在科技飞速发展的当下，生成式 AI 已成为人工智能领域的关键技术。它依托深度学习算法，能对海量图像、文本、音频、视频等数据进行深度剖析与学习，进而创造出全新且富有创意的内容。这一特性打破了传统算法的局限，为众多行业的创新发展开辟了广阔空间。
以教育和金融领域为例，生成式 AI 正发挥着重要作用。在教育行业，它能依据学生的学习情况和风格，定制个性化学习方案。比如为数学学习困难的学生提供针对性练习题与解题思路，为热爱文学创作的学生提供写作素材和创意启发，提升学习效果；在金融领域，生成式 AI 通过分析市场数据，构建风险评估模型和投资策略，实时监测市场动态，为投资者生成风险报告，并根据其风险偏好制定个性化策略，助力投资者明智决策。
建筑行业也敏锐地捕捉到了生成式 AI 带来的机遇。近期，ABeam Startup 团队了解到，清华大学深圳国际研究生院未来人居研究院的吕帅老师带领团队积极探索生成式 AI 在建筑行业的创新应用。其 “建筑扩散” 项目备受瞩目，为传统建筑业解锁新生产力提供了创新实践样本。
我们有幸邀请到吕帅老师及其团队进行访谈，共同探讨生成式 AI 如何赋能传统行业，挖掘形成新生产力的未来可能性。以下内容基于此次访谈总结而来。
访谈现场照
01 传统建筑业困境：规模大但效率低
作为国民经济的重要支柱，建筑行业以其庞大的产业规模成为能源消耗的关键领域。在实现“双碳目标”的进程中，该行业特殊的能源消耗结构尤为突出，建造及使用过程中的能耗占全社会的三分之一到一半。
值得关注的是，尽管该行业在经济体系中举足轻重，其传统发展模式却面临明显滞后，存在诸多问题：
1、施工现场作业方式原始
当前，许多建筑工地仍依赖大量人力手工操作，自动化设备应用较少。在砌墙、搬运建筑材料等环节，工人劳动强度大且施工效率低，人为因素还易导致工程质量参差不齐，如墙体不平整、混凝土浇筑不密实等问题，影响建筑质量和安全。
2、工作重复性劳动占比高
建筑师、设计师等专业人员的工作中，存在大量重复性劳动，绘图工作耗费了他们大量精力，限制了在创造性设计和专业深化方面的投入，不利于行业的创新发展。
3、行业整体协同效率欠佳
建筑项目从规划、设计到施工，各环节协同性不足。不同部门信息传递不畅，沟通成本高、决策周期长，常导致施工过程中的变更，延误工期并增加成本。
这些问题使得传统建筑业难以满足现代社会对高效、高质量建筑项目的需求，智能化转型迫在眉睫，而生成式 AI 技术为其提供了转型的契机。
02 生成式 AI 助力建筑创新
在建筑行业积极寻求智能化转型的当下，生成式 AI 凭借其强大的数据处理与创意生成能力，作为关键技术正在深度融入建筑领域。
生成式 AI 所具备强大的深度学习能力，能够对海量的建筑数据进行高效分析与学习。这些数据涵盖各类建筑设计案例、施工流程数据、不同建筑环境下的使用反馈等。通过对这些数据的挖掘与分析，生成式 AI 从设计的初步构思，到施工的具体推进，再到使用阶段的持续优化，在不同阶段为行业创新发展注入强大动力。
■设计阶段：激发创意，优化布局
在设计的初步构思阶段，生成式 AI 可根据场地条件、功能需求等数据，结合各类成功设计案例，快速生成多种创新设计方案，为设计师提供丰富灵感，助力突破传统设计思路的局限。以往建筑师在设计初期需耗费大量时间查阅资料、构思方案，且易受个人经验束缚。
例如吕帅老师团队正在开发一款基于深度学习的设计智能生成AI工具：“建筑扩散”，这是一组能自动完成建筑设计的人工智能大模型，基于目前的Diffusion架构，只需输入布局意向或者二维草图就能直接生成完整的住宅平面或者三维建筑形体。
在空间布局上，AI 更科学合理，美学上，AI 融合多种风格元素，创造独特外观。可持续性方面，优化建筑朝向、外立面设计，选择环保材料，降低能耗和环境影响，有助于推动设计的自动化以及普通人对设计过程的参与。
Case
案例——“建筑扩散”生成住宅方案
大语言模型对于自然语言的设计理解——根据提示词，“建筑扩散”AI模型可生成三维住宅结构图并根据需求进行修改。
用“建筑扩散”AI模型分析不同形态下的建筑能耗性能对比，辅助建筑形体的设计生成。
■施工阶段：精准规划，保障安全
而在施工阶段，生成式 AI 也正尝试推动生产效率提升，例如生成式AI可以模拟优化施工进度，综合考虑工程量、工艺、资源和天气等因素，预测各环节时间，制定合理计划并实时监控。一旦进度有偏差，会及时预警并提供调整建议。
■使用阶段：智能调节，提升体验
在建筑使用阶段，生成式AI 可以为提升建筑的使用体验、管理效率和可持续性发挥着作用——
智能调控室内环境：与传感器配合，收集温度、湿度等数据，预测环境变化，自动调控空调、照明等设备，实现舒适与节能。
优化能耗管理：分析能耗数据，识别模式和异常，优化设备运行策略，预测能源需求，降低成本。
预测设备故障：学习分析设备运行数据，提前发现潜在问题，提醒维护，减少故障和维修成本。
优化空间利用：依据空间使用数据，判断空间利用情况，提出调整建议，提升空间效益。
03 行业发展面临的挑战与应对策略
尽管生成式 AI 在建筑行业前景广阔，但吕帅老师也提到了生成式AI在建筑行业面临着诸多挑战：
1、数据共享存在障碍
建筑行业数据共享程度低，多采用单机工作模式，缺乏统一协同平台。不同项目和企业的数据难以流通，形成“数据孤岛”，导致 AI 训练数据有限，无法充分发挥效能。
2、行业引领力量缺失
建筑行业缺少具有强大号召力的龙头企业或机构来统一推动AI 技术应用和数据标准制定。高校的研发成果难以全面推广至行业实际应用，行业内缺乏统一标准和规范，导致技术应用效果参差不齐。
3、数据质量良莠不齐
建筑行业数据来源广泛、格式多样，数据的准确性、完整性和一致性难以保证。施工现场采集的数据可能因传感器故障或人为失误出现错误或缺失，不同企业的数据格式和存储方式差异大，影响AI 模型训练效果，降低预测和决策的可靠性。
尽管生成式 AI 在建筑行业前景广阔，但吕帅老师针对这些问题，吕帅老师提到企业主导推动数据共享，政府与协会强化引导，建立数据质量管理体系，提升数据质量管控等方法可以为 AI 模型提供高质量数据支持。
04 生成式AI让行业未来可期
生成式 AI 为传统建筑业生产力提升带来前所未有的机遇，吕帅老师带领的“建筑扩散” 项目亦是摸索中的成功范例。随着技术发展以及行业管理体系的完善，未来生成式 AI 将在建筑各环节发挥更大作用。而作为从事建筑行业的从业者而言，吕帅老师尤其提到应积极拥抱变革，学习掌握生成式 AI 等新兴技术并应用于工作中，加强与其他学科领域的交流合作，培养跨学科思维，提升解决复杂问题的能力，以适应新时代建筑行业的发展需求。
非常感谢吕帅老师提供的宝贵内容，我们期待 “建筑扩散” 项目持续深耕，挖掘生成式 AI 更多潜力，在建筑各环节带来更多创新成果，让建筑变得更智能、更宜居。
ABeam 作为全球化管理咨询公司，始终将目光聚焦于前沿科技领域。在当下，生成式 AI 无疑是极具变革潜力的技术之一，它正超高速渗透到各个行业，重塑着产业格局，而 ABeam 也将持续密切关注生成式 AI 在各行各业的应用。
