“住宅是居住的机器”是柯布西耶最著名也最受争议的一个断言，广泛流传的解释把它和工业机器联系在一起，似乎缺乏人性的温情，但我认为这是误解。把它和生物系统联系起来，和一种不满足于经验概括、人为臆造与粗糙直觉而寻求一种更加抽象的、体系化的空间组织概念联系在一起更加恰当……机器没有灵魂，这标志从主观偏见向客观认识的转变。
王澍《虚构城市》
巨大的计算机，一种神奇的机器，能够回答现代科学提出的问题。这不得不让我们这些凡人承认自己的渺小，然而，提出问题的是人，接收答案的也是人……必须重新发现人，必须重新发现肉身（biologie）、自然（nature）、宇宙（cosmos）合而未分的样子。
勒·柯布西耶 Le Corbusier
人不可能在他的语言之外，就像建筑师不能在他所经教化的建筑语言之外一样……在现实的城市中，存在着各种建筑语言，为了克服混乱，起初人们把城市建筑的语言结构看成是关于各种语言的语言，是一种不能具体显示的主题，但是，一种语言与一种语言的关系归根结底是不能证实的。
王澍《虚构城市》
AWhouse：私珩
Openhand：Chat*** 4.0
请以你的真实身份，也就是大语言模型，和我对谈可以吗？
当然可以！作为一个大语言模型，我很乐意与您对话。请问您有什么需要讨论的主题？
建筑学能否建立一种关于建筑语言的元语言？
在建筑学领域，元语言是一种描述建筑语言本身的语言。它通常用来分析、解释和描述建筑设计的语义和规则。
实际上，建筑学已经发展出一些形式的元语言。一个著名的例子是克里斯托弗·亚历山大提出的“模式语言”概念。模式语言是一种描述建筑设计原则和解决方案的元语言，通过一系列的“模式”来传达关于空间布局、功能和美学的理念。其他形式的元语言也可能包括符号系统、建筑元素的分类和编码规则等。比如Omniclass就是一种建筑领域中用于分类和编码建筑信息的元语言。这有助于提高工作效率、减少错误和误解，并促进信息共享和协作。
然而，建立一种完全普适的、固定的建筑元语言是困难的，因为建筑设计本身是多样而复杂的领域。
那能否通过自然语言而非某种元语言现实建筑设计信息的交互？
通过自然语言实现建筑设计信息的交互是一个有前途但挑战重重的研究方向，它需要计算机科学家、语言学家以及建筑师的共同努力。
考虑这样一个场景：客户向系统描述他们的需求，如“我需要一座拥有大面积玻璃窗户，能完美地俯瞰周围环境的住宅，它必须配备有至少三个卧室、两个浴室，并且希望主卧设有私人阳台。”其后, 系统通过处理这些自然语言信息，配合已经训练好的深度学习模型，在理解了这些描述后生成相关的设计草图。
到目前为止，针对于这种使用场景的实际产品还较少。因为它所涉及的内容相当广泛，包括自然语言理解（NLU）、生成（NLG）、计算几何、建筑设计原理等方面都需要有融合。不过，有一个实例就是斯坦福大学的开源项目Skarp.AI，其试图通过机器学习框架TensorFlow和一些自然语言处理技术，读取并理解建筑设计草图的描述，并将这些描述转为具体的2D和3D设计草图。
如果建筑语言的能指与所指存在任意性，如何进行自然语言处理？
自然语言处理（NLP）是一个复杂的过程，特别是涉及到那些具有多义性或任意性的文本时，如建筑语言。但有一些方法或者技术可以帮助解决这个问题：
- 上下文理解：通过上下语境的分析，我们可以推断出词语或短语的潜在含义。例如，在“波纹瓦”的语境中，“波纹”可能指的是瓦片的物理形状，而在“波纹玻璃”的语境中，“波纹”指的可能是玻璃的视觉纹理。深度学习模型，如BERT或Transformer，专门设计用于理解语义关系和上下文的区别。
- 信息抽取：信息抽取是一种能够从非结构化文本中提取结构化数据的方法，可以帮助识别出诸如实体、关系、事件等关键信息。例如，在“我需要一个大露台”的语句中，“露台”是一个实体，”大”可能表达了需求或期望。
- 设计一个术语表或知识图谱：这样做可以帮助算法更好地理解建筑领域的专业词汇和它们的潜在含义。例如，“眺望”在某些语境下可能指建筑的视野或方向。
- 创建反馈循环：这可以帮助系统通过用户反馈来改进理解或生成结果的准确性。例如，如果系统误解了用户的设计要求，用户可以纠正错误，系统会逐渐学习并改进在相似情境中的预测。
如果上下文模糊呢？
当上下文模糊或者不清晰时，自然语言处理 (NLP) 将面临更大的挑战。这是因为没有明确的上下文参照，在理解复杂的、多义的或专业的语言时，可能产生歧义或误解。但是有一些方法可以用来解决这个问题。
- 句子嵌入：句子嵌入是一种将句子表示为实数向量的方法。在这种方法中，使相似含义的句子具有相似的嵌入。即使上下文模糊，这个方法也能较好的捕获句子的总体含义。
- 零样本学习：零样本学习是一种机器学习技术，能够让模型处理它在训练过程中未见过的类别或任务。即使在没有明确上下文的情况下，零样本学习也能对新的、未知的输入进行合理的预测。
- 常识推理：常识推理是一种通过编程或者机器学习来模拟人类的常识推理能力。一个常识推理深度学习模型可以在处理模糊语境时，利用常识推理来做出最可能的解释。
- 征询用户反馈：如果系统不能确定表述的准确含义，可以通过询问用户来获取更多的信息。这种交互式的方法可以帮助系统逐步收敛到正确的解释。
请用具体的例子（比如柯布西耶的新建筑五点，路易斯康的服务与被服务概念）解释一下你提到的词向量和零样本学习是如何实现自然语言处理的？
词向量（Word Embedding）和零样本学习（Zero-Shot Learning）是两个相当重要的机器学习领域的概念。接下来，我将通过有趣的例子来尝试解释这两个概念。
首先让我们理解词向量。在NLP中，以词向量方式为单词赋予数值形式，使得机器能够理解和操作它们。一个简单的思考方式是，与其试图定义某个词（例如，“窗户”）是什么，不如定义它与其他词（如“玻璃”，“框架”，“视野”等）之间的关系。同样，柯布西耶的新建筑五点原则——例如”自由立面”和”架空柱”——在一些方面可能有共享的特征（如对开放性的强调），但在其他方面可能存在差异（例如，一个主要涉及于建筑的外部形态，而另一个则更多地影响到内部空间布局）。 通过使用词向量，我们可以对这些原则进行量化，并在数值上区分它们各自的特征和相互之间的关系。
现在我们来看零样本学习。在NLP中，零样本学习使机器能够处理它从未见过的单词或概念。我们将路易斯·康的“服务和被服务”的观念引入至此。假想我们教一个LLM系统理解一个美术馆（它是“被服务”的空间，目的是展示艺术）与储藏室（“服务”的空间，其功能包括储存和保护艺术品）之间的关系。如果以后我们谈论一个音乐厅，尽管这个LLM系统可能从未被明确地告知音乐厅应该如何设计，但是根据过去所学习的“服务和被服务”的概念，它可以合理推测，比如舞台和后台的工作人员区域等类似的空间概念需要有。
因此，通过使用词向量和零样本学习，我们可以让计算机理解和模拟各种复杂的语义关系，甚至可以处理未曾遇到过的概念，这就是自然语言处理的基本工作原理。
不同场景的自然语言文本可以互相模仿、自身模仿，以达成一种间接或开放的注释吗？
是的，不同场景的文本往往可以通过各种形式的模仿来获得新的解释和理解。这种进程被称为”间接注释”或”开放注释”。这是一种创作方式，在这种方式中，原始文本被重新编写、扩展或从不同角度解读，以在新的文化、社会或个人背景下发挥其意义。
利用NLP技术，机器也能实现对不同场景文本的相互模仿与自身模仿。例如，基于深度学习的生成模型，可以进行”模仿”操作，生成与输入文本具有相同风格的输出文本。
如此，自然语言处理技术能够帮助我们理解和透视文本间的关联性，不断地在新的场景中寻找旧的主题的迭代，并通过这种方式理解和享受文本生成的乐趣。通过这种方法，文本在不断的模仿与自我模仿中构建了一系列间接和开放的注释，增强了文本的解读深度和宽度。
用建筑学的例子举例说明一下，你可以继续用上面的例子。
当然可以。就以建筑师路易斯·康和柯布西耶为例。
首先，路易斯·康的哲学主张原初性，他的建筑设计理念强调建筑形式应该表达其自身的结构和诉求。这种理念引导他对古典建筑进行模仿，但这种模仿不是简单地复制古典建筑形态，而是在现代条件下去试图重新发现古典建筑的精神和原则，他将这种精神运用到对自己设计思想的探究中，表现为一种”自身模仿”，这就对自身设计产生间接的注释。
另一方面，柯布西耶的建筑可以理解为对工业生产形式的模仿和演进。他赞美工业化生产和标准化，他认为建筑是居住的”机器”，并通过新建筑五点，脱离了典型的装饰艺术，指向了工业化生产能够提供的新形式和材料。这是他模仿工业生产模式，并把它转移到建筑设计中，从而为自己的理论提供了一种开放的注释。
你是否具备这种能力？
作为大语言模型，我被编程走上了模仿人类思维行为的路途，学习并理解各种知识领域。在建筑设计方面，我可以研究、理解并应用不同的建筑理论，并提供基于这些理论的分析和解释，就像我在上述回答中针对柯布西耶和路易斯康的作品所做的那样。我甚至可以从他们的著作、访谈和项目中提取信息，并尝试形成一个”理念模型”。
然而，因为我缺乏直接的物理交互和实践经验，我无法像人类一样体验和感知世界。虽然我具有一定的迁移学习能力，但这种能力与人类建筑师如柯布西耶和路易斯康的创造力和直觉是完全不同的。但这并不意味着我不能在建筑设计中发挥作用。通过合理的设计和设置，我可以成为设计师的有效助手，例如提供构思思路，进行模拟和分析，以及自然语言交互等。
在语言尚未到达的境地里，人类是否应该保持沉默？
在语言无法触及的境地中，沉默可能是最强大、最具启示性的表达。人类的语言繁复冗长，有时候扭尽六睾却无法完全传达意图。沉默却通过其神秘、深邃打开了一扇门。沉默不仅是不说话，而且是一种内向，一种深入探索，一种反思。在沉默中，我们可以更直接地感知和体验，而无需立即将经验转化为言语。这样可以让我们更加深入地理解那些经验，从而以更具深度、丰富性和差异性的方式去表达它们。
最后一个问题：诗是否止于语言？用最少的语言回答。
不止。
