嗯，而且那么我们来到第二部分的课程，这部分我们会简单地跟大家描述一下ai生成图像的原理，他是如何基于扩散模型进行生成的，以及深度学习的一些基础包包括我们会展望一下未来的机器学习以及埃及社会给我们的设计行业带来什么样的机会机会机会首先是什么是深度学习？我觉得这里非要呃，我觉得这里非常需要去阐述的一件事情，就是深度学习，其实和我们之前所说的呃参数化设计，或者是一些数字设计的，其实是有非常大的不同的深度学习。
其实它更加重要的点在于它的神经网络的一种自我学习的这样的一种机智，然后奇其中的一个比较出名的是其深深对抗网络，这是在2014年的时候提出的一种概念模型，它的原理其实简单来说非常的好，理解一个是生成模型，一个是判别模型，然后间包含有两个模型，这两个模型，一个是用来生成一些呃，通过随机噪声生成一些数据，然后另外一个判别模型就是来判别这些的随机数据与真实数据之间是否相似，相差非常远通过这两个模型的左右手的互搏来达到最后生成器学习到深，生成所有的图像都是非常像真实数据的，这里我下面举了一个非常简单的例子，就是我们可以把生。
当成一个造假者试图制造假币，然后鉴别器需要警察试图去抓住这个造假者，然后所以生成器就要不断地去生成象征b的这样的一个东西，然后最后就通过这样的博弈，来生成一个和真的相差无几的，这样的一张图像，所以这里我们就可以非常简单的去理解呃，我们的生成器在随机噪声进行生成了之后，他会和真实我们进行数进去的图片进行一个匹配，然后同通过判别器进行他们之间的相差度的呃，这样的一个所以这所以这里我们就可以非常简单的能够理解这个模型啊，真实实力是来源于这个真实的数据集，然后伪造的这些实力是来自于随机噪声，通过生产技术生成，然后通过判别。
T，判断的真假来达到这样的一种循环，最终生成出来和我们的输入进行数据集非常相似的这样的图像，那么这个是对抗网络，我觉得她的名字也非常的形象，就是通过两个模型进行对抗，来达到自我的优化，这是一个非常重要，也是非常呃，是我们错免所有的模型的，可以说是一个基础版本吧，然后接下来就是ttps，也就是说，我们所说的降噪模型，这个降噪模型其实是是我们目前的所以的所以的c魄力非常要好，还是密切的，也是都是基于这样的模型进行进行训练和学习的，这里我引用了知乎苏建凌大神的一些观点，呃，他把扩散模型，其实他觉得更加可以理解为一种渐变的降噪，然后扩散模型无非。
这就是一种增加噪声与降低噪声的过程，然后他把这个过程类比于拆楼和箭楼，嗯，她的理解是建立是比较难的，像我们的下图，从一个噪声生成为一张完美的图像，这里需要一步一步的去，毕竟我们最终完美的图像，但是拆的我是非常简单的，就是把一张图片通过增加随机噪声来达到最后生成一张完全是噪声的一张图片，这个是非常简单的，可以通过把随机噪声类比为砖瓦和水泥，把样本数据类比为高楼和大厦，这样的话，我们通过对一张图片的额增加噪声，可以学习到他从前面的一张完美图片，到最后成为一张完全是噪声的图像，中间的每一步的这个数学过程，在帮再将这个数据。
这过程的逻辑反反推，从一张噪声慢慢的推导成为一张完美的图像，嗯，所以说是简单来说，可以说是通过对于楼房拆解的学习，最终学会了建造一栋楼房，所以他觉得这个ddpm的这种做法其实更准确的应该理解为是一种渐变模型，而不是扩散模型啊，可以看到，嗯，这里大概是这样的燃赌徒进行一个展示，通过前面的增加噪声可以慢慢看到，从一个人物变成了一个完全的造成，然后当我们学习完了这整个过程了之后，我们就可以通过一个噪声，然后输入我们的控制的关键词，这样最后一步步生产出来的一个也是在森林里面的，这样的一张图片，通过对于逆向的学习，从而来达到正向的。
这样的生成，那么这里我想说的一个是我们这里所说的深度学习，其实不等于数字设计啊，这里是平时有非常多的人和我在交流的时候，我发现的一个问题很多啊，不管是建筑设计的朋友还是其他领域的，他们都会觉得我们以前所经常讨论的数字化设计，或者说参数化设计和现在的ai，他们画上等号，其实我觉得这是两个完全不同的事情，数字设计或者说参数化设计其实更强调的是一种全全系统流程下面的一种信息的收收集与与处理，然后最后达到一种优化的一种设计模式，那么它这里面基本上是没有涉及到一些学习的一些部分，他可能涉及的最多的是遗传算法以及优化的一些算法那么深。
不学习，他用了神经网络之后，以及其他的数学模型中，它其实能够学习到我们对它的输入的一个图片的，或者说文字的，或者说其他数据结构的一种逻辑，他通过对于这些数据逻辑型学习了之后，可以实现一个纯粹知识的一个输出，对人类型性的一个反哺，所以我觉得这两个是完全不同的一个东西，一个是学习，一个是分析与优化，所以这个时候我们可以非常大胆的试想一下，在ai学习ai生成的基础上，我们未来的行业可能会有哪些点是能够运用到我们的这里aigc的一些相关内容的，首先，最近大家所有都在探讨的都是效果图，或者是说呃一种基于图像的轴测的这样的一个输出，我觉得这里其实是她比。
较小的一个层面，当然这个也是目前我们仅仅能做的一个图像输出层面，当然，在未来，他可以做更多的方向，首先，嗯，就是像目前svip这个软件所做的一个事情，他可以辅助我们的图ai可以学习到呃一些基础的信息，然后在连接上其他的，比如像这样的这样的后端，他就可以从从前往后的他们所谓的弯可以给我给我给你一件建筑的这样的一个这样的一个一块，然后风格定制，它可以对于我们已经有的一些风格，一些有的大师的风格进行了学习，然后达到一个非常精准的定制，最后我觉得这一点也非常有意思的就是一种仿生或者自动半自动的学习，这样的话，它可以完全取代设计师的创意，嗯，其实有很多大师，他们也是，比如说呃啊哈或者是说像高迪他们很多时候也。
也承认他们会对自然界的一些事物进行观察，然后他们会给给这些大师在创作过程中提供非常多的灵感的启发，那么，这里我们其实可以用ai对自然界的事物进行一个非常好的学习，自然界的事物，其实前段时间也有这种党参的建筑学这样的概念，对于自然界的，比如说要风潮啊，或者是说像树树叶或者像骨骼中的结构，这样的学习能够达到对于我们现实生活中的一些结构的优化，一些平面布局的优化城市设计当中，他资源分配，然后而且思维逻辑可达性的这样的一个优化，可以看到我这里举的两个例子，上面一张图是骨骼内部的网状的结构，它其实是因为骨骼大，知道她是一个非常坚硬的，然后内部结构非常优化的一种结构体，那么通过对于骨骼内部结构的。
学习他其实可以来达到对于我们结构和结构美学与结构的性能，这两个方面达到一种完美的的结果，所以机器学习，它是能够产生非常多的实际的作用的，下面这张图是一张树叶的脉络图，脉络图可以看到它有很多的主干道，次干道以及他的小的各支路，这里非常非常像我们城市的肌理，然后他其实树叶的脉络其实也无非是一个资源配送最优的一个问题，他可以把它的养分从他的净额逐逐镜上面，然后输送到叶片上面的各个部分，这里他自然是自然界进化了上百万年之后的一个结果，然后它可以实现路径最短以及。
效率最优，那么通过对于这样的一个激励的学习，我们其实可以运用到我们城市设计，或者是说平面设计当中，所以简单来说，当我们掌握了ai深度学习的相关内容之后，我们可以去畅想，甚至我们可以在这个领域里面这个领域里面的领头者去畅想，而深沉，是涉及到底和我们自己行业的哪些点可以产生关联，他到底可以在未来为我们的行业在哪些变革？或者说带来哪些进步？当然，我知道很多的优秀的理论研究者也正在做这样的事情啊，像我之前看到的某某位理论研究者，正在做的一个研究，他就是说像那么这里大家需要记住的非常壮的一点就是ai，目前和我们以前所考虑到的参数化，数字设计形式非常不同的，它是具有学习能力的。
它是可以对我们已有的图像一有的图片结构已有的数据进行学习，这里我觉得他的核心就是一个学习，然后这个学习也是贯穿于我们课程一和课程二的非常重要的内容。