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

今天要給你聊一個比較大的話題：建筑業(yè)人工智能。

對于建筑業(yè)的未來，我們經(jīng)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(diǎn)失業(yè)的危機(jī)意識，就有點(diǎn)太膚淺了。

今天我們嘗試來說幾點(diǎn)更貼合實(shí)際的內(nèi)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(yè)帶來哪些機(jī)會和危機(jī)？

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(rèn)為所謂人工智能，就是很聰明、會像人一樣思考的機(jī)器，尤其在2016年AlphaGo戰(zhàn)勝了李世石，很多人都覺得人工智能全面替代人類工作的時代已經(jīng)到來了。

「讓機(jī)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(xué)家希望做的，可惜這條路在上個世紀(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。

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

通過規(guī)則的日升日落，人們很容易能想到，太陽應(yīng)該是繞著地球轉(zhuǎn)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(yùn)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(diǎn)連成曲線得到的。這個過程就是獲取數(shù)據(jù)。

下面，人們需要對數(shù)據(jù)進(jìn)行分析，然后建立一個理論模型來解釋它。

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

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

不過，托勒密的理論模型最大的缺點(diǎn)就是太過復(fù)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(jì)算起來特別費(fèi)勁。你可以通過這張圖來理解不同理論解釋行星運(yùn)動的區(qū)別：

后來哥白尼提出「日心說」，并能夠取代地心說，也并不是因?yàn)樗咏嫦?，而是它可以用更簡單的?jì)算達(dá)到同樣的預(yù)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(yùn)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(shù)量從40個減少到10個。

再后來，開普勒發(fā)現(xiàn)，如果換做橢圓而不用正圓，那就不必嵌套多個圓了，只需要一個橢圓就能完美的解釋和預(yù)測行星軌跡。于是，日心說又前進(jìn)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(yùn)動，所有理論都是根據(jù)數(shù)據(jù)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(yùn)動規(guī)律。

再到后來，愛因斯坦的相對論又進(jìn)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(shù)據(jù)，然后猜出一個模型，縫縫補(bǔ)補(bǔ)的湊合著用現(xiàn)有的模型，直到有更精確、更簡潔的模型出現(xiàn)。

人們把這種思維模式稱為機(jī)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(biāo)就是找到這個理論，然后一勞永逸的用它來預(yù)測未來。

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

不過，這種嘗試只持續(xù)了十幾年，人們在幾個不同的領(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(lǐng)域來舉例。

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

比如，你學(xué)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(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)常拿出來的。

于是人們就想，繼續(xù)告訴計(jì)算機(jī)更多的語法規(guī)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(nèi)，而是在句子外的上下文。但你根本沒辦法把可能出現(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)會越來越快，但語言翻譯的規(guī)則模型太過復(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，而是人類對規(guī)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(jì)算機(jī)具體的語法規(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」這兩個單詞，也不理解背后的語法規(guī)則，而只是把「Good Morning」直接翻譯成「早上好」。世界上有多少個整句中文，就把這些句子對應(yīng)的整句英文統(tǒng)統(tǒng)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(jī)器翻譯專家在美國齊聚一堂，交流各自的研究進(jìn)展，一家從來沒從事過機(jī)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(guān)注Google，以為它是來玩票的。評測結(jié)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(fù)責(zé)人，問他秘密是什么。秘密說出來一點(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照中，直接學(xué)習(xí)整句的翻譯。

只不過，長年開展搜索業(yè)務(wù)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(shù)據(jù)，比其他研究組織多了上萬倍。

2005年被人們稱為「大數(shù)據(jù)元年」，人們第一次見到了數(shù)據(jù)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(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(chǔ)理論又不知道要等到什么時候。

目前，「數(shù)據(jù)驅(qū)動論」已經(jīng)在各個領(lǐng)域全面碾壓了「模型驅(qū)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(dāng)前黑白子的布局看做一種「狀態(tài)」，根據(jù)過去下過的上百萬盤棋局，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(xùn)練和學(xué)習(xí)。

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

在圖片識別領(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，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?yàn)橛械墓访芏?，有的狗沒有伸舌頭。

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(yù)來告訴它結(jié)果是否正確。

一開始它的判斷基本上和瞎猜沒區(qū)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(jīng)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(qū)域有黃色像素點(diǎn)，中間有兩個區(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)展會那么緩慢，因?yàn)槟菚r候還沒有互聯(lián)網(wǎng)的爆發(fā)，沒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」，還有兩個必須具備的特點(diǎn)。

第一是多維度。

比如我們經(jīng)常會說，天氣悶，要下雨?！柑鞖鈵灐购汀赶掠辍故窍嚓P(guān)性很高的兩件事，但如果只有這一個維度的話，還是會經(jīng)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(zhǔn)確性就很高了。

第二是被動關(guān)聯(lián)。

所謂被動關(guān)聯(lián)，就是人們在自主行動的同時，下意識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)是人們在搜索過程中，不自覺的貢獻(xiàn)出來的。

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

有個故事能說明大數(shù)據(jù)的好處：

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

所以你會看到，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，收集用戶的搜索數(shù)據(jù)。

2015年，小米公司仍在只賣手機(jī)、而且是虧損狀態(tài)，在融資時被國際知名風(fēng)投機(jī)構(gòu)估值為450億美元，而對于手機(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)想多出來那么多的價值，就在于它從智能設(shè)備中獲取的大量用戶數(shù)據(jù)。

我們再回到建筑業(yè)，回看一開始人們對未來的設(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：自動設(shè)計(jì)，自動生產(chǎn)，自動施工——因?yàn)闄C(jī)器會越來越聰明嘛。

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

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，比如自動翻模、焊接機(jī)器人等等，但它們本質(zhì)上是通過編程來縮短某項(xiàng)工作的時間，提升效率，并不是人工智能。

人工智能不是遙遠(yuǎn)未來的事物，它確實(shí)正在深刻改變著我們的世界，也帶來一些失業(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。

不過這些行業(yè)有一個共性，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，基本不能用來分析和機(jī)器學(xué)習(xí)。

而BIM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。

盡管有很多公司會說自己擁有建筑業(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，估值也不會比小米低那么多了。

目前不太可能有一家企業(yè)在沒有數(shù)據(jù)喂養(yǎng)的情況下，做出一款「全自動設(shè)計(jì)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。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行業(yè)所面臨的前所未有的巨大機(jī)會。BIMBOX猜想，有幾個方向?qū)蔀榻ㄖI(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(fēng)管」這樣的數(shù)據(jù)，就是可以用來喂養(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。

而如果有一個平臺能讓使用者無意識的貢獻(xiàn)這些數(shù)據(jù)，并把它們收集起來，將會是一個強(qiáng)大的數(shù)據(jù)入口。

第二是用數(shù)據(jù)喂養(yǎng)智能巨獸。

盡管我們說建筑業(yè)人工智能暫時不會到來，但它遲早會到來。

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)，無疑將會抓住時代的脈搏。

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?！獙?shí)際上他們已經(jīng)在行動了，這個話題我們改天再聊。

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To C端的產(chǎn)品，企業(yè)級的分析和咨詢服務(wù)也是一個很大的應(yīng)用市場。

前面我們講到的美國百貨商場塔吉特，就是傳統(tǒng)企業(yè)應(yīng)用大數(shù)據(jù)的典型。

未來的建筑業(yè)，會有大量的企業(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，智能時代的咨詢和分析服務(wù)，不再是傳統(tǒng)的「大膽假設(shè)，小心求證」的確定性方式，而是跳過邏輯，直接用數(shù)據(jù)之間的關(guān)聯(lián)性說話。

比如：「根據(jù)這個月貴公司員工的Navisworks軟件打開率，分析得出近期項(xiàng)目的造價預(yù)算可能出了問題」——沒人知道背后的原因，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(tài)度，有深度，BIMBOX，咱們下次見！