1
缘起：最容易被替代的行业？
十年前，牛津大学Carl Benedikt Frey教授发表了论文《The future of employment: How susceptible are jobs to computerisation?》，论文中量化分析702种职业被人工智能替代的可能性。
最容易被替代的5个专业分别为：保险承销人、数学技术员、污水处理员（手工）、产权审查员等、电话销售员。
最不可替代的5个专业为：娱乐疗养师、机械安装维修等行业的一线主管、紧急事物管理主任、精神健康和药物滥用社会工作者、听力学家。
其中，建筑师的不可替代性在第82位，风景园林师在113位，属于较难被替代的专业。
而十年后的今天这个结论还成立吗？
01
最容易被替代的行业
02
最不可替代的行业
03
建
筑
不
可
替
代
性
第
82
位
04
景
观
不
可
替
代
性
第
133
位
05
论文题目
向右滑动查看论文截图
——各行业“不可替代性排名”
2
历史：从设计行业到建筑行业
10年后的今天，人工智能的快速发展加快了AI替代人类的进程。2017年，阿里巴巴开发了鲁班图文自动生成系统，每秒生成8000张精美制作的图文Banner，每24小时生成4000万张。当年双十一期间共产出4亿方案，如果靠人工设计，以每个方案20分钟计算，需要100个设计师连续工作800年。
【动图】鲁班图文自动生成系统（背景由AI自动生成）
这股“自动设计浪潮”很快波及到建筑行业，2019年，哈佛大学的Stanislas Chaillou开发了建筑室内自动生成系统——ArchiGAN。在其系统中，可以以少数条件瞬间生成建筑布局，甚至建筑设计方案。
【动图】ArchiGAN建筑草图自动生成
【动图】ArchiGAN建筑布局自动生成
3
聚焦：风景园林行业的“自动化设计”？
那么风景园林行业如何，我们进行了大量的研究。
由于“数字景观”与“数字建筑”具有一定相似性，同属“建筑工业化与智能建造”中的一员。因此我们尝试了采取了相似的技术手段——Pix2Pix、CycleGAN作为底层技术，以公园为对象，尝试公园设计方案的“自动设计”。
我们开发了公园设计自动生成系统
——LandscapeGAN
专注于中小尺度公园的设计方案自动生成
LandscapeGAN实现了3个方面功能：
1.基于线稿的设计方案自动生成
如下图为实测效果，左边为输入数据，右边为实时生成的案例，仅需输入简单的手绘草图，数毫秒内即可实时生成相应的设计方案。可以直接应用于设计工作中的前期概念设计阶段，帮助设计师快速表达设计内容。
【动图】基于线稿的平面图自动生成
2.基于布局的设计方案自动生成
与前者相似，下图为实测效果，左边为输入数据，右边为实时生成的案例，输入由色块组成的布局方案即可实时生成设计方案。
【动图】基于布局的平面图自动生成
另外，我们为解决数据量不足的问题，开发了基于算法的数据扩展方法，实测效果优越。
部分生成结果展示
3.基于场地条件的布局方案自动设计
在前者的生成逻辑中，其输入的布局方案还需要设计师精心制作。那么“布局方案”能不能通过算法自动生成？
如果说“基于线稿”、“基于布局”的生成方式只是图像渲染的问题，那么“布局生成”才是更接近“自动设计”的一步。
下图为“布局生成”的实测效果，如图可见，经过算法运算，毫无内容的场地条件可以瞬间“变”成完整的布局方案。
【动图】公园布局自动生成
4
延申：算法可以理解设计信息吗？
我们采用的底层技术是“生成对抗网络”技术，而“生成对抗网络”的出现最开始只是面向图像生成问题，而设计工作并非仅仅是简单的图像生成问题。那么我们的研究又面临了一个新的问题：
算法理解的仅是图像信息？
还是设计信息？
带着疑问，我们进行了两方面的探究：
1.算法可不可以理解设计中全局布局的特征？
为深入探究算法如何理解设计元素之间的关系，我们设计了实验，令算法只生成一种要素。
如自动种植设计，输入不带植物的方案，令算法生成带植物的完整方案，以探究算法是否可以基于场地其他要素，综合考虑全局布局特征，合理推断植物设计的选址。
【动图】自动种植设计
相似的，我们进行了道路自动规划、构筑物自动选址、硬质广场自动规划等研究。
【动图】各专项自动生成
我们研究发现，算法并非单纯地进行“图像补全”，而是可以保持在设计逻辑中，合理地进行创新设计，甚至掌握一些较为复杂的空间营造技巧。
例如下图，在道路自动规划中，右图是给算法训练的参考结果，中间是生成结果，对比可以发现算法可以经过空间理解之后创新设计，而非简单的“抄答案”。
道路生成的创新性
又如下图，在构筑物选址和铺装广场规划中，算法可以准确捕捉场地轴线，强化原有方案的轴线关系
构筑物、铺装广场生成的创新性
在其他专项，同样有令人惊喜的结果，如下图为部分结论，此处不赘述。
2.算法可不可以理解设计中复杂的抽象特征？
除布局外，设计包含了如蓝绿布局结构、道路等级、软硬质比例等跳出纯视觉特征的、更高维度的复杂特征。
为此，我们应用了2021年最新的技术进行探索——StyleGAN3。该技术目前还尚未应用于风景园林，甚至在设计行业还鲜有研究。
StyleGAN技术可以自动提取、分离生成结果中的某些特征信息，通过参数控制生成结果在某一特征上连续变化，通过这一特性，可以探究算法是如何理解数据中的信息。
StyleGAN在人脸生成领域有较为成熟的应用，如下图，算法可以自动识别到“人种”、”发型“这些特征信息，并通过参数控制生成不同人种和发型的人脸。
【动图】算法自动识别”发型“属性，更改同一人脸中的发型
【动图】算法自动识别”人种“属性，并生成不同人种的人脸
以上动图中“人种”、”发型“等属性都是由算法自动识别提取的，那么至少可以证明，算法可以理解到“人种”、”发型“等属性，而非单纯理解到图像信息。
那么如果用在风景园林设计方案中，
算法可以理解并自动提取到什么属性呢？
我们借助相似的方法，成功提取了设计方案中的若干属性，并大量生成不同属性的设计方案，如图所示。
【动图】算法自动生成大量不同属性方案
在这种应用中，算法可以在没有人为干预的情况下自动提取某些设计属性，并在保持方案整体结构不变的情况下，自动修改、微调方案，如下图所示。
【动图】通过算法微调方案
实测过程中，我们提取了大量特征信息，令人振奋的是，我们发现算法可以提取”蓝绿布局“、”路网结构“、”植物郁闭度“、”蓄水量“等带有设计语义的高级属性。
这证明了算法可以初步理解
设计信息中较复杂的抽象特征
如下图，算法可以识别到不同的蓝绿布局，在保持方案中水体面积、基本结构不变的情况下，自动调整蓝绿布局，尝试将水体分散在公园的各个部分。
【动图】算法理解并提取出“蓝绿布局”属性，并通过参数调整
相似的，算法可以识别到不同的路网结构，从全局的角度自动调整路网结构。
【动图】“路网结构”属性的提取、调整
除了从全局进行调整，算法还可以在保持方案基本结构不变的情况下，自动定向微调方案的植物郁闭度。
【动图】“植物郁闭度”属性的提取、调整
相似的，算法可以识别到蓄水量这一设计特征，在保持方案基本结构不变的情况下，自动调整水池的蓄水量。
【动图】“蓄水量”属性的提取、调整
值得一提的是，StyleGAN与前述算法不同，其生成过程无需输入任何条件，所有结果都由算法在无人干预的情况下自动生成。这为设计工作带来了不可控的缺陷，但高度的智能化带来的就是不可控、不可解释，这也是需要在未来深入研究中解决的核心瓶颈。
6
结论
以上是我们研究的主要内容，那么再次回到我们最关心的问题——
设计师是否会被 AI 取代？
如果要简短的回答，只能说这是不可能的。
但要深入分析此问题，还需从“算法可以做什么”和“设计师需要做什么”两个方面讨论。
研究发现，算法可以通过大量成熟案例总结场地设计的普适性规律，如“布局和场地条件之间的关系”、“园内布局和园外布局之间的关系”、“空间功能和具体设计语言之间的关系”等等，甚至可以总结一些抽象的设计特征信息。
然而设计工作远非止于此，举一个常见的设计工作中的例子。假设此时要规划一个大尺度的郊野公园，那么大概率会经历以下情况.....
甲方提出要求，要紧贴国家政策，还要做出“特色”，但预算不高。
经过一周的讨论，终于定下以“碳中和”为主要目标导向。此时马上遇到新问题：碳储量如何计算？碳源碳汇如何收支平衡？
经过又一个星期的讨论，终于明确了整体技术路线，但一汇报又有新问题：如何做出特色？
此时我们需要总结现有相关的规划设计案例，并研究场地特征，研究如何在预算不高的情况下，针对场地，提出科学又符合目标的总体规划设计方案.....
在一轮又一轮的设计修改中，我们还会面临各种各样问题，大到土地政策、生态格局，小到专项预算、材料、植物选种....
对比来看，设计师就是一个解决问题的专家，风景园林更是平衡社会、自然、经济的综合性学科。这些都是设计师存在的意义，也是单凭AI无法解决的抽象问题。因此，自动设计，也只是设计工作中一个环节。
那么我们做这些研究的意义何在？
这是我们研究过程中被评审专家最多问到的问题，也是我们时常思考的问题。
人工智能和机器学习已经是公认的企业业务变革和创新的“新引擎”， 但许多企业仍然不确定在哪些领域应用。
随着人工智能技术的普惠化，技术实现已经不再是难题，“人人可创新”的口号似乎正在日拱一卒的慢慢成为现实。
1 新生产力在风景园林行业的探索
人工智能驱动的量化交易、异常检测、人脸识别、舆情分析、语音客服等技术在各个行业悄无声息的快速推进。
例如在不起眼的“松花蛋”制造产业，传统的裂纹监测设备成本高达近百万，人工挑拣成本也需要大几十万，而图像识别技术可以帮企业直接降低这方面的成本；
又如开篇提到的阿里巴巴鲁班系统的例子，该系统十天内就可以产出人力八百年的工作量；
反观风景园林行业，加班熬夜重复性的绘图已成为常态，人工智能驱动下的生成系统同样可以做到每秒数千张方案的生产效率，如此惊人的生产力何尝没有意义？
2 新生产形式在风景园林行业的探索
技术不会淘汰人类生产力，但必将淘汰落后生产力，优化生产形式。我们可以把人工智能带来的这次革命，看成是一次新的工业革命。如蒸汽机替代手工业一般，人工智能时代的新生产力将会带来新的生产方式。
在AI驱动的人机协同方式中，设计师从手工作业转变为总体把控，评价审查的角色；数据则成为把握企业命脉的关键因素。
因此，图像，文本等数据中蕴含着巨大的价值，然而遗憾的是，有许多企业并不知道如何利用这些数据。
我们借助生成对抗网络挖掘规划设计中的普适性规律，构建新的人机协同方法，这也只是聚焦于设计产业工作流中的某一小阶段的应用研究。结合BIM、LIM、无人机、物联网等前沿技术的全面智能化升级将会在不久的将来到来，匹配新生产力的新的人机协同形式也会加速到来。
3 探索人工智能背景的新技术应用场景
“让企业变聪明，让每个部门和员工变聪明，让整个工作流程变聪明”是企业在创新升级道路上逃不开的话题。“让机器替代一部分的人工劳动，解放出人力，以攻坚更加需要人类主观能动性的部分”，也是人工智能背景下回应该问题的重要解法。
如今技术的普惠化，让人工智能的快速部署不成问题，相反难点是在找到业务产出与价值投入的平衡点，换言之，有什么应用场景？
目前我们仅聚焦“公园绿地”的自动生成，探索了三种应用场景：
1 从线稿、布局等设计半成品到设计方案的辅助设计；
2 从场地条件到布局方案的自动设计。
3 针对局部的专项自动设计
这些都为“智能建造”中“方案自动生成”这一环节测试了实际的应用场景。在前期汇报，讨论，修改方案时都是实际可用的智能手段。
也是适应新人机协同模式的第一步。
向右滑动查看设计工具（仅部分尚未完善的实验品）
如上图针对自动设计、辅助设计等目前我们开发了设计工具实验品，稍加调整即可为企业提供可以直接使用的应用工具。
当然这仅是初步探索。人工智能不是一个单一的功能性插件，而是更新生产形式的系统性思维。因此，未来我们也会以此研究为基础，拓宽技术应用范围。本公众号也会陆续推出围绕场地未来格局模拟预测、生态修复、街景识别、场地智能化更新、无人机点云算量、分类、多尺度精准建模等适应当下背景的策略方法。
最后，非常感激在研究过程中得到北京林业大学园林学院、计算机学院、中国院、中科院计算所各位老师同学在研究思路上、技术上、数据集上的帮助。这仅是我们在生成设计方面的一次初步探索，还有许多不足的地方，还请各位专家斧正。
由于时间关系，本次推送的内容目前尚未见刊，因此以上内容未经允许请勿复制，感谢您。
围绕本研究，目前已经完成学位论文两篇《基于生成对抗网络技术的风景园林布局方案生成设计研究——以中小尺度公园绿地为例》、《基于生产对抗网络的公园生成设计研究》；已发表机器学习应用相关论文《生产对抗网络在中小尺度空间生成设计中的研究进展与未来展望》、《机器学习在风景园林中的应用进展与未来展望》、《基于多模态深度学习的审美认知大规模测度方法》，希望未来有机会与大家分享。
| 留言与评论（共有 0 条评论） “” |
