生成式AI如何協助建築設計自動化?
建築業已經開始涉足使用人工智慧(AI)來完成日程安排和文件分析等日常任務。但生成式人工智慧改變了遊戲規則,Augmenta執行長弗朗西斯科·伊奧裡奧(Francesco Iorio)表示, 它有望改變建築物的設計方式——降低成本、提高生產力並減少浪費。
ChatGPT和DALL-E等工具使用大規模機器學習(ML)模型,並存取大量標記和有意義的數據,以對文字和圖像中的查詢提供有見解的回應。但是,一些行業對訓練ML模型的資料集的存取有限,這使得使用生成式AI來解決現實世界問題的好處很難獲得。
建築業就是一個很好的例子。沒有單一的儲存庫包含建築物工程圖的標記資料。這是因為工程公司對他們的數據保密,不傾向於分享他們的智慧財產權。其中一個後果是,過時的設計方法阻礙了建築業的發展。用於設計建築及其係統的現有遺留工具比紙上的電子鉛筆好不了多少,導致了無法建造的設計,缺乏行業之間的協調, 及在不可避免地需要重做時浪費時間和材料。
也就是說,即使是像ChatGPT這樣最先進的生成式AI 模型,它利用非常大、多樣化和詳細的資料集來訓練複雜模型,也可能產生錯誤的結果,同時對輸出表現出完全的信心。就ChatGPT而言,犯錯的後果相對較低。但工程領域的風險實在太高了,要安全有效地採用生成式人工智慧,需要的不只是大型黑盒數學模型。
建築設計的典範轉移
值得慶幸的是,基於規則的AI系統有一種新穎的混合方法,可以以產生設計的形式產生新的有效數據,可用於訓練ML模型。這種方法最有價值的應用是自動化建築設計。它不僅將端到端設計流程從幾個月縮短到幾天,而且還為開發人員、架構師和工程師提供前所未有的洞察力,幫助他們做出與成本、進度和效率相關的更明智的決策。
自動化建築設計在施工中的優點
讓我們仔細看看建築業可以透過自動化建築設計流程來實現什麼。
1、設計高性能、符合規範的建築——降低風險、延誤和返工
今天,創建高級建築設計的建築師和諮詢工程師沒有時間或足夠的資訊來開發可建構的系統。例如,機械、電氣、管道和結構系統 (MEP/S) 的設計過程極其複雜、耗時且容易出錯。這也是導致錯誤、延遲、風險和不確定性的主要原因之一。
透過自動化設計,設計和施工過程的速度可以大幅加快,將施工進度縮短數月,從而更快地創建住宅和商業用途的功能建築。透過降低風險和不確定性,消除返工(平均增加6%的成本),開發商可以更好地規劃和預算項目,而承包商可以更準確地投標工作。
2、建立一個更美好、更永續的世界
建築業是能源和材料的主要消費者。根據能源研究前沿的《建築、工程、建築和營運產業的數位轉型和廢棄物管理》報告,高達30%的新建築材料因設計錯誤和重工而被浪費。使用自動化設計系統幾乎可以消除這些錯誤。
生成式人工智慧還可以並行創建多個設計替代方案,有助於找到使用更少材料開發性能更好的建築的方法。它還有助於提高能源效率——考慮到聯合國環境規劃署的調查結果,建築消耗了全球約40%的能源和資源,這是一項至關重要的能力。現在,開發人員可以理解他們的選擇:僅針對成本和進度進行最佳化,或同時針對更永續的材料使用和營運進行設計。自動產生高度詳細的設計確保他們只訂購他們需要的東西,減少材料浪費。
3、提高效率和成本效益
透過利用生成式人工智慧來優化建築物的設計和性能,該行業不僅可以減少碳足跡,還可以更有效率、更經濟地實現這一目標。幾年前,據估計,建築師、工程師和施工(AEC)專業人員花了大約20%的時間來解決設計和協調錯誤所引起的錯誤和衝突。在全球範圍內,這相當於2800 億美元的返工。毫無疑問,隨著人才稀缺和新建築需求的加劇,這些數字還在上升。
生成式人工智慧為設計和施工過程帶來了一定程度的自動化,使AEC專業人員能夠在幾小時而不是幾週內創建最佳設計,並大大減少了施工錯誤。由於設計具有很高的確定性,設計專業人員可以更有效率,在返工和錯誤上花費的時間更少。
4、緩解人才緊缺壓力
建築業面臨訓練有素、經驗豐富的人才嚴重短缺,無法滿足目前在建工程的需求。事實上,根據該行業一些最大的工會預測,美國熟練技工將出現缺口。
自動化設計意味著使建築公司、工程公司和承包商的個人能夠輕鬆獲得經驗豐富的管理經驗,甚至允許初級設計師和工程師創建可建造且符合規範的設計。它也將這些人從傳統和乏味的設計工作方法中解放出來。相反,他們可以花時間真正了解客戶的需求,探索設計選項和權衡以實現最佳設計。
5、規模化滿足新建需求
根據德勤(Deloitte)的一份2023年工程和建築業展望報告,新建築項目的投資並不短缺。在美國,新住房單元預計每年將達到155萬套,而2009年為58.3萬套。鑑於熟練工人短缺,加上高流動率,該行業必須學會如何用更少的錢做更多的事情。
生成式人工智慧有望在整個建築生態系統中實現規模化。承包商可以擴展他們的設計能力,而不受人才或留存率的限制。零件供應商可以自動化和擴展他們的預製服務,包括銷售完整的、專門設計的組件,而不僅僅是零件。建築業最終可以透過擁抱這種新興技術來迎頭趕上。
堅實的基礎
毫無疑問,建築業顛覆的時機已經成熟。生成式人工智慧有可能從根本上改變建築歷史的進程——從根本上改變我們設計建築的方式以及這些建築本身的設計。雖然AI已經在該領域取得了一些成果,但顯然最好的還在後頭。
以上是生成式AI如何協助建築設計自動化?的詳細內容。更多資訊請關注PHP中文網其他相關文章!

熱AI工具

Undresser.AI Undress
人工智慧驅動的應用程序,用於創建逼真的裸體照片

AI Clothes Remover
用於從照片中去除衣服的線上人工智慧工具。

Undress AI Tool
免費脫衣圖片

Clothoff.io
AI脫衣器

AI Hentai Generator
免費產生 AI 無盡。

熱門文章

熱工具

記事本++7.3.1
好用且免費的程式碼編輯器

SublimeText3漢化版
中文版,非常好用

禪工作室 13.0.1
強大的PHP整合開發環境

Dreamweaver CS6
視覺化網頁開發工具

SublimeText3 Mac版
神級程式碼編輯軟體(SublimeText3)

熱門話題

DALL-E 3 於 2023 年 9 月正式推出,是比其前身大幅改進的車型。它被認為是迄今為止最好的人工智慧圖像生成器之一,能夠創建具有複雜細節的圖像。然而,在推出時,它不包括

在機器學習和資料科學領域,模型的可解釋性一直是研究者和實踐者關注的焦點。隨著深度學習和整合方法等複雜模型的廣泛應用,理解模型的決策過程變得尤為重要。可解釋人工智慧(ExplainableAI|XAI)透過提高模型的透明度,幫助建立對機器學習模型的信任和信心。提高模型的透明度可以透過多種複雜模型的廣泛應用等方法來實現,以及用於解釋模型的決策過程。這些方法包括特徵重要性分析、模型預測區間估計、局部可解釋性演算法等。特徵重要性分析可以透過評估模型對輸入特徵的影響程度來解釋模型的決策過程。模型預測區間估計

C++中機器學習演算法面臨的常見挑戰包括記憶體管理、多執行緒、效能最佳化和可維護性。解決方案包括使用智慧指標、現代線程庫、SIMD指令和第三方庫,並遵循程式碼風格指南和使用自動化工具。實作案例展示如何利用Eigen函式庫實現線性迴歸演算法,有效地管理記憶體和使用高效能矩陣操作。

機器學習是人工智慧的重要分支,它賦予電腦從數據中學習的能力,並能夠在無需明確編程的情況下改進自身能力。機器學習在各個領域都有廣泛的應用,從影像辨識和自然語言處理到推薦系統和詐欺偵測,它正在改變我們的生活方式。機器學習領域存在著多種不同的方法和理論,其中最具影響力的五種方法被稱為「機器學習五大派」。這五大派分別為符號派、聯結派、進化派、貝葉斯派和類推學派。 1.符號學派符號學(Symbolism),又稱符號主義,強調利用符號進行邏輯推理和表達知識。該學派認為學習是一種逆向演繹的過程,透過現有的

譯者|李睿審校|重樓人工智慧(AI)和機器學習(ML)模型如今變得越來越複雜,這些模型產生的產出是黑盒子-無法向利害關係人解釋。可解釋性人工智慧(XAI)致力於透過讓利害關係人理解這些模型的工作方式來解決這個問題,確保他們理解這些模型實際上是如何做出決策的,並確保人工智慧系統中的透明度、信任度和問責制來解決這個問題。本文探討了各種可解釋性人工智慧(XAI)技術,以闡明它們的基本原理。可解釋性人工智慧至關重要的幾個原因信任度和透明度:為了讓人工智慧系統被廣泛接受和信任,使用者需要了解決策是如何做出的

MetaFAIR聯合哈佛優化大規模機器學習時所產生的資料偏差,提供了新的研究架構。據所周知,大語言模型的訓練常常需要數月的時間,使用數百甚至上千個GPU。以LLaMA270B模型為例,其訓練總共需要1,720,320個GPU小時。由於這些工作負載的規模和複雜性,導致訓練大模型存在著獨特的系統性挑戰。最近,許多機構在訓練SOTA生成式AI模型時報告了訓練過程中的不穩定情況,它們通常以損失尖峰的形式出現,例如Google的PaLM模型訓練過程中出現了多達20次的損失尖峰。數值偏差是造成這種訓練不準確性的根因,

在C++中,機器學習演算法的實作方式包括:線性迴歸:用於預測連續變量,步驟包括載入資料、計算權重和偏差、更新參數和預測。邏輯迴歸:用於預測離散變量,流程與線性迴歸類似,但使用sigmoid函數進行預測。支援向量機:一種強大的分類和回歸演算法,涉及計算支援向量和預測標籤。

開放人工智慧終於進軍搜尋領域。這家舊金山公司最近宣布了一款具有搜尋功能的新人工智慧工具。 The Information 於今年 2 月首次報導,該新工具被恰當地稱為 SearchGPT,並具有 c
