授课方式 | 线下·广州课程类别 | 建筑形态生成方法与过程研究（Design methodology and workflow research），适合愿意对设计方法与过程有思考，倾向于做研究型项目的学生项目尺度 | Pavilion尺度（小于建筑尺度） 项目课前准备 | 有基础的GH背景（课程前期会有GH基础课程）；简单了解机器学习在设计上的应用（便于后期更好理解studio内容）；建议掌握Adobe系列软件、Rhino和GH基础命令，安装Rhinoceros 6.0（内置Grasshopper）。授课时间 | （时间未定）Studio人数 | 6-10人注：未签约学员咨询报名前咨询客服主页菌； 已经签约 RAC 学员可用课时兑换Studio背景在传统的设计过程中，由于一些设计影响因素能够被量化(e.g. 建筑最佳路径)，因此很容易被评估是否是最佳方案。但某些建筑表现可能纯粹来源于设计师对美学的理解和主观的设计意图，与建筑结构或其他技术特征之间可能存在的冲突，使得最终方案作为局部而非全局最优解。对于这种多种影响因素的非线性协同作用，我们需要提出一种新的评估方式来生成并推敲设计方案。Design parameters and intent, Vierlinger and Hofmann, 2013    Different alternatives in its final setup of parameters and objectives考虑到机器学习的发展改变了我们理解文化与世界的方式，并为我们的设计方式带来了新的可能性，本次课程将通过人工智能的设计手段来提出并评估设计方案。在此过程中，我们将对所选场地周围的影响因素进行提取，编码和解码，并从结果中选取我们的最佳方案进行结构和形态优化。 Design input, catalog and output, 2018Structural representation and morphological optimization, 2018Studio目的掌握基于人工智能（机器学习）的设计方法并应用于形态生成过程应对的问题解决建筑空间在多种影响因子的协同作用下的表达基地信息各组根据design drivers自选场地方法与媒介机器学习反向传播算法（Backpropagation Algorithm）Studio大纲Phase1 提取场地周边的影响因素并对其进行编码Phase2 以参数化的形式生成机器学习过程的input数据Phase3 对最佳方案进行评估与结构形态优化Phase4 出图表达Phase5 实体模型Studio成果· 表达影响因素的分析图· 将反向传播算法得到的数据解码并生成设计Catalog· 评估并选取最佳方案，进行结构与形态优化· 搭建实体模型（局部）