用AI做设计，究竟能不能真的有效？

在这篇文章中，我们讨论设计中的人工智能问题（AI in Design）。众所周知，人工智能 AI 的最终目的是让机器具备与人类类似的识别、分析、理解甚至是决策的能力，从而能够代替人类解决问题、完成任务。但是，现阶段的人工智能，即使是在工业场景中已经获得了较好的推广应用的人工智能技术，都属于弱人工智能。

利用大量的数据学习、预训练、参数调优、微调、模型架构调整等等改进或处理手段，这些人工智能的模型或方法能够依赖数据或经验自动完成一些任务，但是却无法拥有人类的主观能力，例如对事物、事件或者环境的感受和感知能力。它们不能够独立思考，因此，也不能真正具备像人类一样的推理、类比等抽象思维的能力。

什么是设计？百科中这样写道：「设计是有目标有计划的进行技术性的创作与创意活动， 是把一种设想通过合理的规划、周密的计划、通过各种方式表达出来的过程，可以把任何造物活动的计划技术和计划过程理解为设计。」设计涉及了众多领域，例如：商贸领域（Commerce），包括产品设计、包装设计等等；应用领域（Applications），包括游戏设计、UI 设计等等；传达（Communications）领域，包括字体设计、音效设计、图形设计、版面设计等等；科学和数学领域（Scientific and Mathematical），包括组合设计、实验设计等；物质领域（Physical），包括服装设计、环境设计、工业设计等等。不管最终的应用领域是什么，设计都有一个关键的组成「人类的一种设想」。这种设想是典型的人类思维和思想，是完全抽象的存在，也是目前人工智能所无法替代的关键。因此，在设计中引入人工智能仍面临很大的挑战。

不过，尽管在设计中引入人工智能面临很多问题，但人工智能还是有其固有的优势的。一是，人工智能具有超过人类的记忆能力，能够随时、正确的调用大量的经验来辅助完成任务；二是，人工智能具有超强的计算能力，能够在短时间内完成复杂的计算任务；三是，人工智能方法不受人类主观情绪影响，能够相对公平的评估设计方案。因此，在设计中引入人工智能将能够不断地积累并有效利用经验知识，且能够不断地、快速且高效地优化设计方案，以及能够不断地探索并找到最佳的设计方案。

本文根据近期发表的四篇论文，具体探讨了人工智能在结构设计、产品设计、电路设计、排版版面设计中的应用。这四个设计应用领域的任务区别非常大，所以应用人工智能的方法也非常不同。我们将在后续章节中具体分析不同设计任务的特点、需求，以及如何有效的将人工智能引入到设计中。

1、结构设计中的 AI

本文重点关注的是结构设计问题，具体是指医院病房的房间布局设计 [1]。患者在住院期间出现跌倒的情况会严重影响患者的预后，导致发病率增加、住院时间延长和生活质量降低等问题。此外，不必要的跌倒也会给患者和医疗系统带来巨大的经济成本。导致患者跌倒的原因有很多。其中，环境危害（Environmental Hazards）和事故（Accidents）已被确定为最常见的跌倒原因。

文献[6] 中提出了一种考虑房间布局的病人在医院房间内自然行走时跌倒风险的度量方法。该方法通过考虑房间设计因素，包括照明、地板类型、门的操作 (摆动或滑动) 和房间内的支撑物 (如家具、扶手、床栏等) 来估计病人在房间中的跌倒风险。然而，作者所提出的度量标准所定义的跌倒风险与房间布局之间的公式关系复杂且不直观，同时不能手动调整布局以降低跌倒风险。

本文在 [6] 中跌倒模型的基础上，采用无梯度优化技术自动生成医院房间布局的设计方案，目的是能够通过改进房间布局设计的方式降低患者跌倒的风险（见图 1）。具体来说，作者对模拟退火方法进行了调整，以优化多个真实世界医院房间的特征，包括病人床、沙发、病人椅、输液杆、马桶和水槽等物体的位置，房间内照明的位置，以及主门和浴室门的位置等，即，引入人工智能辅助进行房间布局的结构设计。

      

图 1. 传统和优化的房间布局对跌倒风险的评价。图 (a) 和(b)为房间示意图，图 (c) 和(d)为跌倒风险模型评估的相应跌倒风险热力图。

1.1 结构设计中的人工智能介绍

结构设计中的人工智能与计算机化布局规划（Computerized layout planning）问题相关。计算机化布局规划是指在满足一系列标准和约束条件和 / 或优化一些目标的同时，利用计算机来分配空间。自 20 世纪 60 年代基于规则的计算机布局规划理念初见端倪以来，对计算机布局规划的需求不断增加。此后，人们在计算机布局规划方面做了很多工作，包括一些商业化产品。例如，Spacemaker（https://www.spacemakerai.com/）、Planner 5D（https://planner5d.com/）等等。这些软件包利用数学建模、人工智能和建筑城市发展方面的技术，协助建筑师设计多建筑住宅用地和高层规划。

在空间分配和布局规划中，人们关注的是消耗空间的物体和资源的物理位置安排。除此之外，计算机布局规划也常应用于室内设计中的物体放置问题。我们比较熟悉的有宜家开发的 IKEA PLACE 平台，通过手机摄像头扫描的区域内，虚拟放置公司的产品（Ikea apps - ikea. https://www.ikea.com/us/en/customer-service/mobile-apps/.）。

医院科室布局规划是医疗机构计算机布局规划中的重点研究领域之一。本文重点讨论了医院房间内家具、照明和门洞的摆放，目的是通过合理的规划布局设计，以降低患者跌倒的风险。

1.2 方法介绍

一个典型的单人床医院房间由两个子房间组成，一个是主房间，包括了病人、访客和临床区域。一个是浴室，包括了厕所、淋浴和洗脸池。作为本文方法的输入, 房间边界的几何形状是根据建筑学的要求确定的（本文使用的房间几何形状见图 1）。对于每一个子房间，必须放置特定的家具物品，必须包含光源来照亮房间，必须有连接浴室与主房间的门廊和连接主房间与走廊的门廊。本文模型的目标是对家具、光源和门廊的位置设计进行了优化，以降低患者跌倒的风险。

借用约束满足问题中的符号，作者将本文方法的输入形式化为三个集合：（1）房间的一组 n 个可变对象（如：家具、光源和门）：X=；（2）为 X 中每个变量定义的一组域：D=；（3）一组定义在 X 中变量上的约束条件：C，其中，每个约束条件都可以涉及任何变量的子集。对于 X 中的每个对象 x_i，将其在医院房间中的位置参数化为配置向量 d_i∈ D_i。然后，将整个医院房间的布局参数化为向量 l= [(d_0)^T , (d_1)^T , ... (d_n)^T]^T ，即 X 中每个对象的配置向量的并集。本文优化目标是在满足约束条件的前提下，确定医院房间的具体布局 l，同时将「与患者跌倒风险」相关的函数 l 最小化。

房间的整体跌倒风险分布是根据以前对医院跌倒风险的研究，计算出病人的一系列外在因素的函数。该跌倒风险模型考虑了受房间内设施位置影响的静态和动态因素，并提供了两个跌倒风险评估：(1) 房间基线评估，根据以下静态因素计算：地板类型、照明条件、门的操作、周围物体 (如扶手、椅子、医疗架、沙发、水槽、马桶和床) 的支撑或危险作用，从而得出整个房间的风险分布。(2)基于运动的评估，考虑患者的步态动态特性，如转身角度和活动类型，如坐到站、走、转身、站到坐等。跌倒风险模型的完整流程见图 2。

      

图 2. 完整的跌倒风险模型流程图[6]

跌倒风险模型的输入为有关房间的细节，如地板表面类型以及房间的布局，包括照明、所有物体的位置和配置以及门的位置。输出是一个风险分布 r( l )，定义为离散化病房的网格图中每个元素的值。在模型的基线层中，每个网格的基值为 1，然后根据距离最近的支撑物体的距离以及照明、地板、门的操作因素来更新该值。对于基于运动的评估，该模型使用一组预先定义的场景，如患者从床上到厕所的转换，然后预测每个场景的物体之间的样本轨迹。模拟轨迹所经过的每个网格单元都会受到具体的模拟活动（如坐立）和动态因素（如角速度和转弯角度）的影响。由于两个目标对象之间可能存在多个轨迹，因此模型会生成并评估模拟患者轨迹的分布。结合基线和基于运动的评估风险曲线，得到整个房间的跌落风险分布。为此，计算基线跌落风险因素的平均值和每个网格单元上铺设的轨迹 / 活动点的跌落风险。最后输出的是每个网格单元的风险值。最后，可以将跌倒风险模型的输出可视化为医院房间布局的热力图，以显示跌倒风险值的分布情况（如图 1 所示）。

本文所使用的代价函数如下：

      

其中，α表示用户指定的截止参数，用于确定在分布中从哪里开始考虑曲线尾部下的区域，具体如图 3 所示。公式中的第三项表示风险值高于α的网格单元的集合。考虑曲线尾部下面积是财务风险管理中的常见做法，即所谓的条件风险值。最终的代价函数就是跌倒风险分布的中位数、平均值、标准差和最大值的函数。

      

图 3. 跌倒风险分布的代价函数参数，显示中位数、最大值和高风险尾部下面积。

作者使用模拟退火来优化 r( l )。模拟退火是一种随机迭代优化方法。在每次迭代时，随机生成当前布局附近的布局，并评估其代价。如果新的布局比当前布局有所改进，则将其更新为当前最新布局。如果没有改进，根据 Metropolis 概率，仍然可以接受它为最新布局：

      

其中，k 为 Boltzman 常数，T 为根据冷却计划随时间衰减的温度值，c 代表与布局相关的代价值。详细的优化流程见 Algorithm 1。

      

在执行优化过程中，当同时生成随机的初始可行房间布局 (Alg.1 行 8) 和附近可行布局 (Alg.1 行 16，NearbyFeasLayout) 时，首要保证的是这些布局是可行的，即满足约束集 C 中所有的约束条件。在这两种情况下，作者采用随机抽样与回溯的方法，在初始房间布局的生成过程中，从每个变量的域中均匀地随机采样。当生成现有布局的附近布局时，从以现有布局的配置为中心的正态分布中对每个变量的配置进行采样，并为每个变量定义标准差（Alg.1 中的σ_r）。为了确保在此过程中满足约束条件，作者利用了回溯搜索方法。回溯搜索方法每次为一个变量赋值并检查是否满足约束。当一个变量赋值违反约束条件时，回溯搜索方法重新采样，当一个变量没有合法的值可供赋值时，或者在试图赋值该变量时发现已经达到最大迭代次数或已耗费最大时间时，该方法会回溯到重新赋值之前的变量。

图 4 给出了在医院房间中放置一个物体时的回溯示例。在图 4a 中，算法试图将其中一个物体放置在浴室中，但由于前面物体的存在导致它无法做到这一点。该方法回溯并考虑更改先前放置物体的位置（图 4b）。最后，在满足约束条件的情况下，算法成功地将物体放置在房间里（图 4c）。图 5 描述了回溯算法的整体流程。