BIMBOX | 確認過眼神，你應該不是人，談談建筑業人工智能

今天要給你聊一個比較大的話題：建筑業人工智能。

對于建筑業的未來，我們經常能聽到這樣的暢想：

不知道你聽了這個故事有什么感想啊，如果BIMBOX也只是和你暢想一下未來，順便給你一點失業的危機意識，就有點太膚淺了。

今天我們嘗試來說幾點更貼合實際的內容：

?人們對人工智能存在哪些誤解？

?人工智能可以做哪些事？哪些事是人工智能做不了的？

?人工智能可以對建筑業帶來哪些機會和危機？

人工智能，英文名Artificial intelligence，一般縮寫為AI。

超過90%的人對它存在著非常深的誤解，認為所謂人工智能，就是很聰明、會像人一樣思考的機器，尤其在2016年AlphaGo戰勝了李世石，很多人都覺得人工智能全面替代人類工作的時代已經到來了。

「讓機器像人一樣思考」，不僅是普通人對人工智能的直觀感受，也是一開始科學家希望做的，可惜這條路在上個世紀就宣告失敗，今天的人工智能，走的是一條完全不同的路線。

我們先通過一個例子說說最早的人工智能所模仿的、人類的思考方式。

今天，一個小學生都能告訴你，太陽系所有行星繞著太陽做橢圓周運動，但在古代，人們并沒有能飛上天的各種設備來直接觀測，他們只能通過觀察其他星球的運動軌跡來猜測太陽系的樣子。

通過規則的日升日落，人們很容易能想到，太陽應該是繞著地球轉的，這最符合人們的直覺。

而其他星球就沒這么簡單了，比如金星，從地球上看它的運動軌跡就是這個鬼樣子：

這張圖是人們長年累月的觀測金星的位置，把大量的點連成曲線得到的。這個過程就是獲取數據。

下面，人們需要對數據進行分析，然后建立一個理論模型來解釋它。

公元一世紀，托勒密提出了「地心說」，用來解釋金星的運動軌跡。

很多人認為老祖宗們相信地心說這么長時間，很愚昧，其實不然。這個模型很好的吻合了數百年人們的觀測數據，而且能很精確的預測行星的位置。

不過，托勒密的理論模型最大的缺點就是太過復雜，它需要用40多個圓形嵌套在一起才能夠描述行星的位置，計算起來特別費勁。你可以通過這張圖來理解不同理論解釋行星運動的區別：

后來哥白尼提出「日心說」，并能夠取代地心說，也并不是因為它更接近真相，而是它可以用更簡單的計算達到同樣的預測效果。

不過由于哥白尼和托勒密一樣，都是使用正圓形來描述行星的運行，所以他的理論也還是不夠簡潔，只是把需要嵌套的圓的數量從40個減少到10個。

再后來，開普勒發現，如果換做橢圓而不用正圓，那就不必嵌套多個圓了，只需要一個橢圓就能完美的解釋和預測行星軌跡。于是，日心說又前進了一大步。

這時候人們還是不知道為什么行星會沿著橢圓運動，所有理論都是根據數據湊出來的。直到牛頓提出了萬有引力定律，才解釋了天體的橢圓形運動規律。

再到后來，愛因斯坦的相對論又進一步消除了水星軌道的誤差。

從地心說到日心說，再到牛頓和愛因斯坦的理論模型，這個過程代表了人類解釋世界的思考模式：通過觀察獲取數據，然后猜出一個模型，縫縫補補的湊合著用現有的模型，直到有更精確、更簡潔的模型出現。

人們把這種思維模式稱為機械思維。這種思維方式相信世界一定有一個確定的理論來解釋一切，我們的終極目標就是找到這個理論，然后一勞永逸的用它來預測未來。

關于人工智能，一開始計算機學家的想法和現在的人工智能門外漢是一樣的，也就是「機器要像人一樣思考才能獲得智能」。

不過，這種嘗試只持續了十幾年，人們在幾個不同的領域嘗試實現人工智能，都遇到了各自的瓶頸，其中包括語言翻譯、語音識別、圖像識別，也包括下圍棋。

咱們用語言翻譯這個領域來舉例。

人類的思考模式是：學會單詞，然后學會語法，再根據語法把單詞拼成句子。學單詞就相當于「獲取數據」，語法就相當于「理論模型」。

比如，你學會了「Good」和「Morning」兩個單詞，有人告訴你，把「Morning」放在「Good」后面，就是「早上好」的意思。

你似乎把語法搞明白了，但如果你又知道「You」這個單詞是「你」的意思，那你一定會想當然的認為英文的「你好」應該是「Good you」。

這種蹩腳的翻譯結果正是早期的人工智能經常拿出來的。

于是人們就想，繼續告訴計算機更多的語法規則，直到它像一個人一樣徹底理解了一門語言的各種語法。

不過這也不行。

比如中文這一句：「我想起來了」。你既可以把它理解為「我想起某件事來了」，也可以理解為「我想從床上爬起來了」，到底該怎么翻譯，答案不在句子內，而是在句子外的上下文。但你根本沒辦法把可能出現的所有上下文提前輸入到計算機里。

計算機的計算速度確實會越來越快，但語言翻譯的規則模型太過復雜，不可能提前把這些規則一條一條告訴計算機。真正限制人工智能發展的，不是它本身的計算速度，而是人類對規則的輸入速度。

這時候，有人開始思考，能不能換一種方式：不事先告訴計算機具體的語法規則，而是直接硬碰硬的進行整句的翻譯呢？

他們的思路是這樣的：人工智能可以不去理解「Good」、「Morning」這兩個單詞，也不理解背后的語法規則，而只是把「Good Morning」直接翻譯成「早上好」。世界上有多少個整句中文，就把這些句子對應的整句英文統統記錄。

你可能會說，這不就是窮舉法嘛，這辦法也太笨了吧！

一開始人們也非常反對這種笨辦法，不過沒用多長時間，人們就得到了答案。

2005年2月，全世界的機器翻譯專家在美國齊聚一堂，交流各自的研究進展，一家從來沒從事過機器翻譯研究的搜索引擎公司：Google，也參加了這次會議。

本來人們沒怎么關注Google，以為它是來玩票的。評測結果一出來，所有人都大吃一驚，Google翻譯的評分排名第一，落下第二名將近一代人的水平。

大家請來Google翻譯的負責人，問他秘密是什么。秘密說出來一點都不神秘，Google使用的就是幾年前被大家瞧不起的笨辦法：讓計算機自己在海量的中英文對照中，直接學習整句的翻譯。

只不過，長年開展搜索業務的Google有一個先天性優勢：它手中握著大量的中英文對照數據，比其他研究組織多了上萬倍。

2005年被人們稱為「大數據元年」，人們第一次見到了數據的魔力。

有一個叫「中文屋子」的故事：

這個故事說明了新一代人工智能的思維方式：放棄明確的因果理論，而只關注事件之間的相關性，從大量的數據中直接得到答案，即使不知道背后的原因。

實際上找到「數據背后的理論模型」效率是很低的，還得看運氣。人類花了幾千年才等到了牛頓定律和相對論，而下一個突破性的基礎理論又不知道要等到什么時候。

目前，「數據驅動論」已經在各個領域全面碾壓了「模型驅動論」，成為了人工智能研究的主流方法。

比如，AlphaGo并不理解圍棋的套路和技巧，不了解對方下某一步棋的目的。在每一次對方落子后，AlphaGo都會把當前黑白子的布局看做一種「狀態」，根據過去下過的上百萬盤棋局，找到勝率最高的下一步狀態，然后走出這步棋。

當然，圍棋非常復雜，棋盤上所有黑白子的排列可能性加起來，比整個宇宙中所有的原子還多，所以不可能在下棋的過程中去暴力搜索，而是需要在平時不停的訓練和學習。

這個「機器學習」的過程原理講起來比較復雜，我們換個領域舉個例子你就明白了。

在圖片識別領域，傳統的智能思維是這樣的：給計算機描述一只狗的全部特征，比如1米左右長，毛茸茸，伸舌頭，等等。等它掌握了這個方法之后，再去識別圖片中的狗。

這條路顯然是走不通的，因為有的狗毛很短，有的狗沒有伸舌頭。

而數據思維的方法是，完全不告訴計算機「狗」是個什么東西，而是扔給它海量的圖片，讓它判斷圖片上的是不是狗，再通過事先的答案或人為干預來告訴它結果是否正確。

一開始它的判斷基本上和瞎猜沒區別，但隨著不斷迭代，得到的答案越來越多，它的識別度也就越來越高。

注意，即便這個程序已經可以精確的識別出狗來，它還是不知道真正的狗是啥樣的。它得出答案的理由很可能是「圖片左邊39%的區域有黃色像素點，中間有兩個區域的深棕色像素點，這樣的圖在歷史數據中，有97%的概率應該輸出答案為狗」。

從這個例子，你應該能理解人工智能注重「相關性」而不是「因果關系」的原理了。利用相關性，最大的好處是隨著學習和迭代的次數增加，人工智能可以做到的事就越來越精準。

所以，只有喂給學習程序的足夠多的數據，才可能實現人工智能。這也是為什么早期的人工智能發展會那么緩慢，因為那時候還沒有互聯網的爆發，沒有一家公司手里有海量的數據供機器學習。

人工智能和大數據是硬幣的正反面。想要做人工智能，手里必須有大數據才行。

大數據除了要「大」，還有兩個必須具備的特點。

第一是多維度。

比如我們經常會說，天氣悶，要下雨。「天氣悶」和「下雨」是相關性很高的兩件事，但如果只有這一個維度的話，還是會經常錯判。但如果把氣壓信息、云圖信息等其他維度的信息都加入到判斷體系里來，那判斷出下雨的準確性就很高了。

第二是被動關聯。

所謂被動關聯，就是人們在自主行動的同時，下意識而不是故意的留下數據的痕跡。

比如2013年，百度公司發布了《全國十大吃貨省市排行榜》，利用的就是人們的搜索數據。福建人最關心的是什么蟲子可以吃，而寧夏人居然最關心螃蟹能不能吃。

百度獲取的數據是人們在搜索過程中，不自覺的貢獻出來的。

如果一家公司去大街上發調查問卷，人們很可能不愿意填寫關于蟲子和螃蟹的真實想法，得到的數據也就不真實了。

有個故事能說明大數據的好處：

如今的互聯網之爭，在某種程度上也就是數據之爭。

所以你會看到，當今很多的人工智能產品都出自于Google或者百度公司。許多互聯網公司即便做不了搜索引擎，也要做免費的瀏覽器，收集用戶的搜索數據。

2015年，小米公司仍在只賣手機、而且是虧損狀態，在融資時被國際知名風投機構估值為450億美元，而對于手機出貨量與小米差不多、還多年盈利的聯想公司，估值卻只有100億美元。

風投公司的經理們當然不是傻子，小米比聯想多出來那么多的價值，就在于它從智能設備中獲取的大量用戶數據。

我們再回到建筑業，回看一開始人們對未來的設想。

如果按照傳統的人工智能研究方法，我們當然可以胡亂暢想：自動設計，自動生產，自動施工——因為機器會越來越聰明嘛。

但看完前面的內容你知道，這種更符合直覺的思路是已經被人工智能專家們放棄的路線。

當前，確實有很多的技術可以在設計、生產和施工環節中幫助到我們，比如自動翻模、焊接機器人等等，但它們本質上是通過編程來縮短某項工作的時間，提升效率，并不是人工智能。

人工智能不是遙遠未來的事物，它確實正在深刻改變著我們的世界，也帶來一些失業的危機。比如，已經有人工智能律師、人工智能記者，甚至是人工智能醫生被研發出來。

不過這些行業有一個共性，那就是行業里有大型公司或機構掌握著大數據。

如何判斷一家公司做的是不是真的人工智能，最重要的標準就是它是否有海量的數據，并且這些數據是多維度的、有關聯性的。

反觀建筑業，在BIM普及之前，收集足夠喂養人工智能的海量數據幾乎是不可能的。以前建筑業所有的數據都存在于圖紙和文檔里，基本不能用來分析和機器學習。

而BIM作為收集建筑業數據的絕佳入口，到今天也只是在一部分項目中使用，數據的廣度和維度還遠遠不夠。

盡管有很多公司會說自己擁有建筑業大數據，但數據這東西可真不是喊喊就有的，否則像聯想那么大的公司，也肯定能喊出不少數據來，估值也不會比小米低那么多了。

目前不太可能有一家企業在沒有數據喂養的情況下，做出一款「全自動設計管線綜合」的軟件來，除非咱們建筑業能突破IT行業對人工智能的探索。所以你并不需要太擔心，一些看上去比較枯燥的設計工作，并不會在短期內被人工智能替代。

另一方面，大數據的缺失也正是我們這個行業所面臨的前所未有的巨大機會。BIMBOX猜想，有幾個方向將會成為建筑業人工智能領域的風口。

第一是創造大數據入口。

人工智能的核心是擁抱不確定性，目前建筑業即便是和數據最貼近的BIM技術，也還是遵循確定性思維。我們建立確定的模型，輸入確定的信息，輸出確定的圖紙。

人工智能需要的大數據，比建筑物本身的數據要復雜得多。比如「設計師在挪動一根水管的時候更多的往左偏還是往右偏」、「地鐵中更多使用方一些還是扁一些的風管」這樣的數據，就是可以用來喂養人工智能的好數據——它不需要知道為什么，只需要知道怎么做成功的概率更大。

而如果有一個平臺能讓使用者無意識的貢獻這些數據，并把它們收集起來，將會是一個強大的數據入口。

第二是用數據喂養智能巨獸。

盡管我們說建筑業人工智能暫時不會到來，但它遲早會到來。

智能未到，數據先行。真正懂得借助深度學習算法，用數據喂養和訓練人工智能產品的企業，無疑將會抓住時代的脈搏。

這樣的企業并不一定崛起于行業之內，像阿里、騰訊這樣的數據大鱷，也非常有可能扮演這樣的角色。——實際上他們已經在行動了，這個話題我們改天再聊。

第三是用數據關聯性進行企業級服務。

人工智能或大數據技術的應用不一定是一個To C端的產品，企業級的分析和咨詢服務也是一個很大的應用市場。

前面我們講到的美國百貨商場塔吉特，就是傳統企業應用大數據的典型。

未來的建筑業，會有大量的企業需求數據分析和智能服務。

需要再次強調的是，智能時代的咨詢和分析服務，不再是傳統的「大膽假設，小心求證」的確定性方式，而是跳過邏輯，直接用數據之間的關聯性說話。

比如：「根據這個月貴公司員工的Navisworks軟件打開率，分析得出近期項目的造價預算可能出了問題」——沒人知道背后的原因，但結果是準確的。這是只有掌握大量數據的公司才能提供的服務。

關于建筑業的大數據和人工智能，我們今天還有很多東西沒有展開講，如果你希望了解更多，或者有自己的見解，也歡迎給我們留言。

這一期就說到這兒，希望能給你一些幫助。有態度，有深度，BIMBOX，咱們下次見！