本文從 AIGC 技術 -> 產(chǎn)品 -> 業(yè)務應用和價值實現(xiàn)環(huán)節(jié)探討其發(fā)展路徑，并以產(chǎn)業(yè)實例探討 AIGC 如何才能在產(chǎn)業(yè)領域?qū)崿F(xiàn)閉環(huán)和價值落地。

紅杉資本針對 AIGC 相關產(chǎn)品成熟預測

若考慮到 AIGC 產(chǎn)業(yè)應用，如在制造業(yè)、建筑業(yè)等巨型垂直實體領域中，AIGC 的 C/Content 內(nèi)容將不能僅停留在圖片和文字的領域，而是需要進入信息更為豐富的三維領域。接下來，我們將從 AIGC 技術 -> 產(chǎn)品 -> 業(yè)務應用和價值實現(xiàn)環(huán)節(jié)探討其發(fā)展路徑，并以產(chǎn)業(yè)實例探討 AIGC 如何才能在產(chǎn)業(yè)領域?qū)崿F(xiàn)閉環(huán)和價值落地。

1.AIGC 技術：從文字到圖片

從大家對 ChatGPT 越來越多的測試中可以看到，ChatGPT 不僅能對語義進行解析和結構化，還能在此基礎上用 NLP 自然語言處理做數(shù)據(jù)分析。

ChatGPT 對內(nèi)容進行結構化處理和數(shù)據(jù)分析 - 佳格數(shù)據(jù)提供

事實上，以 Stable Diffusion 為首的一眾 AI 畫圖框架或者平臺，在去年更早的時候已經(jīng)引起了轟動。雖然圖片相對文字來說看上去信息含量要更為復雜，但是其技術成熟卻要比以 GPT 為首的文字生成來的更早一些，我們有必要從主流的開源框架 Stable Diffusion 為例，回顧一下這些圖片 AIGC 框架是如何工作的。

Stable Diffusion 生成的圖片， 已經(jīng)有了比擬人類畫家的能力

Stable Diffusion 主要有三個組成部分，每一個部分都有自己的神經(jīng)網(wǎng)絡。

1、CLIP 用于文字編碼器：以文字作為輸出的語義信息組成一個 77*768 的矩陣，CLIP 訓練 AI 同時進行自然語言理解和計算機視覺分析。CLIP 可以決定圖像和文字提示的對應程度，比如逐步把建筑的圖像和 “建筑” 這個詞完全匹配起來，而其能力訓練是通過全球 40 多億張帶文字描述的圖片實現(xiàn)的。

CLIP 的訓練集

2、UNET 及調(diào)度程序：這就是大名鼎鼎的擴散模型主程序（來自 CompVis 和 Runway 團隊于 2021 年 12 月提出的 “潛在擴散模型”（LDM / Latent Diffusion Model）），用于對噪聲進行預測實現(xiàn)反向去噪的過程，進而實現(xiàn)圖片在信息空間中的生成。如圖片所示，染料擴散的過程就像從圖片逐漸變成噪點的過程，而當研究人員對圖片增加隨機噪點讓 AI 反向?qū)W習整體過程，而后就擁有了一套從信息空間噪點圖反向生成圖片的模型。

Diffusion 模型反向去噪過程

用通俗的例子解釋，如果在清水里隨機滴入一些染料，隨著時間推移會得到如下圖一樣絢麗的形狀。那么有沒有一種方法，能夠根據(jù)某一個特定時間特定的狀態(tài)，反向推出初始的染料用量、順序、滴入水缸的初始狀態(tài)等信息呢？顯然，如果不借用 AI 的方式幾乎無法實現(xiàn)。

不同的染料滴入水中擴散出不同的形狀

3、信息空間到真實圖片空間的****：即把信息空間中的矩陣信息轉(zhuǎn)換為肉眼可見的 RGB 圖片。想象一下我們與人交流的過程，聽到的聲音信號轉(zhuǎn)換為大腦能理解的文字信號存儲在腦中，這個過程稱之為編碼。如果嘗試把文字信號通過某種語言表達出來，這個過程可以稱為解碼 —— 這里的表達方式可以是任意的語言，每種語言對應不同的****，解碼只是一種表達方式，本質(zhì)還是基于人類腦海中對于某件事情的描述與理解。

StableDiffusion 從輸入到輸出全流程解讀

正是有了這幾個關鍵技術步驟的串聯(lián)，Stable Diffusion 成功創(chuàng)建了一個無所不能的 AI 作圖機器人，不僅能理解語義，將其轉(zhuǎn)化為信息空間的信息流，還能夠在信息空間中通過模擬降噪創(chuàng)作，通過****還原成肉眼可見的圖片，這一充滿科幻色彩的過程放在 AI 不存在的世界來看，堪稱神跡。

2.AIGC 技術：從圖片到 3D 模型

圖片生成已經(jīng)取得了突破性的效果，但如果這些成果能夠進一步優(yōu)化應用到更多領域，將有可能實現(xiàn)更大價值。我們也看到一些細分領域中的探索成果，比如經(jīng)由對場景的理解，通過不同的數(shù)據(jù)集加入和調(diào)參，可以實現(xiàn)對圖片生成更好的控制，而不僅是通過文字的不斷試錯來獲得更優(yōu)結果。

2.1 設計意向圖生成

2019 年初，用 GANs 生成的「這個 XX 不存在」系列在海外獲得大量關注，在國內(nèi)我們也看到企業(yè)推出了在細分領域的成果。而該團隊也于 22 年 8 月實驗性的在手機端推出了「AI 創(chuàng)意庫」，只需要輸入一句話，對話機器人就能在一分鐘內(nèi)快速理解語義，生成多張效果細膩貼近建筑概念方案的意向圖。在此之上，更是可以通過輸入一張已有的圖片，修改部分描述的關鍵字，「AI 創(chuàng)意庫」即可生成一系列的衍生圖片，輔助設計師在日常創(chuàng)作中尋找靈感。

小庫科技「這個建筑不存在」，GANs 模型生成建筑意象圖及迭代過程

左圖：小庫「AI 創(chuàng)意庫」生成，觸發(fā)語句 Louis Kahn 風格，依山傍水的小型博物館；右圖：小庫「AI 創(chuàng)意庫」生成，基于左圖 Louis Kahn 風格圖片，完成風格切換至 Le Corbusier

為了使得「AI 創(chuàng)意庫」的效果更優(yōu)，團隊做了一些新的探索：由于已有的算法和模型更多聚集在通用互聯(lián)網(wǎng)素材上，建筑相關的圖片、形容及風格的數(shù)據(jù)儲備在專業(yè)程度顯然是不夠的。這里采取了一種針對建筑相關詞匯的特殊標識，組成一個微調(diào)的先驗數(shù)據(jù)集并將該數(shù)據(jù)集融合訓練，實現(xiàn)模型增強。通過建筑專業(yè)領域增強的新模型，形成了面向建筑行業(yè)專屬的 AI 創(chuàng)意庫，針對建筑類描述短句，測試集優(yōu)品率相比原有模型提升了 13.6% 之多。

Google Dreambooth Fine-Tuning 算法示意

舉個例子，當輸入一張博物館圖片及一個詞匯 "Zaha Hadid（過世的全球著名女建筑師）" 的時候，模型能夠理解需要將博物館的建筑風格或特征往 Zaha Hadid 的作品靠攏，而不是在博物館中增加一個 Zaha Hadid 的人物或畫像，抑或是在 AI 世界里創(chuàng)作一個 Zaha Hadid 的卡通畫像 —— 這往往是通用模型會返回的結果之一。

經(jīng)過微調(diào)后的建筑模型，小庫「AI 創(chuàng)意庫」能充分理解 “Zaha Hadid” 這個特殊詞匯隱含意思

2.2 3D 模型生成

二維的圖片雖然精彩，但在產(chǎn)業(yè)應用中暫時還只是停留在 “意向圖庫” 的作用，未來如果要成為可以精準表達設計的成果，需要向 3D 和更高信息維度去邁進。

在 2020 年 AIGC 沒有現(xiàn)在這么成熟的時候，上述團隊就在探索如何用 AI 生成 3D 模型，并在同濟大學 DigitalFUTURES 工作坊教學中，公開了其在研發(fā)中的從圖形生成圖像進一步生成模型的算法，能看到當時的模型效果并不太理想，有價值的是實現(xiàn)了圖形 - 圖像 - 模型的聯(lián)動。

2020 同濟大學 DigitalFUTURES 工作坊小庫教學團隊成果，手繪圖形生成圖像進而生成模型

第二年在同濟大學 DigitalFUTURES 工作坊教學中，該團隊發(fā)布了一種通過 GANs 學習衛(wèi)星圖與真實三維模型之間關系，將衛(wèi)星圖生成為真實三維模型的算法。該算法通過對衛(wèi)星圖上不同的圖層元素進行特征學習，能大致復原出衛(wèi)星圖所對應的主要物體三維拉伸形體，預測不同物體投影所對應的原物體高度。當然，這種方法還存在一定的缺陷，只能在衛(wèi)星圖場景中使用，難以積累其他場景中同類圖片與三維形體之間的關系；其次是還原的三維形體只能粗略預測高度，其他細節(jié)需要通過算法重新生成，與真實的三維模型存在較大誤差，只能用于項目早期研判使用，應用場景有限。

城市三維模型分層特征提取訓練示意圖

2021 同濟大學 DigitalFUTURES 工作坊小庫教學團隊成果，基于 GANS 的衛(wèi)星圖重建三維模型

得益于 AIGC 算法的爆發(fā)、3D 生成算法的日益成熟，我們也看到垂直類 AI 企業(yè)開始吸收更多先進的技術與思路改善其模型，并在 3D-AIGC 的路線上有了一些新的嘗試方向。例如 OPENAI 推出了 Point-E 框架，該框架可以將任意二維圖片通過算法預測為點云，進而通過點云去預測三維物件。

PointE 框架全過程示意圖

但是模型生成的質(zhì)量依然有一定的局限，而模型的不可用主要體現(xiàn)在以下三個方面：

1. 三維形體還原難：首先二維圖像數(shù)據(jù)比三維模型數(shù)據(jù)出現(xiàn)早，同時可獲取的二維圖像數(shù)據(jù)目前也比后者多，因此前者可作為訓練素材的量級更多，較少的三維模型訓練素材的泛化能力有限，難以還原最初的三維形體；

2. 材質(zhì)整體缺失：對于三維模型來說最重要的一環(huán)是材質(zhì)的填充與選擇，然而對于AI生成來說，從圖片直接推敲其材質(zhì)的方法尚未成熟，同樣材質(zhì)在不同的形狀、環(huán)境、光源下的表現(xiàn)都有所不同，而當這些變量都集中在一張圖片中時，材質(zhì)重建幾乎不可能實現(xiàn)；

3. 生成的模型精度不達標：通過點云推敲的模型，通常是依賴于點云的密度重建物體表面 Mesh，如果點云過少物體會嚴重失真，甚至無法重建模型。

小庫團隊測試 Point- E 模型，左邊建筑圖片生成點云進而模擬出右邊三維模型，遺憾得到的只是一堆無意義的點云模型，Point-E 暫時還無法理解一個建筑物的圖片

當然我們能理解當前的技術瓶頸，如果把目標定的稍微低一點，選擇從三維建模軟件中生成的簡單形體、做二維的截圖在 point-e 模型中重建，會意外地發(fā)現(xiàn)其效果比以上測試更佳，但也仍局限在 “初步草稿” 的范疇。這與訓練集有很大的關聯(lián)性，通過三維建模軟件生成各個視角的二維視圖是該模型最易獲取訓練數(shù)據(jù)的方法之一。

小庫團隊測試 Point-E 模型，針對建模軟件中選取一個簡單三維模型做任意角度截圖，重建三維模型，往往有還不錯的效果

綜上來看，從文字 -> 圖片 -> 點云 -> 三維物體的技術路線固然令人驚嘆，但如果要應用在產(chǎn)業(yè)領域，還有很多工作需要 AI 科學家們?nèi)プ觥?/span>

然而，是否只有這一條技術路線去實現(xiàn)三維模型的生成？

3 垂直領域 AIGC 應用新思路

在泛領域的大模型研發(fā)上以 OpenAI 為首的廠商，包括 Nvidia 和 Google 等巨頭也在紛紛推出屬于自己自己的通用型 3D-AIGC 框架，遺憾的是目前還處在一個早期階段。對于垂直實體產(chǎn)業(yè)來說，落地應用顯然還有很長的路要走。

從全球范圍來看，在 3D 模型的生成領域除了泛領域大模型外，部分垂直產(chǎn)業(yè)也在探索 AIGC 如何應用落地。比如西門子在引擎的設計和制造中針對生成的模型進行方針模擬和進一步優(yōu)化，最終通過3D打印實體，實現(xiàn)了3D模型生成現(xiàn)成果交付和業(yè)務閉環(huán)。

西門子通過生成式算法實現(xiàn)引擎的設計和模擬

這樣的成果的實現(xiàn)，有賴于在產(chǎn)業(yè)邏輯下的底層業(yè)務內(nèi)容及其數(shù)據(jù)標準的不斷迭代。

按照 ISO/ IEC 給出對內(nèi)容的數(shù)字標準定義 SMART（Standards Machine Applicable, Readable and Transferable 機器可開、可讀和可交互標準）：L1 級為紙質(zhì)文本，沒有機器交互可能；L2 級為開放數(shù)字格式，機器交互性很低；L3 級為機器可讀文檔，但機器無法理解檢索的結果與內(nèi)容；L4 級為機器可讀內(nèi)容，可做語義交互但機器無法理解上下文的邏輯關系；L5 級，機器可交互內(nèi)容，可實現(xiàn)自動識別、自動生成等智能屬性。

在產(chǎn)業(yè)領域中，目前廣泛應用 L3 級信息化內(nèi)容，正在發(fā)展 L4 級數(shù)字化內(nèi)容，而 L5 級智能化是工業(yè) 4.0 和智能制造的核心基礎。因此，生成 L4 級以上機器可讀內(nèi)容，特別是生成 L5 級智能化內(nèi)容，是未來 AIGC 的方向。

ISO/IEC SMART 數(shù)字標準《中國工程科學》2021 年第 23 卷第 6 期《標準數(shù)字化發(fā)展現(xiàn)狀及趨勢研究》劉曦澤、王益誼、杜曉燕、李佳、車迪

海外已經(jīng)在 AIGC 的產(chǎn)業(yè)應用領域中開始了實踐，而國內(nèi)的探索仍然比較稀缺，但我們也發(fā)現(xiàn)了一些在垂直領域深耕的企業(yè)。比如上述提到的，在建筑產(chǎn)業(yè)深耕的小庫科技團隊。我們將以其實踐的建筑產(chǎn)業(yè)為例，探討 AIGC 在垂直產(chǎn)業(yè)中的落地路徑。

當前國內(nèi)實體經(jīng)濟處于轉(zhuǎn)型的窗口期，國家層面提出 “人工智能與實體經(jīng)濟融合 “的重要任務，各大產(chǎn)業(yè)迫切希望 AI 技術能夠真正落地，協(xié)助產(chǎn)業(yè)實現(xiàn)數(shù)字化與智能化的升級躍遷，而不是一個停留在概念的 DEMO 產(chǎn)品，或者茶余飯后討論的好玩趣物。

建筑產(chǎn)業(yè)是接近 30 萬億每年的國家支柱型產(chǎn)業(yè)，但是其數(shù)字化水平在全國各行業(yè)中排名倒數(shù)第一。當前國家提出智能建造方針，希望邁上 “中國建造” 的新臺階。智能建造是以新型建筑工業(yè)化（工業(yè)化 / 裝配式、數(shù)字化、智能化）為基礎，基于新一代信息技術與先進建造技術深度融合，貫穿于設計、生產(chǎn)、施工、運維、監(jiān)管等建設活動各個環(huán)節(jié)，具有自感知、自決策、自執(zhí)行、自適應、自學習等特征，旨在優(yōu)化建筑產(chǎn)業(yè)全生命周期質(zhì)量、效益和核心競爭力的先進建造方式。

2011-2021 年中國建筑業(yè)總產(chǎn)值及增長情況 - 國家統(tǒng)計局 - 前瞻產(chǎn)業(yè)研究院，

資科來源：Gartner；Kable；經(jīng)合組織；中央統(tǒng)計局；彭博社；麥肯錫全球研究院分析

而在建筑產(chǎn)業(yè)，底層數(shù)據(jù)標準正從機器可讀文檔 L3 級的 CAD 時代，向機器可讀內(nèi)容的 L4 級 BIM 時代邁進。建筑產(chǎn)業(yè)中對 3D 模型的要求是內(nèi)容對象具備三維空間中的全維度精確信息，包括模型、數(shù)據(jù)等維度，如果還能包含規(guī)則維度，進而便可使其具備自感知、自學習、自迭代等智能化的能力。目前，L3 級的 CAD 和 L4 級的 BIM 應用軟件已經(jīng)被海外壟斷，我們發(fā)展的空間和潛力必然集中在了可以高維覆蓋低維的 L5 級上。

數(shù)字標準 SMART 在建筑領域的內(nèi)容格式示意

基于對建筑產(chǎn)業(yè)數(shù)字化變革的洞察，小庫團隊意識到必須對整個產(chǎn)業(yè)的數(shù)據(jù)底層進行再定義。從 2016 年成立起便致力于 L5 級 3D 模型 AIGC 的底層技術研發(fā)及其在建筑產(chǎn)業(yè)中的應用?；谝惶缀袠I(yè)務流邏輯的 AI 系統(tǒng)生成包含建筑信息與多維數(shù)據(jù)、3D 模型、以及規(guī)則 / 規(guī)范 / 規(guī)律的 “數(shù) - 模 - 規(guī)” 可聯(lián)動的內(nèi)容，實現(xiàn)建筑設計方案的智能生成。

這樣的底層數(shù)據(jù)，團隊將其稱為 AI driven Building Information Model on Cloud 人工智能生成的云端建筑信息模型（簡稱 ABC），并將智能生成的達成歸結為四個實踐步驟：AI 識別現(xiàn)有內(nèi)容用于訓練或結構化數(shù)據(jù)重建，對數(shù)據(jù)進行評估和模擬仿真，通過對初步數(shù)據(jù)成果進行優(yōu)化，最終生成由系列的 AI 模型組建的業(yè)務成果。

L5 級建筑智能格式 ABC 智能云模示意

AI 識別領域，團隊通過對千萬級的不同業(yè)務類型 CAD 圖紙數(shù)據(jù)的清洗和訓練，獲得了對 L3 級無語義 CAD 圖紙的 100% 云端還原與 99.8%* 的準確語義解析和補充，在該領域達到世界先進水平。這項成果已經(jīng)深度應用到企業(yè)的多個產(chǎn)品與解決方案中，比如針對施工圖審查的「智能審圖」中條文審查準確率約為 96%。

小庫施工圖構件與空間識別

AI 分析領域，基于對項目的有效識別，針對住宅、商場等常用民用建筑類型，使得團隊能夠進行物理環(huán)境仿真分析、人類行為數(shù)據(jù)模擬與預測、項目相關大數(shù)據(jù)的分析和模擬。在應用層面上，可以協(xié)助客戶進行項目方案量化分析，比如通過對房企全線住宅產(chǎn)品的評估可以得到不同價值評估系數(shù)，協(xié)助房企提升產(chǎn)品質(zhì)量。因此，小庫科技也被選為中房協(xié)戶型設計大賽首個 AI 評委。這項能力也被應用于香港和國內(nèi)十余個商場建筑的開發(fā)與運營中。

小庫「產(chǎn)品力價值評估」

AI 優(yōu)化領域，團隊認為 “優(yōu)化” 是基于前序 “識別” 和 “分析 “后的進一步尋優(yōu)迭代，即基于已有內(nèi)容的重新生成更優(yōu)的成果。這類技術已在公司具體的產(chǎn)品和解決方案中得到應用。比如在設計云 2022 版 “智能日照優(yōu)化” 功能中，小庫可以將未通過日照的方案進行自動微調(diào)，使其能夠在原有格局不進行巨大調(diào)整的前提下通過日照驗證。這項能力也用在了建筑方案的設計深化中，比如幕墻設計優(yōu)化場景。在與四川省商業(yè)設計院合作的四川某博物館幕墻項目中，小庫算法將原有 3 萬多種不規(guī)則三角形幕墻板優(yōu)化為 12 種標準模塊，比現(xiàn)有世界水平能降低到的 116 種還減少了 90%，建筑幕墻成本將因為 SKU 和開模數(shù)量的降低而得到大幅度降低。

小庫「幕墻優(yōu)化 AI 算法」

AI 生成領域，是智能設計最為核心的部分。對建筑業(yè)而言，選擇經(jīng)濟適用美觀的設計方案、交付安全高效高質(zhì)量的建造成果，需要多專業(yè)、多角色統(tǒng)籌協(xié)同完成。不僅需要從宏觀尺度、到中觀尺度再到微觀尺度逐個攻破，還需要在建筑、結構、機電、水暖、景觀等多專業(yè)逐步覆蓋，更需要涵蓋住宅、公寓、產(chǎn)業(yè)、辦公、商業(yè)等各種業(yè)態(tài)類型。因此垂直領域的專業(yè)成果生成絕不是某一個模型算法一套數(shù)據(jù)可以解決的，它需要多模型、多模態(tài)、多數(shù)據(jù)集等多項技術與業(yè)務邏輯有機融合，通過契合細分場景的產(chǎn)品設計和基于用戶反饋的持續(xù)迭代，才能最終實現(xiàn)。

小庫團隊從業(yè)務邏輯出發(fā)，對傳統(tǒng)建筑設計需要的 24 個業(yè)務流程步驟進行梳理，將其核心內(nèi)容抽取重構為 6 個業(yè)務模塊，以 AI 系統(tǒng)與云端架構為核心，建立起一套全新的建筑設計 AIGC 業(yè)務流程：調(diào)（信息調(diào)用與AI識別）、做（全AI生成與人機協(xié)作生成）、改（人工可改與AI優(yōu)化）、核（數(shù)據(jù)核查與AI審查）、協(xié)（云端多人協(xié)同與業(yè)務管理）、出（自動輸出更多格式- 3D模型/2D圖紙/圖像/PPT/Excel等）。

左圖：建筑設計原有業(yè)務流程 24 個步驟，右圖：小庫重構為 6 個 AI 加持下的業(yè)務流程板塊

基于對業(yè)務的深刻理解和重構的業(yè)務邏輯，在產(chǎn)品設計上將 6 大業(yè)務模塊與 AI 識別、AI 生成、大數(shù)據(jù)、云端協(xié)同等技術深度融合，實現(xiàn)了建筑規(guī)劃、單體設計、構件生成等不同深度的建筑業(yè)務需求，從分析到設計到審查再到協(xié)同與輸出，逐步覆蓋了住宅類業(yè)務所需的廣度和深度需求。

「小庫設計云 - 建筑規(guī)劃」產(chǎn)品 6 大模塊

「小庫設計云 - 建筑單體」產(chǎn)品 6 大模塊

4. AIGC 在產(chǎn)業(yè)中的價值落地

在大部分產(chǎn)業(yè)中，AIGC 的應用仍然處于初級階段，整體 AI 技術的不斷發(fā)展將推動后續(xù) AIGC 的創(chuàng)新應用。以當前的建筑產(chǎn)業(yè)實踐為例，AIGC 目前能夠在產(chǎn)生用戶可感知價值的部分業(yè)務細節(jié)場景中，輔助提升對效率有較高要求的具體業(yè)務場景，如建筑產(chǎn)業(yè)中的投研、設計、評估、管理和建造等環(huán)節(jié)。

4.1 最優(yōu)解增益與效率提升

在建筑產(chǎn)業(yè)的投研階段，2021 年出臺的 “兩集中” 政策（集中供應土地和集中拍地）使大量土地集中在一個月內(nèi)推出，開發(fā)企業(yè)需要在短時間內(nèi)完成對每一塊土地的投資評估，其中最核心的是如何在一塊地上找到最優(yōu)的建筑規(guī)劃方案，獲得最大的產(chǎn)品貨值和投資回報測算。原本完成一個住宅規(guī)劃概念方案的時間至少需要 3-5 天，無法滿足業(yè)務需要，如此就提出了對投前建筑規(guī)劃方案的極致效率的需求。

小庫團隊推出 AIGC 的建筑規(guī)劃方案，只需原來 30% 左右的時間就可以輸出初步方案。更重要的是，AI 可以生成和優(yōu)化一些人沒有想到過或難以靠手動窮舉推敲出的方案，從而獲得性能或經(jīng)濟性方面更優(yōu)的成果。如在中國金茂的某江西項目中， AI 生成的方案不僅在時間上僅為原有方式的 20%，項目總貨值上比原有方案增加了 5600 萬。在 2021 年 9 個月的地產(chǎn)拍地市場中，團隊累積完成了近千個項目及近萬個方案，協(xié)助客戶成功拿地數(shù)十塊。

「小庫設計云」AI 生成實際住區(qū)拿地方案

4.2 成本降低與節(jié)能減排

在實際的建筑建造環(huán)節(jié)，小庫團隊將 AI 與 DFMA（Design For Manufacture and Assembly 為裝配和制造而設計）的設計方法結合，與建筑業(yè)巨頭中建集團旗下中建科工攜手，將箱型裝配式建筑與 AI 設計生成、L5 級 ABC “數(shù) - 模 - 規(guī)” 聯(lián)動深度結合，實現(xiàn)了投資 - 方案 - 成本在未實施前的實時聯(lián)動，減少了 80% 設計和成本變更，并有效降低總體裝配式構件 SKU 和開模量，實現(xiàn) 50% 以上節(jié)能減排。在獲得性能與經(jīng)濟結果更優(yōu)的同時，將 “原生數(shù)據(jù)” 與工廠產(chǎn)線、智能建造現(xiàn)場有效打通為 “孿生數(shù)據(jù)”。在深圳某酒店項目中實現(xiàn)了 4 個月完成從設計到建造，將總工期大幅縮短了至少 14 個月，節(jié)省了 60% 以上的時間。

「小庫裝配云」與中建科工合作的深圳某酒店，全過程智能設計與智能建造）

L5 級智能建造模式與傳統(tǒng)模式對比

通過以上案例可以看到，L5 級的 AIGC 可以從數(shù)據(jù)產(chǎn)生的源頭開始，通過在產(chǎn)業(yè)鏈各環(huán)節(jié)細分場景的具體應用，能夠有效輔助產(chǎn)業(yè)鏈獲得更高的全生命周期質(zhì)量、效益和核心競爭力。未來，AIGC 從文字和圖片邁向更高維的 3D 和 L5 級內(nèi)容成果是大勢所趨，這不僅是建筑產(chǎn)業(yè)對人工智能的未來預期，也是各垂直產(chǎn)業(yè)的共同的期待。

注：*在圖層無明顯錯誤的基礎上，當前小庫AI識別針對標準構件（門、窗、墻、樓梯、電梯、空調(diào)、消火栓、車位）等識別準確率為99.8%（測試集為上千張建筑平面CAD圖紙，圖紙來源是數(shù)家頭部開發(fā)商的內(nèi)部標準庫） 

來源：機器之心