人类纪与人工智能建筑进化论;UCL自适应
连接(Linking)学术(Academy)创新(Creation, 是LAC的由来，也是我们坚持的目标与初心;我们希望打破陈旧的设计教育, 帮助大家完成“中国学习模式”到“海外学习模式”的转变, 提前掌握国外院校的研究理论与设计逻辑。 我们希望挖掘学生个人潜力, 培养学员逐步拥有自己的设计思维, 在最擅长的领域延伸和放大。
基于教学需求, 经过半年的研发与筹备, 我们开始推出《LAC海外平行课》, 100%基于海外顶尖设计院校教案, 教学模式以及教学理念, 打造最具创意和颠覆的主题创作类课程, 引导学生从独特的视角解读场地, 探索研究相关理论, 切入设计, 逻辑性地发展深化至高质量的作品。
授课模式：1位导师, 限3-4名学生, 线上结合线下, 围绕一个典型学术理论/海外研究性设计课题/国际竞赛, 融合多种设计学科, 课程内容包含头脑风暴, 概念培养, 设计流训练, 图面表现等。
人类纪与人工智能建筑设计
对应专业：建筑/城市设计/景观设计方向
项目周期：8-12周
项目成果：one project
开题模式：Online
命题导师：Shengyu Meng
报名要求：
本设计主要针对建筑/城市设计/景观建筑专业学生。
有兴趣探索研究人工智能建筑设计，拓展认知及设计研究方法。
基础条件：具备RHINO和Grasshopper基础;若不具备但有兴趣，可以先自学。
| 命题导师 |
| 海外项目背景 |
什么是人类纪
人类纪(Anthropocene)是个啥?人类纪像寒武纪、侏罗纪、白垩纪一样，是地质纪元的一种，但其特殊之处，是其改变地质条件的主要动力源自人类的活动。
这个概念最早由俄国科学家Russian scientists在1960年提出。这之后，美国学者Moran, F, Emilio在他2006年的著作《人类与自然》(People and Nature)中提出：在人类出现的100万年的后期，地球的运转已经进入了史无前例(no-analogue state)的状态。其中，最容易在地质层面上观测到的，就是二氧化碳含量的上升。由于人类影响的日渐显著，2008年，国际地层委员会和国际地质科学联合会提议把它作为一个正式的地质纪元。
Figure 1 Vostock ice core provides the best current record of CO2 for the past 450,000 years. (Moran, 2006, p. 9; Petit, 1999)
人类纪与建筑设计
人类纪和我们的建筑金和城市设计有什么关系呢?实际上，人类影响地质条件的方式有很多种，如果说排放二氧化碳是在数据测量上最明显的，那么人类的建造活动，则是最为直观的。
Los Angeles Oil Pumps as The Perpetual Motion Machine.By Philae and Rosseta.
上图为洛杉矶地区废弃的的老油泵，俨然成为了一种新的地貌景观，而我们那些高耸入云的城市，更是对于地貌翻天覆地的大改造。
既然人类改造地球的力量已经可以和地质变化还有生物圈里边所有的其他物种匹敌了，我们有义务使我们的建造体系与地球原有的系统形成一个自洽体系。那么，如何使建造活动已有的生态和地质系统自洽呢?自然界中，每一种生物的生态位都是经过无数次迭代进化才逐渐稳定下来的。因此，优胜劣汰、物竞天择的进化论是大自然给出的答案。其实，数百年间，建筑一直随着环境和技术的改变在做演化，但其速度是太阳公转的速度的节奏，以年为单位。然而，人类社会的发展却是摩尔定律的节奏，“tick-tock”之间，技术能力又翻了一番!如果建筑的演化要跟上人类社会的发展速度，就必须要借助计算机算法模拟的力量，这就是我接下来要谈，借助进化的算法来推动设计。
| 项目导师自述 |
前人工智能时代的建筑进化论
这方面的思考，则要从我个人的研究轨迹说起。
2012年，去上海参加了AA Visiting School，当时设定的项目背景是，地球变暖导致海平面上升，上海被淹掉了怎么办?当时正是参数化大热的时候，于是我写了一个复杂的GH代码，希望以正八面体为基准单元，生成一个可以飘浮在海面上并自由组合的系统。
每个正八面体在尺寸、开窗方式、材质上可以根据具体环境决定，并构成一个足够复杂的，能够满足城市生活需求的系统;同时，这些正八面体都由碳纤维组成，碳元素则来自对大气中二氧化碳的固定;而正八面体正好是碳元素在自然界中最坚固的形式——钻石中碳原子的共价键连接方式。此外，这些正八面体的组合方式运用了Conway‘sGame的算法进行自生成的，这个算法能确保他们互相连接，但有留有通风和通行的空间;还可以根据条件不同切换组合方式。这在当时可以称为一个朴素的进化论建筑实验。
The future city of Amalgam.
接下来，在硕士研究生申请的时候，UCL Part2 和 AA DRL都给了我Offer，我选择在UCL part2的Unit15继续发展我的想法。这一年，我主要致力于将将融蜡注入到冷水中固化的过程模拟下来，并转换为建筑。这一过程中，我收获了很多，但也遇到了很多问题。机缘巧合之下，我转到UCL Urban Design继续进行研究。
液体蜡注入到冷却水中的凝固特性研究.
由蜡凝固过程衍生出的空间张拉原型研究
嵌入场地山体的空间生成研究
在UCL Urban Desgin，我加入了 RC 16，导师是来自意大利的Claudia Pasquero，她是一名著名的生态建筑理论学家，她的看法是自然界的ecosystem远比我们人类的社会运行体系要复杂得多，所以单凭我们人类是模拟不出个啥的，我们应该向自然界取经。于是我们开始向多头绒泡菌(Physarum polycephalum，下文简称黏菌)取经。
Slime mold 基于场地资源条件的生成结果转译.
Slime Mold calibration with London underground station.
黏菌确实是一个很有趣的东西，它其实是个单细胞生物，但是当他们复制繁殖后又能互相组织起来，形成一个有机的网络，这个网络在食物的收集方面，又具备大型智慧生物的特征。于是，在经过一系列实验之后，我们开发了一套叫做ecological protocol的系统。这套系统的精髓在于，我们用黏菌这种生物实际生长，代替了我们在计算机中难以进行模拟的部分。我们将不同的设计条件通过改造后可打印生物材料的3D打印机进行定量精确输出成食物点，然后观察黏菌的生长情况，然后再将其生长情况转化为城市设计的雏形。
利用slime mold作为媒介进行3d城市空间模拟
基于slime mold生长逻辑的数字化模拟
基于slime mold生长逻辑的材料生成实验
The Liwa Oasis City generated by biological protocal.
后人工智能时代的建筑进化论
2016年，AlphaGo横空出世，打败李世石等一众高手，这让大家突然发现，原来已经提出了几十年的神经网络已经发展得如此之深，竟能容纳那么多的信息了?原来我们打游戏用的显卡GPU已经强大到能够支撑如此繁重的计算了?于是大家都跃跃欲试，想在这些领域搞出些什么名堂来。
2017年初，我与同为UCL校友，已创立DreamDeck数字甲板公司的霖总决定运用人工智能在建筑领域做些什么。遍历了市面上主流的算法，打算采用CNN(卷积神经网络)和GAN(对抗生成网络)来给建立一个人工智能算法，把SU裸模截图，在不做任何额外手动设置的前提下，转化为高质量的建筑渲染图。其理论基础是，卷积神经网络提供了抽象的能力，能够把百万像素级的图片的信息在保持特征的情况下进行极大的压缩，变成我们可以承受的一个计算量;而生成网络则会在原图的抽象上进行突变进化，对抗网络则会将原图的突变和目标图进行对比，告诉神经网络我们离目标更近了还是更远了;这种运算要经过多次迭代，就像一次次的进化。我们分别收集了成千上万张SU截图，和同等数量的高质量渲染图，把他们丢到神经网络里边去，让人工智能自主学习两者的差别。
利用卷积神经网络进行图片分类识别. By Daniel Jeffries
基于CNN及GAN的Su截图的效果图无干涉自动优化研究
对比上边这两张图，下图经过神经网络的美化之后，原本没有渐变的建筑玻璃上出现了渐变和天空的反射，天空则出现了云彩，建筑物的裙楼则亮了起来;重要的是，在生成的过程中没有任何的人工干预，不需要设置光照、材质等参数，转换的速度也很快，在毫秒级以内;这些都是任何传统算法无法实现的自动升维操作。
我们用同样的原理做了一个建筑水彩上色的demo，这个demo的转换满意度已经达到约50%左右，待时机成熟我们可能会推向市场(此处屏蔽来自美术老师的鄙视)。
基于CNN及GAN的建筑速写线稿全自动上色研究
此外，运用同样的技术，我们还实验了使用规划平面线稿直接生成色块地图，甚至直接还原城市肌理的卫星图，也取得了很多有意思的成果。在下图中，大家可以看到我们实现了城市平面线稿、色块地图、卫星图之间的互转。
基于CNN及GAN的城市线稿、地图、城市肌理转化研究
到此为止，我们关于建筑图像能做的事情基本都做了，我们开始考虑如果直接地把人工智能技术应用到建筑上设计。说到这里，有必要给大家简单介绍一下基于神经网络深度学习的人工智能原理：
我们可以设想有一个问题，这个问题有两端，一端是问题的条件(x)，另一端为答案(y)，于是我们可以假设x和y直接的关系可以这样一条方程来描述：
y = ax+bx²+cx³+w
那么如果我能够求出a、b、c和w(均为常数)的值，我们就找到了这个问题的万能解法。我们现在获得的解题条件是，我们知道一些互相匹配的x和y，例如，我知道当x=1时，y=3;当x=2时，y=12。在传统方法中，即便有了这些条件，要求方程中的a、b、c、w的值还是很困难的;但是在基神经网络的深度学习方法中，这个问题就变得简单了。在神经网络中，电脑会先帮我们预设一个a、b、c、w的值，然后把x=2代进入，看看y是不是等于12，如果不是，用偏导数和反向传播的方法，决定将a、b、c、w的值变大一点一点或变小一点点，然后再次迭代求解，进行对比，然后再次调整参数，直到方程能够符合我们所有已知的x和y的值的配对。这个过程在运行中对于我们是不可见的，于是看起来就像电脑自己解决了这个问题，像是人工智能自己进化了一般。
那么回到建筑上边，Grasshopper中有一个叫Galapagos的插件，提供类似于神经网络的遗传算法的功能，简单说就是可以根据你给定的条件去生成造型，同时根据你设定的条件去迭代进化。我在rhino中设定了一个20*20*20的空间，在这个空间的尺度范围内，有4个可以自由伸展变形的长方体，其中3个长方体会自动合并在一起，其中一个则会作为负体量从其他3个中减去自身的体积。算法跑起来之后，电脑在很短的时间生成了难以计数的形体，因为缺乏限定条件，这些形体的整体质量并不高。虽然在数学上，我们很难定义一个建筑形体的“好”或“坏”，但是我们至少能够通过检测物体的形体系数(表面积/体积比)定义其复杂性，因为我们知道形体系数和物体的复杂度是正相关的。循着这个思路，生成的体块质量提高了不少，获得了很多有趣的结果。这个系统的价值在于，算法不再是模拟人类的设计过程，而是能够“自主”地提出很多有意思的，甚至人力难以触及的结果。
基于遗传算法的形体生成研究(从上至下，形体系数分别等于6\10\12)
遵循这个思路，除了自动生成方案之外，我们还可以给出另外一个系统，即限定生成的条件，但不限定生成的参数;然后使用进化的方式让系统自动调参，来生成符合不同要求的成果。例如下图两个建筑形体，其特征为都为屋顶连续的垂直村落系统，但可由电脑自动调参生成能够适应各种需求的特殊状态。这只是一个很小的例子，但证明了，人工智能的发展带给了我们全新的可能性，在这个思路之下，还有很多前无古人的路径值得我们去探索。
| 课题招募 |
报名条件：
1.基础条件：具备RHINO和Grasshopper基础操作能力;
2.进阶条件：掌握Python、Rhinoscript、Dynamo，具有一定的算法敏感性，经常逛Github，能够在Linux下配置各种Demo的运行环境。
研究目标：
1.解决一个问题：如果你的算法组织能力和数学能力偏弱，我们可以选择你的一个已有作品，针对其中的一个问题，学习使用人工智能算法的方式进行解决和提升。
2.推进一个设计：如果你的算法组织能力和数学能力尚可，我们可以尝试选择一个题目合适的竞赛，使用这套方法论，来推进完成一个设计。
3.发展一个方法论(methodology)：如果你具备很好的算法基础和超强的自学能力，我们可以尝试在这个思路的基础上完善一个方法论，例如提出新的建筑质量数学评价方法，成果可以是一个使用这套方法论完成的设计，以及发表相应的论文。
