被ChatGPT帶飛的AIGC，能為垂直產業做些什么？（2）

3 垂直領域 AIGC 應用新思路

在泛領域的大模型研發上以 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。對于垂直實體產業來說，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，部分垂直產業也在探索 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化，最終通過3D打印實體，實現了3D模型生成現成果交付和業務閉環。

西門子通過生成式算法實現引擎的設計和模擬

這樣的成果的實現，有賴于在產業邏輯下的底層業務內容及其數據標準的不斷迭代。

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

在產業領域中，目前廣泛應用 L3 級信息化內容，正在發展 L4 級數字化內容，而 L5 級智能化是工業 4.0 和智能制造的核心基礎。因此，生成 L4 級以上機器可讀內容，特別是生成 L5 級智能化內容，是未來 AIGC 的方向。

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

海外已經在 AIGC 的產業應用領域中開始了實踐，而國內的探索仍然比較稀缺，但我們也發現了一些在垂直領域深耕的企業。比如上述提到的，在建筑產業深耕的小庫科技團隊。我們將以其實踐的建筑產業為例，探討 AIGC 在垂直產業中的落地路徑。

當前國內實體經濟處于轉型的窗口期，國家層面提出 “人工智能與實體經濟融合 “的重要任務，各大產業迫切希望 AI 技術能夠真正落地，協助產業實現數字化與智能化的升級躍遷，而不是一個停留在概念的 DEMO 產品，或者茶余飯后討論的好玩趣物。

建筑產業是接近 30 萬億每年的國家支柱型產業，但是其數字化水平在全國各行業中排名倒數第一。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化（工業化 / 裝配式、數字化、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、施工、運維、監管等建設活動各個環節，具有自感知、自決策、自執行、自適應、自學習等特征，旨在優化建筑產業全生命周期質量、效益和核心競爭力的先進建造方式。

2011-2021 年中國建筑業總產值及增長情況 - 國家統計局 - 前瞻產業研究院，

資科來源：Gartner；Kable；經合組織；中央統計局；彭博社；麥肯錫全球研究院分析

而在建筑產業，底層數據標準正從機器可讀文檔 L3 級的 CAD 時代，向機器可讀內容的 L4 級 BIM 時代邁進。建筑產業中對 3D 模型的要求是內容對象具備三維空間中的全維度精確信息，包括模型、數據等維度，如果還能包含規則維度，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 應用軟件已經被海外壟斷，我們發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。

數字標準 SMART 在建筑領域的內容格式示意

基于對建筑產業數字化變革的洞察，小庫團隊意識到必須對整個產業的數據底層進行再定義。從 2016 年成立起便致力于 L5 級 3D 模型 AIGC 的底層技術研發及其在建筑產業中的應用。基于一套含有業務流邏輯的 AI 系統生成包含建筑信息與多維數據、3D 模型、以及規則 / 規范 / 規律的 “數 - 模 - 規” 可聯動的內容，實現建筑設計方案的智能生成。

這樣的底層數據，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 識別現有內容用于訓練或結構化數據重建，對數據進行評估和模擬仿真，通過對初步數據成果進行優化，最終生成由系列的 AI 模型組建的業務成果。

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務類型 CAD 圖紙數據的清洗和訓練，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。這項成果已經深度應用到企業的多個產品與解決方案中，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境仿真分析、人類行為數據模擬與預測、項目相關大數據的分析和模擬。在應用層面上，可以協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品的評估可以得到不同價值評估系數，協助房企提升產品質量。因此，小庫科技也被選為中房協戶型設計大賽首個 AI 評委。這項能力也被應用于香港和國內十余個商場建筑的開發與運營中。 

小庫「產品力價值評估」   

AI 優化領域，團隊認為 “優化” 是基于前序 “識別” 和 “分析 “后的進一步尋優迭代，即基于已有內容的重新生成更優的成果。這類技術已在公司具體的產品和解決方案中得到應用。比如在設計云 2022 版 “智能日照優化” 功能中，小庫可以將未通過日照的方案進行自動微調，使其能夠在原有格局不進行巨大調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，比如幕墻設計優化場景。在與四川省商業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 萬多種不規則三角形幕墻板優化為 12 種標準模塊，比現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 和開模數量的降低而得到大幅度降低。

小庫「幕墻優化 AI 算法」

AI 生成領域，是智能設計最為核心的部分。對建筑業而言，選擇經濟適用美觀的設計方案、交付安全高效高質量的建造成果，需要多專業、多角色統籌協同完成。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、景觀等多專業逐步覆蓋，更需要涵蓋住宅、公寓、產業、辦公、商業等各種業態類型。因此垂直領域的專業成果生成絕不是某一個模型算法一套數據可以解決的，它需要多模型、多模態、多數據集等多項技術與業務邏輯有機融合，通過契合細分場景的產品設計和基于用戶反饋的持續迭代，才能最終實現。

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

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

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

「小庫設計云 - 建筑規劃」產品 6 大模塊

「小庫設計云 - 建筑單體」產品 6 大模塊

4. AIGC 在產業中的價值落地

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

4.1 最優解增益與效率提升

在建筑產業的投研階段，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推出，開發企業需要在短時間內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的建筑規劃方案，獲得最大的產品貨值和投資回報測算。原本完成一個住宅規劃概念方案的時間至少需要 3-5 天，無法滿足業務需要，如此就提出了對投前建筑規劃方案的極致效率的需求。

小庫團隊推出 AIGC 的建筑規劃方案，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，從而獲得性能或經濟性方面更優的成果。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 個月的地產拍地市場中，團隊累積完成了近千個項目及近萬個方案，協助客戶成功拿地數十塊。 

「小庫設計云」AI 生成實際住區拿地方案

4.2 成本降低與節能減排

在實際的建筑建造環節，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 - 模 - 規” 聯動深度結合，實現了投資 - 方案 - 成本在未實施前的實時聯動，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 50% 以上節能減排。在獲得性能與經濟結果更優的同時，將 “原生數據” 與工廠產線、智能建造現場有效打通為 “孿生數據”。在深圳某酒店項目中實現了 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模式對比

通過以上案例可以看到，L5 級的 AIGC 可以從數據產生的源頭開始，通過在產業鏈各環節細分場景的具體應用，能夠有效輔助產業鏈獲得更高的全生命周期質量、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 級內容成果是大勢所趨，這不僅是建筑產業對人工智能的未來預期，也是各垂直產業的共同的期待。

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、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，圖紙來源是數家頭部開發商的內部標準庫） 

參考資料：

• 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）

• 劉曦澤、王益誼、杜曉燕、李佳、車迪等：ISO/IEC SMART數字標準《中國工程科學》2021年第23卷第6期《標準數字化發展現狀及趨勢研究》

• 《中國各行業數字化水平》-麥肯錫全球研究院