尊敬的用户，您还未登录，登录之后更精彩！

首页 » 理论知识 » 正文
理论知识 见闻眼界

生成式设计：不是参数化设计、也不等于AI 设计

很多人第一次看到生成式设计，都会误以为它是人工智能，或者至少是人工智能的一部分。也有人经常搞混了参数化设计和生成式设计的区别。澄清这三者的区别还是挺有必要的。
实际上，AI 是一个非常宽泛的概念，在工程设计行业，它可以涵盖计算设计、生成式设计、机器学习等等技术。我们所说的生成式设计在进入人工智能领域之前，是一个比较基础性的技术，但也正是这个技术，很大程度上改变了现代建筑设计的游戏玩法。
1
怎么理解生成式设计？
生成式设计的英文是 Generative Design，也被翻译为衍生式设计，它是计算机根据用户定义的一组参数，生成许多个设计选项的过程。生成式设计的目标，是在给定的边界条件下，给出尽量最优的解，让某一个过程、某一个系统，接近这个边界条件下能达到最佳的状态。
这里说的「最佳状态」，根据不同的评价标准，可能会有所不同，它可能是造价最低的方案、长期能耗最低的方案，也可能是采光保温性能最好的方案，等等。
所以生成式设计的本质是，一系列的元素该怎样安排（比如窗户怎样开、桌子怎样排列等等），以达到所要求目标的最大化实现。
这件事人类自己可以完成，实际上过去它本来就是靠人力完成的，只不过新的工具让它的效率有了很大提升空间：人类可以在几周之内根据经验，做出几十个方案，然后在其中估算出一个接近最佳的方案；而算法可以在几分钟的时间内分析数千个方案。
2
生成式设计和参数化设计
先谈谈生成式设计和参数化设计的区别。
参数化设计是计算机时代就开始被人们使用的一种工具，它说的是，利用一些用户设置的参数（例如长度、宽度、曲率），来帮助计算机程序生成复杂几何形状的迭代。
它的重点在于，在任何时候，这些单独的参数都可以更改，整个设计会“迭代”或自我更新，以适应新的变化，从而减少手动更改整个设计的需要。参数可独立更改、可跨方案复用，是参数化设计最核心的价值。
像是 Rhino 、Revit等软件，都是很典型的参数驱动设计的软件。

有些小伙伴难以区分这二者，这里我们可以用烹饪来打个比方。

参数化设计就好比你已经事先拿好一个配方，然后告诉计算机：「我需要一个蛋糕 」，然后把对应的配料指定给它（也就是参数），比如面粉多少、几个鸡蛋、加多少糖。

下次如果你想做一个其他口味的蛋糕，只要微调这些配料（参数）的数值，比如糖多一倍、鸡蛋减少两个，就会得到一个新的蛋糕。

而生成式设计，就好比你只有一个大致的目标，比如要做一个「很蓬松」的蛋糕，但你并不清楚，不同配料（参数）的数值会怎样影响蛋糕最终的蓬松程度，而这些数值的排列组合可能有成千上万种。

以前的你只能借助前人的经验，一点点去试，而现在计算机可以帮你探索这些可能，并且在最短的时间内给你对应的建议。

和已经有食谱的参数化设计不同，生成式设计是计算机跟你设定的大致目标，把不同的选项可视化地呈现出来，就像一本根据你的偏好和需求定制的食谱。

那么，在这个烹饪的类比中，人工智能是一个什么角色呢？你可以想象这样一个大厨，一开始它不怎么懂蛋糕，但它足够聪明、足够勤奋，每天都在接触过的每一个蛋糕中学习它背后的配方。
难吃的蛋糕、可口的蛋糕、蓬松的蛋糕、硬邦邦的蛋糕，这位大厨接触过海量的蛋糕之后，就可以逐渐举一反三了。它不仅能创建新的配方，还能随着时间的推移不断改进这些配方，而这个过程不需要新的知识输入。
人工智能进行了适应和学习，不仅可以满足你对某个特点（希望蛋糕蓬松一些）的需求，还能根据过去一段时间的反馈，发现你喜欢香草口味多一些、糖分少一些，甚至可以在你还没开始做下一个蛋糕之前，就能给出预测。
那么简单来说，在有 AI 的帮助之前，生成式设计就已经存在了，不过有了 AI 的加持，它可以在「生成」这件事上做得更加智能。
所以，生成式设计并不等于人工智能，在今天你可以把生成式设计当做 AI 在设计领域的一种应用，它是 AI 设计的子集。
大的概念搞清楚，下面我们把重点放到生成式设计，讲讲它的流程和技术要点。
3
生成式设计的典型定义
生成式设计是人类和计算机之间互相协作的设计过程，在这个过程中，设计师定义一个总体的、可以量化的目标，和一系列的设计参数，计算机生成一定数量的设计方案，设计师根据可量化目标对这些方案进行评估，并根据完成目标的程度，对众多结果进行排名，再通过设计师的反馈，不断进行改进研究。
相对于其他的计算机辅助设计方法，生成式设计具有以下几个特点：

➤ 设计师只要负责定义设计要实现的目标，而不定义具体的步骤。

➤ 计算机帮助设计师探索众多设计的可能，并生成多个设计选项。

➤ 计算机帮助设计师找到一组满足多个目标的最佳方案。

➤ 设计师比较多个设计选项，以找到一组符合设计目标的方案。

4
为什么要用生成式设计？
生成式设计是一种目标驱动的方法，设计师需要确定需要实现什么结果，以及如何量化这些结果。
借助计算机强大的功能（它们更擅长重复工作），探索更多的选项，设计师和工程师可以更好地了解他们的设计，更快地做出明智的设计决策。
所以本质上，生成式设计和传统设计并没有本质的不同，而是效率提高带来的「暴力逼近破解法」，传统的设计方法或许可以同时探索十个方案，而生成式设计却可以在几分钟之内探索数千个方案并进行评估。
所以，生成式设计并不是用算法取代设计，而是用计算机增强人类的能力。不过也不要以为它就是生成几千个方案让你挑出来一个，而是有一个逐渐逼近最优解的流程。
5
生成式设计的流程
在生成式设计的流程中，会涉及以下几个阶段：生成、分析、排名、进化、探索和集成。

第一步

生成 

多种设计选项由系统创建生成，使用的是设计师预先指定的算法和参数。注意，这一步并不会生成所有的设计结果（实际上也不可能穷举出所有的选项），而是列出一些比较能满足需求的选项。
第二步

分析

上一步生成的设计成果，根据设计师定义的目标实现程度，进行测量和分析。
第三步

排名

多种不同的设计选项根据分析结果进行排序。
第四步

进化

（一般）取排名最高的选项，确定后续生成的结果以它为基础，继续进行生成和排名。
第五步

探索

在后续的过程中，设计师不停地比较和探索生成的设计成果，不断评估成果是否满足初始需求。
第六步

整合

在任一轮进化迭代中，设计师都可以停下来，选择最喜欢的设计方案，并把它集成到更大的项目中。
6
流程中的具体任务

上述的每一个阶段，都有定义（Define）、运行（Run）和获得成果（Results）三个行为，其中「定义」由设计师负责，运行和获取结果由计算机执行。
例如，在上述第一个步骤「生成」中，设计师需要定义两件事：

➤ 建立生成算法：定义如何生成设计的逻辑，其中可能包括约束、规则等内容。

➤ 提供生成的参数：这是算法需要的基本变量。

这两件事对整个生成式设计的过程至关重要，后续输出成果的有效性，很大程度取决于人类在这一步的知识贡献。设计师定义好一切之后，计算机就开始运行，生成不同的设计选项，这个过程有可能是在本地计算机上发生的，也有可能使用云计算来应对更加复杂的运算。
上面的六个步骤里，每一个步骤产生的结果（Results），都会成为下一个步骤的输入参数的一部分，比如在「分析」这一步获得的方案成果，会作为参数，进入到后续的「排序」阶段。
我们可以把上述所有的步骤和动作，整合为一张图表，让我们清晰地看到每个阶段的工作内容和它依赖的前置条件。
你可以看到，整个流程并不是从第一步到第六步跑完一遍就结束的，这个过程会重复很多次，每次迭代都从之前的结果中学习；每个具体的阶段步骤，又都依赖于上一个步骤的成果。
7
生成式设计的案例

1

多伦多 MaRs 创新区办公设计

为了设计这个区域的办公室空间，Autodesk 使用了生成式设计流程。
在生成阶段，设计师定义了很多办公需求，比如更低的视觉和听觉干扰、日光照明更好、更低的人群密度、区域之间的互通性、更好的落地窗视野，等等，并将这些需求转化成可被算法量化的参数，输入给计算机。
在这个过程中，设计团队从办公区的员工和经理那里，收集了大量有关不同岗位工作方式和位置偏好的信息，也把这些需求转化成参数。
利用这个算法，计算机生成了几千种方案，再使用设计师提前准备好的评价算法，来量化评价每一个成果，这些成果又进入下一个生成式设计的循环。

最终，设计师们查看了方案空间优中选优的成果，并在其中选出了最适合总体目标的设计方案。

2

冬奥会雪橇赛道设计

2022年北京冬奥运雪车、雪橇赛道，长度一千多米，高差130多米。
国内对于雪车雪橇工程项目的相关设计，缺乏技术资料和指南支撑，缺乏可借鉴的相关经验，而国际经验的封闭性较强且定制化程度高，可参考的价值有限。
该设计多少个弯道？怎样考虑自然山体和人工场地的变化？怎样考虑温度和日照给冰面带来的影响？怎样考虑比赛的安全性、平衡性和挑战性？面对一个几乎“未知”的项目，经验式设计就会面临非常多的困难。
而生成式设计可以把雪橇的速度、安全性、场地环境等参数给到设计系统，由计算机根据这些边界条件自动生成多种方案，而人负责对这些方案进行优中选优。

3

MG公司利用生成式设计进行建筑性能优化

MG AEC Technology Partners是一家服务于设计和施工的咨询公司，为技术人员或甲方提供评估、优化流程的服务。
这家公司的SolVista案例，是一座位于丹佛市中心商业区西部的多层建筑。项目团队使用了Autodesk公司AEC Collection 中提供的工具，包括Dynamo和Revit的Generative Design，用来揭示更多的设计可能性。
设计师给项目设定的目标，包括评估最大化室内日光、满足期望的窗墙比要求，以及通过屋顶太阳能电池板吸收可再生能源。设计团队考虑了几种采光数据的选择，包括使用夏至冬至日或全年采光数据。
工作流从输入固定的约束开始，比如分区和地块限制、地面高度限制、建筑朝向限制等等，有些要求是必须满足，有些则是最好能满足，并把这些需求按照优先级进行排序。这样的规定一方面可以保证设计结果探索的灵活性，一方面也可以保证不会出现大量不靠谱的设计选项耽误项目整体进度。
生成式设计带来的好处是，他们不仅可以做出很棒的可视化视觉表现，还能去更深入地操作结构化数据，比如，可以根据特定的条件过滤出一部分数据，强制拉高某种类型方案的排名，快速把设计方向的选择范围缩小到两三个，以接近他们想要的结果。
这种输入的灵活性，以及随后一系列自动化过程，就可以很方便地对各种定制的需求成果进行评估。
他们也可以随时改变对结果评估的因素，比如有时候重点以「地板和屋顶的暴露程度」来评估方案，有时候改成以「窗户和墙壁的比例」为主要评估因素。以往这样善变而挑剔的选择过程，会给设计工作带来巨大的困难，而现在算法把这个过程提速了上百倍。
对于MG的团队来说，生成式设计和后续工作流并不是割裂的，由于Dynamo和Revit数据的互通，被选中的设计方案可以直接进入到Revit里面成为参数化几何形体，无缝地推进设计。
此外，这些设置好的条件边界和选项，也可以作为文件保留下来，复用到后续其他项目。
好了，这篇文章给你分享完了，内容来自BIMBOX进步会员阅览室进步知识笔记，BIMBOX进步会员每天推送精华内容，为你提供BIM、数字化、智能建造领域的最佳信息源。感兴趣的小伙伴欢迎加入进步会员，获取更多权益，期待大家的到来~
有态度，有深度，BIMBOX,下期不见不散~
本期内容来源：
https://www.generativedesign.org
https://bimcorner.com/generative-design-for-engineers-why-its-not-artificial-intelligence/
https://www.autodesk.com/customer-stories/mg-aec
校审主编：@孙彬
责任编辑：@大宝

本篇文章来源于微信公众号: 建筑科技BIMBOX

标签： ·

暂无评论

相关推荐

微信扫一扫

微信扫一扫
分享到：

微信扫一扫,分享到朋友圈

生成式设计：不是参数化设计、也不等于AI 设计