【2的七次方】空间基因：建筑信息编码简史(一)

你好，这里是大箱子。

从今天开始，我们花了几个小时，给你一个比较大的话题：建筑信息编码。

2018年5月1日，《GBT 51269-2017 建筑信息模型分类和编码标准》正式实施，很多人仍然有问号。

什么是代码？能做什么？

为什么一定要编码？模特不行吗？

编码标准的实施与我有什么关系？未来会影响哪些领域？

即使是对代码略知一二的人也有两种误解。

误区一：代码是给建筑物的构件“身份证”，给墙壁、柱子、梁、板等赋予ID，统计使用比较方便。

但是如果你翻《分类和编码标准》，你会发现里面包含了项目阶段、工作成果、工具，甚至是参与角色的代码。这些不是建筑构件。为什么要编码？(大卫亚设)。

误解二：编码标准是为软件开发人员制定的，与普通设计师无关。软件自己开发就可以了。代码会自动附加到模型中。

理论上是这样的。但是，越来越多的大公司的项目或海外项目在提交设计内容时，要求按照特定规格进行编码，软件的“自动编码”功能还很远。我该怎么办？

这个系列，我们分阶段剥掉建筑物信息编码这个大洋葱，看看它到底有什么用，北美三大编码体系和英国的Uniclass是怎么回事，我国的编码体系是什么情况，应该如何使用新的分类和编码标准，

最后，面对工程项目的编码要求，我来说一下要用什么工具来完成任务。

好吧，胡说，宾波克斯开车了。

1.我们说代码的时候到底在说什么？

编码是“用共性的符号简化特定含义”。人类的语言是一种代码。

例如，“天空中那天早上出来和晚上掉下来的金色火球”是很长的意思，英语世界用“太阳”这个字母组合来表达它。

中国在圆圈中间加上圆点来表达它，后来这个符号演变成了汉语的“日”字。

不同地区使用不同的语言，这在人类文明发展的几千年里没有太大的问题，文明相互接触时可以学习彼此的语言。在一个人的脑子里同时设置“太阳”、“太阳”、“一天”的几个符号不会产生混乱。

但是随着计算机的发明和人类进入数字化时代，可能会出现问题。(莎士比亚)。

我们说建筑信息编码的时候，一个大前提是用电脑编码。也就是说，可以用计算机可读的数据编写自然语言，以便自动计算和分析。

所以，要想明确建筑信息代码，首先要用一期的内容来谈论人类进入数字时代的麻烦以及我们是如何解决它们的。这件事真的没那么简单。(大卫亚设)。

你可以做一些有趣的实验。在任意文件夹中新建TXT文档，输入“连接”一词，关闭，再打开，原来的两个字将变成奇怪的杂乱。

这个奇怪的现象是人们为了解决计算机编码问题而留下的小尾巴。我们最后再来回答这是怎么回事。

2.从语言到数字

计算机最初是为了做算术问题而发明的，通过打开和关闭内部很多小开关的两种状态来表示不同的数字和运算规则。

因此，计算机只能处理两个数字：0和1。所有的数字必须转换成二进制才能计算。十进制数是十进制数，二进制数是二进制数，十进制数的3转换为二进制数是11。

每个小交换机的0或1状态称为位(bit)。

仔细想想，当计算机面对一大群0和1时，如何开始、在哪里结束、在哪里断开？(威廉莎士比亚，《哈姆雷特》，计算机名言)例如，如果你把下面的二进制数字解释为数字，那么转换成十进制数字，就等于72。

这个数字从中间除以两部分，分别表示4和8。

为了解决这个问题，人们就强制计算机每次都处理8个连在一起的数字，不能断开，这8个比特组成的一个最小计算单元，就叫字节（Byte）。

你可以把一个字节看成一个编码状态，每一位有两种可能（0和1），一共8位，不同的排列组合可以表达出2的8次方=256种状态。

人们发现，这么多种状态不仅可以表示数字，还可以把英文字母和一些特殊符号囊括进来。这样一来，计算机就不仅可以处理数学问题，还可以处理文字了。

不同字节状态具体代表哪个字符，需要统一口径。于是1968年，美国国家标准学会就制定了一套标准，规定所有字节第一位统一为0，只用了八位数的后七位，也就是2的7次方=128种组合。

前32种是控制字符，让计算机执行一些特殊指令，比如00000000表示空字符，00001010表示换行。

从第33种组合开始，后边的字符分别代表英文字母、数字或一些特殊符号。比如01010011代表S，00110000代表数字0。

这样，英文单词Sun就可以变成三个8位数的字节，被计算机理解了。

这套标准叫做美国信息交换标准码（American Standard Code for Information Interchange），简称ASCII。

后来，电脑从美国传到了其他国家，像法国或者德国这些国家的语言里还有一些非英文字母，ASCII编码方案就不够用了。

不过没关系，ASCII第一位统一都是0，只用了256种组合中的前128种。这些国家就在ASCII的基础上，从第129种组合开始扩展自己的编码体系，把新增的符号定义为1开头的字节，这样就把ASCII的容量扩充了一倍。

这些国家扩展的规则是不一样的，同样一个字节，在阿拉伯或者俄罗斯的ASCII扩展中代表不同的字母。

大家基本上是各用各的标准，有得用总比没得用强，也还算是开心。

但也有其他人不开心。

比如中国，常用汉字有几千个，加上生僻字和少数民族语言符号有几万个，区区256种组合怎么够用？

没办法，我们只好自己开发一套编码规则，不使用8位的单字节，而是使用16位的双字节来表达一个符号。这样我们就有2的16次方=6万多种组合可以用了。

中国的编码标准从最早的GB2312，一直发展到最新的GB18030，从几千个常用汉字扩充到几万个符号。

为了解决中英文混合问题，GB系列编码也必须向下兼容ASCII编码才行，

GB编码标准规定：凡是以0开头的字节，都被认为是ASCII编码中的英文字符，凡是以1开头的字节，就告诉计算机还没完，得把下一个字节也算进来，组合起来表达一个汉字。

比如「S型人格」编码就是下面这样：

不过，这种双字节中文字符和单字节英文字符并存的编码方式，会带来一个新麻烦：使用GB系列的编程人员需要万分小心，一旦弄错了一个字节，很可能后边跟着的所有文字就全错了。

比如「S型人格」的二进制编码，如果把第一个字节中的第一位0替换成1，其他不变，即便只错了一个数字，也会导致一串编码全部错误。

这种情况在单字节的ASCII里是不会出现的。

如果说编程上的容错性可以通过我们辛勤的本土工程师来解决，那更大的麻烦还在后面。

3.霸气的「终极语言编码」

到这个时候，世界上的编码体系已经很混乱了。

非英语国家对ASCII码用各自的方法扩充，同样的字节代表不同的符号，中国这样的国家还用单双字节混编，甚至大陆和台湾的编码规则都互相冲突。

这对于跨国软件公司和互联网发展都是非常不方便的，使用软件或者访问网站，必须事先安装对应地区的编码系统，否则就会出现乱码。

这时候国际标准化组织ISO站出来说：都别闹了，我来制定一个大一统的编码规则吧！

这套编码规则俗称Unicode，囊括了地球上所有文化的符号。因为各地区的编码已经出现了冲突，大一统编码已经不能兼容不同国家现有的编码了。

ISO的做法很暴力：除了对ASCII向下兼容，其他的编码统统废除，重新编。

16位的双字节编码只能组合出6万多种可能，要做到大一统也不够用。没关系，再加位数，加到32位的四字节编码，排列组合高达42亿种。这下用到宇宙文明统一也没问题了。

不过，旧麻烦的解决总是会带来新麻烦。

首先就是储存效率问题。

对于欧美国家来说，本来用一个8位字节能解决的事，为了兼容其他语言，硬生生的要用双字节甚至4字节来编码，比如ASCII中字母S的编码是「01010011」，到了Unicode里就要把前面的空位用一串0补足。

这样，本来用1个G能储存的文件，变成4字节的Unicode码之后就会变成4个G。

更大的问题是网络传输问题。

在Unicode编码发明的时候，网速还是很慢的。如果一次传输4个字节，效率就是单字节的四分之一。

想想你花钱买了20M的宽带，因为换了个编码系统，变成了5M的速度，搁谁也不干啊。

所以Unicode编码在当时遭到了英文国家的强烈抵制。

为了解决这个问题，人们又发明了Unicode编码转换格式（Unicode Transformation Format），简称UTF，来规定Unicode编码的储存和传输方式。

它分为UTF-8、UTF-16、UTF-32等等，顾名思义，UTF-32表示一次传输32位、4个字节，UTF-8就表示一次传输8位、一个字节。

其中，UTF-8效率最高，最为常用。

既然UTF-8是一次传输一个字节，计算机怎么知道当前这个字节是完整表达了一个含义，还是后边还跟着其他字节呢？

UTF-8是变长度编码，根据符号在Unicode中所在的编码位置，定义了不同的字节长度模板：

如果一个符号在Unicode码中占前127位，只需要一个字节就能表示，对应的二进制是0开头的8位数字，那就直接传输这个字节，并在这个字节结束，不需要前面再补0了。

也就是说，英文语言使用UTF-8和ASCII是一模一样的。

位数增大，一个字节不够用了，就套用这样一个双字节模板：第一个字节以110开头，第二个字节以10开头，告诉计算机，这两个字节需要组合起来共同表达一个符号。下图中红色的部分就是强制规定的模板数字。

位数继续增大，两个字节也不够用了，就再套用一个三字节模板：第一个字节以1110开头，后面两个字节还是以10开头，告诉计算机，这是一个三字节组合的符号。

以此类推，四个字节的模板就是：第一个字节以11110开头，后边再跟着三个以10开头的字节。

这样，我们就解决了不同语言之间编码兼容的问题，又解决了低位数编码的传输效率问题。

当一个文件以英文为主的时候，UTF-8的效率非常接近ASCII。不过对于中文来说，汉字用GB码只需要两个字节，到了UTF-8里却需要用3个字节来表达（因为上图中红色的模板数字占去了4+2+2=8位），所以纯中文的网站用UTF-8比用GB码传输起来效率要低一些。

但前面我们说过，GB码中英文混排的时候，会因为弄错或者丢失一个字节，导致后边的所有文字全都错误。而UTF-8在多字节组合的时候有一套严格的模板，中间一个字节出现了错误，乱码不会扩散，比GB码多了容错性的优势。

此外，使用UTF-8，其他国家的人不需要安装中文编码规则，也不会出现乱码。所以国内的新网站更偏爱使用UTF-8。

因为UTF-8和GB码两者是完全不兼容的，所以一些老牌中文软件和网站出于转化成本的考虑，还是沿用GB系列的编码。

说到这儿，我们就能解释前边那个记事本「联通」两个字乱码的现象了。记事本在打开一个文档的时候，不会问你是用什么格式储存的，而是通过你输入文字的代码来「猜」它的编码格式。

在我们输入中文的时候，记事本默认使用的是GB编码，我们看「联通」两个字对应的GB码：

注意看红色部分，是不是和UTF-8的双字节模板正好一模一样？所以当你默认保存再打开的时候，记事本通过这两行代码，猜测这个文档用的是UTF-8格式，而UTF-8和GB编码是不兼容的，于是就出现了乱码。

你可以试试，在存有「联通」的记事本文件另存的时候，选择用UTF-8格式保存，或者多打几个字，再打开就不会出现乱码了。

好了，总结一下今天说到的几个知识点：

● 计算机无法理解自然语言，需要转化成二进制编码；

● 英文和数字在转化的时候效率最高，只需要用到8位的单字节编码ASCII；

● 不同地区各自设计编码，迟早会在交流中遇到问题，大一统编码势在必行；

● 编码规则中，某一个符号必须严格对应一个二进制代码，否则就会出现混乱；

● 新编码规则不占用旧编码的代码，且保留原来的一一对应关系，它就是向下兼容旧编码的；

● 新编码如果不兼容旧编码，就会产生替换成本，从而引发一系列历史遗留问题；

● 为解决一个麻烦创造新的编码，经常也会带来新的麻烦；

● 编码的简洁高效与可扩展性，往往不可兼得。

下一期开始，我们的建筑信息编码就要正式登场了。你不妨先思考一个问题：

如果编码只需要考虑语言兼容的问题，为什么光是北美地区就先后出现了Masterformat、Uniformat、Omniclass三种建筑编码体系？比起语言编码，建筑编码是不是有更复杂的问题需要解决呢？

欢迎你把疑问和对编码知识的见解留言给我们，我们会把你的高见和我们的回答补充到后面的连载内容里。

有态度，有深度，BIMBOX，咱们下次见！