AI能否被信任用于建筑结构安全？

问题

阳台之所以能够立得住，并不是因为某个AI模型说它“看起来很稳固”。它立得住，是因为荷载路径连续、应力保持在材料极限范围之内，且结构满足支配性的物理方程。这种“听起来对”与“真正正确”之间的区别，正是当今AI在建筑设计与施工领域彻底失灵的地方。

当您将一份结构蓝图输入GPT-4V或Gemini等多模态AI时，模型看到的并非梁、柱或荷载路径，而是像素。它会将您的蓝图切分成一个个小图块——16×16像素的微小方块——并在它们之间寻找统计模式。它或许能学到，一条竖线（柱）通常出现在一条横线（梁）附近。但它并不理解梁是由柱支撑的。移除这根柱子，AI的置信度或许只会略微下降。但它内部并没有任何物理规律，能告诉它这根梁此刻必然会坍塌。

研究人员已经直接验证了这一点。当图像图块被打乱顺序后，这些AI模型往往仍能保持很高的分类准确率。这说明它们依赖的是纹理和局部模式，而非真正的空间结构。在工程领域，一个“大体齐全”但缺失了关键荷载路径的连接节点，并不是90%安全。它是100%不安全。您的AI系统分辨不出这其中的差别。

这对您的业务意味着什么

这些数字应该让每一位风险官都为之警醒。DSR-Bench研究——一项在4,140个问题实例上测试了十个领先AI模型的基准测试——发现，表现最好的模型在复杂结构推理任务上也仅得到满分1.0中的0.498分。对于建筑是屹立还是倒塌这样的决策而言，这样的可靠性无异于抛硬币。

这对贵组织意味着以下几点：

• 监管风险： 无法依据建筑规范核验结构要求的AI模型会带来责任风险。DesignQA基准测试表明，模型能够从文档中提取出诸如“最大允许挠度”这样的规则，但却无法将该规则应用到实际的梁设计中。您的合规签核，其可靠程度取决于背后的系统本身。
• 材料成本超支： 研究发现，AI模型对钛合金或碳纤维等新奇的高性能材料存在强烈偏好——即便项目本需要更具成本效益的方案。原因何在？因为这些材料在高科技训练数据中出现得更频繁。您的AI可能会推荐一些在没有任何工程依据的情况下，就使预算成倍飙升的材料。
• 复杂度上升时性能崩溃： 随着结构问题在空间上变得更复杂、更多维，AI的准确率会大幅下降。当问题以自然语言描述而非以形式化代码描述时，模型的表现也会更差。这意味着，您的工程师用日常语言描述现实世界中非标准情形的程度越高，AI出错的可能性就越大——对于独特问题，其出错概率可能高达50%。
• 隐性推理失效： 这些模型难以完成多跳推理——即通过若干个中间连接来追踪某种关系。在建筑中，这意味着要将荷载从屋顶阳台一路追踪，经过梁、柱，直至基础。如果您的AI无法追踪这一完整链条，它就无法验证结构安全性。

这种风险并非纸上谈兵。它是这些模型所承诺的与其实际所能兑现的之间，一个可衡量、经过基准测试验证的差距。

幕后到底发生了什么

不妨这样理解。假设您聘请了一位建筑质检员，他记住了成千上万张安全建筑的照片。当您向他展示一份新设计时，他会将其与记忆中的照片进行比对。他会说：“这看起来像我以前见过的一栋安全建筑。”但他从未学过工程学。他无法计算一根梁能否承受荷载。他做的是模式匹配，而不是求解物理问题。

多模态AI模型的运作方式正是如此。它们是“下一个词元预测”引擎——这些系统经过训练，会根据训练数据中的模式，猜测最可能出现的下一个词或像素。当您问AI“这个阳台安全吗？”时，它并没有在计算惯性矩。它是在预测，在其训练过的数百万份文档中，通常会有哪些词紧跟在这个问题之后。如果其训练数据中包含成千上万份得出“该结构看起来是稳固的”这一结论的报告，那么在统计上，AI就会倾向于生成类似的安慰性回答——无论实际蓝图显示的是什么。

该白皮书将这称为“随机鹦鹉”问题：AI会不断重复那些听起来言之有理的答案，却并不理解其背后的物理原理。结构工程是确定性的——如果合力不为零，结构就会产生加速度（发生位移、坍塌）。这其中不存在任何概率可言。但AI却把每一个答案都当作一个概率分布来处理。当您的建筑需要的是精确计算时，它给您的只是一个最佳猜测。

这种架构上的错配——将一个概率性引擎应用于一个确定性领域——正是即便最先进的AI模型，在结构推理上也会遭遇49.8%准确率天花板的原因。

什么方法有效（什么方法无效）

我们先来看看哪些方法行不通。

基于像素的AI分析： 将蓝图输入视觉模型，是把您的工程图纸当作待分类的图像来处理，而不是待计算的结构。AI看到的是纹理和图案，而非荷载路径和连接节点。它忽略了结构安全非此即彼的二元本质。

用于规范合规的通用AI： 模型能够流畅地引用建筑规范条文，却无法将量化约束条件应用到具体设计中。它们只是提取规则，而没有真正执行规则。您的合规核查因此沦为一份摘要，而非一次真正的验证。

大模型暴力堆叠： 用更多互联网数据训练更大的模型，并不能解决核心问题。在DSR-Bench测试中，结构推理性能并未随着模型规模的扩大而出现有意义的提升。更多的参数并不会带来对物理规律的理解。

以下是真正有效的方法——也是Veriprajna所采用的方法：

1. 将蓝图转换为图结构，而非像素。 该系统不会将蓝图切分成像素图块，而是将您的建筑信息模型（BIM）转换为一个数学图。图中每个节点代表一个真实的结构构件——梁、柱或楼板——并携带杨氏模量、屈服强度等实际物理属性。每条边代表一个荷载得以传递的真实物理连接。这张图捕捉的是您结构的逻辑，而不仅仅是其外观。

2. 将物理规律直接嵌入AI的训练过程。 该系统使用物理信息神经网络（PINN）——这类AI模型将结构力学的支配性方程直接内置于其学习过程之中。如果模型预测出的挠度形态违反了平衡定律，其训练过程中的物理惩罚项就会迫使它自我纠正。AI无法“凭空想象”出一个违背牛顿定律的答案。图结构物理信息DeepONet——这一方法的进阶版本——已经实现了R² = 0.9999的准确度，运行速度比传统工程求解器快7至8倍。

3. 以算法方式追踪每一条荷载路径。 该系统运用图论，追踪从荷载施加点到基础之间所有可行的荷载传递路径。它会计算一项名为U*指数的指标，用以可视化您结构的“脊柱”——即贯穿建筑的最刚性路线。如果您的阳台设计存在荷载路径不连续的问题，系统不会去猜测。流线会戛然而止，精确标记出失效点所在。

对于您的合规和审计团队而言，这种方法创造了一条 玻璃盒式决策追溯路径。因为图中的每一个节点都与一个物理部件一一对应，您可以准确追溯系统标记问题的原因：“该立柱之所以失效，是因为从梁A和梁B传递来的荷载超出了其承载能力。”这是一个可审计、可解释的结果——而非黑箱式的置信度评分。

该系统在本地部署运行。您的团队无需将敏感蓝图发送至公共API。物理引擎运行在您自己的服务器上，保护您的 知识产权和项目数据 ，同时为您提供确定性的答案。

Veriprajna的方法充当验证层。建筑师和设计师仍可使用生成式AI进行创意构思。但每个构思都必须先经过一次 确定性物理校验 ，才能到达您的工程师手中。如果校验未通过，系统会返回一个硬性约束条件——例如“将梁的截面高度增加200毫米”或“增加背跨连接”——从而强制进行符合物理规律的重新设计。您因此获得了创意速度，同时拥有 由仿真与数字孪生工作流支撑的工程确定性。

您可以 阅读完整技术分析 ，了解完整的数学框架；也可以 探索交互式版本 ，获取引导式演示。