渲染图很美，可这栋楼根本建不起来
我第一次真正理解这个问题时，正盯着一张玻璃幕墙的渲染图——它像波浪一样起伏弯曲，下方有承包商写下的一行批注：超支 3 倍。
这位建筑师用一个下午就生成了这个概念。它确实很美——那种能赢得委托的图像。而它，以一种最昂贵的方式，是一个谎言。它所要求的双曲面玻璃，每平方英尺的价格在 100 到 500 美元之间。能完成同样任务的平板钢化玻璃，每平方英尺只要 18 到 25 美元。当满屋子的人爱上这张图时，没有一个人知道这一点。他们是在六十天后才发现的——当一家总承包商为这个梦想报价、一位开发商开始恐慌的时候。
这道鸿沟——横在渲染图与荷载路径之间，横在生成式 AI 能画出什么与结构工程师真正敢签章盖印之间——是建筑业里最昂贵的问题，却几乎没有人在为它开发软件。建筑领域的生成式 AI 在生成像素方面已经出神入化。可它对重力一无所知。生成这些形态的工具内部没有物理引擎。它们产出的是图像，而不是结构，而这一差别正是项目走向死亡的地方。
Trimble 将由糟糕设计导致的建筑返工年成本估算为 1770 亿美元。更让我难以释怀的是它背后的拆解：一个项目大约 80% 的成本偏差可追溯到设计变更，而真正发生在施工现场的只占约 17%。我们花了十年时间把软件倾注进那 17%——现场物流、设备远程信息处理、无人机进度扫描——却把那 80% 留给了两个并不共享同一个模型的团队之间的手工交接。
生成这些建筑的工具，产出的是像素，而不是荷载路径。仅这一道鸿沟，就是十次成本超支中有八次的诞生之地。
我想告诉你，我们在试图解决它时犯了什么错，因为正是那次失败教会了我们所有东西。
那束没人建模过的“死亡射线”
在讲失败之前，先说一个警示故事——因为它是我所知最干净利落的例证，说明当形状在任何人核对物理之前几周就被选定，代价会有多大。
Rafael Viñoly 设计的拉斯维加斯 Vdara 酒店有一面新月形、朝南的玻璃幕墙。这个凹面几何体做出了凹面镜会做的事：它把阳光聚焦到了下方的泳池露台上。温度一路攀升到足以熔化塑料躺椅、烤焦客人头发的程度。员工开始把这个焦点区域称作“死亡射线”。补救措施是贴膜、加装遮阳翼片和大型遮阳伞——都是些丑陋的、事后才补上的道歉，硬生生栓在一栋已经建成的楼上。
有一个细节应当让每一位建筑师瞬间僵住：同一位建筑师又干了一次。在伦敦的 20 Fenchurch Street——那栋“对讲机大楼”——一面凹形幕墙把阳光聚焦到足以损坏楼下街道上一辆停着的 Jaguar 车身漆面的程度。两栋楼，同样的物理，同一位建筑师，设计流程中同一个盲点。
这里的物理一点都不深奥。凹面镜会聚焦光线；一次一年级水平的光线追踪分析在几毫秒内就能发现它。问题从来不是数学有多难。问题在于，那些数学活在另一栋楼里、另一个团队的电脑上，处在形状被选定那一刻的下游几周之外。而如今，生成式工具让任何人都能在几秒内生成复杂的曲面几何。意外造出一台太阳能聚光器、一条风洞或一个声学焦点的方式，变多了。而在形状仍柔软可改时进行的物理核查，数量却没有变多。
我们最先造出来、却行不通的那个东西
我的团队刚开始做这件事时，做了那个最显而易见的选择，而我要诚实地说，正是我极力主张这么做的。梦想是即时的物理反馈——让建筑师拖动一面幕墙，实时看着结构应力随之更新，无需等待。教科书上为此准备的工具是物理信息神经网络：你把结构的控制方程直接烘焙进模型，理论上它就能免费给你物理结果。
我们在它上面花了将近一个月。它在纸面上很诱人，在实践中却暗藏杀机。关于物理信息神经网络，只要你读到宣传稿之外的诚实文献，就会发现它残酷得很：它们嵌入的是理想化的方程，它们悄悄略去了边界效应和多尺度效应，而误差是以相乘的方式传播的——这意味着模型递给你的是一个看似合理、自信满满、却错误的答案。梁的弯曲是一个四阶微分方程，而这类方程会摧毁整个方法所依赖的梯度稳定性。最糟糕的是，一旦改变结构配置，你就必须重新训练。对于一个全部承诺都是“自由探索”的工具来说，一个每次挪动一根柱子都要做一次完整重新分析的模型，根本算不上工具。它是一个配了漂亮演示的陷阱。
它在我心里死掉的那一刻，是看着它为一个我早已知道设计不足的框架，返回了一张干净漂亮的位移图。它没有标出任何不确定性。它没有半点迟疑。它错得信心十足——而这正是一个结构工具所能有的最危险的品质。一个自信地给出错误结果的结构分析，比一个诚实地慢吞吞的结构分析更危险。我曾如此笃定物理信息这条路就是那个优雅的答案，以至于跳过了一个问题：优雅是否等同于安全。它并不等同。
正是那次失败，为我们换来了真正管用的方法。
真正管用的：用公司自己的建筑训练出来的图神经网络
转折点出现在，我们不再试图让 AI 去重新推导方程中的物理，而是开始让它学习源自公司自身分析历史的物理。结构本身就是图——节点与构件，节点连接与荷载。图神经网络正是为这种形态而生的，而相关研究已经好得名副其实：一个名为 StructGNN 的框架预测位移、弯矩和剪力的准确率超过 99%，即便面对从未见过的更高结构，也能保持 96% 的准确率。另一条研究路线把 GNN 用作优化循环内部的结构代理模型，将优化时间缩短了 81%，并把隐含碳减少了近 6%。
真正的突破不是那个精度数字，而是它能被放在哪里——一个如此快速的模型能够安身的位置。ETABS 里跑一次完整的有限元分析要花好几个小时；在一场价值工程的紧急抢工中，十轮构件尺寸调整就是两周的资深工程师时间。而一个几秒内就能给出答案的代理模型，可以栖身于概念设计循环之内——为一面曲面幕墙筛查太阳聚焦风险，为一段大跨度筛查挠度，为一根转换梁筛查一个任何配送中心都不存在的截面——而这一切都趁形状仍然便宜可改的时候进行。这不是要取代那次盖章签字的 FEA 运算，而是要阻止建筑师花三周时间去爱上一个 FEA 运算日后必将否决的东西。
这正是我们在 Veriprajna 为 AEC 公司所打造之物的核心：在概念设计阶段进行物理信息预筛查，对照你真正买得到的钢材做结构优化，以及不再把工程师工时白白流失在手工转换上的 BIM 到分析的管线。不是一个硬栓在 Revit 上的聊天机器人。而是一个用公司自身的类型学训练出来的模型，从而让它了解他们自己的建筑通常会有怎样的表现。
为什么最便宜的钢构件往往是最贵的？
直到我在采购期间与一个结构团队坐在一起，我才真正体会到这一点：纸面上最便宜的构件，现实中往往是最贵的构件，而我见过的所有优化工具都不懂得其中的区别。
一个求解器会乐呵呵地选定 W14x730，因为它在结构上很高效。但那是一种只能向钢厂下单的截面——你没法从配送中心提货，钢厂按季度的节奏才轧制它，于是你刚刚在关键路径上压上了一个 16 周的交货周期。与此同时，一种稍重一些、每家区域配送中心都有现货的 W 型钢，几天之内就能发货。那个按重量而言“最优”的设计，把工期搞砸了。而那个“次优”的设计，却按时且在预算内建成了。
而下面这一点，正是让它难以产品化的地方：这个行业里任何地方都没有一个实时的钢材库存 API。AISC 维护着一个型钢可获得性数据库，但真实的库存仍然靠电话、靠电子表格、靠 EDI 在加工厂和配送中心之间流转。钢厂的最小起订量、定尺长度的损耗、这一周谁手里有什么货——这些知识活在人际关系里，而不是活在接口端点里。任何一个在优化结构时要对照采购现实的 AI，都必须被打造成能够消化那些杂乱的、依赖人工的、因公司而异的数据，因为不会有什么干净的数据源前来拯救你。这恰恰是那种现成软件拒绝触碰、而定制开发之所以存在的问题。
这件事每个季度都变得更重要。2025 年，钢材价格在 ENR 20 城均值上涨了 11.9%，钢和铝的关税在年中从 25% 跳升到 50%，而一份建立在上一季度价格之上的早期成本估算，纯属虚构。只优化吨位却忽视可获得性与价格波动，就是在优化错误的变量。
Revit 与 ETABS 之间的“转换税”
还有一项我曾低估的、更为无声的成本，它是纯粹的浪费。你的建筑师在 Revit 里工作。你的结构团队在 ETABS 里做分析。把模型从一端搬到另一端本该只是按一个按钮的事。可实际上，它是你公司一年要缴上数百次的一笔税。
从 Revit 导出 IFC 时，经常会丢掉分析模型：连接类型消失，分析偏移复位，荷载指派不见了。格式本身就是碎片化的——IFC2x3 与 IFC4 之间的对齐问题确实存在，而即便是厂商背书的交换插件，按行业自己的承认，开箱即用的效果也很差。于是工程师要花两到四个小时来清理这次转换的结果，而这一切甚至发生在分析开始之前。再乘以一个项目十五轮以上的迭代、一年三十多个项目，你就是在把成千上万个资深工程师工时烧在数据清洁工的活儿上。不是工程。不是设计。是转换。
你最昂贵的工程师，每年要花成千上万个小时，做的不是分析建筑，而是修复那个本应用来描述建筑的文件。
这件事毫不光鲜，却体量巨大，而且它是整套建设中回本最快的部分。一条通过 Revit API 和分析工具 API 打通的定制管线——而不是通用的 IFC 往返转换——能保住 IFC 会丢掉的东西。它是任何提案里最无聊的那一页幻灯片，却也是执行合伙人第一个圈出来的预算条目。
签章不会转移
人们总会用各种说法问我：AI 不就是让公司可以跳过工程师吗？而从法律上讲，答案与他们所预期的恰恰相反。
当一名结构工程师在一套图纸上签字盖章时，他就为它承担了个人的、职业上的责任。AI 对此毫无改变。世界上没有任何一条法规会把 AI 生成的构件与初级工程师绘制的构件区别对待——记录在案的工程师对两者都负有完全的责任。一个由 AI 生成的设计，仍然必须满足建筑规范的每一条条款；而随着 ASCE 7-22 如今被并入 IBC 2024（新的反应谱、新的雪荷载图、重新修订的锚固方程），要满足的规范只多不少。
我逐渐认为这是一项特性，而非障碍，而它塑造了我们所构建的一切。工程师必须能够审问AI 的输出——看清荷载路径，对照规范核查它，像审阅一名实习生的作业那样去验证它——因为押上执照的正是他自己。一个给出自信黑箱答案的工具，对于一个在法律上被要求为其辩护的专业人士来说，毫无用处。这也正是那一个月的物理信息网络之所以如此发人深省的最后一个原因：它是在教我为一个恰恰需要相反之物的买家，去构建错误的东西——不透明的自信。
那么，为什么 Autodesk 没有直接把这件事做了？
这是个合理的问题，因为这些巨头显然正在行动。Autodesk Forma 正在推出“面向建筑的神经 CAD”，号称是首个 AEC 专用的基础模型。Nemetschek 已把 agentic AI 列为整个集团层面的优先事项。Gartner 预计到 2026 年底，40% 的企业应用将嵌入 AI 智能体。这个领域无疑正在运动之中。
我坐过足够多的技术评估会，知道每一款工具实际上停在哪里。Forma 在体量推敲和场地规划上非常出色，但它止步于远在结构构件选型之上的地方——它根本不知道你的钢材要花多少钱。Altair 的 SimSolid 和 PhysicsAI 能快速地做无网格仿真，但它们的定价是面向企业的，瞄准的是机械和汽车行业，既不是 BIM 原生的，也不了解采购。TestFit 和 Hypar 是场地与空间规划工具，完全没有任何结构验证。最接近的 Stru.ai，是套在既有 FEA 外面的一层自动化封装——它加快了驱动 ETABS 的速度；它并没有用即时反馈取代那次耗时数小时的运算，而且它并非生成式的。
没有任何一款商业工具，能在生成式设计与结构验证之间闭合这个循环——对照你真正买得到的钢材、用你自己的建筑训练而成。而这个循环，就是整场游戏的全部。
这并不是在贬低它们中的任何一个——它们在各自擅长的事情上都做得很好。问题在于，生成式设计与结构现实之间的那道接缝，恰恰是一个横向平台不会踏足的地方，因为要闭合它，需要一家公司自身的分析历史、它自己的类型学，以及它自己那些杂乱的采购关系。它本质上就是定制的。而采用率的数字表明，窗口正大敞着：只有 27% 的 AEC 专业人士报告在运营中使用 AI，仅有 8% 的建筑事务所实施了某种 AI 解决方案——尽管建筑师的采用率在一年之内就从 41% 跳升到了 59%。此刻正在行动的公司并不算晚。在一个才刚刚起步的行业里，它们是早行者。
价值工程真的不可避免吗？
七十年来，大约 85% 的建设项目都超了预算，平均超支 28%，而每十个大型项目中，能按时又不超预算完工的还不到一个。整个行业一直把价值工程归入不可避免这一类——那场持续 60 到 90 天的仪式：承包商为梦想报价，开发商陷入恐慌，工程师把模型重跑十遍，而所有人都白白损失一个月。
它并非不可避免。它是这样一种设计流程的症状：这种流程对结构可行性、材料可得性与加工复杂度的检查，都是事后才做的——在形状被锁定之后，而不是趁它还柔软可改时。把这些检查前移——移进概念循环里，以图神经网络的速度运行，用公司自己的作品训练，并与它真正能拿到的钢材打通——价值工程危机就不再是被“管理”掉了。它压根不会诞生。如果你经营一家 AEC 公司，想看看这套流程是如何搭建起来的，我们已经在这里完整阐述了这套方法。
开启这一切的那张渲染图——那道美丽的玻璃波浪，下方潦草地写着超支 3 倍——本不必迟了整整六十天、死在某个承包商的电子表格里。杀死它的那些物理，在第一天就是可知的。如今唯一值得问的问题是：我们为什么总是最后一个才发现。
