而具体一点，人工智能又可以划分为弱、强和所谓的超人工智能。

弱人工智能举个例子，下围棋的那只就是。

也就是说，不必在意机器是否使用与人类相同的方式执行任务，只要机器可以达到令人满意的实际解决问题的效果就行了。

举个生物界的例子，鹦鹉学舌，鹦鹉不必像人一样思考为什么要这样说，只要最后说出令人满意的句子来了就行，至于它到底懂不懂这句话什么意思，谁在乎呢？

目前绝大多数的人工智能都是这样子的。

就算是看上去非常智能的语音助手和阿尔法狗，也是弱人工智能。

苏航要做的就是这个。

利用神经网络与BIM的结合，将深度学习应用到工程中的方案选择、检查优化、成本管理、……等中去。

苏航看着自己纸上写的乱七糟的想法，原来从零开始一篇论文还是有点困难的。

上次是系统给的一篇较为完整的说明，所以自己才会那么如鱼得水，一气呵成，写的得心应手。

但这都是错觉。

也许自己基础知识不错，也许自己有独立解决一个问题的能力，但是，要真的去做一个科研项目，正如那两位老师所说，太嫩了。

都是系统给他的错觉，让他感觉自己很强。

其实，要独立做科研，不是会解几道题就行，也不是会建模就行。

也许加入到一个科研队伍里面去，苏航会有自己的一席之地，也能凭借着强大的学习能力逐渐适应科研的节奏。

但是，苏航并没有这类经验。

还有一点，数据。

上次张凯学长虽然给了一些数据，但是，一些特殊的数值一般工程也不会测量，真要做的话，还是得实际跟踪一个工程，并测量需要的数据。

这又需要“关系”了。

头秃。

这时就体现出导师的重要性来了。

苏航犹豫地看着赵老师的头像，不知道到底要不要联系。

前面还想着，他要悄悄搞研究，然后惊艳所有人。

理想很美好，现实……不提也罢。

难道离开这些就做不了了吗？

当然可以。

科研经验主要还是发现问题，寻找合适的方法，最后解决问题。

假如这个问题符合时代需要，这个方法既是时代热点，又很有创新性，或者前所未有，最后解决了这个问题，那一篇论文就好了。

假如苏航肯花时间，那他照样可以做出成绩来。

但是这样太不划算了啊。

还有数据。

利用深度学习对实际工程将会发生的一些风险进行预测，靠什么？

数据。

没有大数据，没有真实数据，凭什么确保实际效果。

思考良久，苏航还是放下了手机。

先把自己的想法补完，再去找赵汉英老师。

基础还是上次的Autodesk Revit。

以后一定要把这个给替代掉。

苏航打算做一个可以预测工程中一些重点位置位移的数值模拟模型。

毕竟很多工程事故都是因为不该出现位移的地方出现了位移，导致裂缝，然后坍塌，死人。

或者位移超过了预期，导致裂缝，然后坍塌，死人。

又或者由于不应该出现的位移，然后地下水啊、滑坡等等，然后死人。

建筑工程领域的死亡人数很“荣幸”地成为了全行业之首。