在2023年11月举办的AU（Autodesk University）大会上，欧特克发布了Autodesk AI（欧特克人工智能），以增强用户创造性探索和解决问题的能力，实现重复性任务的自动化，从而最大限度地减少缺点并节省资源；剖析繁芜的项目数据，供应预测性业务洞察。
Autodesk AI分成自动化AI、剖析AI以及增强AI三种类型，在欧特克办理方案的多个产品中有所表示，如图1所示。
未来，欧特克会推出更多的AI功能以使运用处景更加完善，而更丰富的人工智能技能能力，会在APS（Autodesk Platform Services，原称Autodesk Forge）以及基于APS的Forma上进行支配。

图1 Autodesk AI及其目前对应的软件产品

工程培植行业不同参建单位在不同的项目阶段，基于不同业务场景会产生各种数据，但受限于目前的技能，这些数据被限定在不同的软硬件和不同的文件格式中，纵然目前有一些数据交流的标准，但仍旧事倍功半，存在数据不准确、不完全、不能获取、不一致与不及时等问题。

欧特克的愿景是帮助项目干系方，实现从设计至建造交付的一体化全流程。
通过互联开放的技能和数据的架构，打造一个分开特定软件、与文件格式无关的从设计到建造实现的元数据级别平台。
这些数据具备丰富的颗粒度，数据的管理可以通过代码管理的办法实现，第三方开拓伙伴可以通过颗粒化数据集成到自己的方案中。
事情过程中的变更，将可以快捷地通报到其他环节，减少文件壁垒，提高数据利用和剖析的效率。
在不同行业中、流程中进行无缝通报、变更、追踪，乃至可将自己的模型云信息化，以颗粒化模式与APS数据进行互联，使得行业企业将以较低的技能门槛和本钱，赋能企业管理和技能职员根据丰富的业务流程、业务逻辑、业务场景和业务角色，重组需求与数据的链接，定制出企业能同时知足政府、甲方、总包、分包、运维等，财务、采购、管理、技能等多方哀求的数字化交付平台。

以是，欧特克基于最新架构研发了覆盖三大行业的Design&Make一体化数据平台，如图2所示。
该平台包括面向传媒娱乐行业的Flow、面向制造业的Fusion和面向工程培植行业的Forma，供应多元的技能做事，包括实现AI设计自动化、数据管理、协作、数据剖析及可视化，仿真与加工制造、扩展现实XR（VR、AR、MR等）、数字孪生、SaaS做事集成，可以让第三方基于Design&Make设计与建造的数据大模型、模块化做事和对应接口的架构，创建和支配自己的AI/机器学习办理方案。
类似ChatGPT最新的技能发布成果，让非专业人士定制自己想要的GPT。

图2 Autodesk Design&Make的一体化数据平台

设计互动与协作运用探索

该运用平台通过衍生式设计探索设计师与AI协作，以及设计师之间协作的新模式，完成未来社区的方案，类似于搭建乐高积木完成城市级别的方案设计和培植。
该平台为客户供应了三种不同的角色，分别是生态专家、开拓商和市长，每个角色都有其独特的板块和目标。
比如，生态专家的目标为创造绿色生态环境，开拓商的目标为提高城市密度，市长的目标为打造便捷的公共做事以及入口，平台界面如图3所示。

图3 设计互动与协作AI运用

该平台紧张特点包括以下四方面：一是增强他人的能力以提升协作效率，如不同角色可以查看其他角色方案的方案；二是增强设计师间的相互协作并与AI互动，AI在后台事情，根据用户的操作供应建议；三是利用指标叠加来实时查看设计方案的实行情形，如光照剖析、碳足迹等、密度等；四是在设计方案完成后，可以通过不同维度和指标来综合评价方案。

该平台背后是AI根据前端设计在后台持续优化，设计师利用自组织映射在前端可视化设计空间，AI支撑的设计建议系统在后台持续优化，基于AI实现设计方案、设计空间可视化和用户设计轨迹可视化。

快速观点设计与验证运用探索

该运用程序为欧特克研究团队与某客户互助开拓的人工智能办理方案，紧张是通过AI赞助进行建筑体量及平面设计，可让建筑师插入建筑物的基本参数并供应少量的指示，就可估算出体积，并对室内布局进行程序化的方案。

其技能路线如图4所示，紧张利用体素图这种新的3D表达数据集，并设计了一个跨模态的图形神经网络，也便是将操持神经网络（Program Graph）与表示设计空间的体素神经网络（Voxel）连接，再基于对专家系统的学习，增加一个判别网络（Discriminator），这就具备天生式对抗网络的条件。

图4 技能路线图

通过天生式对抗网络，打磨天生的体素模型，末了得到类似ChatGPT的效果。
设计师输入设计目标或条件，AI通过操持神经网络加体素神经网络，天生体素模型并用鉴别器进行不断优化。
如图5所示，左边操持神经网络代表的大厅、办公室、会议室、卫生间、楼梯间等建筑设计功能需求，右边是AI天生的体素模型，设计师可以在任何步骤进行干预，弥合Building–GAN和人类建筑师之间的差距。

图5 天生式对抗网络

完成建筑体量设计后，进一步关注建筑平面的天生，根据操持图（气泡图）天生平面并进行大量演习，比较天生的平面布局之间的利害。
同时，可以采取基于语义的设计（图6），对自然措辞和构造化的自然措辞的处理，适宜有很多建筑规范哀求和限定的平面设计场景。

图6 基于语义的平面设计

基于目标和结果驱动的设计流程，由AI自动给出设计选项并可以循环优化，AI在极短的韶光内极大提升方案优化的效率，从而节省韶光。

除了AI赞助建筑体量及平面设计，欧特克还研究探索了基于AI实现构造、机电及桥梁等流域的方案方案及优化设计。

Autodesk Forma

2023年5月8日，欧特克在环球范围内发布Autodesk Forma。
Forma是一个通过云打算和人工智能技能供应城市和建筑地块方案、建筑方案设计和即时剖析的软件产品，为城市化和可持续发展供应数据驱动的设计和评估能力，其紧张功能及特点如图7所示。

图7 Autodesk Forma紧张功能及特点

Forma可赞助设计师进行即时的方案建模，可以实时评估量划的各项设计指标、工程建成后的租售面积、未来建造运营的本钱估算，以及地块的平面布局和建筑物的三维体量的可视化效果。
同时，可以根据早期方案，将建筑物模型结合户型、容积率、地形、光照、噪音、密度、风向、视线、碳排放等成分进行实时仿照剖析，赞助设计师设计出更合理、精良的设计方案。

由于Autodesk Forma是基于云打算的，因此每个剖析的打算都可以同步完成，从而开释打算机上的资源；显著减少剖析等待韶光，将反馈周期从几天（利用顾问和他的软件）缩短到几分钟。

Forma基于AI可实现地块布局的自动天生，根据地块的边界条件探索不同设计方案，天生对应指标数据，用作多项剖析及与其他设计平台实现数据互联。
Forma采取无文件存储，可与Revit数据互通，基于浏览器随时随地开展设计协作。
此外，Forma与Rhino可实现同步联动创建方案模型，利用Rhino创建更富细节的模型并同时利用Forma进行即时性能剖析。

Midjourney和Stable Diffusion等AI绘图软件可根据笔墨天生图像。
同样，Forma已发布AI渲染插件Veras for Autodesk Forma，可以实现基于Forma设计成果的AI效果图渲染。

Autodesk InfoDrainage

Autodesk InfoDrainage是排水系统的设计和剖析软件，可用于可持续排水系统（SuDS）、绿色根本举动步伐和传统排水系统的方案、初步设计及详细设计。
个中，在加速大水风险评估领域，欧特克推出了内置于InfoDrainage的首创性功能——基于机器学习的大水评估工具。
利用此工具可大幅提高大水评估事情中的速率、稳定性、适应性和交互性，简化事情流程。

传统的大水评估常日涉及繁芜的仿照，打算量大、耗时长。
新机器学习工具利用前辈的算法办理了这个问题，该算法可以快速剖析全体排水方案的水深，在短韶光内得到快速而准确的大水舆图。
例如，排水设计师调度了池塘的位置，大水舆图会快速进行更新，险些实时地反响池塘位置的调度对全体排水方案带来的改变。
借助这个工具，可以使得排水设计更加智能、反应更快、效率更高。

PDF到BIM

工程培植行业中的设计单位、施工单位及业主单位积累了大量纸质或PDF文档，大量的数据被限定在PDF文档中，欧特克研究团队利用Autodesk Dynamo作为原型设计工具探索PDF到BIM的可行性，探索通过AI技能实现PDF图纸到BIM模型的转变，从而能够为Revit用户增加真正代价。
例如，从PDF文档平面图中进行特色提取，识别出门、窗、墙等工具，从而实现从2D PDF自动天生3D BIM模型的目的，如图8所示。

图8 PDF到BIM研究探索

点云扫描到BIM

目前，点云扫描和倾斜拍照在工程培植行业中运用日益广泛，但从原始点云及照片中提取工具特色基本须要其他软件或手动进行处理，如果可以基于原始点云或照片文件提取根本举动步伐和建筑特色可以大幅提高设计、施工效率。
Autodesk ReCap Pro为现实捕捉和三维扫描软件，具有各种预处理功能，用于处理Autodesk各种产品中的点云数据，并创建能增强与欧特克产品兼容性的数据，从而可以轻松处理设计项目中的点云数据段。

在ReCap Pro2023.1及后续版本中，更新了通过供应高效的预处理分割功能。
通过此更新，用户可以自动将地面点和非地面点分开，提取既有道路特色，并可在Civil 3D中作为要素线进行利用。
这减少了数据大小并供应了高效设计过程所需的数据。

未来，欧特克将在ReCap Pro产品中整合更多的AI/机器学习技能，从而实现更多场景的特色提取。
例如，从点云扫描到BIM，通过机器学习技能，读取点云工具的特色，进行自动分类和智能分段，提取墙、柱、门、窗等要素，将点云转换为原生BIM模型，以快速跟踪改造项目，如图9所示。

图9 点云扫描到BIM研究探索

BIM谈天AI——Otto AI

欧特克研究团队正在研发BIM谈天机器人——Otto AI，基于对Revit等数据格式的解构，通过类似于ChatGPT问答的办法可以供应不同场景、不同团队所需的信息，如图10所示。
目前，Otto AI供应了设计主管、造价主管、业主三种角色。

图10 OttoAI 界面

设计主管：可验证设计模型的合规性，如输入“显示所有未设置防火等级哀求的门”，Otto AI可以通过表格、列表、二维视图和三维视图等办法显示结果，并可以追问是谁设计创建了这些门，将结果以Excel文件通过发送邮件给干系设计师进行修正事情。

造价主管：可提取模型的某个类型的清单类目数据，如通过Otto AI可创建该项目的门窗规格表，并导出成Excel文件。

业主：可提取业主关心的干系信息，如提取项目中可出租的办公空间的面积数据和可能得到的收入信息。

从2019年开始，欧特克对美国的模块化预制住房供应商Factory_OS进行了两次计策投资。
欧特克正在积极致力于通过自动化和人工智能创建更高效的建筑流程，从而减少韶光、投资、材料和碳排放等。
例如，基于Factory_OS的模块化产品体系和制造工艺，利用欧特克的软件和技能，实现设计与制造的领悟，打造出设计、制造、运营一体化的全过程工业化体系。

项目概况

菲尼克斯项目（图11）位于美国加利福尼亚州。
1989年，菲尼克斯钢铁厂迁居，原建筑和设备被拆除，留下了一个2.02公顷的混凝土平地。
近30年来，只管该地区人口不断增长，建筑本钱不断增加，住房危急也变得更加紧迫，但该地点一贯处于空置状态。
欧特克与Factory_OS团队将空地变身为“菲尼克斯”（The Phoenix），一个由316个经济实惠和可持续的住宅单元组成的综合住宅区。

图11 菲尼克斯项目

AI赞助设计减少本钱并改进宜居性

利用Autodesk Forma进行前期设计，快速探索知足繁芜项目目标的大量设计方案。
例如，在建筑物上增加一层楼、将构造的位置向北或向南移动、将游乐场或绿地从开拓项目的边缘转移到中央等每次方案的改变，Forma均可实时评价不同方案的本钱、碳排放和宜居性等指标，图12为公路对建筑噪音的剖析。

图12 利用Forma对高速公路噪音影响进行剖析

Forma具有较强的开放性，用户可基于API创造本地支配的插件，利用Forma的人工智能干系算法，加上客户的定制化数据和设计目标哀求，形成了属于用户自己的人工智能运用。
在该项目中，根据用户输入，自动化天生基于Factory_OS的标准单元户型的单体模型，包含外立面、内部隔墙与平面图，切换查看户型组合、碳排放、租售收入等指标，并快速专注于最大限度地提高预期结果的设计，通过利用欧特克工具和新的事情流程，将前期设计周期由两周缩短至6个小时。

新材料使建筑物成为负碳

为了尽可能减少幕墙的碳排放，项目团队通过玉米秸秆等农作物残渣与结合菌丝体进行有机发酵，经由40天在模具中发酵，然后高温杀菌脱模，形成新型的幕墙材料，如图13所示。
该幕墙材料符合防火、防水、保温等性能哀求，而且能够主动接管大气中的二氧化碳，生产本钱比传统幕墙更低，目前已经具备了规模化生产的条件。

图13 负碳幕墙材料制作过程

该项目的培植本钱、韶光和碳足迹仅为旧金山湾区范例多户建筑的一半，不仅实现了高质量项目的高效交付，而且积累了大量可落地的探索履历。
项目团队研究并验证了却果驱动的事情流程，完成了负碳建筑材料的成功运用，并操持在未来将该成功履历拓展至更多、更丰富的建筑类型中。

欧特克将Autodesk AI定位为Autodesk Design&Make一体化数据平台的顾问，赋能设计与建造。
未来，欧特克将会不断更新AI领域的研究，为用户更快地供应更多、更丰富反馈和选择；利用自动化代替重复繁琐的事情任务，减少工程各阶段的缺点，提升效率，解放用户的韶光和精力去做更有代价、更有创意的任务；帮助用户打开想象力空间，让用户变得更加有创意。
同时，欧特克极度尊重用户的数据权利，在AI时期建立与用户之间的信赖，保有对AI技能的可控，符合法律和道德哀求。
（本文作者罗海涛、谌冰、李德桥、王申、李嘉熹来自欧特克软件（中国）有限公司）

[1] Hernandez D,Brown T B.Measuring the Algorithmic Efficiency of Neural Networks.2020[2024–02–19].DOI:10.48550/arXiv.2005.04305.

[2] Miller E R.Pandora's Can of Worms:A Year of Generative AI in Higher Education[J].Portal:Libraries and the Academy,2024,24(1):21–34.

[3] Attar,Ramtin,Robert Aish,Jos Stam,Duncan R Brinsmead,Alex Tessier,Michael Glueck and Azam Khan.“PHYSICS–BASED GENERATIVE DESIGN.” (2009).

[4] Umetani N.Exploring generative 3D shapes using autoencoder networks[C]//Siggraph Asia Technical Briefs.ACM,2017.DOI:10.1145/3145749.3145758.

来源：《中国勘察设计》杂志