Was kann AIGC, gesteuert durch ChatGPT, für vertikale Branchen tun?

Der AIGC-Trend ist seit letztem Jahr aufgekommen und löst ein explosionsartiges Wachstum des Themas AIGC und seiner Anwendungen aus. Viele Menschen beklagen, dass die Ära der starken künstlichen Intelligenz nicht mehr so ​​weit entfernt ist uns. Auf der anderen Seite des Booms sehen wir jedoch, dass es noch sehr wenige Szenarien gibt, die tatsächlich umgesetzt werden können. Derzeit konzentrieren sich die erfolgreicheren Anwendungen hauptsächlich auf den Bereich des persönlichen Konsums, während die meisten Anwendungen von AIGC in der Industrie liegen befinden sich noch in der Sondierungsphase.

Sequoia Capital machte am 22. September die folgende Vorhersage für AIGC: Die textbasierte KI-Generierung wird im Jahr 2023 in eine goldene Periode eintreten. Das goldene Zeitalter des Bildes Die KI-Generierung wird etwa im Jahr 2025 eintreffen. Die 3D- und Video-KI-Generierung befindet sich möglicherweise im Jahr 2023 im Entwurfsstadium und könnte im Jahr 2030 in das goldene Zeitalter eintreten. Es ist unbestreitbar, dass die KI-Generierung von Texten und Bildern tatsächlich die Nase vorn hat, während sich die Generierung von 3D-Modellen, Videos und Spielen noch in der Entwicklungsphase befindet. Sequoia Capital strebt AIGC-bezogene Produktreifeprognose an

Wenn AIGC-Industrieanwendungen berücksichtigt werden, beispielsweise in riesigen vertikalen Einheiten wie der Fertigung und Aufbau werden die C/Content-Inhalte von AIGC nicht mehr nur im Bereich von Bildern und Text bleiben, sondern müssen in einen dreidimensionalen Bereich mit umfangreicheren Informationen vordringen. Als nächstes werden wir seinen Entwicklungspfad von der AIGC-Technologie -> Produkte -> Geschäftsanwendungen und Wertrealisierung diskutieren und anhand industrieller Beispiele untersuchen, wie AIGC geschlossene Kreisläufe und Wertimplementierung im industriellen Bereich erreichen kann.

1.AIGC-Technologie: vom Text zum Bild Wie Sie an der zunehmenden Anzahl von Tests auf ChatGPT sehen können, ist ChatGPT nicht nur Es kann Semantik analysieren und strukturieren und auf dieser Grundlage auch die NLP-Verarbeitung natürlicher Sprache zur Datenanalyse nutzen. Strukturierung von Inhalten, Aufbereitung und Datenanalyse – Jiage-Daten bereitgestellt. Bereits Anfang letzten Jahres gab es Aufsehen. Obwohl Bilder komplexere Informationsinhalte zu haben scheinen als Texte, ist ihre Technologie früher ausgereift als die von GPT angeführte Textgenerierung. Wir müssen das Mainstream-Open-Source-Framework Stable Diffusion als Beispiel nehmen, um zu sehen, wie das AIGC-Framework funktioniert.

​Die von Stable Diffusion erzeugten Bilder können mit menschlichen Malern verglichen werden

Stable Diffusion Main Es gibt drei Komponenten, jede mit ihrem eigenen neuronalen Netzwerk.

1. CLIP wird für den Textencoder verwendet:

Die semantischen Informationen mit Text als Ausgabe bilden eine 77*768-Matrix, CLIP-Trainings-KI führt sowohl das Verstehen natürlicher Sprache als auch die Computer-Vision-Analyse durch. CLIP kann den Grad der Übereinstimmung zwischen Bildern und Textaufforderungen bestimmen, z. B. das Bild eines Gebäudes schrittweise mit dem Wort „Architektur“ abgleichen, und seine Fähigkeitsschulung wird durch mehr als 4 Milliarden Bilder mit Textbeschreibungen auf der ganzen Welt erreicht.

CLIPs Trainingsset#🎜. 🎜 #

2, UNET und Scheduler:

Dies ist das berühmte Diffusionsmodell-Hauptprogramm (vorgeschlagen von den CompVis- und Runway-Teams im Dezember 2021 „Latent Diffusion Model“. " (LDM / Latent Diffusion Model) wird verwendet, um Rauschen vorherzusagen und den Prozess der umgekehrten Rauschunterdrückung zu erreichen, wodurch die Erzeugung von Bildern im Informationsraum erreicht wird. Wie im Bild gezeigt, ähnelt der Prozess der Farbstoffdiffusion dem Prozess des allmählichen Übergangs von einem Bild zu einem Rauschpunkt. Wenn die Forscher dem Bild zufällige Rauschpunkte hinzufügen und die KI den Gesamtprozess in umgekehrter Reihenfolge lernen lassen Sie verfügen über eine Reihe von Reverse-Learning-Methoden aus dem Informationsraum-Noise-Map-Modell, das Bilder generiert.

Umgekehrter Rauschunterdrückungsprozess des Diffusionsmodells

Anhand eines beliebten Beispiels erklärt: Wenn Sie zufällig etwas Farbstoff in sauberes Wasser tropfen, erhalten Sie mit der Zeit eine wunderschöne Form wie im Bild unten. Gibt es also eine Möglichkeit, aus einem bestimmten Zustand zu einem bestimmten Zeitpunkt umgekehrt Informationen wie die anfängliche Farbstoffdosierung, die Reihenfolge und den anfänglichen Zustand des Eintropfens in den Wassertank abzuleiten? Offensichtlich ist dies ohne die Übernahme von KI-Methoden kaum zu erreichen.

Verschiedene Farbstoffe werden in Wasser getropft und diffundieren in verschiedene Formen Informationsraum Konvertiert in ein RGB-Bild, das mit bloßem Auge sichtbar ist. Stellen Sie sich den Prozess der Kommunikation mit anderen vor. Die Tonsignale, die wir hören, werden in Textsignale umgewandelt, die das Gehirn verstehen und im Gehirn speichern kann. Wenn Sie versuchen, Textsignale durch eine bestimmte Sprache auszudrücken, kann dieser Vorgang als Decodierung bezeichnet werden. Der Ausdruck kann hier in jeder Sprache erfolgen, und jede Sprache entspricht einem anderen Decoder basierend auf dem Menschen. Die Beschreibung und das Verständnis von etwas im Kopf.

Interpretation des gesamten Prozesses von StableDiffusion von der Eingabe bis zur Ausgabe

Genau mit der Reihe dieser wichtigen technischen Schritte hat Stable Diffusion nicht nur erfolgreich einen allmächtigen KI-Zeichenroboter geschaffen kann die Semantik verstehen und in einen Informationsfluss im Informationsraum umwandeln, kann ihn aber auch durch simulierte Rauschunterdrückung im Informationsraum erzeugen und durch einen Decoder in ein für das bloße Auge sichtbares Bild wiederherstellen existieren in der KI. Aus der Perspektive der Welt kann man es ein Wunder nennen.

2.AIGC-Technologie: von Bildern zu 3D-Modellen

Die Bilderzeugung hat bahnbrechende Ergebnisse erzielt, aber wenn diese Ergebnisse weiter optimiert und auf mehr Bereiche angewendet werden können, wird es möglich sein, einen größeren Wert zu erzielen. Wir haben auch einige Erkundungsergebnisse in unterteilten Feldern gesehen. Durch das Verstehen der Szene, das Hinzufügen verschiedener Datensätze und das Anpassen von Parametern können wir beispielsweise eine bessere Kontrolle über die Bilderzeugung erreichen, nicht nur durch ständiges Ausprobieren des Textes.

2.1 Design Intent Map Generation

Zu Beginn des Jahres 2019 erregte die mithilfe von GANs generierte Serie „Dieser XX existiert nicht“ große Aufmerksamkeit im Ausland. Auch im Inland sahen wir Unternehmen, die Ergebnisse auf den Markt brachten segmentierte Felder. Außerdem startete das Team am 22. August versuchsweise die „AI Creative Library“ auf dem Mobiltelefon. Geben Sie einfach einen Satz ein, und der Gesprächsroboter kann die Semantik in einer Minute schnell verstehen und mehrere Bilder mit detaillierten Effekten erzeugen, die dem architektonischen Konzeptplan nahe kommen. Absichtsdiagramm. Darüber hinaus kann die „AI Creative Library“ durch die Eingabe eines vorhandenen Bildes und die Änderung der Schlüsselwörter einiger Beschreibungen eine Reihe abgeleiteter Bilder generieren, um Designern dabei zu helfen, Inspiration für ihre täglichen Kreationen zu finden.

Xiaoku-Technologie „Dieses Gebäude existiert nicht“, GANs-Modell generiert Architekturbilder und iterativen Prozess

Linkes Bild: Xiaoku „AI Creative Library“-Generierung, Auslösung von Louis Kahns Aussagen Stil, ein kleines Museum, umgeben von Bergen und Flüssen; rechtes Bild: erstellt von Xiaoku „AI Creative Library“, basierend auf dem Louis-Kahn-Stilbild links, der fertige Stil ist auf Le Corbusier umgestellt

Um die „AI Creative Library“ effektiver zu machen, hat das Team einige neue Erkundungen unternommen: Da sich die vorhandenen Algorithmen und Modelle stärker auf allgemeine Internetmaterialien konzentrieren, werden die Daten architekturbezogener Bilder, Beschreibungen und Stile gespeichert in Professionalität ist eindeutig nicht genug. Hier wird eine spezielle Kennung für konstruktionsbezogene Wörter verwendet, um einen fein abgestimmten vorherigen Datensatz zu bilden, und der Datensatz wird fusioniert und trainiert, um eine Modellverbesserung zu erreichen. Durch das neue, im Bauberufsbereich verbesserte Modell wurde eine KI-Kreativbibliothek speziell für die Baubranche gebildet. Für kurze Baubeschreibungssätze ist die Rate ausgezeichneter Produkte im Testsatz im Vergleich zum Originalmodell um 13,6 % gestiegen.

Schema des Google Dreambooth-Feinabstimmungsalgorithmus

Zum Beispiel kann das Modell bei der Eingabe eines Museumsbildes und des Wortes „Zaha Hadid (die verstorbene weltberühmte Architektin)“ dies tun verstehen, dass es notwendig ist, den architektonischen Stil oder die Merkmale des Museums näher an die Werke von Zaha Hadid heranzuführen, anstatt dem Museum eine Figur oder ein Porträt von Zaha Hadid hinzuzufügen oder ein Cartoon-Porträt von Zaha Hadid in der KI-Welt zu erstellen – Dies ist häufig eines der Ergebnisse, die ein allgemeines Modell liefern würde.

Nach der Feinabstimmung des Architekturmodells kann die kleine Bibliothek „AI Creative Library“ die verborgene Bedeutung des besonderen Wortes „Zaha Hadid“ vollständig verstehen.

2.2 3D-Modellgenerierung

Obwohl zweidimensionale Bilder wunderbar sind, spielen sie in industriellen Anwendungen vorerst immer noch nur die Rolle einer „Intentionsbibliothek“. Wenn sie zu einem Ergebnis werden wollen, das Design in Zukunft genau ausdrücken kann, müssen sie es tun in Richtung 3D und höherer Informationsdimensionen zu bewegen.

Im Jahr 2020, als AIGC noch nicht so ausgereift war wie jetzt, untersuchte das oben genannte Team, wie man KI zur Generierung von 3D-Modellen nutzen kann, und während des Unterrichts des DigitalFUTURES-Workshops an der Tongji-Universität legte es seine Forschungsergebnisse offen Was den Algorithmus des Modells betrifft, können wir sehen, dass die Wirkung des Modells zu diesem Zeitpunkt nicht sehr zufriedenstellend war. Was wertvoll ist, ist die Verknüpfung von Grafik-Bild-Modell.

DigitalFUTURES-Workshop der Tongji-Universität 2020 Xiaoku lehrt die Ergebnisse des Teams, handgezeichnete Grafiken generieren Bilder und generieren dann Modelle

Im zweiten Jahr des DigitalFUTURES-Workshop-Unterrichts der Tongji-Universität veröffentlichte das Team An Algorithmus, der GANs verwendet, um die Beziehung zwischen Diagrammen und realen dreidimensionalen Modellen zu lernen und Diagramme in reale dreidimensionale Modelle zu generieren. Durch das Erlernen von Merkmalen aus verschiedenen Ebenenelementen im Bild kann dieser Algorithmus die dreidimensionale gestreckte Form des dem Bild entsprechenden Hauptobjekts grob wiederherstellen und die Höhe des ursprünglichen Objekts entsprechend der Projektion verschiedener Objekte vorhersagen. Natürlich weist diese Methode immer noch gewisse Mängel auf. Sie kann nur in Bildszenen verwendet werden, und es ist schwierig, die Beziehung zwischen ähnlichen Bildern und dreidimensionalen Formen in anderen Szenen zu akkumulieren Sagen Sie die Höhe voraus und andere Details müssen durchlaufen werden. Der Algorithmus wird neu generiert, was einen großen Fehler im Vergleich zum realen dreidimensionalen Modell aufweist. Er kann nur für die frühe Forschung und Beurteilung des Projekts verwendet werden, und die Anwendungsszenarien sind begrenzt .

Schematisches Diagramm des hierarchischen Merkmalsextraktionstrainings für städtische 3D-Modelle 2021 Tongji University DigitalFUTURES-Workshop Ergebnisse des Xiaoku-Lehrteams, basierend auf GANS Figurenrekonstruktion 3D-Modell

Dank der Explosion von AIGC-Algorithmen und der zunehmenden Reife von 3D-Generierungsalgorithmen haben wir auch gesehen, dass vertikale KI-Unternehmen begonnen haben, fortschrittlichere Technologien und Ideen zur Verbesserung ihrer Modelle zu übernehmen und einige neue Ideen für den 3D-AIGC-Weg zu haben. Richtung zum Ausprobieren. OPENAI hat beispielsweise das Point-E-Framework eingeführt, das über einen Algorithmus jedes zweidimensionale Bild in eine Punktwolke vorhersagen und dann dreidimensionale Objekte über die Punktwolke vorhersagen kann.

Schematische Darstellung des gesamten Prozesses des PointE-Frameworks

Die Qualität der Modellgenerierung weist jedoch immer noch gewisse Einschränkungen auf, und die Unbrauchbarkeit des Modells spiegelt sich hauptsächlich im Folgenden wider Drei Aspekte:

1. Schwierigkeiten bei der Wiederherstellung von 3D-Formen: Erstens erschienen 2D-Bilddaten früher als 3D-Modelldaten. Gleichzeitig sind derzeit mehr 2D-Bilddaten verfügbar als letztere kann in größeren Mengen als Trainingsmaterial verwendet werden, während weniger 3D-Modelldaten verwendet werden können. Die Verallgemeinerungsfähigkeit von Modelltrainingsmaterialien ist schwierig und es ist schwierig, die ursprüngliche dreidimensionale Form wiederherzustellen Materialmangel: Der wichtigste Teil für ein dreidimensionales Modell ist das Füllen und Auswählen von Materialien. Für die KI-Generierung ist die Methode zur direkten Schätzung des Materials aus dem Bild jedoch noch nicht ausgereift. Das gleiche Material verhält sich unter verschiedenen Bedingungen unterschiedlich Wenn diese Variablen in einem Bild konzentriert sind, ist eine Materialrekonstruktion nahezu unmöglich

3 Die Genauigkeit des generierten Modells entspricht normalerweise nicht dem Standard Dichte der Punktwolke zur Rekonstruktion des Objektoberflächennetzes. Wenn zu wenige Punktwolken vorhanden sind, wird das Objekt stark verzerrt und das Modell kann möglicherweise nicht einmal rekonstruiert werden.

Das Architekturbild auf der linken Seite hat eine Punktwolke generiert und das dreidimensionale Modell auf der rechten Seite simuliert Haufen bedeutungsloser Punktwolkenmodelle. Point-E kann immer noch kein Bild eines Gebäudes verstehen

Natürlich können wir den aktuellen technischen Engpass verstehen. Wenn wir das Ziel etwas niedriger setzen, wählen wir eine einfache Form Wenn Sie mit einer 3D-Modellierungssoftware einen 2D-Screenshot erstellen und ein Point-E-Modell erstellen, werden Sie überraschenderweise feststellen, dass der Effekt besser ist als beim obigen Test, aber immer noch auf den Umfang des „vorläufigen Entwurfs“ beschränkt ist. Dies hängt eng mit dem Trainingssatz zusammen. Die Generierung von 2D-Ansichten aus jeder Perspektive mithilfe einer 3D-Modellierungssoftware ist eine der einfachsten Möglichkeiten, Trainingsdaten für dieses Modell zu erhalten.

Das Xiaoku-Team testete das Point-E-Modell, wählte ein einfaches 3D-Modell in der Modellierungssoftware aus, um Screenshots aus jedem Winkel zu machen, und rekonstruierte das 3D-Modell, oft mit ziemlich guten Ergebnissen

Zusammenfassend lässt sich sagen, dass der technische Weg von Text -> Bild -> Punktwolke -> dreidimensionales Objekt zwar erstaunlich ist, aber wenn er im industriellen Bereich angewendet werden soll, muss noch viel Arbeit geleistet werden von KI-Wissenschaftlern durchgeführt werden.

Ist dies jedoch der einzige technische Weg, um die Generierung von 3D-Modellen zu erreichen?

3 Neue Ideen für AIGC-Anwendungen in vertikalen Bereichen

Bei der Entwicklung großer Modelle in allgemeinen Bereichen bringen Hersteller unter Führung von OpenAI, darunter Giganten wie Nvidia und Google, leider auch ihre eigenen universellen 3D-AIGC-Frameworks auf den Markt , Es ist noch in einem frühen Stadium. Für vertikale physische Industrien ist es offensichtlich noch ein langer Weg bis zur praktischen Anwendung.

Aus globaler Sicht untersuchen einige vertikale Branchen im Bereich der 3D-Modellgenerierung neben großen Pan-Field-Modellen auch die Anwendung von AIGC. Beispielsweise führt Siemens während der Konstruktion und Herstellung des Motors eine Richtliniensimulation und weitere Optimierung des generierten Modells durch. Schließlich erreicht es durch 3D-Druckeinheiten die Generierung von 3D-Modellen, die Bereitstellung von Ergebnissen und einen geschlossenen Geschäftskreislauf.

Siemens implementiert Motordesign und Simulation durch generative Algorithmen

Die Realisierung solcher Ergebnisse hängt von der kontinuierlichen Iteration des zugrunde liegenden Geschäftsinhalts und seiner Datenstandards unter industrieller Logik ab.

Die digitale Standarddefinition von Inhalten ist SMART (Standards Machine Applyable, Readable and Transferable) gemäß ISO/IEC: L1-Ebene ist Papiertext, keine maschinelle Interaktion ist möglich; L2 Die L3-Ebene ist ein offenes digitales Format mit sehr geringe Maschineninteraktivität; die L3-Ebene ist ein maschinenlesbares Dokument, aber die Maschine kann die Abrufergebnisse und den Inhalt nicht verstehen; die L4-Ebene ist ein maschinenlesbarer Inhalt, der semantisch interagiert werden kann, aber die Maschine kann die logische Beziehung des Kontexts nicht verstehen ; Level L5, maschineninteraktiver Inhalt, der intelligente Attribute wie automatische Identifizierung und automatische Generierung realisieren kann.

Im industriellen Bereich sind Informationsinhalte auf L3-Ebene derzeit weit verbreitet und digitale Inhalte auf L4-Ebene werden entwickelt, während Intelligenz auf L5-Ebene die Kerngrundlage von Industrie 4.0 und intelligenter Fertigung bildet. Daher ist die zukünftige Ausrichtung von AIGC die Generierung maschinenlesbarer Inhalte über L4-Ebene, insbesondere intelligenter Inhalte auf L5-Ebene.

ISO/IEC SMART Digital Standard „China Engineering Science“, Band 23, Ausgabe 6, 2021 „Forschung zum Entwicklungsstand und zu Trends der Standarddigitalisierung“ Liu Xize, Wang Yiyi, Du Xiaoyan, Li Jia, Che Di

Übersee hat begonnen, AIGC im Bereich industrieller Anwendungen zu praktizieren, während die inländische Exploration noch relativ selten ist, aber wir haben auch einige Unternehmen gefunden, die stark in vertikalen Bereichen engagiert sind. Wie oben erwähnt, ist das Xiaoku-Technologieteam beispielsweise stark in der Baubranche engagiert. Wir werden die Bauindustrie als Beispiel nehmen, um den Implementierungspfad von AIGC in vertikalen Industrien zu diskutieren.

Die aktuelle inländische Realwirtschaft befindet sich in einer Zeit des Wandels. Die nationale Ebene hat die wichtige Aufgabe der „Integration von künstlicher Intelligenz und der Realwirtschaft“ vorgeschlagen, um die Industrie bei der Digitalisierung zu unterstützen und intelligente Upgrades, anstatt ein DEMO-Produkt, das im Konzept bleibt, oder eine lustige Sache, die man nach dem Abendessen besprechen kann.

Die Bauindustrie ist eine nationale Stützindustrie mit einem Jahresumsatz von fast 30 Billionen, ihr Digitalisierungsgrad liegt jedoch unter allen Branchen des Landes an letzter Stelle. Derzeit hat das Land eine intelligente Baupolitik vorgeschlagen und hofft, ein neues Niveau von „Made in China“ zu erreichen. Intelligentes Bauen basiert auf der Industrialisierung neuer Gebäude (Industrialisierung/Fertigbau, digital, intelligent), basiert auf der tiefen Integration von Informationstechnologie der neuen Generation und fortschrittlicher Bautechnologie und durchzieht alle Aspekte der Bauaktivitäten wie Entwurf, Produktion, Bau und Betrieb und Wartung sowie Überwachung, die die Merkmale Selbstwahrnehmung, Selbstentscheidung, Selbstausführung, Selbstanpassung und Selbstlernen aufweist und eine fortschrittliche Konstruktionsmethode zur Optimierung der Qualität, Effizienz und ist Kernwettbewerbsfähigkeit des gesamten Lebenszyklus der Bauindustrie.

Chinas Gesamtproduktionswert und Wachstum von 2011 bis 2021 – National Bureau of Statistics – Foresight Industry Research Institute,

Quelle: Gartner ;Kable ; OECD, Central Bureau of Statistics; Analyse des McKinsey Global Institute Inhalt Die Zeiten schreiten voran. Die Anforderung an 3D-Modelle in der Bauindustrie besteht darin, dass das Inhaltsobjekt über volldimensionale, genaue Informationen im dreidimensionalen Raum verfügt, einschließlich Modell, Daten und anderen Dimensionen. Wenn es auch Regeldimensionen enthalten kann, kann es dann über eine Selbstwahrnehmung verfügen. Selbstlernen, Selbstiteration usw. Intelligente Fähigkeiten. Derzeit werden CAD- und BIM-Anwendungssoftware der L3-Ebene von Ländern in Übersee monopolisiert. Unser Entwicklungsraum und unser Potenzial müssen sich auf Software der L5-Ebene konzentrieren, die niedrige Dimensionen mit hohen Dimensionen abdecken kann.

Digitale Standard-SMART-Inhaltsformatanzeige im Baubereich

Auf der Grundlage von Erkenntnissen über die digitale Transformation der Baubranche erkannte das Xiaoku-Team, dass es notwendig war, die Datenunterschicht der gesamten Branche neu zu definieren . Seit seiner Gründung im Jahr 2016 widmet es sich der Forschung und Entwicklung der zugrunde liegenden Technologie des 3D-Modells AIGC der L5-Ebene und seiner Anwendung in der Bauindustrie. Basierend auf einer Reihe von KI-Systemen, die Geschäftsflusslogik enthalten, werden verknüpfbare Inhalte im „digitalen Modellmaßstab“ generiert, darunter Gebäudeinformationen, mehrdimensionale Daten, 3D-Modelle und Regeln/Normen/Gesetze, um die intelligente Generierung von Architekturdesign zu realisieren Pläne.

Das Team nennt diese zugrunde liegenden Daten KI-gesteuertes Building Information Model on CloudCloud Building Information Model generiert durch künstliche Intelligenz ( (abgekürzt als ABC ) und fasst die Errungenschaft der intelligenten Generierung in vier praktische Schritte zusammen: KI identifiziert vorhandene Inhalte für das Training oder die strukturierte Datenrekonstruktion, wertet und simuliert die Daten, optimiert die vorläufigen Datenergebnisse und generiert schließlich eine Reihe von KI-Modellen, um Geschäftsergebnisse zu erstellen.

L5 Level Building Smart Format ABC Das intelligente Cloud-Modell zeigt

KI identifiziert Felder und das Team analysiert zig Millionen verschiedener Unternehmen Typen Durch die Bereinigung und Schulung von CAD-Zeichnungsdaten wurde eine 100 %ige Cloud-Wiederherstellung und eine 99,8 %* genaue semantische Analyse und Ergänzung von semantikfreien CAD-Zeichnungen auf L3-Ebene erreicht und damit das weltweit fortschrittlichste Niveau in diesem Bereich erreicht. Diese Errungenschaft wurde in vielen Produkten und Lösungen des Unternehmens umgesetzt. Beispielsweise weist die „intelligente Zeichnungsprüfung“ für die Prüfung von Konstruktionszeichnungen eine Genauigkeitsrate der Klauselprüfung von etwa 96 % auf.

小库Bauzeichnungskomponente und Raumidentifikation#🎜 🎜#

Das KI-Analysefeld basiert auf der effektiven Identifizierung von Projekten und zielt auf gängige zivile Gebäudetypen wie Wohnhäuser und Einkaufszentren ab. Dadurch kann das Team Simulationsanalysen der physischen Umgebung, Simulationen und Vorhersagen menschlicher Verhaltensdaten sowie projektbezogene Big-Data-Analysen und -Simulationen durchführen. Auf Anwendungsebene kann es Kunden bei der quantitativen Analyse von Projektplänen unterstützen. Durch die Bewertung der gesamten Palette von Wohnprodukten von Immobilienunternehmen können verschiedene Wertbewertungskoeffizienten ermittelt werden, um Immobilienunternehmen bei der Verbesserung der Produktqualität zu unterstützen. Daher wurde Xiaoku Technology auch als erster KI-Juror des Hausdesign-Wettbewerbs der China Housing Association ausgewählt. Diese Fähigkeit wurde auch bei der Entwicklung und dem Betrieb von mehr als zehn Einkaufszentren in Hongkong und China eingesetzt. #? 🎜#

AI-Optimierung

Das Team geht davon aus, dass die „Optimierung“ auf einer weiteren Suche nach der „Identifizierung“ und der Vorbestellung basiert „Analyse“ Optimale Iteration, d. h. Regenerierung besserer Ergebnisse basierend auf vorhandenen Inhalten. Diese Art von Technologie wird bereits in unternehmensspezifischen Produkten und Lösungen eingesetzt. Beispielsweise kann Xiaoku mit der Funktion „Smart Sunshine Optimization“ der Design Cloud 2022-Version automatisch eine Feinabstimmung von Lösungen vornehmen, die den Sonnenschein nicht bestehen, sodass sie die Sonnenscheinüberprüfung bestehen können, ohne große Anpassungen am ursprünglichen Muster vorzunehmen. Diese Funktion wird auch bei der Designentwicklung architektonischer Lösungen genutzt, beispielsweise bei Szenarien zur Optimierung des Vorhangfassadendesigns. Bei einem Museumsvorhangfassadenprojekt in Sichuan in Zusammenarbeit mit dem Sichuan Provincial Commercial Design Institute optimierte der Xiaoku-Algorithmus mehr als 30.000 ursprünglich unregelmäßige dreieckige Vorhangfassadenpaneele in 12 Arten von Standardmodulen, was weniger ist als die 116 Typen, die der aktuelle Weltstandard bieten kann Um 90 % reduziert, werden die Kosten für den Bau von Vorhangfassaden aufgrund der Reduzierung der SKU und der Schimmelpilzmenge erheblich gesenkt.

小库「Vorhangfassaden-Optimierungs-KI-Algorithmus」# 🎜 🎜#

Der Bereich der KI-Generierung ist der Kernbestandteil des intelligenten Designs. Für die Bauindustrie erfordert die Auswahl eines wirtschaftlichen, anwendbaren und schönen Entwurfsplans und die Erzielung sicherer, effizienter und qualitativ hochwertiger Bauergebnisse die Koordination und Koordination mehrerer Disziplinen und Rollen. Es muss nicht nur einzeln von der Makroskala über die Meso-Skala und dann zur Mikroskala aufgeschlüsselt werden, sondern muss auch schrittweise in mehreren Hauptfächern wie Architektur, Struktur, Elektromechanik, Sanitär, Landschaft usw. abgedeckt werden . Es muss auch verschiedene Arten von Wohnungen, Wohnungen, Industrien, Büros, Gewerbe usw. abdecken. Daher kann die Generierung professioneller Ergebnisse in vertikalen Bereichen nicht durch einen bestimmten Modellalgorithmus und einen bestimmten Datensatz gelöst werden. Es erfordert die organische Integration mehrerer Technologien wie Multimodell-, Multimodal- und Multidatensätze mit Geschäftslogik Durch ein Produktdesign, das zu den segmentierten Szenarien passt, und eine kontinuierliche Iteration auf der Grundlage des Benutzerfeedbacks kann dies endlich erreicht werden.

Ausgehend von der Geschäftslogik sortierte das Xiaoku-Team die 24 Geschäftsprozessschritte, die für das traditionelle Architekturdesign erforderlich sind, extrahierte und rekonstruierte den Kerninhalt in 6 Geschäftsmodule und etablierte ein KI-System und eine Cloud-Architektur als Kern eines neuen Satzes des Architekturdesigns AIGC-Geschäftsprozesse: Anpassen (Informationsabruf und KI-Erkennung), Ausführen (vollständige KI-Generierung und Mensch-Computer-Kollaboration), Modifizieren (manuelle Änderung und KI-Optimierung), Überprüfung (Datenüberprüfung und KI-Überprüfung), Zusammenarbeit ( Zusammenarbeit mehrerer Personen und Geschäftsverwaltung in der Cloud), Export (automatische Ausgabe weiterer Formate – 3D-Modelle/2D-Zeichnungen/Bilder/PPT/Excel usw.).

Linkes Bild: 24 Schritte des ursprünglichen Geschäftsprozesses des Architekturdesigns, rechtes Bild: Xiaoku wird in 6 Geschäftsprozessabschnitte umstrukturiert, die von KI unterstützt werden

Basierend auf dem Geschäftsverständnis Deeply Verstehen und rekonstruieren Sie die Geschäftslogik und integrieren Sie die 6 wichtigsten Geschäftsmodule tief in Technologien wie KI-Erkennung, KI-Generierung, Big Data und Cloud-Zusammenarbeit im Produktdesign, um Architekturplanung, Einzeldesign, Komponentengenerierung und andere unterschiedliche Tiefen zu realisieren. Die Anforderungen des Baugewerbes, von der Analyse über den Entwurf und die Prüfung bis hin zur Zusammenarbeit und Ausgabe, decken nach und nach die Breite und Tiefe der Anforderungen für das Wohnbaugewerbe ab.

„Xiaoku Design Cloud – Architekturplanung“ Produkt 6 Hauptmodule

„Xiaoku Design Cloud – Building Individual“ Produkt 6 Hauptmodule.

4 . Der Wert von AIGC in der Branche

In den meisten Branchen steckt die Anwendung von AIGC noch in den Kinderschuhen und die kontinuierliche Weiterentwicklung der gesamten KI-Technologie wird nachfolgende innovative Anwendungen von AIGC fördern. Am Beispiel der aktuellen Praxis in der Baubranche kann AIGC derzeit bei der Verbesserung spezifischer Geschäftsszenarien mit höheren Anforderungen an die Effizienz in einigen detaillierten Geschäftsszenarien helfen, die einen vom Benutzer wahrnehmbaren Wert generieren, wie z. B. Investitionsforschung, Design, Bewertung usw. in der Bauwirtschaft und im Baugewerbe.

4.1 Optimaler Lösungsgewinn und Effizienzsteigerung

In der Investitions- und Forschungsphase der Bauindustrie hat die im Jahr 2021 eingeführte „Zwei-Konzentrations“-Politik (zentralisierte Grundstücksversorgung und zentraler Grundstückserwerb) einen großen Anteil konzentriert In diesem Monat gestartet, müssen Entwicklungsunternehmen die Investitionsbewertung für jedes Grundstück in kurzer Zeit abschließen. Dabei geht es im Kern darum, die optimale Bauplanungslösung für ein Grundstück zu finden Berechnung des maximalen Produktwerts und der Kapitalrendite. Ursprünglich dauerte die Fertigstellung eines Wohnungsplanungskonzepts mindestens drei bis fünf Tage, was den Geschäftsanforderungen nicht gerecht wurde. Dies erhöhte die Notwendigkeit einer äußerst effizienten Architekturplanung vor der Investition.

Das Xiaoku-Team hat den Architekturplanungsplan von AIGC gestartet und die Erstellung des vorläufigen Plans dauert nur etwa 30 % der ursprünglichen Zeit. Noch wichtiger ist, dass KI Lösungen generieren und optimieren kann, an die Menschen noch nicht gedacht haben oder die manuell nur schwer erschöpfend verfeinert werden können, wodurch bessere Ergebnisse in Bezug auf Leistung oder Wirtschaftlichkeit erzielt werden. Bei einem Jiangxi-Projekt in China Jinmao beispielsweise nahm der KI-generierte Plan nicht nur nur 20 % der ursprünglichen Methode in Anspruch, sondern erhöhte auch den Gesamtwert des Projekts im Vergleich zum ursprünglichen Plan um 56 Millionen Yuan. Auf dem Immobilienauktionsmarkt hat das Team in den neun Monaten des Jahres 2021 fast tausend Projekte und fast zehntausend Pläne abgeschlossen und Kunden dabei geholfen, Dutzende Grundstücke erfolgreich zu erwerben.

Die KI von „Xiaoku Design Cloud“ generiert einen tatsächlichen Plan für den Erwerb von Wohngrundstücken KI mit der Entwurfsmethode DFMA (Design For Manufacture and Assembly) und Zusammenarbeit mit China Construction Science and Technology, einer Tochtergesellschaft des Baugiganten China Construction Group, um vorgefertigte Kastengebäude mit der KI-Designgenerierung L5 ABC The zu kombinieren Durch die tiefe Integration der „Daten-Form-Maßstab“-Verknüpfung wird die Echtzeitverknüpfung von Investitionsplan-Kosten vor der Implementierung realisiert, Design- und Kostenänderungen werden um 80 % reduziert und die gesamte Baugruppenkomponenten-SKU und das Formöffnungsvolumen werden effektiv reduziert, sodass 50 erreicht werden % % oder mehr Energieeinsparung und Emissionsreduzierung. Bei gleichzeitiger Erzielung besserer Leistung und wirtschaftlicher Ergebnisse können „native Daten“ effektiv mit Fabrikproduktionslinien und intelligenten Baustellen zu „Zwillingsdaten“ verbunden werden. Bei einem Hotelprojekt in Shenzhen dauerte die Fertigstellung vom Entwurf bis zum Bau 4 Monate, was die gesamte Bauzeit um mindestens 14 Monate deutlich verkürzte und mehr als 60 % der Zeit einsparte.

Ein Hotel in Shenzhen, das mit „Xiaoku Assembly Cloud“ und China Construction Science and Technology zusammenarbeitet, der gesamte Prozess von intelligentem Design und intelligenter Konstruktion)

L5 Ebene intelligente Konstruktion Vergleich zwischen dem Modell und dem traditionellen Modell

Wie aus den obigen Fällen ersichtlich ist, kann AIGC auf L5-Ebene von der Quelle der Datengenerierung ausgehen und die Industriekette effektiv dabei unterstützen, höhere Ebenen zu erreichen spezifische Anwendungen in unterteilten Szenarien in jedem Glied der Industriekette. Qualität, Effizienz und zentrale Wettbewerbsfähigkeit des gesamten Lebenszyklus. In der Zukunft besteht für AIGC ein allgemeiner Trend darin, von Text und Bildern zu höherdimensionalen 3D- und L5-Inhaltsergebnissen überzugehen. Dies ist nicht nur die zukünftige Erwartung an künstliche Intelligenz in der Baubranche, sondern auch die gemeinsame Erwartung aller Branchen Branchen.

Hinweis: *Ausgehend davon, dass es keine offensichtlichen Fehler in den Ebenen gibt, beträgt die aktuelle Genauigkeitsrate der Xiaoku-KI-Erkennung 99,8 % für Standardkomponenten (Türen, Fenster, Wände, Treppen, Aufzüge, Klimaanlagen, Hydranten). , Parkplätze) usw. (Der Testsatz besteht aus Tausenden architektonischen CAD-Zeichnungen, und die Zeichnungen stammen aus den internen Standardbibliotheken mehrerer führender Entwickler)

Das obige ist der detaillierte Inhalt vonWas kann AIGC, gesteuert durch ChatGPT, für vertikale Branchen tun?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!