你好，这里是BIMBOX，我是开开。今天要给你聊一个比力大的话题：修建业人工智能。对于修建业的未来，我们经常能听到这样的畅想：一位设计师把头盔戴到几位业主的头上，业主眼前泛起了几十种开端设计方案。他们选择了最喜欢的谁人方案，紧随着一系列的分析报表和经济指标泛起在眼前。

几位大佬一商量，就这个了！于是人工智能后台开始凭据这个方案，自动举行结构设计、机电设计，紧接着数据从后台传到工厂，自动加工构件，由机械人自动装车送到现场。工地上只有几个工程师指挥着机械人，把预制构件搭建到一起，其余部门用3D打印技术自动完成，一幢高楼就这样拔地而起。不知道你听了这个故事有什么感想啊，如果BIMBOX也只是和你畅想一下未来，顺便给你一点失业的危机意识，就有点太肤浅了。

今天我们实验来说几点更贴合实际的内容：人们对人工智能存在哪些误解？人工智能可以做哪些事？哪些事是人工智能做不了的？人工智能可以对修建业带来哪些时机和危机？1 . 人类的思考方式人工智能，英文名Artificial intelligence，一般缩写为AI。凌驾90%的人对它存在着很是深的误解，认为所谓人工智能，就是很智慧、会像人一样思考的机械，尤其在2016年AlphaGo战胜了李世石，许多人都以为人工智能全面替代人类事情的时代已经到来了。「让机械像人一样思考」，不仅是普通人对人工智能的直观感受，也是一开始科学家希望做的，惋惜这条路在上个世纪就宣告失败，今天的人工智能，走的是一条完全差别的门路。

我们先通过一个例子说说最早的人工智能所模拟的、人类的思考方式。今天，一个小学生都能告诉你，太阳系所有行星绕着太阳做椭圆周运动，但在古代，人们并没有能飞上天的种种设备来直接观察，他们只能通过视察其他星球的运动轨迹来推测太阳系的样子。通过规则的日升日落，人们很容易能想到，太阳应该是绕着地球转的，这最切合人们的直觉。

而其他星球就没这么简朴了，好比金星，从地球上看它的运动轨迹就是这个鬼样子：这张图是人们长年累月的观察金星的位置，把大量的点连成曲线获得的。这个历程就是获取数据。

下面，人们需要对数据举行分析，然后建设一个理论模型来解释它。公元一世纪，托勒密提出了「地心说」，用来解释金星的运动轨迹。许多人认为老祖宗们相信地心说这么长时间，很愚昧，其实否则。

这个模型很好的吻合了数百年人们的观察数据，而且能很准确的预测行星的位置。不外，托勒密的理论模型最大的缺点就是太过庞大，它需要用40多个圆形嵌套在一起才气够形貌行星的位置，盘算起来特别费劲。

你可以通过这张图来明白差别理论解释行星运动的区别：厥后哥白尼提出「日心说」，并能够取代地心说，也并不是因为它更靠近真相，而是它可以用更简朴的盘算到达同样的预测效果。不外由于哥白尼和托勒密一样，都是使用正圆形来形貌行星的运行，所以他的理论也还是不够简练，只是把需要嵌套的圆的数量从40个淘汰到10个。再厥后，开普勒发现，如果换做椭圆而不用正圆，那就不必嵌套多个圆了，只需要一个椭圆就能完美的解释和预测行星轨迹。于是，日心说又前进了一大步。

这时候人们还是不知道为什么行星会沿着椭圆运动，所有理论都是凭据数据凑出来的。直到牛顿提出了万有引力定律，才解释了天体的椭圆形运动纪律。

再到厥后，爱因斯坦的相对论又进一步消除了水星轨道的误差。从地心说到日心说，再到牛顿和爱因斯坦的理论模型，这个历程代表了人类解释世界的思考模式：通过视察获取数据，然后猜出一个模型，缝缝补补的拼集着用现有的模型，直到有更准确、更简练的模型泛起。人们把这种思维模式称为机械思维。

这种思维方式相信世界一定有一个确定的理论来解释一切，我们的终极目的就是找到这个理论，然后一劳永逸的用它来预测未来。2 . 人工智能的思考方式关于人工智能，一开始盘算机学家的想法和现在的人工智能外行人是一样的，也就是「机械要像人一样思考才气获得智能」。不外，这种实验只连续了十几年，人们在几个差别的领域实验实现人工智能，都遇到了各自的瓶颈，其中包罗语言翻译、语音识别、图像识别，也包罗下围棋。

咱们用语言翻译这个领域来举例。人类的思考模式是：学会单词，然后学会语法，再凭据语法把单词拼成句子。

学单词就相当于「获取数据」，语法就相当于「理论模型」。好比，你学会了「Good」和「Morning」两个单词，有人告诉你，把「Morning」放在「Good」后面，就是「早上好」的意思。你似乎把语法搞明确了，但如果你又知道「You」这个单词是「你」的意思，那你一定会想固然的认为英文的「你好」应该是「Good you」。这种蹩脚的翻译效果正是早期的人工智能经常拿出来的。

于是人们就想，继续告诉盘算机更多的语法例则，直到它像一小我私家一样彻底明白了一门语言的种种语法。不外这也不行。

好比中文这一句：「我想起来了」。你既可以把它明白为「我想起某件事来了」，也可以明白为「我想从床上爬起来了」，到底该怎么翻译，谜底不在句子内，而是在句子外的上下文。但你基础没措施把可能泛起的所有上下文提前输入到盘算机里。盘算机的盘算速度确实会越来越快，但语言翻译的规则模型太过庞大，不行能提前把这些规则一条一条告诉盘算机。

真正限制人工智能生长的，不是它自己的盘算速度，而是人类对规则的输入速度。这时候，有人开始思考，能不能换一种方式：不事先告诉盘算机详细的语法例则，而是直接硬碰硬的举行整句的翻译呢？他们的思路是这样的：人工智能可以不去明白「Good」、「Morning」这两个单词，也不明白背后的语法例则，而只是把「Good Morning」直接翻译成「早上好」。

世界上有几多个整句中文，就把这些句子对应的整句英文统统记载。你可能会说，这不就是穷举法嘛，这措施也太笨了吧！一开始人们也很是阻挡这种笨措施，不外没用多长时间，人们就获得了谜底。2005年2月，全世界的机械翻译专家在美国齐聚一堂，交流各自的研究希望，一家从来没从事过机械翻译研究的搜索引擎公司：Google，也到场了这次集会。原来人们没怎么关注Google，以为它是来玩票的。

评测效果一出来，所有人都大吃一惊，Google翻译的评分排名第一，落下第二名快要一代人的水平。大家请来Google翻译的卖力人，问他秘密是什么。

秘密说出来一点都不神秘，Google使用的就是几年前被大家瞧不起的笨措施：让盘算机自己在海量的中英文对照中，直接学习整句的翻译。只不外，长年开展搜索业务的Google有一个先天性优势：它手中握着大量的中英文对照数据，比其他研究组织多了上万倍。2005年被人们称为「大数据元年」，人们第一次见到了数据的魔力。

3.从智能思维到数据思维有一个叫「中文屋子」的故事：一小我私家坐在一间屋子里，手里有一本很是厚的参考手册。有人通过门缝递进来一张纸条，上面写着一行中文字，屋子里的人基础不认识中文，他需要做的只是掀开手册，找到那句看起来和纸条上的文字一样的话，然后把对应的中文谜底照着样子抄下来，再递出门去。

外面的人看到内里的人做出回覆，以为他肯定是懂中文的，而实际上，屋子里的人重新到尾既不知道自己看到的是什么内容，也不知道自己回覆了什么。这个故事说明晰新一代人工智能的思维方式：放弃明确的因果理论，而只关注事件之间的相关性，从大量的数据中直接获得谜底，纵然不知道背后的原因。

实际上找到「数据背后的理论模型」效率是很低的，还得看运气。人类花了几千年才等到了牛顿定律和相对论，而下一个突破性的基础理论又不知道要等到什么时候。

现在，「数据驱动论」已经在各个领域全面碾压了「模型驱动论」，成为了人工智能研究的主流方法。好比，AlphaGo并不明白围棋的套路和技巧，不相识对方下某一步棋的目的。在每一次对方落子后，AlphaGo都市把当前黑白子的结构看做一种「状态」，凭据已往下过的上百万盘棋局，找到胜率最高的下一步状态，然后走出这步棋。

固然，围棋很是庞大，棋盘上所有黑白子的排列可能性加起来，比整个宇宙中所有的原子还多，所以不行能在下棋的历程中去暴力搜索，而是需要在平时不停的训练和学习。这个「机械学习」的历程原理讲起来比力庞大，我们换个领域举个例子你就明确了。

在图片识别领域，传统的智能思维是这样的：给盘算机形貌一只狗的全部特征，好比1米左右长，毛茸茸，伸舌头，等等。等它掌握了这个方法之后，再去识别图片中的狗。这条路显然是走不通的，因为有的狗毛很短，有的狗没有伸舌头。

而数据思维的方法是，完全不告诉盘算机「狗」是个什么工具，而是扔给它海量的图片，让它判断图片上的是不是狗，再通过事先的谜底某人为干预来告诉它效果是否正确。一开始它的判断基本上和瞎猜没区别，但随着不停迭代，获得的谜底越来越多，它的识别度也就越来越高。

注意，即便这个法式已经可以准确的识别出狗来，它还是不知道真正的狗是啥样的。它得出谜底的理由很可能是「图片左边39%的区域有黄色像素点，中间有两个区域的深棕色像素点，这样的图在历史数据中，有97%的概率应该输出谜底为狗」。

从这个例子，你应该能明白人工智能注重「相关性」而不是「因果关系」的原理了。使用相关性，最大的利益是随着学习和迭代的次数增加，人工智能可以做到的事就越来越精准。

所以，只有喂给学习法式的足够多的数据，才可能实现人工智能。这也是为什么早期的人工智能生长会那么缓慢，因为那时候还没有互联网的发作，没有一家公司手里有海量的数据供机械学习。4.数据之争人工智能和大数据是硬币的正反面。想要做人工智能，手里必须有大数据才行。

大数据除了要「大」，另有两个必须具备的特点。第一是多维度。

好比我们经常会说，天气闷，要下雨。「天气闷」和「下雨」是相关性很高的两件事，但如果只有这一个维度的话，还是会经常错判。

但如果把气压信息、云图信息等其他维度的信息都加入到判断体系里来，那判断出下雨的准确性就很高了。第二是被动关联。

所谓被动关联，就是人们在自主行动的同时，下意识而不是居心的留下数据的痕迹。好比2013年，百度公司公布了《全国十大吃货省市排行榜》，使用的就是人们的搜索数据。福建人最体贴的是什么虫子可以吃，而宁夏人居然最体贴螃蟹能不能吃。

百度获取的数据是人们在搜索历程中，不自觉的孝敬出来的。如果一家公司去大街上发观察问卷，人们很可能不愿意填写关于虫子和螃蟹的真实想法，获得的数据也就不真实了。

有个故事能说明大数据的利益：美国一家大型连锁百货店塔吉特，用大数据分析用户的行为，使用多维度和关联性数据推测他们的身份并给每小我私家推荐货物。一天，一位中年人闯进了塔吉特司理办公室，责备他们公司给自己上高中的女儿寄来了母婴用品的优惠券，这不是勉励女儿有身么？司理赶忙致歉，说我们并不认识每一位主顾，只是用大数据来分析，有身的女性会在差别时期体现出差别的购置行为。不意过了几天，那位父亲又找上门来，给司理致歉，说他和女儿谈了，她真的有身了。塔吉特对用户的相识，比她的父亲还要多。

如今的互联网之争，在某种水平上也就是数据之争。所以你会看到，当今许多的人工智能产物都出自于Google或者百度公司。

许多互联网公司即便做不了搜索引擎，也要做免费的浏览器，收集用户的搜索数据。2015年，小米公司仍在只卖手机、而且是亏损状态，在融资时被国际知名风投机构估值为450亿美元，而对于手机出货量与小米差不多、还多年盈利的遐想公司，估值却只有100亿美元。风投公司的司理们固然不是傻子，小米比遐想多出来那么多的价值，就在于它从智能设备中获取的大量用户数据。5.修建业的庞大时机我们再回到修建业，回看一开始人们对未来的设想。

如果根据传统的人工智能研究方法，我们固然可以胡乱畅想：自动设计，自动生产，自动施工——因为机械会越来越智慧嘛。但看完前面的内容你知道，这种更切合直觉的思路是已经被人工智能专家们放弃的门路。当前，确实有许多的技术可以在设计、生产和施工环节中资助到我们，好比自动翻模、焊接机械人等等，但它们本质上是通过编程来缩短某项事情的时间，提升效率，并不是人工智能。

人工智能不是遥远未来的事物，它确实正在深刻改变着我们的世界，也带来一些失业的危机。好比，已经有人工智能状师、人工智能记者，甚至是人工智能医生被研发出来。不外这些行业有一个共性，那就是行业里有大型公司或机构掌握着大数据。如何判断一家公司做的是不是真的人工智能，最重要的尺度就是它是否有海量的数据，而且这些数据是多维度的、有关联性的。

反观修建业，在BIM普及之前，收集足够喂养人工智能的海量数据险些是不行能的。以前修建业所有的数据都存在于图纸和文档里，基本不能用来分析和机械学习。而BIM作为收集修建业数据的绝佳入口，到今天也只是在一部门项目中使用，数据的广度和维度还远远不够。

只管有许多公司会说自己拥有修建业大数据，但数据这工具可真不是喊喊就有的，否则像遐想那么大的公司，也肯定能喊出不少数据来，估值也不会比小米低那么多了。现在不太可能有一家企业在没有数据喂养的情况下，做出一款「全自动设计管线综合」的软件来，除非咱们修建业能突破IT行业对人工智能的探索。所以你并不需要太担忧，一些看上去比力枯燥的设计事情，并不会在短期内被人工智能替代。

另一方面，大数据的缺失也正是我们这个行业所面临的前所未有的庞大时机。BIMBOX料想，有几个偏向将会成为修建业人工智能领域的风口。第一是缔造大数据入口。

人工智能的焦点是拥抱不确定性，现在修建业即即是和数据最贴近的BIM技术，也还是遵循确定性思维。我们建设确定的模型，输入确定的信息，输出确定的图纸。人工智能需要的大数据，比修建物自己的数据要庞大得多。好比「设计师在挪动一根水管的时候更多的往左偏还是往右偏」、「地铁中更多使用方一些还是扁一些的风管」这样的数据，就是可以用来喂养人工智能的好数据——它不需要知道为什么，只需要知道怎么做乐成的概率更大。

而如果有一个平台能让使用者无意识的孝敬这些数据，并把它们收集起来，将会是一个强大的数据入口。第二是用数据喂养智能巨兽。只管我们说修建业人工智能暂时不会到来，但它早晚会到来。

智能未到，数据先行。真正明白借助深度学习算法，用数据喂养和训练人工智能产物的企业，无疑将会抓住时代的脉搏。这样的企业并纷歧定崛起于行业之内，像阿里、这样的数据大鳄，也很是有可能饰演这样的角色。

——实际上他们已经在行动了，这个话题我们改天再聊。第三是用数据关联性举行企业级服务。人工智能或大数据技术的应用纷歧定是一个To C端的产物，企业级的分析和咨询服务也是一个很大的应用市场。

前面我们讲到的美国百货商场塔吉特，就是传统企业应用大数据的典型。未来的修建业，会有大量的企业需求数据分析和智能服务。

需要再次强调的是，智能时代的咨询和分析服务，不再是传统的「斗胆假设，小心求证」简直定性方式，而是跳过逻辑，直接用数据之间的关联性说话。好比：「凭据这个月贵公司员工的Navisworks软件打开率，分析得出近期项目的造价预算可能出了问题」——没人知道背后的原因，但效果是准确的。

这是只有掌握大量数据的公司才气提供的服务。这一期就说到这儿，希望能给你一些资助。有态度，有深度，BIMBOX，咱们下次见！。

本文来源：yobo体育app官网入口-www.qhhzgwyw.com