生成式AI如何助力建筑设计自动化?
建筑行业已经开始涉足使用人工智能(AI)来完成日程安排和文件分析等日常任务。但生成式人工智能改变了游戏规则,Augmenta首席执行官弗朗西斯科·伊奥里奥(Francesco Iorio)表示, 它有望改变建筑物的设计方式——降低成本、提高生产力并减少浪费。
ChatGPT和DALL-E等工具使用大规模机器学习(ML)模型,并访问大量有标记和有意义的数据,以对文本和图像中的查询提供有见解的响应。但是,一些行业对训练ML模型的数据集的访问有限,这使得使用生成式AI来解决现实世界问题的好处很难获得。
建筑业就是一个很好的例子。没有单一的存储库包含建筑物工程图纸的标记数据。这是因为工程公司对他们的数据保密,不倾向于分享他们的知识产权。其中一个后果是,过时的设计方法阻碍了建筑业的发展。用于设计建筑及其系统的现有遗留工具比纸上的电子铅笔好不了多少,导致了无法建造的设计,缺乏行业之间的协调, 及在不可避免地需要重做时浪费时间和材料。
也就是说,即使是像ChatGPT这样最先进的生成式 AI 模型,它利用非常大、多样化和详细的数据集来训练复杂模型,也可能产生错误的结果,同时对输出表现出完全的信心。就ChatGPT而言,犯错的后果相对较低。但工程领域的风险实在是太高了,要安全有效地采用生成式人工智能,需要的不仅仅是大型黑盒数学模型。
建筑设计的范式转变
值得庆幸的是,基于规则的AI系统有一种新颖的混合方法,可以以生成设计的形式生成新的有效数据,可用于训练ML模型。这种方法最有价值的应用是自动化建筑设计。它不仅将端到端设计流程从几个月缩短到几天,而且还为开发人员、架构师和工程师提供前所未有的洞察力,帮助他们做出与成本、进度和效率相关的更明智的决策。
自动化建筑设计在施工中的优势
让我们仔细看看建筑行业可以通过自动化建筑设计过程实现什么。
1、设计高性能、符合规范的建筑——降低风险、延误和返工
今天,创建高级建筑设计的建筑师和咨询工程师没有时间或足够的信息来开发可构建的系统。例如,机械、电气、管道和结构系统 (MEP/S) 的设计过程极其复杂、耗时且容易出错。这也是导致错误、延迟、风险和不确定性的主要原因之一。
通过自动化设计,设计和施工过程的速度可以大大加快,将施工进度缩短几个月,从而更快地创建住宅和商业用途的功能建筑。通过降低风险和不确定性,消除返工(平均增加6%的成本),开发商可以更好地规划和预算项目,而承包商可以更准确地投标工作。
2、建设一个更美好、更可持续的世界
建筑业是能源和材料的主要消费者。根据能源研究前沿的《建筑、工程、建筑和运营行业的数字化转型和废物管理》报告,高达30%的新建筑材料由于设计错误和返工而被浪费。使用自动化设计系统几乎可以消除这些错误。
生成式人工智能还可以并行创建多个设计替代方案,有助于找到使用更少材料开发性能更好的建筑的方法。它还有助于提高能源效率——考虑到联合国环境规划署的调查结果,建筑消耗了全球约40%的能源和资源,这是一项至关重要的能力。现在,开发人员可以理解他们的选择:仅针对成本和进度进行优化,或者同时针对更可持续的材料使用和运营进行设计。自动生成高度详细的设计确保他们只订购他们需要的东西,减少材料浪费。
3、提高效率和成本效益
通过利用生成式人工智能来优化建筑物的设计和性能,该行业不仅可以减少碳足迹,还可以更高效、更经济地实现这一目标。几年前,据估计,建筑师、工程师和施工(AEC)专业人员花费了大约20%的时间来解决由设计和协调错误引起的错误和冲突。在全球范围内,这相当于2800 亿美元的返工。毫无疑问,随着人才稀缺和新建筑需求的加剧,这些数字还在上升。
生成式人工智能为设计和施工过程带来了一定程度的自动化,使AEC专业人员能够在几小时而不是几周内创建最佳设计,并极大地减少了施工错误。由于设计具有很高的确定性,设计专业人员可以更有效率,在返工和错误上花费的时间更少。
4、缓解人才紧缺压力
建筑行业面临着训练有素、经验丰富的人才严重短缺,无法满足当前在建项目的需求。事实上,据该行业一些最大的工会预测,美国熟练技工将出现缺口。
自动化设计意味着使建筑公司、工程公司和承包商的个人能够轻松获得经验丰富的管理经验,甚至允许初级设计师和工程师创建可构建且符合规范的设计。它还将这些人从传统和乏味的设计工作方法中解放出来。相反,他们可以花时间真正了解客户的需求,探索设计选项和权衡以实现最佳设计。
5、规模化满足新建需求
根据德勤(Deloitte)的一份2023年工程和建筑业展望报告,新建筑项目的投资并不短缺。在美国,新住房单元预计每年将达到155万套,而2009年为58.3万套。鉴于熟练工人短缺,加上高流动率,该行业必须学会如何用更少的钱做更多的事。
生成式人工智能有望在整个建筑生态系统中实现规模化。承包商可以扩展他们的设计能力,而不受人才或留存率的限制。零部件供应商可以自动化和扩展他们的预制服务,包括销售完整的、专门设计的组件,而不仅仅是零件。建筑行业最终可以通过拥抱这种新兴技术来迎头赶上。
坚实的基础
毫无疑问,建筑行业颠覆的时机已经成熟。生成式人工智能有可能从根本上改变建筑历史的进程——从根本上改变我们设计建筑的方式以及这些建筑本身的设计。虽然AI已经在该领域取得了一些成果,但显然最好的还在后头。
以上是生成式AI如何助力建筑设计自动化?的详细内容。更多信息请关注PHP中文网其他相关文章!

热AI工具

Undresser.AI Undress
人工智能驱动的应用程序,用于创建逼真的裸体照片

AI Clothes Remover
用于从照片中去除衣服的在线人工智能工具。

Undress AI Tool
免费脱衣服图片

Clothoff.io
AI脱衣机

Video Face Swap
使用我们完全免费的人工智能换脸工具轻松在任何视频中换脸!

热门文章

热工具

记事本++7.3.1
好用且免费的代码编辑器

SublimeText3汉化版
中文版,非常好用

禅工作室 13.0.1
功能强大的PHP集成开发环境

Dreamweaver CS6
视觉化网页开发工具

SublimeText3 Mac版
神级代码编辑软件(SublimeText3)

DALL-E 3 于 2023 年 9 月正式推出,是比其前身大幅改进的型号。它被认为是迄今为止最好的人工智能图像生成器之一,能够创建具有复杂细节的图像。然而,在推出时,它不包括

在机器学习和数据科学领域,模型的可解释性一直是研究者和实践者关注的焦点。随着深度学习和集成方法等复杂模型的广泛应用,理解模型的决策过程变得尤为重要。可解释人工智能(ExplainableAI|XAI)通过提高模型的透明度,帮助建立对机器学习模型的信任和信心。提高模型的透明度可以通过多种复杂模型的广泛应用等方法来实现,以及用于解释模型的决策过程。这些方法包括特征重要性分析、模型预测区间估计、局部可解释性算法等。特征重要性分析可以通过评估模型对输入特征的影响程度来解释模型的决策过程。模型预测区间估计

C++中机器学习算法面临的常见挑战包括内存管理、多线程、性能优化和可维护性。解决方案包括使用智能指针、现代线程库、SIMD指令和第三方库,并遵循代码风格指南和使用自动化工具。实践案例展示了如何利用Eigen库实现线性回归算法,有效地管理内存和使用高性能矩阵操作。

机器学习是人工智能的重要分支,它赋予计算机从数据中学习的能力,并能够在无需明确编程的情况下改进自身能力。机器学习在各个领域都有着广泛的应用,从图像识别和自然语言处理到推荐系统和欺诈检测,它正在改变我们的生活方式。机器学习领域存在着多种不同的方法和理论,其中最具影响力的五种方法被称为“机器学习五大派”。这五大派分别为符号派、联结派、进化派、贝叶斯派和类推学派。1.符号学派符号学(Symbolism),又称为符号主义,强调利用符号进行逻辑推理和表达知识。该学派认为学习是一种逆向演绎的过程,通过已有的

译者|李睿审校|重楼人工智能(AI)和机器学习(ML)模型如今变得越来越复杂,这些模型产生的输出是黑盒——无法向利益相关方解释。可解释性人工智能(XAI)致力于通过让利益相关方理解这些模型的工作方式来解决这一问题,确保他们理解这些模型实际上是如何做出决策的,并确保人工智能系统中的透明度、信任度和问责制来解决这个问题。本文探讨了各种可解释性人工智能(XAI)技术,以阐明它们的基本原理。可解释性人工智能至关重要的几个原因信任度和透明度:为了让人工智能系统被广泛接受和信任,用户需要了解决策是如何做出的

MetaFAIR联合哈佛优化大规模机器学习时产生的数据偏差,提供了新的研究框架。据所周知,大语言模型的训练常常需要数月的时间,使用数百乃至上千个GPU。以LLaMA270B模型为例,其训练总共需要1,720,320个GPU小时。由于这些工作负载的规模和复杂性,导致训练大模型存在着独特的系统性挑战。最近,许多机构在训练SOTA生成式AI模型时报告了训练过程中的不稳定情况,它们通常以损失尖峰的形式出现,比如谷歌的PaLM模型训练过程中出现了多达20次的损失尖峰。数值偏差是造成这种训练不准确性的根因,

在C++中,机器学习算法的实施方式包括:线性回归:用于预测连续变量,步骤包括加载数据、计算权重和偏差、更新参数和预测。逻辑回归:用于预测离散变量,流程与线性回归类似,但使用sigmoid函数进行预测。支持向量机:一种强大的分类和回归算法,涉及计算支持向量和预测标签。

开放人工智能终于进军搜索领域。这家旧金山公司最近宣布了一款具有搜索功能的新人工智能工具。 The Information 于今年 2 月首次报道,该新工具被恰当地称为 SearchGPT,并具有 c
