被ChatGPT帶飛的AIGC，能為垂直產(chǎn)業(yè)做些什么？

本文從 AIGC 技術(shù) -> 產(chǎn)品 -> 業(yè)務(wù)應用和價(jià)值實(shí)現環(huán)節探討其發(fā)展路徑，并以產(chǎn)業(yè)實(shí)例探討 AIGC 如何才能在產(chǎn)業(yè)領(lǐng)域實(shí)現閉環(huán)和價(jià)值落地。

紅杉資本針對 AIGC 相關(guān)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(shí)體領(lǐng)域中，AIGC 的 C/Content 內容將不能僅停留在圖片和文字的領(lǐng)域，而是需要進(jìn)入信息更為豐富的三維領(lǐng)域。接下來(lái)，我們將從 AIGC 技術(shù) -> 產(chǎn)品 -> 業(yè)務(wù)應用和價(jià)值實(shí)現環(huán)節探討其發(fā)展路徑，并以產(chǎn)業(yè)實(shí)例探討 AIGC 如何才能在產(chǎn)業(yè)領(lǐng)域實(shí)現閉環(huán)和價(jià)值落地。

1.AIGC 技術(shù)：從文字到圖片

從大家對 ChatGPT 越來(lái)越多的測試中可以看到，ChatGPT 不僅能對語(yǔ)義進(jìn)行解析和結構化，還能在此基礎上用 NLP 自然語(yǔ)言處理做數據分析。

ChatGPT 對內容進(jìn)行結構化處理和數據分析 - 佳格數據提供

事實(shí)上，以 Stable Diffusion 為首的一眾 AI 畫(huà)圖框架或者平臺，在去年更早的時(shí)候已經(jīng)引起了轟動(dòng)。雖然圖片相對文字來(lái)說(shuō)看上去信息含量要更為復雜，但是其技術(shù)成熟卻要比以 GPT 為首的文字生成來(lái)的更早一些，我們有必要從主流的開(kāi)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(lèi)畫(huà)家的能力

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

1、CLIP 用于文字編碼器：以文字作為輸出的語(yǔ)義信息組成一個(gè) 77*768 的矩陣，CLIP 訓練 AI 同時(shí)進(jìn)行自然語(yǔ)言理解和計算機視覺(jué)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(gè)詞完全匹配起來(lái)，而其能力訓練是通過(guò)全球 40 多億張帶文字描述的圖片實(shí)現的。

CLIP 的訓練集

2、UNET 及調度程序：這就是大名鼎鼎的擴散模型主程序（來(lái)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(jìn)行預測實(shí)現反向去噪的過(guò)程，進(jìn)而實(shí)現圖片在信息空間中的生成。如圖片所示，染料擴散的過(guò)程就像從圖片逐漸變成噪點(diǎn)的過(guò)程，而當研究人員對圖片增加隨機噪點(diǎn)讓 AI 反向學(xué)習整體過(guò)程，而后就擁有了一套從信息空間噪點(diǎn)圖反向生成圖片的模型。

Diffusion 模型反向去噪過(guò)程

用通俗的例子解釋?zhuān)绻谇逅镫S機滴入一些染料，隨著(zhù)時(shí)間推移會(huì )得到如下圖一樣絢麗的形狀。那么有沒(méi)有一種方法，能夠根據某一個(gè)特定時(shí)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(wú)法實(shí)現。

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(shí)圖片空間的****：即把信息空間中的矩陣信息轉換為肉眼可見(jiàn)的 RGB 圖片。想象一下我們與人交流的過(guò)程，聽(tīng)到的聲音信號轉換為大腦能理解的文字信號存儲在腦中，這個(gè)過(guò)程稱(chēng)之為編碼。如果嘗試把文字信號通過(guò)某種語(yǔ)言表達出來(lái)，這個(gè)過(guò)程可以稱(chēng)為解碼 —— 這里的表達方式可以是任意的語(yǔ)言，每種語(yǔ)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(lèi)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(gè)關(guān)鍵技術(shù)步驟的串聯(lián)，Stable Diffusion 成功創(chuàng )建了一個(gè)無(wú)所不能的 AI 作圖機器人，不僅能理解語(yǔ)義，將其轉化為信息空間的信息流，還能夠在信息空間中通過(guò)模擬降噪創(chuàng )作，通過(guò)****還原成肉眼可見(jiàn)的圖片，這一充滿(mǎn)科幻色彩的過(guò)程放在 AI 不存在的世界來(lái)看，堪稱(chēng)神跡。

2.AIGC 技術(shù)：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(jìn)一步優(yōu)化應用到更多領(lǐng)域，將有可能實(shí)現更大價(jià)值。我們也看到一些細分領(lǐng)域中的探索成果，比如經(jīng)由對場(chǎng)景的理解，通過(guò)不同的數據集加入和調參，可以實(shí)現對圖片生成更好的控制，而不僅是通過(guò)文字的不斷試錯來(lái)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(gè) XX 不存在」系列在海外獲得大量關(guān)注，在國內我們也看到企業(yè)推出了在細分領(lǐng)域的成果。而該團隊也于 22 年 8 月實(shí)驗性的在手機端推出了「AI 創(chuàng )意庫」，只需要輸入一句話(huà)，對話(huà)機器人就能在一分鐘內快速理解語(yǔ)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(guò)輸入一張已有的圖片，修改部分描述的關(guān)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(gè)建筑不存在」，GANs 模型生成建筑意象圖及迭代過(guò)程

左圖：小庫「AI 創(chuàng )意庫」生成，觸發(fā)語(yǔ)句 Louis Kahn 風(fēng)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(fēng)格圖片，完成風(fēng)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(guān)的圖片、形容及風(fēng)格的數據儲備在專(zhuān)業(yè)程度顯然是不夠的。這里采取了一種針對建筑相關(guān)詞匯的特殊標識，組成一個(gè)微調的先驗數據集并將該數據集融合訓練，實(shí)現模型增強。通過(guò)建筑專(zhuān)業(yè)領(lǐng)域增強的新模型，形成了面向建筑行業(yè)專(zhuān)屬的 AI 創(chuàng )意庫，針對建筑類(lèi)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(gè)例子，當輸入一張博物館圖片及一個(gè)詞匯 "Zaha Hadid（過(guò)世的全球著(zhù)名女建筑師）" 的時(shí)候，模型能夠理解需要將博物館的建筑風(fēng)格或特征往 Zaha Hadid 的作品靠攏，而不是在博物館中增加一個(gè) Zaha Hadid 的人物或畫(huà)像，抑或是在 AI 世界里創(chuàng )作一個(gè) Zaha Hadid 的卡通畫(huà)像 —— 這往往是通用模型會(huì )返回的結果之一。

經(jīng)過(guò)微調后的建筑模型，小庫「AI 創(chuàng )意庫」能充分理解 “Zaha Hadid” 這個(gè)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(shí)還只是停留在 “意向圖庫” 的作用，未來(lái)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(jìn)。

在 2020 年 AIGC 沒(méi)有現在這么成熟的時(shí)候，上述團隊就在探索如何用 AI 生成 3D 模型，并在同濟大學(xué) DigitalFUTURES 工作坊教學(xué)中，公開(kāi)了其在研發(fā)中的從圖形生成圖像進(jìn)一步生成模型的算法，能看到當時(shí)的模型效果并不太理想，有價(jià)值的是實(shí)現了圖形 - 圖像 - 模型的聯(lián)動(dòng)。

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

第二年在同濟大學(xué) DigitalFUTURES 工作坊教學(xué)中，該團隊發(fā)布了一種通過(guò) GANs 學(xué)習衛星圖與真實(shí)三維模型之間關(guān)系，將衛星圖生成為真實(shí)三維模型的算法。該算法通過(guò)對衛星圖上不同的圖層元素進(jìn)行特征學(xué)習，能大致復原出衛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，只能在衛星圖場(chǎng)景中使用，難以積累其他場(chǎng)景中同類(lèi)圖片與三維形體之間的關(guān)系；其次是還原的三維形體只能粗略預測高度，其他細節需要通過(guò)算法重新生成，與真實(shí)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(chǎng)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(xué) DigitalFUTURES 工作坊小庫教學(xué)團隊成果，基于 GANS 的衛星圖重建三維模型

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(lèi) AI 企業(yè)開(kāi)始吸收更多先進(jìn)的技術(shù)與思路改善其模型，并在 3D-AIGC 的路線(xiàn)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(guò)算法預測為點(diǎn)云，進(jìn)而通過(guò)點(diǎn)云去預測三維物件。

PointE 框架全過(guò)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在以下三個(gè)方面：

1. 三維形體還原難：首先二維圖像數據比三維模型數據出現早，同時(shí)可獲取的二維圖像數據目前也比后者多，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(lái)說(shuō)最重要的一環(huán)是材質(zhì)的填充與選擇，然而對于A(yíng)I生成來(lái)說(shuō)，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、光源下的表現都有所不同，而當這些變量都集中在一張圖片中時(shí)，材質(zhì)重建幾乎不可能實(shí)現；

3. 生成的模型精度不達標：通過(guò)點(diǎn)云推敲的模型，通常是依賴(lài)于點(diǎn)云的密度重建物體表面 Mesh，如果點(diǎn)云過(guò)少物體會(huì )嚴重失真，甚至無(wú)法重建模型。

小庫團隊測試 Point- E 模型，左邊建筑圖片生成點(diǎn)云進(jìn)而模擬出右邊三維模型，遺憾得到的只是一堆無(wú)意義的點(diǎn)云模型，Point-E 暫時(shí)還無(wú)法理解一個(gè)建筑物的圖片

當然我們能理解當前的技術(shù)瓶頸，如果把目標定的稍微低一點(diǎn)，選擇從三維建模軟件中生成的簡(jiǎn)單形體、做二維的截圖在 point-e 模型中重建，會(huì )意外地發(fā)現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(guān)聯(lián)性，通過(guò)三維建模軟件生成各個(gè)視角的二維視圖是該模型最易獲取訓練數據的方法之一。

小庫團隊測試 Point-E 模型，針對建模軟件中選取一個(gè)簡(jiǎn)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(lái)看，從文字 -> 圖片 -> 點(diǎn)云 -> 三維物體的技術(shù)路線(xiàn)固然令人驚嘆，但如果要應用在產(chǎn)業(yè)領(lǐng)域，還有很多工作需要 AI 科學(xué)家們去做。

然而，是否只有這一條技術(shù)路線(xiàn)去實(shí)現三維模型的生成？

3 垂直領(lǐng)域 AIGC 應用新思路

在泛領(lǐng)域的大模型研發(fā)上以 OpenAI 為首的廠(chǎng)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(gè)早期階段。對于垂直實(shí)體產(chǎn)業(yè)來(lái)說(shuō)，落地應用顯然還有很長(cháng)的路要走。

從全球范圍來(lái)看，在 3D 模型的生成領(lǐng)域除了泛領(lǐng)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(mén)子在引擎的設計和制造中針對生成的模型進(jìn)行方針模擬和進(jìn)一步優(yōu)化，最終通過(guò)3D打印實(shí)體，實(shí)現了3D模型生成現成果交付和業(yè)務(wù)閉環(huán)。

西門(mén)子通過(guò)生成式算法實(shí)現引擎的設計和模擬

這樣的成果的實(shí)現，有賴(lài)于在產(chǎn)業(yè)邏輯下的底層業(yè)務(wù)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(kāi)、可讀和可交互標準）：L1 級為紙質(zhì)文本，沒(méi)有機器交互可能；L2 級為開(kāi)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(wú)法理解檢索的結果與內容；L4 級為機器可讀內容，可做語(yǔ)義交互但機器無(wú)法理解上下文的邏輯關(guān)系；L5 級，機器可交互內容，可實(shí)現自動(dòng)識別、自動(dòng)生成等智能屬性。

在產(chǎn)業(yè)領(lǐng)域中，目前廣泛應用 L3 級信息化內容，正在發(fā)展 L4 級數字化內容，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 級以上機器可讀內容，特別是生成 L5 級智能化內容，是未來(lái) AIGC 的方向。

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

海外已經(jīng)在 AIGC 的產(chǎn)業(yè)應用領(lǐng)域中開(kāi)始了實(shí)踐，而國內的探索仍然比較稀缺，但我們也發(fā)現了一些在垂直領(lǐng)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(shí)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。

當前國內實(shí)體經(jīng)濟處于轉型的窗口期，國家層面提出 “人工智能與實(shí)體經(jīng)濟融合 “的重要任務(wù)，各大產(chǎn)業(yè)迫切希望 AI 技術(shù)能夠真正落地，協(xié)助產(chǎn)業(yè)實(shí)現數字化與智能化的升級躍遷，而不是一個(gè)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(wàn)億每年的國家支柱型產(chǎn)業(yè)，但是其數字化水平在全國各行業(yè)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(yè)化（工業(yè)化 / 裝配式、數字化、智能化）為基礎，基于新一代信息技術(shù)與先進(jìn)建造技術(shù)深度融合，貫穿于設計、生產(chǎn)、施工、運維、監管等建設活動(dòng)各個(gè)環(huán)節，具有自感知、自決策、自執行、自適應、自學(xué)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(jìn)建造方式。

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

資科來(lái)源：Gartner；Kable；經(jīng)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(chǎn)業(yè)，底層數據標準正從機器可讀文檔 L3 級的 CAD 時(shí)代，向機器可讀內容的 L4 級 BIM 時(shí)代邁進(jìn)。建筑產(chǎn)業(yè)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(jìn)而便可使其具備自感知、自學(xué)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。

數字標準 SMART 在建筑領(lǐng)域的內容格式示意

基于對建筑產(chǎn)業(yè)數字化變革的洞察，小庫團隊意識到必須對整個(gè)產(chǎn)業(yè)的數據底層進(jìn)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(shù)研發(fā)及其在建筑產(chǎn)業(yè)中的應用?；谝惶缀袠I(yè)務(wù)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(lián)動(dòng)的內容，實(shí)現建筑設計方案的智能生成。

這樣的底層數據，團隊將其稱(chēng)為 AI driven Building Information Model on Cloud 人工智能生成的云端建筑信息模型（簡(jiǎn)稱(chēng) ABC），并將智能生成的達成歸結為四個(gè)實(shí)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(jìn)行評估和模擬仿真，通過(guò)對初步數據成果進(jìn)行優(yōu)化，最終生成由系列的 AI 模型組建的業(yè)務(wù)成果。

L5 級建筑智能格式 ABC 智能云模示意

AI 識別領(lǐng)域，團隊通過(guò)對千萬(wàn)級的不同業(yè)務(wù)類(lèi)型 CAD 圖紙數據的清洗和訓練，獲得了對 L3 級無(wú)語(yǔ)義 CAD 圖紙的 100% 云端還原與 99.8%* 的準確語(yǔ)義解析和補充，在該領(lǐng)域達到世界先進(jìn)水平。這項成果已經(jīng)深度應用到企業(yè)的多個(gè)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(lǐng)域，基于對項目的有效識別，針對住宅、商場(chǎng)等常用民用建筑類(lèi)型，使得團隊能夠進(jìn)行物理環(huán)境仿真分析、人類(lèi)行為數據模擬與預測、項目相關(guān)大數據的分析和模擬。在應用層面上，可以協(xié)助客戶(hù)進(jìn)行項目方案量化分析，比如通過(guò)對房企全線(xiàn)住宅產(chǎn)品的評估可以得到不同價(jià)值評估系數，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(hù)型設計大賽首個(gè) AI 評委。這項能力也被應用于香港和國內十余個(gè)商場(chǎng)建筑的開(kāi)發(fā)與運營(yíng)中。

小庫「產(chǎn)品力價(jià)值評估」

AI 優(yōu)化領(lǐng)域，團隊認為 “優(yōu)化” 是基于前序 “識別” 和 “分析 “后的進(jìn)一步尋優(yōu)迭代，即基于已有內容的重新生成更優(yōu)的成果。這類(lèi)技術(shù)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(guò)日照的方案進(jìn)行自動(dòng)微調，使其能夠在原有格局不進(jìn)行巨大調整的前提下通過(guò)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(chǎng)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(wàn)多種不規則三角形幕墻板優(yōu)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(kāi)模數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(lǐng)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(guān)的設計方案、交付安全高效高質(zhì)量的建造成果，需要多專(zhuān)業(yè)、多角色統籌協(xié)同完成。不僅需要從宏觀(guān)尺度、到中觀(guān)尺度再到微觀(guān)尺度逐個(gè)攻破，還需要在建筑、結構、機電、水暖、景觀(guān)等多專(zhuān)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(lèi)型。因此垂直領(lǐng)域的專(zhuān)業(yè)成果生成絕不是某一個(gè)模型算法一套數據可以解決的，它需要多模型、多模態(tài)、多數據集等多項技術(shù)與業(yè)務(wù)邏輯有機融合，通過(guò)契合細分場(chǎng)景的產(chǎn)品設計和基于用戶(hù)反饋的持續迭代，才能最終實(shí)現。

小庫團隊從業(yè)務(wù)邏輯出發(fā)，對傳統建筑設計需要的 24 個(gè)業(yè)務(wù)流程步驟進(jìn)行梳理，將其核心內容抽取重構為 6 個(gè)業(yè)務(wù)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(yè)務(wù)流程：調（信息調用與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（數據核查與AI審查）、協(xié)（云端多人協(xié)同與業(yè)務(wù)管理）、出（自動(dòng)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(wù)流程 24 個(gè)步驟，右圖：小庫重構為 6 個(gè) AI 加持下的業(yè)務(wù)流程板塊

基于對業(yè)務(wù)的深刻理解和重構的業(yè)務(wù)邏輯，在產(chǎn)品設計上將 6 大業(yè)務(wù)模塊與 AI 識別、AI 生成、大數據、云端協(xié)同等技術(shù)深度融合，實(shí)現了建筑規劃、單體設計、構件生成等不同深度的建筑業(yè)務(wù)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(lèi)業(yè)務(wù)所需的廣度和深度需求。

「小庫設計云 - 建筑規劃」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(jià)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(shù)的不斷發(fā)展將推動(dòng)后續 AIGC 的創(chuàng )新應用。以當前的建筑產(chǎn)業(yè)實(shí)踐為例，AIGC 目前能夠在產(chǎn)生用戶(hù)可感知價(jià)值的部分業(yè)務(wù)細節場(chǎng)景中，輔助提升對效率有較高要求的具體業(yè)務(wù)場(chǎng)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。

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(gè)月內推出，開(kāi)發(fā)企業(yè)需要在短時(shí)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(yōu)的建筑規劃方案，獲得最大的產(chǎn)品貨值和投資回報測算。原本完成一個(gè)住宅規劃概念方案的時(shí)間至少需要 3-5 天，無(wú)法滿(mǎn)足業(yè)務(wù)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(lái) 30% 左右的時(shí)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(méi)有想到過(guò)或難以靠手動(dòng)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(shí)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(wàn)。在 2021 年 9 個(gè)月的地產(chǎn)拍地市場(chǎng)中，團隊累積完成了近千個(gè)項目及近萬(wàn)個(gè)方案，協(xié)助客戶(hù)成功拿地數十塊。

「小庫設計云」AI 生成實(shí)際住區拿地方案

4.2 成本降低與節能減排

在實(shí)際的建筑建造環(huán)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(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 - 模 - 規” 聯(lián)動(dòng)深度結合，實(shí)現了投資 - 方案 - 成本在未實(shí)施前的實(shí)時(shí)聯(lián)動(dòng)，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(kāi)模量，實(shí)現 50% 以上節能減排。在獲得性能與經(jīng)濟結果更優(yōu)的同時(shí)，將 “原生數據” 與工廠(chǎng)產(chǎn)線(xiàn)、智能建造現場(chǎng)有效打通為 “孿生數據”。在深圳某酒店項目中實(shí)現了 4 個(gè)月完成從設計到建造，將總工期大幅縮短了至少 14 個(gè)月，節省了 60% 以上的時(shí)間。

「小庫裝配云」與中建科工合作的深圳某酒店，全過(guò)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(guò)以上案例可以看到，L5 級的 AIGC 可以從數據產(chǎn)生的源頭開(kāi)始，通過(guò)在產(chǎn)業(yè)鏈各環(huán)節細分場(chǎng)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(lái)，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(chǎn)業(yè)對人工智能的未來(lái)預期，也是各垂直產(chǎn)業(yè)的共同的期待。

注：*在圖層無(wú)明顯錯誤的基礎上，當前小庫AI識別針對標準構件（門(mén)、窗、墻、樓梯、電梯、空調、消火栓、車(chē)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(lái)源是數家頭部開(kāi)發(fā)商的內部標準庫） 

來(lái)源：機器之心