聊聊人工智能建筑师
据说谷歌AI中国研究中心，最近内部有个项目是针对建筑方案设计、施工图设计，到施工现场管理的AI解决方案。
方法原型来源于建筑师习惯使用的grasshopper（即参数化设计）。只是所有的过程将有AI掌控。
当然，谷歌的产品离发布，还早着。
说起参数化设计，早些年我的毕业论文研究的就是参数化设计。
国内比较快速上线的人工智能建筑师是XKool，小库。
这类产品有个特点，延续了参数化设计的快速生成多方案的能力。
也可以说是人工智能应用在设计上的一个最核心的优势：多方案生成能力。
比如阿里的鲁班，也以多取胜；
上海的Arkie，也是一次生成多个方案。
还没了解过Arkie？可以查看我以前写的一篇分析文章：
最近多方案生成能力这一思想，在我自己开发的人工智能设计师中，被我优化了，我采用的策略是指推送给用户一个选择，最好的方案。
当设计师对自己的设计没信心的时候，才会提供多个设计方案。
又再给自己产品打广告……
回到本文主题，我们先了解下xkool的智能体现在哪些方面？
目前小库还处于公测阶段，只开放了：
基地评估
方案设计
而且方案设计是非常前期的，只解决房地产开发中的强排问题。
——开放商的智能助手啊。
不过仅仅是这样，也有可能会取代一大批给开发商做拿地方案的建筑师。
只是时间问题。
下面详细看下开放的2个功能：
1
基地评估
最主要的是地块周边的POI信息，及建筑物高度。
我查看了下其技术实现方案，主要是基于百度地图的POI信息，及Echarts可视化图表库的web开发。
下图是百度地图的POI官方接口返回的数据类型：
把百度的分类转化为城市用地分类：
其中，楼盘售价，百度地图的POI查询里也有这组数据，或者采用爬虫的方式，从各类房产相关的网站去爬取。
2
方案设计
有3个步骤：
第一步：配置参数，主要是地块的一些大的规划指标：
第二步，这个主要是开发商关心的事，选择地块里要布置的 48 30794 48 14985 0 0 2998 0 0:00:10 0:00:04 0:00:06 2998楼型：
这里小库内置了一些楼型数据。
第三步，选择适合的算法，由于是内测，只开放了1种算法。
生成过程：
稍有点慢哦。
生成了10个方案：
点击选择，可以查看详情：
目前的人工智能建筑师产品还比较初级，对大数据的处理，多方案的能力是其核心亮点。
我们稍微聊下，要实现这么一个人工智能建筑师产品，我们可以怎么diy？
技术方案：
1 基于百度地图的POI数据整合
国外使用可以选择mapbox，或者google map。前端工程师看下百度官方文档应该都很容易上手。
2 设计数据采集，目前主要是把大量的住宅地块的规划指标、建筑楼型转化为设计大数据
这个只能靠建筑师配合收集，国内各大设计院都有大量的设计方案积累。有个更高的要求，建筑师要理解人工智能产品，才能提供设计专业上的支持。
3 对设计大数据进行数据清洗、聚类等，生成知识图谱
数据处理与挖掘工程师擅长干这活。
4 基于知识图谱的后端云服务（类似于人工智能建筑师的大脑）
需要算法的支持，主要是用于建筑设计强排的算法及其相关指标的输出；
5 前端用户交互方案：基于Echarts的web开发。
建筑设计，即空间设计，需要运用到webGL相关的技术，当然需要关注建筑设计的习惯，与用户界面的体验设计。
如果你召集这么一群人：
懂人工智能的建筑师
+
熟悉建筑设计业务的用户体验设计师
+
喜欢建筑设计的算法工程师
+
数据处理与挖掘工程师
+
web全栈开发工程师。
那这个产品也是可以做出来的，未来各领域的交叉跨界会更明显。
其他补充：
ECharts GL 的酷炫效果如下，详情可以查看百度echarts的官方文档介绍，小库目前还比较素雅，我的MAC电脑打开已经稍微有点卡顿的感觉，三维场景的展示需要做许多优化工作。
最后，再总结下：
基于设计数据的知识图谱的质量，决定了一个人工智能设计师的设计天赋。
最后，打一波广告，近期人工智能设计师的相关文章推荐：
码字不易，开启新的打赏方式：
本公众号定期更新关于
设计师、程序员发挥创意
互相融合的指南、作品。
主要技术栈：
nodejs、react native、electron
Elasticsearch
Solidity
Keras
欢迎关注，转发～
欢迎长按二维码
关注本号