AI设计

AI Design

现在的 AI 已经改变了写代码、写文章和生成图像，但建筑设计可能是最难被 AI 真正理解的领域之一。

原因很简单：建筑行业最有价值的数据，并不在互联网上。

施工图、CAD 文件、BIM 模型、三维模型、设计草图，以及几十年来积累的项目档案，大量存放在建筑事务所自己的服务器和档案柜里。这些数据记录着一家事务所真正的设计经验，却很少被公开使用。

所以，与其说建筑行业缺少 AI，不如说它一直缺少一个能够真正理解这些数据的 AI。

而现在，从 Gensler、KPF、Foster+Partners，到 Arcadis，越来越多大型设计公司开始招聘 AI 人才、开发内部工具、整理项目数据库，甚至训练自己的 AI 模型。

过去几十年的项目经验，正在从“档案”变成“数据资产”。

△Autodesk 的 Forma 利用人工智能帮助从业人员

从项目启动之初就评估其碳排放影响

Part 01

建筑行业的 AI

难点不是生成而是理解

过去几年，Midjourney、ChatGPT、Claude 等 AI 工具快速进入设计行业。建筑师可以用 AI 生成效果图、分析场地、辅助写方案，甚至帮助完成一些重复性的工作。

但这些工具真正进入建筑设计核心流程后，很快就会遇到问题。

因为建筑不是一张图片。一栋建筑背后包含空间、结构、法规、材料、设备、成本、使用方式等大量相互关联的信息。

例如，AI 可以生成一张看起来合理的办公室平面图，却未必理解消防疏散、结构体系和实际施工之间的关系。

△多伦多公司 Partisans 在 ChatGPT 生成的图像

这意味着：建筑 AI 不能只“看起来像建筑”，而要真正理解建筑是怎么被设计和建造的。

而要做到这一点，最重要的资源就是数据。

Part 02

每家事务所

都有自己的“数据宝藏”

纽约建筑事务所 Spectorgroup 的设计技术总监 Faizan Zaidi 曾提出一个很直接的问题：每家公司其实都拥有自己的数据宝藏「过去做过的所有项目」。

问题在于，这些数据过去只是被存档，并没有真正被利用。

一家公司可能拥有几十年、几千个项目，但新员工依然需要从头学习；设计师遇到类似问题时，也往往依赖个人经验，而不是直接调用公司过去解决过的问题。

AI 改变的，重要的也正是这一点。

如果过去 20 年的项目都被整理成结构化数据，那么下一次做住宅、办公楼或者高层建筑时，设计师就可以直接从过去的项目中寻找经验。

过去的项目不再只是作品集，而可以成为下一代项目的“知识库”。

Part 03

Gensler

先把 AI 变成设计生产力

全球最大的建筑设计公司之一 Gensler，很早就开始探索这一方向。它建立了内部的“AI Sandbox”，让不同团队在真实项目中测试 AI 工具。

最开始，他们主要用 AI 解决一些效率问题：加快概念草图、场地分析和设计表达。但随着 AI 能力不断提升，Gensler 开始开发更加定制化的工具。

例如，公司的gBlox（偏向早期设计、选址和数据分析）可以结合文本和图像提示，对项目选址和设计策略进行分析；另一些工具：gFloorz（偏向办公空间和平面布局），gDiffusion（更偏向生成式图像/视觉表达），则可以在方案早期分析楼层布局，并评估空间使用、可持续性、运营维护以及投资回报。

AI 甚至被用于生成项目提案中的短片，让客户提前看到未来使用建筑的场景。

这背后的逻辑已经发生变化：AI 不再只是一个画图工具，而开始进入设计决策。

Gensler 的判断也很明确，未来真正形成竞争力的，不一定是谁拥有最先进的 AI 模型，而是谁能够把自己的行业数据、设计经验和创造力结合起来。

△Gensler 设计项目坦帕水街 (Water Street Tampa)

△Gensler 设计项目坦帕水街 (Water Street Tampa)

△Convergence Hall

△Convergence Hall

△Convergence Hall

△Cherry Creek West

△Cherry Creek West

△Cherry Creek West

左滑查看更多照片→

Gensler 的思路很明确：AI 不是替代建筑师，而是让建筑师做得更快、看得更多。

它真正想做的，也不是一个“建筑 AI”，而是一套贯穿设计流程的 AI 基础设施。

Part 04

Zaha Hadid

训练"只会做扎哈"的模型

如果说 Gensler 更关注效率和流程，那么 Zaha Hadid Architects（ZHA）关注的则是设计语言本身。

ZHA 内部有专门的计算设计部门 CODE，并建立了自己的 AI 开发团队。

他们为 Maya、Rhino 等设计软件开发插件，让设计师可以直接把三维模型转化为 AI 图像。

更重要的是：ZHA 会使用自己的项目图库，为不同项目训练专属的 LoRA 模型。

LoRA 可以理解为一种轻量级的模型训练方式。不需要重新训练一个完整的大模型，只需要利用一批特定图片进行微调，就能让 AI 更准确地学习某种视觉特征。

△ZHA 尝试训练文本转图像的 AI 模型

使其能够生成具有结构和环境意义的设计成果

这意味着，ZHA 长期形成的设计语言「流动的曲线、连续的表皮、复杂的几何形态」可以被进一步转化为 AI 能理解和生成的设计资产。

△ZHA 在设计南沙体育场（Nansha Stadium）时

使用 ZSPACE Kit 来协调各个团队的工作

△巴库世博城总体规划

△巴库世博城总体规划

△铁路波罗的海厄勒米斯特车站

△铁路波罗的海厄勒米斯特车站

△伊拉克中央银行

△伊拉克中央银行

△伊拉克中央银行

△Z8 塔

△Z8 塔

△Z8 塔

△Z8 塔

左滑查看更多照片→

换句话说：事务所过去几十年积累的作品，不只是作品，也可以成为训练 AI 的数据。

这可能是 ZHA 这类事务所最大的优势。

△傅厚民工作室在斯洛文尼亚设计的布莱德湖项目

被誉为首个完全由人工智能驱动的建筑项目

Part 05

KPF 把 20 万张图片

变成自己的 AI 知识库

KPF 这家拥有 50 年历史、约 650 名员工的建筑事务所，正在利用 AI 分析自己的项目数据库。

其中一个数据库就包含大约 20 万张图片。

过去几年的项目提案、建筑类型、设计方案等，都被整理成可以被 AI 查询的数据。

KPF 还开发了内部 AI 系统 KAI。它的使用方式有点像 ChatGPT，但最大的区别在于：KAI使用的是 KPF 自己的数据库。

员工可以通过自然语言查询过去的项目经验，也可以根据这些信息生成新的提案和设计方向。

更有意思的是，KPF 还在尝试让 AI 生成与自身设计语言更加接近的图像。这意味着，一家事务所几十年来形成的设计经验和视觉语言，可以逐渐被整理、编码，再重新进入新的项目。

△Tapestry 总部

△Tapestry 总部

△Tapestry 总部

△南范内斯街 10 号

△南范内斯街 10 号

△南范内斯街 10 号

△银行街 10 号

△银行街 10 号

左滑查看更多照片→

Part 06

Foster+Partners

60 年的设计经验被 AI 调用

Foster+Partners 这家英国著名建筑事务所从 2018 年开始探索 AI 和机器学习，目前已经拥有超过120 个 AI 模型。

这些模型被用于设计探索、性能分析、法规比较、知识管理以及运营等不同环节。通过内部 AI，设计师可以随时查询公司过去 60 年的设计指南和项目经验。

他们还在尝试让 AI 代理直接参与城市规划、体育场馆和建筑改造等工作。

但 Foster+Partners 有一个非常重要的原则：AI 应该自动化生产流程，而不是取代创意。

也就是说，AI 可以帮助建筑师处理大量重复工作，把时间释放出来，让设计师把精力放在真正需要判断和创造力的地方。

他们甚至正在建立一套自动化的数据体系，让新的项目数据不断进入系统，再反过来服务未来的项目。

这其实形成了一个循环：项目产生数据 → 数据训练AI → AI帮助完成新项目 → 新项目继续产生数据。

△萨勒曼国王国际机场

△萨勒曼国王国际机场

△上海长风综合体开发项目

△上海长风综合体开发项目

△上海长风综合体开发项目

△迪拜丽晶公寓，桑卡里广场

△迪拜丽晶公寓，桑卡里广场

左滑查看更多照片→

Part 07

Arcadis 20 年的住宅项目

变成“设计经验库”

Arcadis 这家拥有约 35,000 名员工的全球设计、工程和咨询公司，每年参与大量不同类型的项目。

问题也随之出现：公司知道很多，但员工不一定找得到。

计算设计团队因此开始整理过去的项目。其中一个住宅数据库，包含过去 20 年约 7,000 个住宅项目，包括项目基本信息、缩略图和 CAD 图纸。这些数据被用来训练机器学习模型。

现在，当一个新住宅项目开始时，设计师可以输入项目条件，让系统从过去的项目中寻找最匹配的案例，甚至辅助生成场地方案和户型布局。

对于没有编程能力的设计师来说，这意味着他们第一次可以通过语言，直接调用公司过去 20 年的设计经验。

但 Arcadis 对这类工具依然比较谨慎。因为生成一个看起来合理的平面图并不难，真正困难的是让 AI 理解建筑师的专业判断。所以目前，这些工具更多还是研发和辅助设计工具。

Part 08

Autodesk

建筑 AI 可能需要另一种“大模型”

如果说建筑事务所正在利用自己的数据，那么 Autodesk 做的事情更加底层。

作为 AutoCAD、Revit 等建筑设计软件的开发者，Autodesk 拥有大量真实的 CAD 数据和建筑模型。它正在尝试开发一种不同于 ChatGPT、Claude 的 AI：Neural CAD，也就是“神经 CAD”。

传统大语言模型主要学习文字。而 Neural CAD 学习的是建筑空间和几何关系。墙、柱、门、窗、楼梯，以及梁、板、桁架之间是什么关系，这些都可以成为模型理解建筑的基础。这也是建筑 AI 未来可能真正突破的方向。

不是让 AI「描述一栋建筑」，也不是让 AI「画一张建筑效果图」，而是让 AI 真正理解建筑的空间和构造逻辑。

Autodesk 的优势就在于，它长期处于建筑数字化设计的基础设施位置，因此拥有大量真实的 CAD 数据。

但对于建筑设计行业来说，另一个问题可能更加重要：你有什么别人没有的数据？

模型会越来越普及。AI 工具也会越来越便宜。但一家建筑事务所过去几十年积累的项目、设计规范、施工经验、户型逻辑、客户需求和设计方法，却很难被复制。这也是为什么越来越多事务所开始建立自己的数据库、AI 工具和内部知识系统。

他们真正想建立的，不是一个「建筑版 ChatGPT」。而是一个只属于自己的 AI 系统。它知道公司做过什么，知道过去解决过什么问题，也知道这家公司是怎么设计建筑的。

让 AI 理解其中的关系，以前的项目就会变成一种新的生产力。这也是今天 Gensler、KPF、Foster+Partners、Arcadis 等公司正在做的事情。

有人在做流程，有人在做知识库，有人在训练设计模型，也有人在重新定义建筑软件。

路径不同，但方向越来越一致：建筑事务所过去几十年积累的项目经验，正在成为 AI 时代最重要的资产之一。

建筑师们其实一直坐在一座数据宝藏上。现在的问题已经不是“有没有宝藏”，而是：谁会先把它挖出来。

//

将我们设为「星标★」才能第一时间收到推送