每天自我對弈100萬盤棋，并從中學習的AlphaGo?
每天從100萬輛車實際行駛中吸收所有經驗的特斯拉？
一秒內對比全世界所有機場攝像頭視頻和所有通緝犯的人臉？
隨著人工智能的飛速發展，很多重復性工作目前已經被機器人代替，我們需要的低技能工人會越來越少。甚至是比較高級的領域，例如編輯、翻譯、金融、醫療等，也開始見到人工智能的身影：
例如股票證券市場，計算機可以獲得所有的市場數據，然后決定“我該買進，或者拋出？”，摒除人類的焦慮或者幻想的情緒，作出純粹而理性的分析。
在醫療方面，圖像識別技術上的突破正好可以用來識別圖片上的病變模式，為醫生提供了一雙準確而不知疲倦的眼睛。
那么，我們一向引以為傲的建筑師工作，是否也會被計算機代替？
總所周知，建筑設計需要新的創意，將多方面的信息整合、歸納、分析，加以聯想、發散，產生出新的方案，新的觀點，這是一種智能上的擴展和創造，遠遠超越了目前的機器智能水平。然而，在日常工作中，這個行業也有許多工作類型，需要遵循規范，重復頻率高而不需要太多創造能力，它們很有可能在不久的將來，交由計算機來執行，例如：
強排工作
地產公司在拿地之前，建筑師往往要做多次測算。對交通、日照、間距等進行多方面的交叉分析。最終的方案需要滿足城市規劃的建筑密度、容積率、建設用地面積等眾多約束條件，因此，建筑師需要假設和模擬多種建筑組合，確保達到規劃條件的要求。
它并不是一種從空間入手的設計方法，也不是從用戶入手的需求設計方法。這類工作，理論上是可以開發出相應程序，由計算機在滿足規范上進行的窮舉列表（記得alpha go一天可以下一百萬盤棋？），進行多次模擬分析，運用人工智能進行解答。
審圖工作
審圖工作可說是建筑各專業施工圖紙繪制的最后一環，也是必不可少的一環。由經驗豐富的總工程師或審圖專家結合圖紙，對照規范，交叉檢查，查漏補缺。
隨著城市的崛起，建筑物也越來越復雜化，相關的規范也名目繁多，已經快要到達人類不可承受的地步。比如行業中常用規范，一般有數十類，專項規范則有數百之多。頁數從數十到數百不等。其中一本常用的建筑設計防火規范，頁面就有446頁。即使是經驗豐富、記憶力強的人也未必能全部記下。更不要說讓我們在緊張的趕圖時間完全正確無誤的交叉運用。而這方面當然就是機器的長項啦，無論如何繁復的規范及相關計算，例如火災疏散距離，建筑高度是否超限，人工智能都可以以閃電般的速度解決。
當然，這是在規范互不矛盾的前提下，否則，它恐怕就會遇到類似谷歌無人駕駛汽車的困境：是該躲避行人，還是該繞過來車？——這種情況大概也會有吧，畢竟編寫規范的也是人類嘛……
舉了以上兩個例子，我們再把目光轉到人工智能的工具之一，BIM軟件上。
BIM是當下較前端的建筑信息模型軟件，它是建筑從項目規劃、設計、預算、建造、結算、物業等全生命周期中的智能動態控制系統，俗稱建筑智能機器人系統。
BIM的特點是在三維概念中記憶空間信息，并在各個環節流通。例如墻身剖面，屋頂大樣這類細節，如果是用cad等傳統繪圖軟件，就還需要在設計建筑后，重新專門一個個描繪，但是換做BIM的話，一旦建筑模型設立，各種細節只要在模型上選定部位，截個圖即好。隨著建筑材料，建設流程標準化的實施，部件如何拼合，建設工序如何進行，應該也可以由計算機通過計算得出方案。
也許你看到這里會問：那么，這一天何時來到？
畢竟大家都不是預言帝，只能說，人工智能還沒有取代建筑師的很多工作，可能有幾個因素：
1. 建筑師并不屬于高生命危險、高體力的重度勞動，還不像鉆井勘探工人或者是消防員那樣需要機器人的代替。建筑工作需求量不足以支撐市場變革，回報也可能較慢。
2. 建筑師的供應量相當充足，每年都有大量學子涌入各個高校的建筑學系，立志從事這一行業。我們的職業壽命也相當的長，基本從畢業出來就可以干到死。作為供給方，人數已經可以滿足市場需要，沒有匱乏之虞。
3. 還有重要的一點，就是供人工智能識別的建筑圖庫還沒有真正的完備。
眾所周知，建筑師的信息處理并不僅僅局限于數據計算，而是大部分建立在視覺處理系統之上的。我們的工作方式，大多數是通過繪制和解讀圖紙，所傳遞信息來完成。因此，計算機要模仿建筑師的工作方式，不可或缺的一方面就是視覺處理系統。
一直以來，計算科學家在為建立世界上最精確的計算機視覺系統孜孜不倦地努力著，近來，這方面已經取得了巨大的進展。微軟亞洲研究院在斯坦福大學的ImageNet舉行的圖像識別大賽中，成為了最新領跑者。它們開發的系統首次超越了人類，出錯率僅為約5％，比人眼還要低。
imagenet是全球最大的圖像識別數據庫，這個數據集包含約120萬張訓練圖像、5萬張驗證圖像和10萬張測試圖像，分為1000個不同的類別。
它的締造者就是斯坦福大學的李飛飛教授，她的團隊的創舉之一是，以人類學習的方式出發，為計算機的視覺提供了一個巨大的訓練材料庫。
想象一下視覺智能的教學過程：給計算機看一些特定物品的訓練圖片，比如說貓，并讓它從這些圖片中，建立出一個模型來，讓計算機懂得識別什么叫作貓。在過往，人們是用算法的規則來教育計算機——用數學的語言，告訴計算機這種算法：“貓”有著圓臉、胖身子、兩個尖尖的耳朵，還有一條長尾巴，這（算法）看上去挺好的。但是卻無法對應一只貓的無數變化模式——即使那些事物簡單到只是一只家養的寵物，都可以呈現出無限種變化的外觀模型，而這還只是“一個”對象的模型。
而人類的學習過程則不同，如果你把孩子的眼睛都看作是生物照相機， 那他們每200毫秒就拍一張照。 ——這是眼球轉動一次的平均時間。 所以到3歲大的時候，一個孩子已經看過了上億張的真實世界照片。 這種“訓練照片”的數量是非常大的。所以，與其孤立地關注于算法的優化、再優化，她的關注點放在了給算法提供像那樣的訓練數據——那些嬰兒們從經驗中獲得的質量和數量都極其驚人的訓練照片。
因此，在提供巨大的數據庫供計算機學習之后，通過積累、迭代和標注的不斷循環，計算機已經可以總結歸納出正確的方式。 因為ImageNet的橫空出世，它提供的信息財富完美地適用于一些特定類別的機器學習算法。
可以想象，如果建筑界擁有這樣的數據圖庫，如前面所說的工作，還不是時時刻刻都可能發生的事情？
當然，更深層次的建筑師工作，恐怕人工智能還難以企及。目前，人工智能主要應用于深度學習上：即是從海量數據學習，然后在一個領域深度優化；而設計往往涉及到心理學、音樂、歷史、數學等多方面的想象、演繹和分析等能力。對于人工智能來說，這種創造力仍然是新的挑戰。
然而，我們人類也不能放松學習和進化的步伐，因為更新的技術在不斷涌現。據科學家分析，我們所驚嘆的深度學習可能只是一個開始，之后還會有從經驗中增強的增強學習，用小數據也能學習的遷移學習......而計算機的學習和進步速度是如此的驚人，以致于我們還無法全面的預測到它的極限邊界，甚至有人悲觀的預言說，人工智能時代是人類歷史上的一個重要的里程碑，但是，它也可能是最后一個里程碑。
面對挑戰，我們應該如何轉變？如何應對？
如上文所言，如果我們總是低頭做事務性的工作，很有可能被人工智能所取代。只有不斷鍛煉自己的創造力，例如增強方案能力，形成獨特的設計風格，關注到人類生活的心理需求，保有人類所獨有的“直覺”“頓悟”等創造性思維的價值。這些，是機器的“短板”，是我們人類的長項，再跟隨潮流，將日新月異的技術，為我所馭。
是科技驅動商業，還是想象驅動現實？對于前景，我們抱有謹慎的樂觀。但更重要的是，保持敏銳的觸角，擁抱變化，主動創新。
參考文章：李開復《人工智能的黃金時代》
李飛飛 TED演講《我們怎么教計算機理解圖片》
杰瑞 卡普蘭 《人工智能時代》
