Part 01 什么是人工智能？

提到人工智能，可能大家联想到的都是科技大片里的智能机器人——“上可九天揽月，下可五洋捉鳖”等无所不能。那么现实是否是这样呢？理想中的人工智能确实是这样的，但由于目前发展的受限，AI技术距离在行业中真正落地还有很长的路要走。目前业界中的人工智能，可以概括为有多“人工”，就有多“智能”。

究其原因，主要是由于各种模型对于标注数据的依赖性较强，而现实中往往标注数据较少，不能直接满足模型的需求，因此大多采用人工标注数据的方式。这种方式既费时又耗力。不过令人鼓舞的是，已经出现一些半监督的学习方法，能够减少模型对标注数据的依赖。

目前的AI技术，主要是以神经网络模型为主的深度学习（Deep Learning）。相比于传统的机器学习（Machine Learning），深度学习不需要通过手动构建特征，而是通过学习一组非线性变化将特征工程直接集成到输出中，从而将特征工程集成到模型拟合过程中。并且正如大家所看到的的一样，深度学习在计算机视觉领域大放异彩，包括人脸识别、图像分割等，以神经网络为代表的深度学习方法逐渐应用到我们生活中的各方面。

Part 02 人工智能做什么？

AI的任务本质可以归结为：分类、回归、聚类和降维。前两者分类与回归属于有监督学习任务，后两者聚类与降维则属于无监督学习任务。有监督学习任务和无监督学习任务的主要区别在于是否有数据标签参与训练过程。打个比方，在一个班级中，聚类可以根据成绩的区间范围分为良好、优秀等具体标签；而分类则是事先告知哪些成绩范围属于优秀，再给定一个新的成绩，此时就能直接推理出该成绩是否属于优秀区间。

正如之前所述，深度学习在图像领域大放异彩。在我们的生活日常中常见的就有人脸识别、自动驾驶等。下面举一些简单的例子：

·图像分割

图像分割可细分为语义分割，实例分割和全景分割。它们共同的任务就是将物体从图像中给检测提取出来。不过实例分割相较于语义分割，能够将识别出的物体再进行个体（实例）的分割，如图B与图C所示。

·变化检测

变化检测正如其名，主要任务是检测出图像中的变化情况。比较常用的是孪生网络（Siamese Network），用户只需输入一对图像，就能得到两个图像之间的不同处检测结果。

·数据生成

生成对抗网络（GANs）非常擅长于生成逼真的新数据实例。它的模型结构也设计的非常巧妙，作者Ian GoodFellow借助博弈论的思想，设计了同时训练两个模型（一个生成器，一个鉴别器）的技巧。打个比方，我们将生成器比作赝品制作者G，鉴别器D比作鉴别师，通过不断让G学习制作以假乱真的赝品，让D进行鉴别，他们互相指导以辅助对方取得更高的成绩。最终我们的关注点——G，能够生成出以假乱真的结果。

·三维重建

NeRF（Neural Radiance Fields，神经辐射场），是近年来最火的三维重建技术之一。它基于体素重建的方法，通过在多幅图片中的五维坐标建立一个由粗到细的对应，进而恢复出原始的三维体素场景。

AI目前的应用前景非常广阔，受篇幅限制，仅谈谈常见的用途。

Part 03 AI & 建筑规划？

从现有研究基础来看，以深度学习为代表的人工智能在建筑规划中的研究可以概括为微观与宏观尺度两类：

微观方面以建筑尺度为主。该类研究多注重于对建筑平面布局的优化以及自动生成，通过GANs和相关的优化算法，能够实现各式各样的建筑平面布局方案；

宏观方面则应用较为广阔。由于城市时空大数据广阔，出现了以研究街景图像为主的街道品质分析、以微博打卡为主的空间场所情感分析，还有空间驱动因子解释分析等方面，可以看出城市数据对于深度学习方面具有天然的数据优势与应用价值。

Part 04 AI & IFC？

目前行业内的发展方向主要是CIM。而当前的CIM发展水平还停留在三维实景展示上。比起较为成熟的GIS分析技术，三维分析功能与建筑管理功能则捉襟见肘。

对于CIM，不仅仅需要GIS为底座的空间管控加持，还需要BIM技术的数字单元底座，而这一BIM技术恰恰可以通过IFC的文件特性来实现解决。此时可以看出，基于GIS+BIM的数字城市管控体系已然形成，但对于分析功能尚且不足。基于AI的IFC技术应用，能够简化大量的BIM建模过程，省去较多的时间与人力成本，并且通过深度学习的技术应用能够进行未来模拟预测，真正助力实现三维CIM技术的落地开花。