每天自我对弈100万盘棋，并从中学习的AlphaGo?
每天从100万辆车实际行驶中吸收所有经验的特斯拉？
一秒内对比全世界所有机场摄像头视频和所有通缉犯的人脸？
随着人工智能的飞速发展，很多重复性工作目前已经被机器人代替，我们需要的低技能工人会越来越少。甚至是比较高级的领域，例如编辑、翻译、金融、医疗等，也开始见到人工智能的身影：
例如股票证券市场，计算机可以获得所有的市场数据，然后决定“我该买进，或者抛出？”，摒除人类的焦虑或者幻想的情绪，作出纯粹而理性的分析。
在医疗方面，图像识别技术上的突破正好可以用来识别图片上的病变模式，为医生提供了一双准确而不知疲倦的眼睛。
那么，我们一向引以为傲的建筑师工作，是否也会被计算机代替？
总所周知，建筑设计需要新的创意，将多方面的信息整合、归纳、分析，加以联想、发散，产生出新的方案，新的观点，这是一种智能上的扩展和创造，远远超越了目前的机器智能水平。然而，在日常工作中，这个行业也有许多工作类型，需要遵循规范，重复频率高而不需要太多创造能力，它们很有可能在不久的将来，交由计算机来执行，例如：
强排工作
地产公司在拿地之前，建筑师往往要做多次测算。对交通、日照、间距等进行多方面的交叉分析。最终的方案需要满足城市规划的建筑密度、容积率、建设用地面积等众多约束条件，因此，建筑师需要假设和模拟多种建筑组合，确保达到规划条件的要求。
它并不是一种从空间入手的设计方法，也不是从用户入手的需求设计方法。这类工作，理论上是可以开发出相应程序，由计算机在满足规范上进行的穷举列表（记得alpha go一天可以下一百万盘棋？），进行多次模拟分析，运用人工智能进行解答。
审图工作
审图工作可说是建筑各专业施工图纸绘制的最后一环，也是必不可少的一环。由经验丰富的总工程师或审图专家结合图纸，对照规范，交叉检查，查漏补缺。
随着城市的崛起，建筑物也越来越复杂化，相关的规范也名目繁多，已经快要到达人类不可承受的地步。比如行业中常用规范，一般有数十类，专项规范则有数百之多。页数从数十到数百不等。其中一本常用的建筑设计防火规范，页面就有446页。即使是经验丰富、记忆力强的人也未必能全部记下。更不要说让我们在紧张的赶图时间完全正确无误的交叉运用。而这方面当然就是机器的长项啦，无论如何繁复的规范及相关计算，例如火灾疏散距离，建筑高度是否超限，人工智能都可以以闪电般的速度解决。
当然，这是在规范互不矛盾的前提下，否则，它恐怕就会遇到类似谷歌无人驾驶汽车的困境：是该躲避行人，还是该绕过来车？——这种情况大概也会有吧，毕竟编写规范的也是人类嘛……
举了以上两个例子，我们再把目光转到人工智能的工具之一，BIM软件上。
BIM是当下较前端的建筑信息模型软件，它是建筑从项目规划、设计、预算、建造、结算、物业等全生命周期中的智能动态控制系统，俗称建筑智能机器人系统。
BIM的特点是在三维概念中记忆空间信息，并在各个环节流通。例如墙身剖面，屋顶大样这类细节，如果是用cad等传统绘图软件，就还需要在设计建筑后，重新专门一个个描绘，但是换做BIM的话，一旦建筑模型设立，各种细节只要在模型上选定部位，截个图即好。随着建筑材料，建设流程标准化的实施，部件如何拼合，建设工序如何进行，应该也可以由计算机通过计算得出方案。
也许你看到这里会问：那么，这一天何时来到？
毕竟大家都不是预言帝，只能说，人工智能还没有取代建筑师的很多工作，可能有几个因素：
1. 建筑师并不属于高生命危险、高体力的重度劳动，还不像钻井勘探工人或者是消防员那样需要机器人的代替。建筑工作需求量不足以支撑市场变革，回报也可能较慢。
2. 建筑师的供应量相当充足，每年都有大量学子涌入各个高校的建筑学系，立志从事这一行业。我们的职业寿命也相当的长，基本从毕业出来就可以干到死。作为供给方，人数已经可以满足市场需要，没有匮乏之虞。
3. 还有重要的一点，就是供人工智能识别的建筑图库还没有真正的完备。
众所周知，建筑师的信息处理并不仅仅局限于数据计算，而是大部分建立在视觉处理系统之上的。我们的工作方式，大多数是通过绘制和解读图纸，所传递信息来完成。因此，计算机要模仿建筑师的工作方式，不可或缺的一方面就是视觉处理系统。
一直以来，计算科学家在为建立世界上最精确的计算机视觉系统孜孜不倦地努力着，近来，这方面已经取得了巨大的进展。微软亚洲研究院在斯坦福大学的ImageNet举行的图像识别大赛中，成为了最新领跑者。它们开发的系统首次超越了人类，出错率仅为约5％，比人眼还要低。
imagenet是全球最大的图像识别数据库，这个数据集包含约120万张训练图像、5万张验证图像和10万张测试图像，分为1000个不同的类别。
它的缔造者就是斯坦福大学的李飞飞教授，她的团队的创举之一是，以人类学习的方式出发，为计算机的视觉提供了一个巨大的训练材料库。
想象一下视觉智能的教学过程：给计算机看一些特定物品的训练图片，比如说猫，并让它从这些图片中，建立出一个模型来，让计算机懂得识别什么叫作猫。在过往，人们是用算法的规则来教育计算机——用数学的语言，告诉计算机这种算法：“猫”有着圆脸、胖身子、两个尖尖的耳朵，还有一条长尾巴，这（算法）看上去挺好的。但是却无法对应一只猫的无数变化模式——即使那些事物简单到只是一只家养的宠物，都可以呈现出无限种变化的外观模型，而这还只是“一个”对象的模型。
而人类的学习过程则不同，如果你把孩子的眼睛都看作是生物照相机， 那他们每200毫秒就拍一张照。 ——这是眼球转动一次的平均时间。 所以到3岁大的时候，一个孩子已经看过了上亿张的真实世界照片。 这种“训练照片”的数量是非常大的。所以，与其孤立地关注于算法的优化、再优化，她的关注点放在了给算法提供像那样的训练数据——那些婴儿们从经验中获得的质量和数量都极其惊人的训练照片。
因此，在提供巨大的数据库供计算机学习之后，通过积累、迭代和标注的不断循环，计算机已经可以总结归纳出正确的方式。 因为ImageNet的横空出世，它提供的信息财富完美地适用于一些特定类别的机器学习算法。
可以想象，如果建筑界拥有这样的数据图库，如前面所说的工作，还不是时时刻刻都可能发生的事情？
当然，更深层次的建筑师工作，恐怕人工智能还难以企及。目前，人工智能主要应用于深度学习上：即是从海量数据学习，然后在一个领域深度优化；而设计往往涉及到心理学、音乐、历史、数学等多方面的想象、演绎和分析等能力。对于人工智能来说，这种创造力仍然是新的挑战。
然而，我们人类也不能放松学习和进化的步伐，因为更新的技术在不断涌现。据科学家分析，我们所惊叹的深度学习可能只是一个开始，之后还会有从经验中增强的增强学习，用小数据也能学习的迁移学习......而计算机的学习和进步速度是如此的惊人，以致于我们还无法全面的预测到它的极限边界，甚至有人悲观的预言说，人工智能时代是人类历史上的一个重要的里程碑，但是，它也可能是最后一个里程碑。
面对挑战，我们应该如何转变？如何应对？
如上文所言，如果我们总是低头做事务性的工作，很有可能被人工智能所取代。只有不断锻炼自己的创造力，例如增强方案能力，形成独特的设计风格，关注到人类生活的心理需求，保有人类所独有的“直觉”“顿悟”等创造性思维的价值。这些，是机器的“短板”，是我们人类的长项，再跟随潮流，将日新月异的技术，为我所驭。
是科技驱动商业，还是想象驱动现实？对于前景，我们抱有谨慎的乐观。但更重要的是，保持敏锐的触角，拥抱变化，主动创新。
参考文章：李开复《人工智能的黄金时代》
李飞飞 TED演讲《我们怎么教计算机理解图片》
杰瑞 卡普兰 《人工智能时代》
