建筑装饰行业：人工智能在建筑的应用现状和前景

ChatGPT的应用场景来看，文本类工作效率更容易得到提升。ChatGPT是基于2017年Google开发的Transformer构架上发展的，在这种数据关联的方式下数据产生的运算量较大，并且ChatGPT是一种基于Data-centric训练出的模型，目前已经接受了45TB的高质量文本语料。综上，基于模型的天然特性、当前算力的限制、AI已经接受的训练来看，ChatGPT更适合于文本类信息的处理，短期来看生产的效率提升或主要集中文本处理的领域。应用领域上看，它可以在教育行业中提供大量的语言和知识学习的资源，协助师生之间的交流和学生的评估；商业领域，可以帮助去进行一些营销策略的创作、提供客户服务、或者从事数据分析等工作；媒体领域可以协助创意工作者去生产或者编辑脚本、外发的文稿等内容。 AI在建筑的一些领域已经初步尝试，但受限于发展水平短期应用仍相对有限。目前，AI在建筑业的应用已经有很多相关研究，并且已经有部分项目落地。北京和深圳已经作为试点城市，在现有数字化审图系统基础上引入人工智能相关技术并形成可复制的经验。但是受限于发展水平，AI的应用领域还是相对有限。参考ChatGPT发展路径，AI在建筑业的应用主要受限于：1）模型仍需进一步迭代以处理更多类型数据，建筑业务涉及到的数据种类繁多，除了文字最常见的还有图形、时间序列，高维度数据等；2）高质量数据集的建立，鉴于当前训练ChatGPT所使用的数据集的量与质量，建筑业想要实现AI的应用还需要时间；3）资源投入：训练过程中需要大量的人工去给数据进行标注，并且需要长期的技术积累。 展望未来，AI在建筑领域大有可为，提前布局AI且积累大量数据的建筑公司有望脱颖而出。AI技术成熟后在建筑领域大有可为，比如在建筑设计中，使用AI可以帮助建筑师确定最佳的建筑形态、优化结构、材料及构件的选择，以及提高建筑的能源效率等；智能制造领域，人工智能可以深度参与自动化生产流程、供应链管理、品质检验等环节。往终局去看，1）已经布局人工智能并积累经验；2）能够提供足够的资源、数据集的企业有望最早实现人工智能应用于建筑领域的突破，之后凭借效率大幅提升快速出清行业内效率较低的企业。 风险提示：AI技术发展不及预期、AI技术应用到产业不及预期、地缘政治风险。 1ChatGPT在建筑的应用现状和前景 1.1应用层面来看，ChatGPT当前更适合文本工作类行业 ChatGPT是自然语言处理发展的产物。自然语言处理（Natural Language Processing,NLP）作为人工智能的重要研究方向，旨在帮助计算机理解、解释和运用人类语言。回顾发展历程来看，上世纪50年代，科学家已经开始进行基于规则的少量数据处理，总体是基于模板和规则的学习的阶段；上世纪80年代开始，进入Machine Learning的时代，与之前的区别是开始基于一定范围的数据进行参数分类；上世纪90年代开始，以CNN、RNN等为代表的神经网络开始获得突破，开始模仿人脑进行大量数据的标记和训练。2017年，Ashish Vaswani et.al在论文《Attention Is All You Need》中提出了一种新的简单架构——TransformerArchitecture，这种模型基于注意力机制，不用重复和卷积，因而这些模型在质量上更优，同时更易于并行化，需要的训练时间明显更少。 图1.NLP发展历程 ChatGPT能实现的人类意图，来自于机器学习、神经网络以及Transformer模型的多种技术模型积累。最早在2018年OpenAI推出GPT-1，其中大约有1.17亿个参数，这一代模型的核心手段是预训练，通过不断的手动标记数据，结合无监督预训练和有监督微调减轻NLP中的监督学习，本质上模型是相对Transformer Architecture的显著简化；后续的GPT-2去掉了GPT-1中的有监督微调的阶段，转向更通用的系统，最终不需要为每个任务都手动创建标记去训练，GPT-3的参数数量等相对之前有了极大飞跃，达到1750亿个参数，在许多NLP数据集上都实现了很强的性能。 图2.ChatGPT发展历程 基于ChatGPT神经网络的类型以及训练方法来看，文本类工作的效率有望得到提升。由于ChatGPT已经接受了大量的文本训练集，它可以在教育行业中提供大量的语言和知识学习的资源，协助师生之间的交流和学生的评估；金融领域，可以基于大量文本去分析行业的市场情况、风险评估并给出建议等；商业领域，可以帮助去进行一些营销策略的创作、提供客户服务、或者从事数据分析等工作； 媒体领域可以协助创意工作者去生产或者编辑脚本、外发的文稿等内容。 表1.ChatGPT有望应用的领域应用领域相关形式 1.2建筑业涉及到的数据类型众多，所需要的模型更为繁杂 不同类型数据（图片、文本、音频）的处理适用于不同种类的神经网络： 表2.不同种神经网络适用的数据类型有所差异 而在建筑领域，不同的需求适应的神经网络不同，不能简单从ChatGPT去移植。 在建筑领域涉及到的数据种类繁多，有图片、文本以及特殊类别的数据比如时间序列等，对应则可能需要CNN、transformer、LSTM等模型去搭建神经网络，并且设计图中还含有高维数据，这种情况下需要使用Autoencoder去将数据降维并提取特征，而在绘制设计图、施工图等的时候，需要应用到GANs去生成新图像。 所以当前阶段，我们更看好ChatGPT在设计环节以及一些固定的文本处理环节（标准化、重复性、逻辑性较高，需要计算机辅助的加工文本类型数据的环节）帮助建筑企业提高效率。 1.3ChatGPT复现不易，除资源投入还需高质量数据集 复盘ChatGPT发展历程，GPT模型的架构主要基于Transformer，以文本和位置信息的向量为输入，使用注意力机制来建模词之间的关系。之后的GPT系列模型结构大体上都与GPT-1类似，主要区别在于更多参数（更多层，更多隐含层维度等等）。 图3.GPT-1模型的网络结构 ChatGPT是一种Data-centric的模型，超高质量数据是成功关键要素。根据查道琛的研究，当前AI模型搭建，可以被分为Model-centric和Data-centric。传统的搭建AI模型的方法主要是去迭代模型，数据相对固定。比如，通过聚焦于几个基准数据集，然后设计各式各样的模型去提高预测准确率。这种方式称作以模型为中心（model-centric）。然而，Model-centric没有考虑到实际应用中数据可能出现的各种问题，例如不准确的标签，数据重复和异常数据等。准确率高的模型只能确保很好地“拟合”了数据，并不一定意味着实际应用中会有很好的表现。Data-centric更侧重于提高数据的质量和数量。也就是说Data-centric AI关注的是数据本身，而模型相对固定。采用Data-centric AI的方法在实际场景中会有更大的潜力，因为数据很大程度上决定了模型能力的上限。 图4.Data-centric和Model-centric的区别 根据Yann LeCun（深度学习三巨头，CNN模型之父）的说法，ChatGPT在技术上并不是什么新鲜事物。事实上，ChatGPT更类似于基于Data-centric开发出的模型，虽然GPT-1中并未采取Data-centricAI策略，但是其数据集是BooksCorpus的4926MB的各类书籍文本，原始数据质量高；GPT-2中开始采取Data-centricAI策略，比如仅筛选使用Reddit上至少获得3个karma及以上的链接并且提取纯文本后，再用一些启发式策略做了去重和数据清洗；GPT-3中开始采取分类器来过滤掉低质量的文档，并且采取了数据准备和收集的措施；后在InstructGPT中更进一步地严格筛选标注人员，对他们进行考试，并且收集比较数据（人类对产生的答案根据好坏程度排序）来训练一个奖励模型，然后基于该奖励模型使用强化学习来微调，InstructGPT产生的结果更加真实、有更少的偏见、更符合人类的预期。 ChatGPT并未披露具体细节，但是很大程度上遵循了之前GPT模型的设计，鉴于GPT-4的推理速度比ChatGPT慢很多，预计模型的参数数量更多，也很有可能使用了一个更大的数据集。 图5.ChatGPT在发展历程中所采用数据集的变化 对于建筑行业应用AI的启发：是否能够提供出高质量数据集或是大范围应用的重要因素。综合来看，数据集在ChatGPT的发展历程中扮演了极其重要的角色，OpenAI对数据和标签质量的重视程度极高。从GPT-1到ChatGPT/GPT-4，所用的训练数据大体经历了以下变化：小数据（对于OpenAI而言较小，但实际数据量已经很大）->大一点的高质量数据->更大一点的更高质量数据->高质量人类（指能通过考试的标注者）标注的高质量数据。其中模型设计并没有很显著的变化，高质量的标注数据是至关重要的。因此，引申到建筑业，是否能够提供高质量数据集或是大范围应用的重要因素，而拥有量更大的高质量数据的企业有望成为行业内在AI领域更有话语权的公司。 2人工智能在建筑设计层面的应用 2.1人工智能在建筑设计中应用的潜力如何？ AI在建筑设计中的应用潜力很大，比如提高建筑的效能、缩短设计时间和成本等。 AI可以应用在建筑设计上，主要是通过设计工具和软件来实现。例如，在建筑设计过程中，使用AI可以帮助建筑师确定最佳的建筑形态、优化结构、提高建筑的能源效率等。另外，AI也可以用于建筑材料和构件的选取、预测建筑能耗等方面。 例如，基于神经网络的模型可以预测建筑中不同系统的能源需求，以便压缩能源使用，减少环境负担。这些应用领域都需要大量的数据和复杂的模型来实现，AI可以有效地处理这些数据和模型，从而提高建筑领域的效率和可持续性。 表3.AI在建筑设计中的应用潜力 AI在建筑能耗预测、室内环境监测、建筑物智能控制等领域已经有学者进行了深度研究。由于受燃料消耗、环境影响和二氧化碳排放等多方面的影响，建筑能源系统的复杂度非常高，而AI模型因其高度的自学习、自组织和自适应能力以及其自身的非线性，其不需要知道具体的数学模型即可具备执行任务的能力，从而弥补传统工程预测建筑能耗精确度低的缺点。此外，AI在建筑结构安全监测和建筑物智能控制等领域也都具有广泛的应用。 图6.ANN在建筑能耗应用的DMAIC方法 图7.智慧建筑的强化学习模型 建筑结构检测已经有一些应用案例，但是计算的复杂度较高，AI应用有望打开新局面。安装在各种民用基础设施上的结构健康监测系统（SHM）中往往含有数量可观的传感器，这些传感器会获取大量的监测数据被用以追踪结构的健康状况和检测结构损伤。传统的数据分析方法面临环境噪声、测量数据量大、计算复杂度等挑战，严重制约了SHM技术的广泛应用。近年来，基于AI的数据处理方法为挖掘、清洗和分析SHM系统生成的海量数据提供了相较传统数据处理方法更加高效精确的新途径。 图8.基于AI的下水道缺陷检测 除了上述提及的各个环节，在建筑设计及后续施工、管理运维层面，AI也可以发挥其作用： -设计及可行性分析：通过分析建筑结构、土地利用、建筑成本等因素，提供设计和建设决策上的支持。 -材料采购及控制：建立供应链管理系统，优化材料采购和运输过程，提高供应效率和降低成本。 -建筑装饰材料供应：提供建筑装饰材料采购和供应的支持，根据客户需求提供个性化的材料选择，并确保质量与价格一致。 -施工管理：通过监测和控制施工流程、质量和安全，确保工程质量和进度，并降低不必要的成本风险。 -建筑智能化系统：研究和开发智能化建筑系统，通过自动化和机器学习，提高建筑能源效率、安全等方面的绩效。 -建筑设备维护与管理：通过监测建筑设备的状态，提供快速维修服务和预防性维护管理，降低设备故障风险和成本。 2.2AI是否能应用到建筑设计或者施工图中？ 2.2.1AI在建筑设计及施工图的部分环节已经使用 AI已经开