聊一個比較大的話題：建筑業(yè)人工智能踩衩。

對于建筑業(yè)的未來责静，我們經常能聽到這樣的暢想：

一位設計師把頭盔戴到幾位業(yè)主的頭上钠右，業(yè)主眼前出現了幾十種初步設計方案赋元。他們選擇了最喜歡的那個方案，緊跟著一系列的分析報表和經濟指標出現在眼前飒房。幾位大佬一商量搁凸，就這個了！

于是人工智能后臺開始根據這個方案狠毯，自動進行結構設計护糖、機電設計，緊接著數據從后臺傳到工廠嚼松，自動加工構件嫡良，由機器人自動裝車送到現場。工地上只有幾個工程師指揮著機器人献酗，把預制構件搭建到一起寝受，其余部分用3D打印技術自動完成，一幢高樓就這樣拔地而起罕偎。

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

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俏站？哪些事是人工智能做不了的讯蒲？

人工智能可以對建筑業(yè)帶來哪些機會和危機？

1 . 人類的思考方式

人工智能肄扎，英文名Artificial intelligence墨林，一般縮寫為AI赁酝。

超過90%的人對它存在著非常深的誤解，認為所謂人工智能旭等，就是很聰明赞哗、會像人一樣思考的機器，尤其在2016年AlphaGo戰(zhàn)勝了李世石辆雾，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」月劈，不僅是普通人對人工智能的直觀感受度迂，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猜揪，今天的人工智能惭墓，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而姐、人類的思考方式腊凶。

今天，一個小學生都能告訴你拴念，太陽系所有行星繞著太陽做橢圓周運動钧萍，但在古代，人們并沒有能飛上天的各種設備來直接觀測政鼠，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风瘦。通過規(guī)則的日升日落，人們很容易能想到公般，太陽應該是繞著地球轉的万搔，這最符合人們的直覺。

而其他星球就沒這么簡單了官帘，比如金星瞬雹，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刽虹。這個過程就是獲取數據酗捌。

下面，人們需要對數據進行分析状婶，然后建立一個理論模型來解釋它意敛。

公元一世紀，托勒密提出了「地心說」膛虫，用來解釋金星的運動軌跡草姻。

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

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

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

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萄喳，所以他的理論也還是不夠簡潔卒稳，只是把需要嵌套的圓的數量從40個減少到10個。

再后來他巨，開普勒發(fā)現充坑，如果換做橢圓而不用正圓，那就不必嵌套多個圓了染突，只需要一個橢圓就能完美的解釋和預測行星軌跡捻爷。于是，日心說又前進了一大步份企。

這時候人們還是不知道為什么行星會沿著橢圓運動役衡，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薪棒，才解釋了天體的橢圓形運動規(guī)律手蝎。

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俐芯。

從地心說到日心說棵介，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：通過觀察獲取數據吧史，然后猜出一個模型邮辽，縫縫補補的湊合著用現有的模型，直到有更精確贸营、更簡潔的模型出現吨述。

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钞脂，我們的終極目標就是找到這個理論揣云，然后一勞永逸的用它來預測未來。

2 . 人工智能的思考方式

關于人工智能冰啃，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邓夕，也就是「機器要像人一樣思考才能獲得智能」刘莹。

不過，這種嘗試只持續(xù)了十幾年焚刚，人們在幾個不同的領域嘗試實現人工智能点弯，都遇到了各自的瓶頸，其中包括語言翻譯矿咕、語音識別抢肛、圖像識別，也包括下圍棋碳柱。

咱們用語言翻譯這個領域來舉例雌团。

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

比如，你學會了「Good」和「Morning」兩個單詞曼库，有人告訴你区岗，把「Morning」放在「Good」后面，就是「早上好」的意思毁枯。你似乎把語法搞明白了慈缔，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」种玛。

這種蹩腳的翻譯結果正是早期的人工智能經常拿出來的藐鹤。

于是人們就想，繼續(xù)告訴計算機更多的語法規(guī)則赂韵，直到它像一個人一樣徹底理解了一門語言的各種語法娱节。

不過這也不行。

比如中文這一句：「我想起來了」祭示。你既可以把它理解為「我想起某件事來了」肄满，也可以理解為「我想從床上爬起來了」，到底該怎么翻譯质涛，答案不在句子內稠歉，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汇陆。

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

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

他們的思路是這樣的：人工智能可以不去理解「Good」耕肩、「Morning」這兩個單詞，也不理解背后的語法規(guī)則问潭，而只是把「Good Morning」直接翻譯成「早上好」猿诸。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狡忙。

你可能會說梳虽，這不就是窮舉法嘛，這辦法也太笨了吧灾茁！

一開始人們也非常反對這種笨辦法窜觉，不過沒用多長時間，人們就得到了答案北专。

2005年2月禀挫，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拓颓，一家從來沒從事過機器翻譯研究的搜索引擎公司：Google语婴，也參加了這次會議。

本來人們沒怎么關注Google驶睦，以為它是來玩票的砰左。評測結果一出來，所有人都大吃一驚场航，Google翻譯的評分排名第一菜职，落下第二名將近一代人的水平。

大家請來Google翻譯的負責人旗闽，問他秘密是什么酬核。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适室，直接學習整句的翻譯嫡意。

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

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汽畴。

3.從智能思維到數據思維

有一個叫「中文屋子」的故事：

一個人坐在一間屋子里旧巾，手里有一本非常厚的參考手冊耸序。有人通過門縫遞進來一張紙條，上面寫著一行中文字鲁猩，屋子里的人根本不認識中文坎怪，他需要做的只是翻開手冊，找到那句看起來和紙條上的文字一樣的話廓握，然后把對應的中文答案照著樣子抄下來搅窿，再遞出門去。

外面的人看到里面的人做出回答隙券，以為他肯定是懂中文的男应，而實際上，屋子里的人從頭到尾既不知道自己看到的是什么內容娱仔，也不知道自己回答了什么沐飘。

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牲迫，從大量的數據中直接得到答案耐朴，即使不知道背后的原因。

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

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

比如，AlphaGo并不理解圍棋的套路和技巧捡遍，不了解對方下某一步棋的目的锌订。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(tài)」画株，根據過去下過的上百萬盤棋局辆飘，找到勝率最高的下一步狀態(tài)，然后走出這步棋谓传。

當然蜈项，圍棋非常復雜，棋盤上所有黑白子的排列可能性加起來续挟，比整個宇宙中所有的原子還多紧卒，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诗祸。

這個「機器學習」的過程原理講起來比較復雜跑芳，我們換個領域舉個例子你就明白了轴总。

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博个，比如1米左右長怀樟，毛茸茸，伸舌頭坡倔，等等漂佩。等它掌握了這個方法之后，再去識別圖片中的狗罪塔。

這條路顯然是走不通的投蝉，因為有的狗毛很短，有的狗沒有伸舌頭征堪。

而數據思維的方法是瘩缆，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佃蚜，讓它判斷圖片上的是不是狗庸娱，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(qū)別谐算，但隨著不斷迭代熟尉，得到的答案越來越多，它的識別度也就越來越高洲脂。

注意斤儿，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恐锦。它得出答案的理由很可能是「圖片左邊39%的區(qū)域有黃色像素點往果，中間有兩個區(qū)域的深棕色像素點，這樣的圖在歷史數據中一铅，有97%的概率應該輸出答案為狗」陕贮。

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」的原理了潘飘。利用相關性肮之，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卜录。

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

4.數據之爭

人工智能和大數據是硬幣的正反面凯傲。想要做人工智能犬辰，手里必須有大數據才行。

大數據除了要「大」冰单，還有兩個必須具備的特點幌缝。

第一是多維度。

比如我們經常會說诫欠，天氣悶涵卵，要下雨』牡穑「天氣悶」和「下雨」是相關性很高的兩件事轿偎，但如果只有這一個維度的話，還是會經常錯判被廓。但如果把氣壓信息坏晦、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嫁乘。

第二是被動關聯昆婿。

所謂被動關聯，就是人們在自主行動的同時蜓斧，下意識而不是故意的留下數據的痕跡仓蛆。

比如2013年，百度公司發(fā)布了《全國十大吃貨省市排行榜》挎春，利用的就是人們的搜索數據看疙。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搂蜓。

百度獲取的數據是人們在搜索過程中狼荞，不自覺的貢獻出來的辽装。

如果一家公司去大街上發(fā)調查問卷帮碰，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拾积。

有個故事能說明大數據的好處：

美國一家大型連鎖百貨店塔吉特殉挽，用大數據分析用戶的行為，利用多維度和關聯性數據猜測他們的身份并給每個人推薦貨物拓巧。

一天斯碌，一位中年人闖進了塔吉特經理辦公室，責備他們公司給自己上高中的女兒寄來了母嬰用品的優(yōu)惠券肛度，這不是鼓勵女兒懷孕么傻唾？經理趕忙道歉，說我們并不認識每一位顧客，只是用大數據來分析冠骄，懷孕的女性會在不同時期表現出不同的購買行為伪煤。

不料過了幾天，那位父親又找上門來凛辣，給經理道歉抱既，說他和女兒談了，她真的懷孕了扁誓。塔吉特對用戶的了解防泵，比她的父親還要多。

如今的互聯網之爭蝗敢，在某種程度上也就是數據之爭捷泞。

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

2015年骡湖，小米公司仍在只賣手機、而且是虧損狀態(tài)峻厚，在融資時被國際知名風投機構估值為450億美元响蕴，而對于手機出貨量與小米差不多、還多年盈利的聯想公司惠桃，估值卻只有100億美元浦夷。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辜王，就在于它從智能設備中獲取的大量用戶數據劈狐。

5.建筑業(yè)的巨大機會

我們再回到建筑業(yè)，回看一開始人們對未來的設想呐馆。

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

當前坟岔，確實有很多的技術可以在設計、生產和施工環(huán)節(jié)中幫助到我們摔桦，比如自動翻模社付、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，提升效率鸥咖，并不是人工智能纪隙。

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扛或，也帶來一些失業(yè)的危機绵咱。比如，已經有人工智能律師熙兔、人工智能記者悲伶，甚至是人工智能醫(yī)生被研發(fā)出來。

不過這些行業(yè)有一個共性住涉，那就是行業(yè)里有大型公司或機構掌握著大數據麸锉。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舆声，并且這些數據是多維度的花沉、有關聯性的。

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

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

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

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

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

第一是創(chuàng)造大數據入口。

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

人工智能需要的大數據萄唇，比建筑物本身的數據要復雜得多檩帐。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」這樣的數據另萤，就是可以用來喂養(yǎng)人工智能的好數據——它不需要知道為什么湃密，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四敞，并把它們收集起來泛源，將會是一個強大的數據入口。

第二是用數據喂養(yǎng)智能巨獸忿危。

盡管我們說建筑業(yè)人工智能暫時不會到來俩由，但它遲早會到來。

智能未到癌蚁，數據先行幻梯。真正懂得借助深度學習算法，用數據喂養(yǎng)和訓練人工智能產品的企業(yè)努释，無疑將會抓住時代的脈搏碘梢。

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

第三是用數據關聯性進行企業(yè)級服務缕减。

人工智能或大數據技術的應用不一定是一個To C端的產品雷客，企業(yè)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桥狡，就是傳統企業(yè)應用大數據的典型搅裙。

未來的建筑業(yè)皱卓，會有大量的企業(yè)需求數據分析和智能服務。

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

比如：「根據這個月貴公司員工的Navisworks軟件打開率融虽，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，但結果是準確的般又。這是只有掌握大量數據的公司才能提供的服務巍佑。