设计师将会被AI取代？

在学习建筑的路上

你是否踽踽独行

我们想分享

和你聊聊有趣的、不为人知的

小故事

作者有话说：

标题来自经典电影《银翼杀手》原著小说《仿生人会梦见电子羊吗？》，Philip K. Dick在书中提出了一个经典的问题，如果AI和真人一样具有各种感情和思维，我们该怎么对待AI？

而在硕士答辩期间，我也对这句关于AI的质问有了更深理解。

如果有一天，AI可以基于人类经验做出更优秀的景观设计，甚至取代设计师的部分工作，我们该如何看待，如何与他们共处？始于这样的思索，借助在NUS（新加坡国立）景观建筑专业的求学经历，我想试试能否让机器学习创造出人工自然。

精彩成果展示

▼

本文经授权转自微信号TransAxis设计坐标

说到“人工自然”，很容易想起NYC的中央公园和高线公园。除了在拥挤都市中打造了一片休闲圣地，高线公园最闻名于世的，应该是它四季变化的植被设计，搭配符合共生规律，并不需要特别打理就能呈现出都市中的一抹野趣。

图1: NYC highline Park（图片来自网络）

而野趣从来都是花园中最吸引人的部分，代表着人类融入自然的诉求，无论是中国还是西方园林史上都有大量的案例。但随着工业社会的发展，人与自然的距离越来越远，所以在原始渴望的驱动下，当代社会关于景观的审美也逐渐倾向于再现自然野趣。

野趣又和植物设计最为相关，只要合理安排植物平面，就能使得花园充满自然感。但和谐自然的群落搭配，要求设计者拥有大量的植物知识与园艺实践经历。另外，植物设计是一个动态的过程，竞生关系、水热条件、当地气候，都是其影响因素，不和经验丰富的园艺师合作，景观师很难完成相关设计。

图

2: Piet Oudolf （图片来自网络）

而高线公园的景观设计师Piet Oudolf，也是自然主义派的园艺师，他在自己的花园中进行了长达几十年的园艺实践，并且总结出了大量多年生草本植物的搭配经验。作品也主要利用多年生的植物来设计，旨在生长完成后保持自然和稳定的群落关系，景色也能随着季节而交替变化。因此，他的作品同时具有绘画的美感和自然的韵律。

然而，这样多年观察实践而来的搭配经验，很难进行总结。Oudolf在作品集《landscape in landscape》中展示了大量的手绘植物平面色块图，以此表达自己的设计方法（图2）。

图3.:每张图都五彩斑斓，又难以总结出一般规律。

（http://news.juesheng.com/a/45655.html）

但植物群落、尤其是长时间生长而成的自然群落的演替规律(Ecological Succession)，是很难观察和总结的。即便有经验的植物学家，也需要借助多年遥测图像，对某区域森林进行大量观察，才能提炼出树林的常见树种以及群落的平面形状和扩散规律等。

图4.:Alexander von Humboldt’s Tableau Physique (1807)

安第斯植被垂直分布的草图

有没有什么方法，可以让这种需要大量时间和人力总结的植物学规律，被更简单的被传播和应用？让我们再来谈谈机器学习（Machine Learning）。

在人工智能中，计算机被告知如何做出决定，不是从数据中找到规则，就像受过教育的人一样做出决策。而机器学习是它的一个子集。

图5：Machine Learning 在AI领域里的范围示意图

机器学习的基础是人工神经网络。在人工神经网络中放入input数据和output数据，产生内部的运算，得到最合理的input 和output之间的对应关系。

图6:

Machine Learning 运算方式示意图

举个例子，你有一枚可骰出1-6的骰子，而人工神经网络(ANN)已经得知2为小，5为大，当骰出其他结果时，ANN可以根据计算出的函数自行判断结果的大小，并返回错误率。这样的计算方式很适合用来寻找规律，特别是非线性对应关系，具有较好的容错率，即使有一些input 和output 对应不上，宏观上的关系依然能被学习。

这种非线性的数据处理工具，很适合学习有模糊规律但注重宏观视觉效果的植物演替问题。通过将机器学习和自动生成系统相结合，可以从input学习出规律并在不同条件下复现和校验。

AI数据来源

如前文所述，大范围的演替规律总结难度较高，且需要非常专业的数据集。所以硕士论文期间，我把研究对象限定在了一个比较小的范围内。

Piet Oudolf的各个作品中，伦敦蛇形画廊花园的规模非常适合进行风格学习。这个作品比较形状规整，便于后期对比生成的平面和原平面之间的差距。植物搭配也足够丰富，可以视作Oudolf老爷子在小范围内充分展示了自己对草本植被造园的多年造诣（笑）。学习过程也有一定的挑战性。

图7: 如图为蛇形画廊的中庭花园

来源：Piet Oudolf

图8：如图为蛇形画廊中庭的种植平面

来源：Piet Oudolf 《landscape in landscape》

对上图平面做一个简单分析，不同的颜色表示不同的植物。偏黄绿色的代表草本一类颜色；红紫色代表花期颜色。每个团块的形状，表示一定时期后生长扩展能形成的区域；点状表示单株种植，通常都是颜色比较显眼比较高挑的植物；既有颜色又有点状的区域表示两种植物一起种植，生长之后会呈现出复杂的交织关系。团块的半径大约在60-100cm之间，根据植物类型有一定差别。

01 生成结果

图9：生成过程

上图说明：

（1）是在软件中把手绘平面重新着色得到的图，术语叫做input合规化。

（2）是将一个差不多大小的长方形和长方形的中心线放入算好的网络系统的生成结果。

（3）是将面积更大，接近四倍的长方形，和长方形的控制线放入生成系统中，得到的设计结果，面积更大生成所需要的时间也更长。

从生成结果来看，方法能够很好的学习原平面的组合方式，植物有机地排布在中心线的周围，同类型植物之间有一定的距离，并没有接触在一起。不同颜色的植物按照一定的规律沿着中心线排布，对照原设计平面（1）来看，这种排布规律是很接近的。同时，图中比较明显的，例如图中的黑色植物，是比较低矮的靠近边缘种植的植物种类，在生成的平面中分布在了边缘的位置。整体来看，植物的组合也比较有机，符合设计预期。

02 生成过程

首先介绍一下使用的工具

图10：犀牛6界面截图

图11：Machine Learning 面板

实验操作的环境在rhino6.0的grasshopper里。实验借助的插件是lunchbox，版本是2020.11.2。这个版本中增添了机器学习的模块。它有很多机器学习的简易工具例如regression, clustering 和 neural networks。

图12：基本的概念图取自Lunchbox官方Provingground

这个模块的基本逻辑是，利用grasshopper的数据框架，导入需要学习的对象的数据，调节机器学习的类型，以及神经的层数，来达到计算数据之间的联系。其中，输入的参数可以是树形数据。如图，其中的columnA, column, columnC各代表不同的参数，但它们可以同时输入机器学习的运算中，作为描述对象的特征参数。

在lunchbox的机器学习模块中，主要用到的是A神经网络运算器和B Gaussian Mixture运算器。

A神经网络运算器：这个运算器比较灵活，通过调节映射类型，可以转变成工具列中的其它映射方式。它的整个运算过程分为两个计算器，一个是Neural Network Trainer, 另一个是Neural Network Tester。

图13：如图为神经网络运算器的两个组成部分

Neural Network Trainer相当于制造工具的工程师，把原料和想要的产品作为Training Inputs 和Training Outputs，放入左边的电池，工程师就会制作一个函数工具（Trained Neural Network），能够将原料变成产品。然后Neural Network Tester 就像一个工厂，能够利用这个工具将新的原料（Test Input Data）转化为新的产品（Neural Network Output）。

图14：Gaussian Mixture 运算示意图（来源: Proving ground）

B Gaussian Mixture：另一个工具是Gaussian Mixture的工具。简单来说，它可以根据输入的参数列（属性数据），对对象进行分组。

了解完需要的工具后，接下来是整体的生成思路。结合工具，我们需要提炼出景观植物配置的描述因素（即原料），然后放入工具进行运算，得出最终的结果。

图15：自动生成系统的概念模型(Author,2021)

提炼出不同种植物的位置参数，放入运算器，生成F(x)的规律工具，利用工具生成新的设计的植物位置。将景观植物数据化之后，可以看成中心点的位置、平面类型、高度等信息。根据不同的描述信息将植物进行分类，不同的类型需要的计算方式和顺序都是不同的。

图16：生成动画

图17：自然主义的园林植物

自然主义的园林植物通常被分为三类：matrix(矩阵)，cluster（丛生），structure(结构)。结合Piet Oudolf 的植物平面分类方式，可以分为四种：单独点、结构、散点、丛生（如图），其中单独点结构和散点都可以通过转化为中心点确定种植位置，而丛生需要对其占有的面积进行描述。

图18：点状植物种类

图中将所有的单独点、结构和散点的植物进行了高低排布。植物的高低不仅影响植物的光照条件，也影响植物在视觉上的凸显程度。因此需要结合高度信息来安排计算顺序。

例如，点状植物，可以归化为点的位置信息。如图，结合高度特征，将不同的点状信息进行计算顺序的排序，突出特征性。最高最低的先计算，作为中间高度的基底植物最后计算。

图19.点状植物种类生成过程示例

图中为散点类别的植物，每组散点都取中心点代表一组散点的位置，然后分别计算中心点到中心线的距离参数和到长方形边界的位置参数，用这些参数来描述中心点相对于中心线，相对于轮廓的位置。这样就不会受制于xyz参考系的位置影响，位置关系参考只和自身有关。

如图，是其中一种点状信息的生成示意图。利用了中心点到边界的参数和中心点到控制线的参数来描述点在区域的位置。然后将位置信息再进行机器学习生成，从而产生新区域中该植物中心点的位置。

图20：面状植物种类

面状植物即丛生植物，它们因为占有一定的面积，所以将种植区域进行了分割。如图也将丛生植物按照高低分类，最中间的数量最多的也是属于基底，进行最后运算。

面状植物更为复杂，总体也是先将它的中心位置提取出来，再根据植物种类的面积大小生成面状植物。

图21：面状植物种类生成过程

上图左侧是将非基底植物通过转化为中心点，来寻找对应的种植区域。右侧为基地植物的寻找过程，通过Gaussian Mixture将占面积最多，数量最多的植物找出，然后分组进行学习，再将所有组按照位置区分不同的基底植物。

面状植物对整块区域进行了分割。首先将面状植物也分为特殊性和一般性（作为matrix的底衬植物），利用机器学习的工具，将面积大小，个数等参数信息作为依据放入数据集中进行判断，分为特殊性还是一般性的植物种类，从而分割面积。

03 在异形范围上的结果检验

图22：生成系统

这个生成系统不仅能够在规则的形状内生成结果。其对边界和中线的要求并不高。如图，曲线也可以通过输入控制中线的方式生成对应的图案。并且整个运算过程只需要不超过10秒的时间（个人电脑级别的性能）。因此，可以随时通过调节控制线和边界曲线来改变最终的生成图案。

除了开放的曲线可以作为控制中线，闭合的曲线也可以作为控制线。闭合的曲线作为控制线可以生成围绕中心展开的图案。中心曲线也可以超过边界的范围。这些都会导致不一样的设计结果。

04 可视化

为了进一步验证这样的生成结果是否能产生与原设计相似的美感，我将位置信息转换成植物模型进行可视化。

图23：原中庭景观的现场照片

图24：引擎渲染出的图纸，简单建模了周边坡顶

图25：是植物模型的鸟瞰图

通过可视化可以发现，学习生成的设计结果比较吻合原设计的美感。

图26：大范围自动化生成花园的一角，引擎渲染

05 结语

我比较喜欢植物，想要研究植物学的相关知识，最终选择了去新加坡NUS景观建筑专业继续学习。

新加坡作为典型的热带小岛城市，人的活动带来了大量世界各地的外来入侵物种，占比一度高达80%，外来物种与本地物种竞生后产生了独特的生态环境。NUS在这方面的教学也比较有趣，植物学课程会引导学生学习植物种群和演替规律，城市生态课程则会教授学生一些现代生态研究的成果，结合城市情况改善特定的景观环境。

总的来讲，新加坡的景观植物设计方法，大体上更尊重植物群本身的演替规律，希望利用植物设计来增加生物多样性，所以呈现也相对自然和谐。

这也符合当代人类的审美倾向和与自然共处的生存理念。但想要践行这样的设计方法，必须大量学习归纳植物学规律和前人经验，并进行长时间的实验探讨。而我的研究方向，也是希望减少这一路上的困难，充分利用机器学习，创造人工自然。

说句题外话，这样的研究方法，也大量运用于摄影测绘，电影概念设计，游戏开放世界设计等等领域。凡是涉及到对非线性自然规则的学习，都可以尝试使用。

在不远的未来，AI和设计师的关系不太会是互相取代，而是演替成共生关系，在技术的森林里，我们学会如何使用工具，如何向自然和前辈们学习，如何利用合适的规则演化出独特而合理的设计概念。

*参考

游戏中的建模

Gain, J., et al. (2017). EcoBrush: Interactive control of visually consistent large‐scale ecosystems. Computer Graphics Forum, Wiley Online Library.

自然主义

Park, E.-Y. (2015). "Characteristics of Piet Oudolf's Garden Design from the Viewpoint of the Contemporary Trends in the Use of Grasses." Journal of the Korean Institute of Traditional Landscape Architecture 33(3): 66-71.

自动化生成

Willems, M. (1999). "Klaus Daniels: Low-Tech Light-Tech High-Tech. Building in the information Age David Lloyd Jones Architecture and the Environment. Bioclimatic building design." ARCHITECT-DEN HAAG- 30: 70-70.

景观中的景观

Piet Oudolf , Noël Kingsbury (2011) “Image:Drawing Plan of Serpentine Gallery Pavilion 2011 by Peter Zumthor” Landscape in landscape

————————————

关于作者

▼