3 垂直领域 AIGC 应用新思路

在泛领域的大模型研发上以 OpenAI 为首的厂商，包括 Nvidia 和 Google 等巨头也在纷纷推出属于自己自己的通用型 3D-AIGC 框架，遗憾的是目前还处在一个早期阶段。对于垂直实体产业来说，落地应用显然还有很长的路要走。

从全球范围来看，在 3D 模型的生成领域除了泛领域大模型外，部分垂直产业也在探索 AIGC 如何应用落地。比如西门子在引擎的设计和制造中针对生成的模型进行方针模拟和进一步优化，最终通过3D打印实体，实现了3D模型生成现成果交付和业务闭环。

西门子通过生成式算法实现引擎的设计和模拟

这样的成果的实现，有赖于在产业逻辑下的底层业务内容及其数据标准的不断迭代。

按照 ISO/ IEC 给出对内容的数字标准定义 SMART（Standards Machine Applicable, Readable and Transferable 机器可开、可读和可交互标准）：L1 级为纸质文本，没有机器交互可能；L2 级为开放数字格式，机器交互性很低；L3 级为机器可读文档，但机器无法理解检索的结果与内容；L4 级为机器可读内容，可做语义交互但机器无法理解上下文的逻辑关系；L5 级，机器可交互内容，可实现自动识别、自动生成等智能属性。

在产业领域中，目前广泛应用 L3 级信息化内容，正在发展 L4 级数字化内容，而 L5 级智能化是工业 4.0 和智能制造的核心基础。因此，生成 L4 级以上机器可读内容，特别是生成 L5 级智能化内容，是未来 AIGC 的方向。

ISO/IEC SMART 数字标准《中国工程科学》2021 年第 23 卷第 6 期《标准数字化发展现状及趋势研究》刘曦泽、王益谊、杜晓燕、李佳、车迪

海外已经在 AIGC 的产业应用领域中开始了实践，而国内的探索仍然比较稀缺，但我们也发现了一些在垂直领域深耕的企业。比如上述提到的，在建筑产业深耕的小库科技团队。我们将以其实践的建筑产业为例，探讨 AIGC 在垂直产业中的落地路径。

当前国内实体经济处于转型的窗口期，国家层面提出 “人工智能与实体经济融合 “的重要任务，各大产业迫切希望 AI 技术能够真正落地，协助产业实现数字化与智能化的升级跃迁，而不是一个停留在概念的 DEMO 产品，或者茶余饭后讨论的好玩趣物。

建筑产业是接近 30 万亿每年的国家支柱型产业，但是其数字化水平在全国各行业中排名倒数第一。当前国家提出智能建造方针，希望迈上 “中国建造” 的新台阶。智能建造是以新型建筑工业化（工业化 / 装配式、数字化、智能化）为基础，基于新一代信息技术与先进建造技术深度融合，贯穿于设计、生产、施工、运维、监管等建设活动各个环节，具有自感知、自决策、自执行、自适应、自学习等特征，旨在优化建筑产业全生命周期质量、效益和核心竞争力的先进建造方式。

2011-2021 年中国建筑业总产值及增长情况 - 国家统计局 - 前瞻产业研究院，

资科来源：Gartner；Kable；经合组织；中央统计局；彭博社；麦肯锡全球研究院分析

而在建筑产业，底层数据标准正从机器可读文档 L3 级的 CAD 时代，向机器可读内容的 L4 级 BIM 时代迈进。建筑产业中对 3D 模型的要求是内容对象具备三维空间中的全维度精确信息，包括模型、数据等维度，如果还能包含规则维度，进而便可使其具备自感知、自学习、自迭代等智能化的能力。目前，L3 级的 CAD 和 L4 级的 BIM 应用软件已经被海外垄断，我们发展的空间和潜力必然集中在了可以高维覆盖低维的 L5 级上。

数字标准 SMART 在建筑领域的内容格式示意

基于对建筑产业数字化变革的洞察，小库团队意识到必须对整个产业的数据底层进行再定义。从 2016 年成立起便致力于 L5 级 3D 模型 AIGC 的底层技术研发及其在建筑产业中的应用。基于一套含有业务流逻辑的 AI 系统生成包含建筑信息与多维数据、3D 模型、以及规则 / 规范 / 规律的 “数 - 模 - 规” 可联动的内容，实现建筑设计方案的智能生成。

这样的底层数据，团队将其称为 AI driven Building Information Model on Cloud 人工智能生成的云端建筑信息模型（简称 ABC），并将智能生成的达成归结为四个实践步骤：AI 识别现有内容用于训练或结构化数据重建，对数据进行评估和模拟仿真，通过对初步数据成果进行优化，最终生成由系列的 AI 模型组建的业务成果。

L5 级建筑智能格式 ABC 智能云模示意

AI 识别领域，团队通过对千万级的不同业务类型 CAD 图纸数据的清洗和训练，获得了对 L3 级无语义 CAD 图纸的 100% 云端还原与 99.8%* 的准确语义解析和补充，在该领域达到世界先进水平。这项成果已经深度应用到企业的多个产品与解决方案中，比如针对施工图审查的「智能审图」中条文审查准确率约为 96%。

小库施工图构件与空间识别

AI 分析领域，基于对项目的有效识别，针对住宅、商场等常用民用建筑类型，使得团队能够进行物理环境仿真分析、人类行为数据模拟与预测、项目相关大数据的分析和模拟。在应用层面上，可以协助客户进行项目方案量化分析，比如通过对房企全线住宅产品的评估可以得到不同价值评估系数，协助房企提升产品质量。因此，小库科技也被选为中房协户型设计大赛首个 AI 评委。这项能力也被应用于香港和国内十余个商场建筑的开发与运营中。

小库「产品力价值评估」

AI 优化领域，团队认为 “优化” 是基于前序 “识别” 和 “分析 “后的进一步寻优迭代，即基于已有内容的重新生成更优的成果。这类技术已在公司具体的产品和解决方案中得到应用。比如在设计云 2022 版 “智能日照优化” 功能中，小库可以将未通过日照的方案进行自动微调，使其能够在原有格局不进行巨大调整的前提下通过日照验证。这项能力也用在了建筑方案的设计深化中，比如幕墙设计优化场景。在与四川省商业设计院合作的四川某博物馆幕墙项目中，小库算法将原有 3 万多种不规则三角形幕墙板优化为 12 种标准模块，比现有世界水平能降低到的 116 种还减少了 90%，建筑幕墙成本将因为 SKU 和开模数量的降低而得到大幅度降低。

小库「幕墙优化 AI 算法」

AI 生成领域，是智能设计最为核心的部分。对建筑业而言，选择经济适用美观的设计方案、交付安全高效高质量的建造成果，需要多专业、多角色统筹协同完成。不仅需要从宏观尺度、到中观尺度再到微观尺度逐个攻破，还需要在建筑、结构、机电、水暖、景观等多专业逐步覆盖，更需要涵盖住宅、公寓、产业、办公、商业等各种业态类型。因此垂直领域的专业成果生成绝不是某一个模型算法一套数据可以解决的，它需要多模型、多模态、多数据集等多项技术与业务逻辑有机融合，通过契合细分场景的产品设计和基于用户反馈的持续迭代，才能最终实现。

小库团队从业务逻辑出发，对传统建筑设计需要的 24 个业务流程步骤进行梳理，将其核心内容抽取重构为 6 个业务模块，以 AI 系统与云端架构为核心，建立起一套全新的建筑设计 AIGC 业务流程：调（信息调用与AI识别）、做（全AI生成与人机协作生成）、改（人工可改与AI优化）、核（数据核查与AI审查）、协（云端多人协同与业务管理）、出（自动输出更多格式- 3D模型/2D图纸/图像/PPT/Excel等）。

左图：建筑设计原有业务流程 24 个步骤，右图：小库重构为 6 个 AI 加持下的业务流程板块

基于对业务的深刻理解和重构的业务逻辑，在产品设计上将 6 大业务模块与 AI 识别、AI 生成、大数据、云端协同等技术深度融合，实现了建筑规划、单体设计、构件生成等不同深度的建筑业务需求，从分析到设计到审查再到协同与输出，逐步覆盖了住宅类业务所需的广度和深度需求。

「小库设计云 - 建筑规划」产品 6 大模块

「小库设计云 - 建筑单体」产品 6 大模块

4. AIGC 在产业中的价值落地

在大部分产业中，AIGC 的应用仍然处于初级阶段，整体 AI 技术的不断发展将推动后续 AIGC 的创新应用。以当前的建筑产业实践为例，AIGC 目前能够在产生用户可感知价值的部分业务细节场景中，辅助提升对效率有较高要求的具体业务场景，如建筑产业中的投研、设计、评估、管理和建造等环节。

4.1 最优解增益与效率提升

在建筑产业的投研阶段，2021 年出台的 “两集中” 政策（集中供应土地和集中拍地）使大量土地集中在一个月内推出，开发企业需要在短时间内完成对每一块土地的投资评估，其中最核心的是如何在一块地上找到最优的建筑规划方案，获得最大的产品货值和投资回报测算。原本完成一个住宅规划概念方案的时间至少需要 3-5 天，无法满足业务需要，如此就提出了对投前建筑规划方案的极致效率的需求。

小库团队推出 AIGC 的建筑规划方案，只需原来 30% 左右的时间就可以输出初步方案。更重要的是，AI 可以生成和优化一些人没有想到过或难以靠手动穷举推敲出的方案，从而获得性能或经济性方面更优的成果。如在中国金茂的某江西项目中， AI 生成的方案不仅在时间上仅为原有方式的 20%，项目总货值上比原有方案增加了 5600 万。在 2021 年 9 个月的地产拍地市场中，团队累积完成了近千个项目及近万个方案，协助客户成功拿地数十块。

「小库设计云」AI 生成实际住区拿地方案

4.2 成本降低与节能减排

在实际的建筑建造环节，小库团队将 AI 与 DFMA（Design For Manufacture and Assembly 为装配和制造而设计）的设计方法结合，与建筑业巨头中建集团旗下中建科工携手，将箱型装配式建筑与 AI 设计生成、L5 级 ABC “数 - 模 - 规” 联动深度结合，实现了投资 - 方案 - 成本在未实施前的实时联动，减少了 80% 设计和成本变更，并有效降低总体装配式构件 SKU 和开模量，实现 50% 以上节能减排。在获得性能与经济结果更优的同时，将 “原生数据” 与工厂产线、智能建造现场有效打通为 “孪生数据”。在深圳某酒店项目中实现了 4 个月完成从设计到建造，将总工期大幅缩短了至少 14 个月，节省了 60% 以上的时间。

「小库装配云」与中建科工合作的深圳某酒店，全过程智能设计与智能建造）

L5 级智能建造模式与传统模式对比

通过以上案例可以看到，L5 级的 AIGC 可以从数据产生的源头开始，通过在产业链各环节细分场景的具体应用，能够有效辅助产业链获得更高的全生命周期质量、效益和核心竞争力。未来，AIGC 从文字和图片迈向更高维的 3D 和 L5 级内容成果是大势所趋，这不仅是建筑产业对人工智能的未来预期，也是各垂直产业的共同的期待。

注：*在图层无明显错误的基础上，当前小库AI识别针对标准构件（门、窗、墙、楼梯、电梯、空调、消火栓、车位）等识别准确率为99.8%（测试集为上千张建筑平面CAD图纸，图纸来源是数家头部开发商的内部标准库） 

参考资料：

• The Illustrated Stable Diffusion – Jay Alammar – Visualizing machine learning one concept at a time.

• Robin Rombach, Adreas Blattmann, etal. High-Resolution Image Synthesis with Latent Diffusion Model (CVPR 2022 Oral)

• Nataniel Ruiz, etal. DreamBooth: Fine Tuning Text-to-Image Diffusion Models for Subject-Driven Generation (2022)

• Alex Nichol, Jun H, etal. Point-E: A System for Generating 3D Point Clouds from Complex Prompts（2022）

• 刘曦泽、王益谊、杜晓燕、李佳、车迪等：ISO/IEC SMART数字标准《中国工程科学》2021年第23卷第6期《标准数字化发展现状及趋势研究》

• 《中国各行业数字化水平》-麦肯锡全球研究院

*博客内容为网友个人发布，仅代表博主个人观点，如有侵权请联系工作人员删除。