BIMBOX | 確認(rèn)過(guò)眼神，你應(yīng)該不是人，談?wù)劷ㄖI(yè)人工智能

今天要給你聊一個(gè)比較大的話(huà)題：建筑業(yè)人工智能。

對(duì)于建筑業(yè)的未來(lái)，我們經(jīng)常能聽(tīng)到這樣的暢想：

不知道你聽(tīng)了這個(gè)故事有什么感想啊，如果BIMBOX也只是和你暢想一下未來(lái)，順便給你一點(diǎn)失業(yè)的危機(jī)意識(shí)，就有點(diǎn)太膚淺了。

今天我們嘗試來(lái)說(shuō)幾點(diǎn)更貼合實(shí)際的內(nèi)容：

?人們對(duì)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(duì)建筑業(yè)帶來(lái)哪些機(jī)會(huì)和危機(jī)？

人工智能，英文名Artificial intelligence，一般縮寫(xiě)為AI。

超過(guò)90%的人對(duì)它存在著非常深的誤解，認(rèn)為所謂人工智能，就是很聰明、會(huì)像人一樣思考的機(jī)器，尤其在2016年AlphaGo戰(zhàn)勝了李世石，很多人都覺(jué)得人工智能全面替代人類(lèi)工作的時(shí)代已經(jīng)到來(lái)了。

「讓機(jī)器像人一樣思考」，不僅是普通人對(duì)人工智能的直觀感受，也是一開(kāi)始科學(xué)家希望做的，可惜這條路在上個(gè)世紀(jì)就宣告失敗，今天的人工智能，走的是一條完全不同的路線(xiàn)。

我們先通過(guò)一個(gè)例子說(shuō)說(shuō)最早的人工智能所模仿的、人類(lèi)的思考方式。

今天，一個(gè)小學(xué)生都能告訴你，太陽(yáng)系所有行星繞著太陽(yáng)做橢圓周運(yùn)動(dòng)，但在古代，人們并沒(méi)有能飛上天的各種設(shè)備來(lái)直接觀測(cè)，他們只能通過(guò)觀察其他星球的運(yùn)動(dòng)軌跡來(lái)猜測(cè)太陽(yáng)系的樣子。

通過(guò)規(guī)則的日升日落，人們很容易能想到，太陽(yáng)應(yīng)該是繞著地球轉(zhuǎn)的，這最符合人們的直覺(jué)。

而其他星球就沒(méi)這么簡(jiǎn)單了，比如金星，從地球上看它的運(yùn)動(dòng)軌跡就是這個(gè)鬼樣子：

這張圖是人們長(zhǎng)年累月的觀測(cè)金星的位置，把大量的點(diǎn)連成曲線(xiàn)得到的。這個(gè)過(guò)程就是獲取數(shù)據(jù)。

下面，人們需要對(duì)數(shù)據(jù)進(jìn)行分析，然后建立一個(gè)理論模型來(lái)解釋它。

公元一世紀(jì)，托勒密提出了「地心說(shuō)」，用來(lái)解釋金星的運(yùn)動(dòng)軌跡。

很多人認(rèn)為老祖宗們相信地心說(shuō)這么長(zhǎng)時(shí)間，很愚昧，其實(shí)不然。這個(gè)模型很好的吻合了數(shù)百年人們的觀測(cè)數(shù)據(jù)，而且能很精確的預(yù)測(cè)行星的位置。

不過(guò)，托勒密的理論模型最大的缺點(diǎn)就是太過(guò)復(fù)雜，它需要用40多個(gè)圓形嵌套在一起才能夠描述行星的位置，計(jì)算起來(lái)特別費(fèi)勁。你可以通過(guò)這張圖來(lái)理解不同理論解釋行星運(yùn)動(dòng)的區(qū)別：

后來(lái)哥白尼提出「日心說(shuō)」，并能夠取代地心說(shuō)，也并不是因?yàn)樗咏嫦啵撬梢杂酶?jiǎn)單的計(jì)算達(dá)到同樣的預(yù)測(cè)效果。

不過(guò)由于哥白尼和托勒密一樣，都是使用正圓形來(lái)描述行星的運(yùn)行，所以他的理論也還是不夠簡(jiǎn)潔，只是把需要嵌套的圓的數(shù)量從40個(gè)減少到10個(gè)。

再后來(lái)，開(kāi)普勒發(fā)現(xiàn)，如果換做橢圓而不用正圓，那就不必嵌套多個(gè)圓了，只需要一個(gè)橢圓就能完美的解釋和預(yù)測(cè)行星軌跡。于是，日心說(shuō)又前進(jìn)了一大步。

這時(shí)候人們還是不知道為什么行星會(huì)沿著橢圓運(yùn)動(dòng)，所有理論都是根據(jù)數(shù)據(jù)湊出來(lái)的。直到牛頓提出了萬(wàn)有引力定律，才解釋了天體的橢圓形運(yùn)動(dòng)規(guī)律。

再到后來(lái)，愛(ài)因斯坦的相對(duì)論又進(jìn)一步消除了水星軌道的誤差。

從地心說(shuō)到日心說(shuō)，再到牛頓和愛(ài)因斯坦的理論模型，這個(gè)過(guò)程代表了人類(lèi)解釋世界的思考模式：通過(guò)觀察獲取數(shù)據(jù)，然后猜出一個(gè)模型，縫縫補(bǔ)補(bǔ)的湊合著用現(xiàn)有的模型，直到有更精確、更簡(jiǎn)潔的模型出現(xiàn)。

人們把這種思維模式稱(chēng)為機(jī)械思維。這種思維方式相信世界一定有一個(gè)確定的理論來(lái)解釋一切，我們的終極目標(biāo)就是找到這個(gè)理論，然后一勞永逸的用它來(lái)預(yù)測(cè)未來(lái)。

關(guān)于人工智能，一開(kāi)始計(jì)算機(jī)學(xué)家的想法和現(xiàn)在的人工智能門(mén)外漢是一樣的，也就是「機(jī)器要像人一樣思考才能獲得智能」。

不過(guò)，這種嘗試只持續(xù)了十幾年，人們?cè)趲讉€(gè)不同的領(lǐng)域嘗試實(shí)現(xiàn)人工智能，都遇到了各自的瓶頸，其中包括語(yǔ)言翻譯、語(yǔ)音識(shí)別、圖像識(shí)別，也包括下圍棋。

咱們用語(yǔ)言翻譯這個(gè)領(lǐng)域來(lái)舉例。

人類(lèi)的思考模式是：學(xué)會(huì)單詞，然后學(xué)會(huì)語(yǔ)法，再根據(jù)語(yǔ)法把單詞拼成句子。學(xué)單詞就相當(dāng)于「獲取數(shù)據(jù)」，語(yǔ)法就相當(dāng)于「理論模型」。

比如，你學(xué)會(huì)了「Good」和「Morning」兩個(gè)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(yǔ)法搞明白了，但如果你又知道「You」這個(gè)單詞是「你」的意思，那你一定會(huì)想當(dāng)然的認(rèn)為英文的「你好」應(yīng)該是「Good you」。

這種蹩腳的翻譯結(jié)果正是早期的人工智能經(jīng)常拿出來(lái)的。

于是人們就想，繼續(xù)告訴計(jì)算機(jī)更多的語(yǔ)法規(guī)則，直到它像一個(gè)人一樣徹底理解了一門(mén)語(yǔ)言的各種語(yǔ)法。

不過(guò)這也不行。

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

計(jì)算機(jī)的計(jì)算速度確實(shí)會(huì)越來(lái)越快，但語(yǔ)言翻譯的規(guī)則模型太過(guò)復(fù)雜，不可能提前把這些規(guī)則一條一條告訴計(jì)算機(jī)。真正限制人工智能發(fā)展的，不是它本身的計(jì)算速度，而是人類(lèi)對(duì)規(guī)則的輸入速度。

這時(shí)候，有人開(kāi)始思考，能不能換一種方式：不事先告訴計(jì)算機(jī)具體的語(yǔ)法規(guī)則，而是直接硬碰硬的進(jìn)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(gè)單詞，也不理解背后的語(yǔ)法規(guī)則，而只是把「Good Morning」直接翻譯成「早上好」。世界上有多少個(gè)整句中文，就把這些句子對(duì)應(yīng)的整句英文統(tǒng)統(tǒng)記錄。

你可能會(huì)說(shuō)，這不就是窮舉法嘛，這辦法也太笨了吧！

一開(kāi)始人們也非常反對(duì)這種笨辦法，不過(guò)沒(méi)用多長(zhǎng)時(shí)間，人們就得到了答案。

2005年2月，全世界的機(jī)器翻譯專(zhuān)家在美國(guó)齊聚一堂，交流各自的研究進(jìn)展，一家從來(lái)沒(méi)從事過(guò)機(jī)器翻譯研究的搜索引擎公司：Google，也參加了這次會(huì)議。

本來(lái)人們沒(méi)怎么關(guān)注Google，以為它是來(lái)玩票的。評(píng)測(cè)結(jié)果一出來(lái)，所有人都大吃一驚，Google翻譯的評(píng)分排名第一，落下第二名將近一代人的水平。

大家請(qǐng)來(lái)Google翻譯的負(fù)責(zé)人，問(wèn)他秘密是什么。秘密說(shuō)出來(lái)一點(diǎn)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(jì)算機(jī)自己在海量的中英文對(duì)照中，直接學(xué)習(xí)整句的翻譯。

只不過(guò)，長(zhǎng)年開(kāi)展搜索業(yè)務(wù)的Google有一個(gè)先天性?xún)?yōu)勢(shì)：它手中握著大量的中英文對(duì)照數(shù)據(jù)，比其他研究組織多了上萬(wàn)倍。

2005年被人們稱(chēng)為「大數(shù)據(jù)元年」，人們第一次見(jiàn)到了數(shù)據(jù)的魔力。

有一個(gè)叫「中文屋子」的故事：

這個(gè)故事說(shuō)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(guān)注事件之間的相關(guān)性，從大量的數(shù)據(jù)中直接得到答案，即使不知道背后的原因。

實(shí)際上找到「數(shù)據(jù)背后的理論模型」效率是很低的，還得看運(yùn)氣。人類(lèi)花了幾千年才等到了牛頓定律和相對(duì)論，而下一個(gè)突破性的基礎(chǔ)理論又不知道要等到什么時(shí)候。

目前，「數(shù)據(jù)驅(qū)動(dòng)論」已經(jīng)在各個(gè)領(lǐng)域全面碾壓了「模型驅(qū)動(dòng)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(duì)方下某一步棋的目的。在每一次對(duì)方落子后，AlphaGo都會(huì)把當(dāng)前黑白子的布局看做一種「狀態(tài)」，根據(jù)過(guò)去下過(guò)的上百萬(wàn)盤(pán)棋局，找到勝率最高的下一步狀態(tài)，然后走出這步棋。

當(dāng)然，圍棋非常復(fù)雜，棋盤(pán)上所有黑白子的排列可能性加起來(lái)，比整個(gè)宇宙中所有的原子還多，所以不可能在下棋的過(guò)程中去暴力搜索，而是需要在平時(shí)不停的訓(xùn)練和學(xué)習(xí)。

這個(gè)「機(jī)器學(xué)習(xí)」的過(guò)程原理講起來(lái)比較復(fù)雜，我們換個(gè)領(lǐng)域舉個(gè)例子你就明白了。

在圖片識(shí)別領(lǐng)域，傳統(tǒng)的智能思維是這樣的：給計(jì)算機(jī)描述一只狗的全部特征，比如1米左右長(zhǎng)，毛茸茸，伸舌頭，等等。等它掌握了這個(gè)方法之后，再去識(shí)別圖片中的狗。

這條路顯然是走不通的，因?yàn)橛械墓访芏蹋械墓窙](méi)有伸舌頭。

而數(shù)據(jù)思維的方法是，完全不告訴計(jì)算機(jī)「狗」是個(gè)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(guò)事先的答案或人為干預(yù)來(lái)告訴它結(jié)果是否正確。

一開(kāi)始它的判斷基本上和瞎猜沒(méi)區(qū)別，但隨著不斷迭代，得到的答案越來(lái)越多，它的識(shí)別度也就越來(lái)越高。

注意，即便這個(gè)程序已經(jīng)可以精確的識(shí)別出狗來(lái)，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(qū)域有黃色像素點(diǎn)，中間有兩個(gè)區(qū)域的深棕色像素點(diǎn)，這樣的圖在歷史數(shù)據(jù)中，有97%的概率應(yīng)該輸出答案為狗」。

從這個(gè)例子，你應(yīng)該能理解人工智能注重「相關(guān)性」而不是「因果關(guān)系」的原理了。利用相關(guān)性，最大的好處是隨著學(xué)習(xí)和迭代的次數(shù)增加，人工智能可以做到的事就越來(lái)越精準(zhǔn)。

所以，只有喂給學(xué)習(xí)程序的足夠多的數(shù)據(jù)，才可能實(shí)現(xiàn)人工智能。這也是為什么早期的人工智能發(fā)展會(huì)那么緩慢，因?yàn)槟菚r(shí)候還沒(méi)有互聯(lián)網(wǎng)的爆發(fā)，沒(méi)有一家公司手里有海量的數(shù)據(jù)供機(jī)器學(xué)習(xí)。

人工智能和大數(shù)據(jù)是硬幣的正反面。想要做人工智能，手里必須有大數(shù)據(jù)才行。

大數(shù)據(jù)除了要「大」，還有兩個(gè)必須具備的特點(diǎn)。

第一是多維度。

比如我們經(jīng)常會(huì)說(shuō)，天氣悶，要下雨。「天氣悶」和「下雨」是相關(guān)性很高的兩件事，但如果只有這一個(gè)維度的話(huà)，還是會(huì)經(jīng)常錯(cuò)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(lái)，那判斷出下雨的準(zhǔn)確性就很高了。

第二是被動(dòng)關(guān)聯(lián)。

所謂被動(dòng)關(guān)聯(lián)，就是人們?cè)谧灾餍袆?dòng)的同時(shí)，下意識(shí)而不是故意的留下數(shù)據(jù)的痕跡。

比如2013年，百度公司發(fā)布了《全國(guó)十大吃貨省市排行榜》，利用的就是人們的搜索數(shù)據(jù)。福建人最關(guān)心的是什么蟲(chóng)子可以吃，而寧夏人居然最關(guān)心螃蟹能不能吃。

百度獲取的數(shù)據(jù)是人們?cè)谒阉鬟^(guò)程中，不自覺(jué)的貢獻(xiàn)出來(lái)的。

如果一家公司去大街上發(fā)調(diào)查問(wèn)卷，人們很可能不愿意填寫(xiě)關(guān)于蟲(chóng)子和螃蟹的真實(shí)想法，得到的數(shù)據(jù)也就不真實(shí)了。

有個(gè)故事能說(shuō)明大數(shù)據(jù)的好處：

如今的互聯(lián)網(wǎng)之爭(zhēng)，在某種程度上也就是數(shù)據(jù)之爭(zhēng)。

所以你會(huì)看到，當(dāng)今很多的人工智能產(chǎn)品都出自于Google或者百度公司。許多互聯(lián)網(wǎng)公司即便做不了搜索引擎，也要做免費(fèi)的瀏覽器，收集用戶(hù)的搜索數(shù)據(jù)。

2015年，小米公司仍在只賣(mài)手機(jī)、而且是虧損狀態(tài)，在融資時(shí)被國(guó)際知名風(fēng)投機(jī)構(gòu)估值為450億美元，而對(duì)于手機(jī)出貨量與小米差不多、還多年盈利的聯(lián)想公司，估值卻只有100億美元。

風(fēng)投公司的經(jīng)理們當(dāng)然不是傻子，小米比聯(lián)想多出來(lái)那么多的價(jià)值，就在于它從智能設(shè)備中獲取的大量用戶(hù)數(shù)據(jù)。

我們?cè)倩氐浇ㄖI(yè)，回看一開(kāi)始人們對(duì)未來(lái)的設(shè)想。

如果按照傳統(tǒng)的人工智能研究方法，我們當(dāng)然可以胡亂暢想：自動(dòng)設(shè)計(jì)，自動(dòng)生產(chǎn)，自動(dòng)施工——因?yàn)闄C(jī)器會(huì)越來(lái)越聰明嘛。

但看完前面的內(nèi)容你知道，這種更符合直覺(jué)的思路是已經(jīng)被人工智能專(zhuān)家們放棄的路線(xiàn)。

當(dāng)前，確實(shí)有很多的技術(shù)可以在設(shè)計(jì)、生產(chǎn)和施工環(huán)節(jié)中幫助到我們，比如自動(dòng)翻模、焊接機(jī)器人等等，但它們本質(zhì)上是通過(guò)編程來(lái)縮短某項(xiàng)工作的時(shí)間，提升效率，并不是人工智能。

人工智能不是遙遠(yuǎn)未來(lái)的事物，它確實(shí)正在深刻改變著我們的世界，也帶來(lái)一些失業(yè)的危機(jī)。比如，已經(jīng)有人工智能律師、人工智能記者，甚至是人工智能醫(yī)生被研發(fā)出來(lái)。

不過(guò)這些行業(yè)有一個(gè)共性，那就是行業(yè)里有大型公司或機(jī)構(gòu)掌握著大數(shù)據(jù)。

如何判斷一家公司做的是不是真的人工智能，最重要的標(biāo)準(zhǔn)就是它是否有海量的數(shù)據(jù)，并且這些數(shù)據(jù)是多維度的、有關(guān)聯(lián)性的。

反觀建筑業(yè)，在BIM普及之前，收集足夠喂養(yǎng)人工智能的海量數(shù)據(jù)幾乎是不可能的。以前建筑業(yè)所有的數(shù)據(jù)都存在于圖紙和文檔里，基本不能用來(lái)分析和機(jī)器學(xué)習(xí)。

而B(niǎo)IM作為收集建筑業(yè)數(shù)據(jù)的絕佳入口，到今天也只是在一部分項(xiàng)目中使用，數(shù)據(jù)的廣度和維度還遠(yuǎn)遠(yuǎn)不夠。

盡管有很多公司會(huì)說(shuō)自己擁有建筑業(yè)大數(shù)據(jù)，但數(shù)據(jù)這東西可真不是喊喊就有的，否則像聯(lián)想那么大的公司，也肯定能喊出不少數(shù)據(jù)來(lái)，估值也不會(huì)比小米低那么多了。

目前不太可能有一家企業(yè)在沒(méi)有數(shù)據(jù)喂養(yǎng)的情況下，做出一款「全自動(dòng)設(shè)計(jì)管線(xiàn)綜合」的軟件來(lái)，除非咱們建筑業(yè)能突破IT行業(yè)對(duì)人工智能的探索。所以你并不需要太擔(dān)心，一些看上去比較枯燥的設(shè)計(jì)工作，并不會(huì)在短期內(nèi)被人工智能替代。

另一方面，大數(shù)據(jù)的缺失也正是我們這個(gè)行業(yè)所面臨的前所未有的巨大機(jī)會(huì)。BIMBOX猜想，有幾個(gè)方向?qū)?huì)成為建筑業(yè)人工智能領(lǐng)域的風(fēng)口。

第一是創(chuàng)造大數(shù)據(jù)入口。

人工智能的核心是擁抱不確定性，目前建筑業(yè)即便是和數(shù)據(jù)最貼近的BIM技術(shù)，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(shù)據(jù)，比建筑物本身的數(shù)據(jù)要復(fù)雜得多。比如「設(shè)計(jì)師在挪動(dòng)一根水管的時(shí)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(fēng)管」這樣的數(shù)據(jù)，就是可以用來(lái)喂養(yǎng)人工智能的好數(shù)據(jù)——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(gè)平臺(tái)能讓使用者無(wú)意識(shí)的貢獻(xiàn)這些數(shù)據(jù)，并把它們收集起來(lái)，將會(huì)是一個(gè)強(qiáng)大的數(shù)據(jù)入口。

第二是用數(shù)據(jù)喂養(yǎng)智能巨獸。

盡管我們說(shuō)建筑業(yè)人工智能暫時(shí)不會(huì)到來(lái)，但它遲早會(huì)到來(lái)。

智能未到，數(shù)據(jù)先行。真正懂得借助深度學(xué)習(xí)算法，用數(shù)據(jù)喂養(yǎng)和訓(xùn)練人工智能產(chǎn)品的企業(yè)，無(wú)疑將會(huì)抓住時(shí)代的脈搏。

這樣的企業(yè)并不一定崛起于行業(yè)之內(nèi)，像阿里、騰訊這樣的數(shù)據(jù)大鱷，也非常有可能扮演這樣的角色。——實(shí)際上他們已經(jīng)在行動(dòng)了，這個(gè)話(huà)題我們改天再聊。

第三是用數(shù)據(jù)關(guān)聯(lián)性進(jìn)行企業(yè)級(jí)服務(wù)。

人工智能或大數(shù)據(jù)技術(shù)的應(yīng)用不一定是一個(gè)To C端的產(chǎn)品，企業(yè)級(jí)的分析和咨詢(xún)服務(wù)也是一個(gè)很大的應(yīng)用市場(chǎng)。

前面我們講到的美國(guó)百貨商場(chǎng)塔吉特，就是傳統(tǒng)企業(yè)應(yīng)用大數(shù)據(jù)的典型。

未來(lái)的建筑業(yè)，會(huì)有大量的企業(yè)需求數(shù)據(jù)分析和智能服務(wù)。

需要再次強(qiáng)調(diào)的是，智能時(shí)代的咨詢(xún)和分析服務(wù)，不再是傳統(tǒng)的「大膽假設(shè)，小心求證」的確定性方式，而是跳過(guò)邏輯，直接用數(shù)據(jù)之間的關(guān)聯(lián)性說(shuō)話(huà)。

比如：「根據(jù)這個(gè)月貴公司員工的Navisworks軟件打開(kāi)率，分析得出近期項(xiàng)目的造價(jià)預(yù)算可能出了問(wèn)題」——沒(méi)人知道背后的原因，但結(jié)果是準(zhǔn)確的。這是只有掌握大量數(shù)據(jù)的公司才能提供的服務(wù)。

關(guān)于建筑業(yè)的大數(shù)據(jù)和人工智能，我們今天還有很多東西沒(méi)有展開(kāi)講，如果你希望了解更多，或者有自己的見(jiàn)解，也歡迎給我們留言。

這一期就說(shuō)到這兒，希望能給你一些幫助。有態(tài)度，有深度，BIMBOX，咱們下次見(jiàn)！