banyak institusi telah melaporkan ketidakstabilan dalam proses latihan apabila melatih model AI generatif SOTA Mereka biasanya muncul dalam bentuk lonjakan kerugian Contohnya, model PaLM Google mengalami sehingga 20 lonjakan kerugian semasa proses latihan. Bias berangka adalah punca ketidaktepatan latihan ini,

Dalam C++, pelaksanaan algoritma pembelajaran mesin termasuk: Regresi linear: digunakan untuk meramalkan pembolehubah berterusan Langkah-langkah termasuk memuatkan data, mengira berat dan berat sebelah, mengemas kini parameter dan ramalan. Regresi logistik: digunakan untuk meramalkan pembolehubah diskret Proses ini serupa dengan regresi linear, tetapi menggunakan fungsi sigmoid untuk ramalan. Mesin Vektor Sokongan: Algoritma klasifikasi dan regresi yang berkuasa yang melibatkan pengkomputeran vektor sokongan dan label ramalan.

Open AI akhirnya membuat cariannya. Syarikat San Francisco baru-baru ini telah mengumumkan alat AI baharu dengan keupayaan carian. Pertama kali dilaporkan oleh The Information pada Februari tahun ini, alat baharu ini dipanggil SearchGPT dan menampilkan c
