开篇先泼一盆冷水先说几个我们设计条线的同行都熟悉的场景。有一位老所长退休了, 在欢送会上, 大家纷纷感慨, 说“又走了一座活字典”。他的脑子里装着三十年的地基处理经验, 装着几十种工况下的结构选型判断, 还装着哪些构造做法在哪个地区出过事。这些东西, 图纸上没有, 计算书里也没有。人一旦走了, 就都散了。有一个新的投标项目出现了, 业主所给予的地块相关条件, 以及容积率、造价上限, 和在三年之前我们所做过的某一个项目基本上是完全一样的。然而, 三年前的那一套强排方案, 那一版限额指标, 以及那次多专业碰撞所带来的教训, 放置在某个项目部的移动硬盘之中, 找不到相关人员, 也无法将其调出来, 所以只能重新再做一遍。方案比选会上, 两个方案展开了争论, 持续了三天时间, 彼此谁都无法将对方说服这是由于手中并没有同类型项目的实测造价以及履约数据进行支撑, 最终所依据的是职位较高的人做出的决定。有五家单位参与写投标技术标, 所写内容变得日益相像, 都表述为“科学合理、技术先进、经济可行” , 同质化程度致使评委在翻看完后记不住当中任何一家单位的情况。这些存在的痛点, 从本质上来说, 其实是同一件事情, 那就是, 我们拥有的最为贵重值钱的资产, 这份资产是工程经验以及项目数据, 然而它们却从来都未曾被真正地组织起来过。这两年, AI火得发烫, 好多单位指望AI以迅雷不及掩耳之势化解这些棘手难题。我的看法是: 虽说AI真有这本事, 可绝大多数单位当下这般操作根本无法迎刃而解。为啥呢? 这篇文章力图有条有理阐述清楚此中逻辑关系。与此同时, 还要向公司里技术管理条缕这一方向的同事以及同行们, 详细汇报我们公司设计中心正行进的道路情况。一、行业进行反思, 大量设计院以及众多工程局所开展的AI应用, 为何会呈现出看似美好, 然而却无法产生效益的状况呢?往前的一年时间里, 我参与过好些行业间的交流活动, 并对些兄弟单位的数字化构建展开了考察。存在着一个较为普遍的状况, 那便是: 演示呈现出令人惊艳之感, 而实际落地却显得极为安静。经过归纳总结, 有三个误区是最为常见的。误区首个体现为: 将通用大模型视作一把万能钥匙, 购买得到商业大模型的账号后, 分发至每一位设计师手中满心期望它能够拿出方案, 能够校对图纸, 能够计算工程量, 然而设计师询问了两次便察觉, 它的回答看似条理清晰, 却对我们局所承接项目的条约界限一无所知, 对我们于华南地区开展市政道路工程的造价水准毫无概念, 对我们公司自身的标准建设做法全然不知, 甚至对三年前那个相似项目所遭遇的难题也浑然不觉, 通用大模型的确知晓“建筑行业”, 却偏偏不明白“我们”。它所给出的, 是处于行业平均水平的正确答案 , 然而呢, 前端设计时候真正所需要的, 是依据企业自身项目边界以及成本数据的具体判断。误区二: 热衷于追逐单点的AI绘图工具。AI能够生成效果图, 也能够进行AI排户型, 速度着实很快, 在用于投标汇报时, 呈现出来的效果确实美观。然而, 即便效果图的生成速度快了两天, 那也无法解决限额设计缺乏指标支撑的难题, 无法解决方案经济性论证方面的问题甚至更无法解决设计与商务、以及施工相互脱节的问题。需明确的是, 单点工具实现提升的仅仅只是“表达效率”, 并非“决策质量”, 可设计前端要创造效益恰恰是发生在决策这个环节之中。误区三: 将AI当作汇报的材料, 而非用于生产的工具。有的单位, 上线AI应用的最初动机, 是为了在数字化转型考核当中, 能够有所展示。所以, 场景挑选得越来越繁杂, 距离设计师的日常工作愈发遥远, 到最后, 工具俨然成为了参观路线上的一项展品。三个误区隐匿的背后, 存在着同一个根源因素: 缺乏企业自身所拥有的高质量的工程数据底座, 如此一来, AI便如同没有源头的水。有行业方面的调研清晰表明, 超过七成的建筑企业遭遇数据价值难以有效释放的瓶颈状况, 数据呈现出碎片化形态、系统存在割裂现象, 进而致使决策失误的情形广泛存在。AI并非具有神奇魔力之物, 其本质实际上是数据的一种放大器——要是你给予它的是零散分布在个人电脑里、格式杂乱无章、真假混淆在一起的资料, 那么它所放大展现出来的就是混乱而要是你给予它的是经过妥善治理的、蕴含着企业独特基因的高质量工程数据, 那么它所放大呈现出来的才是生产力。这一情况已被行业实践再三验证, 有企业凭借真实成交数据搭建起涵盖三十万标准商品的价格库, 此价格库被九十多家单位频繁调用, 基于行业专有数据训练的建筑专业大模型, 在多个能力方向显著优于通用大模型, 其推理耗时仅是通用模型的十分之一。住建系统的信息化实践同样表明, AI在图纸管理这类场景切实产生价值, 其前提是完成了针对十余万份图纸的结构化治理以及语义化处理。结论十分质朴: 数据在前, AI在后没有基础, 全都免谈。二、战略导向方面, 设计乃是项目创效的起始源头, 数字化必然要朝着设计前端进行倾斜。在弄想得明白AI究竟怎样落到实地之前, 得先弄明白我们到底要让它去做些什么, 这并非属于技术方面的问题, 而是关乎战略层面的问题。公司顶层设计已然极为明晰, 于数字化转型同设计业务专题推进进程里, 公司主要领导多番着重指出, 务必要深切认知设计的价值以及作用, 善用设计管理、设计优化这两个“着力点”, 凭借设计来推动总包项目施行和价值缔造, 设计需和营销、投标、商务、施工等部门深度交融, 得以确保项目品质、效益、价值达成最大化。公司那方面, 已把EPC设计管理能力的提升, 归入了三年行动专项方案里进行系统地推进关于设计优化创效案例的汇编, 以及限额设计指引清单等一系列设计管理成果, 相继发布出去设计营销对中标合同额所做的贡献, 一年比一年增大。将这些信号, 转变成设计中心所运用的语言, 呈现出来的便是这样一句话, 价值创造的主要阵地处在设计的前端。事情的道理并非是那种特别复杂的情况, 施工阶段要实现降本增效, 是要在早已确定好的图纸, 以及早就定下来的方案当中去“抠”, 所能获得的空间是以百分点来进行计算的, 而方案选型、结构体系、基础形式、工艺路线这类对于项目成本构成大格局有着决定作用的重大事项, 全部都是发生在设计前端的, 前端方案阶段的一次正确的判断, 其作用抵得上后端一整年精心细致的计算, 用来限制设计的那些指标有没有指标库来提供支撑、价值工程有没有案例库来作为佐证、投标策划有没有过往历史项目的数据作为基础, 这直接就决定了我们到底能不能成功地把“设计引领”从一句口号转变成为实际的效益。因此, 公司设计中心进行的数字化转型, 其重心必然要放到前面去——并非是在施工图的这个阶段配备几个能够提升效率的小工具, 而是借助数据以及AI去武装方案、限额、价值工程、投标策划这四个可以创造效益的高地方。方向确定好了, 路径才会具备意义。三、我们的落地思路数据底座先行AI工具紧随其后我们的总体逻辑可以用一个公式概括质量上乘的工程数据库等同于底座, 人工智能属于智能生产力工具, 数据底座为人工智能提供养分, 人工智能激活数据资产, 二者形成双向闭环, 为设计前端赋予能力。工具即便再先进, 要是底座不牢固, 也好比空中楼阁一旦有了底座, AI每使用一回, 底座便增厚一分。具体有三步走向。第一步治理沉淀自有多模态工程数据库最艰难的这一步, 最迟缓的这一步, 同时也是最具价值的这一步, 我们将其置于所有人工智能相关工作之前。所讲的多模态工程数据库, 并非是一个文件夹, 而是要将公司历年来项目所沉淀下来存在的七类资产, 施行统一治理并行结构化进行入库。在这个基础之上, 构建起两个核心库, 一个是企业设计知识库, 它用于回答“怎么做”, 另一个是工程指标库, 其作用是回答“值多少”。综合公司的业务结构状况, 我们优先从市政道桥、水务环保、保障房与公共建筑、基础设施配套这几类主要业态着手切入, 不追求规模大而包揽全部, 首先把数据密度提升起来。此地需着重突出数据治理那所谓的“笨功夫”, 即统一编码规则, 进行脱敏以及权限分级, 入库审核时责任落实到具体个人。数据底座所具有的质量, 对后续各项AI应用所能达到的上限起着决定性作用。第二步基于内部数据库搭建私有化工程智能助手有了底座第二步是把死数据变成可调用的活知识。我们所挑选的乃是私有化部署的检索增强, 也就是RAG线路, 简单讲, 便是给AI配备一个仅查询自身家底的检索引擎 , 当设计师提出问题时, 系统会率先于企业数据库里搜寻相关的图纸, 接着搜寻计算书, 再 搜寻指标与案例, 随后让大模型依据这些一手资料去组织答案, 而且每一个结论都能够追溯至具体项目以及具体文件。选这条路线基于三个务实考虑第一点, 具有可信度。通用大型模型会做出“故作正经地瞎编”之举, 然而溯源机制能够使每一条相关的回答都可进行检查核对, 此情况在工程领域属于最基本的要求, 涉及到结构安全以及造价责任的内容, 一丝毫都容不得有幻觉存在。其二, 是安全, 造价指标、投标策略、履约数据属于企业核心商业秘密, 私有化部署可保证数据不会超出企业边界范围, 这同样是央企数据合规的基本要求。其三, 有着使用之后会愈发聪明的特性。每一次进行检索以及问答操作时, 系统都处于学习并了解设计师真正予以关切内容的进程中, 明确哪些数据是被高频次运用调用的, 哪些库还存在供应缺额的情况, 进而逆向对数据治理的方向起到引导作用。在这一步达成之后, 老工程师所拥有的经验, 首次转变为组织可随时加以调用的资产, 情形如下: 新人提出软土地区市政管廊的基坑支护选型需要注意些什么 这一问题时, 系统调出的内容里, 并非教科书上的统而论之, 而是我们自身经办过的三个项目的方案、计算书以及复盘纪要。第三步分场景部署AI工具链底座就位之后, 助手也就位了, 随后, 依据设计前端的创效场景, 逐个展开部署。我们梳理出六个优先场景, 它们全部对应真实业务。1. 输入地块状况、业主需要以及造价上限之后, 系统会自动检索同样业态、同样规模的历史项目, 快速进行针对性方案比选, 生成多套比选框架, 还会附上历史项目的实测指标当作论证依据, 让方案从依据资历进行比较转变为依据数据的可靠性或准确性, 即从“比谁资历老”变成“比谁的数据硬”。2. 进行AI规范校核, 针对方案文本以及图纸说明开展规范符合性的初步筛选, 将强条风险点标记出来。市政项目所涉及的道路规范体系繁杂, 市政项目所涉及的排水规范体系繁杂, 市政项目所涉及的桥梁规范体系繁杂。通过初筛能够把校审精力集中到真正疑难的问题之上。3. 库中的参数化计算书模板, 用于新项目常规工况计算书初稿的自动生成, 以此辅助计算书生成, 让工程师能专注于参数复核以及非常规工况判断, 进而可将重复性计算工作量压缩一多半。4. 按照额度限定的指标, 进行智能化的对照比较。这属于创造效益的关键场景。在方案阶段, 任何一项设计参数, 其中包括钢材用量、混凝土使用量、桩基的形式、管道线路的走向, 这时悉皆能够即刻与公司指标库里同类型的项目相互对照, 如果超出限度便会自动发出警示, 并给出以往的优化案例。限额设计自此有了切实依据, 并非凭借经验随意决定。5. 依据历史中标方案以及业主招标文件所需进行拆解, 从而撰写投标方案初稿, 自动生成技术标初稿, 设计师将精力投放于差异化亮点以及针对性策划方面——这正是破解投标同质化的关键所在: 机器承担“合格的部分”, 人完成“赢的部分”。6. 通过多专业协同, 对冲突进行前置预警。于方案阶段借助AI, 针对建筑、结构、机电以及市政管线, 开展碰撞预判, 使得那些传统上通常在施工图阶段乃至施工阶段才会暴露出来的冲突, 被提前到方案定案之前予以消化。在房建综合体与市政综合管廊项目这个层面, 这一项所具备的价值格外直接, 即提前消化一处重大冲突, 便等同于避免一次返工以及一次关于变更索赔事情的发生。要留意这六个场景所具备的共同之处, 不存在任何一个是用于进行炫技之举, 并要知晓每一个都关联着设计前端当中某一个具体的创造效果环节或者风险点, 这呈现的乃是我们对于“落地”这两个字的理解。四、落地闭环机制让数据越用越厚让AI越用越懂我们工具上线不过是开端, 起关键作用, 对成败有决定性影响的, 乃是能不能构建达成如同这般一个积极的循环, 即 :。进行项目实践, 进而实现数据沉淀, 再借助AI赋能, 以此达到更好的项目设计, 最终收获更高质量的数据沉淀。闭环的关键在机制不在技术。我们的做法是三条首先呢, 是数据进入数据库这一行为变成了项目流程里强制要有的关键部分。在项目快要结束的时候, 像是图纸、以及计算书, 还有造价指标, 再加上复盘纪要这种东西要整理好归入资料库, 要和竣工资料移交一样被同等看待, 并且还要被纳入到对项目的考核之中去。就是没进入数据库, 那就不能算完成环节没错。第二, 复盘制度给数据库不间断地输送血液。在每一个重点项目完结之后, 由设计中心起着牵头作用实施一回设计复盘, 包括判断方案有没有被验证, 弄清楚限额指标跟实际存有多少偏差, 查看哪些协同冲突原本能够在更早的时候被发觉。把复盘得出的结论以结构化的形式归入数据库, 特别是那些失败的教训, 专门建立标签, 着重进行沉淀。第三, AI运用数据反过来助力底座之建设, 何种数据被高频率调用了, 这表明是刚需所在, 要优先去补足同类的缺失哪些问题AI无法做出回答呀, 这说明库里存在缺口, 得进行指向性治理, 数据库并非是那种一回就建造完成的工程 , 而是会持续不断生长起来的资产。一旦此循环开启运转, 便将催生一种复利效应, 首个项目入库的数据为第二个项目提供赋能, 第二个项目的实践又使得底座增厚些许, 三年过后, 我们与同行相较的不再是哪家人工智能工具更为先进, 毕竟工具大家皆可购置, 实则而是哪家数据底座厚, 哪家闭环旋转节奏快。五、展望, 是从依靠个人以往经历, 迈向企业所拥有的数据以及人工智能共同协作配合的组织自身具备的能力。最终, 有一个边界是一定要讲明白的, 这同样是在设计中心内部统一思想之际, 我最为着重强调的一点: AI并非是去替代设计师, 它是要解放设计师。前端设计里, 最具价值的工作是什么? 是方案创新的判断, 不是普通的判断, 而是那种极具专业性的判断还要结合诸多复杂因素是业主需求的洞察, 要从各种微妙细节里精准地洞察需求是技术与商务之间的价值研判, 那可不是轻松可办的, 涵盖好多环节好多情况。而且还有投标策略的谋划, 这也不是简单事, 要考虑好多方面。这些恰巧是最依赖人的创造力和工程直觉的工作, AI替代不了, 也不应该替代。AI能替代什么? 是查资料, 就是那种到处搜罗信息的查阅资料是套模板, 按固定模式套用的模板是做重复计算, 反复进行机械计算是写八股文本, 按老套路写的文本。这些工作消耗设计师大量时间, 却不创造增量价值。把设计师从重复劳动中解放出来, 让他们回到方案创新和价值研判的主要战场上, 这才是AI对于设计中心的意义。由此朝着更远的方向去看: 往昔, 一家设计单位所具备的竞争力, 在很大程度上来讲是维系于几个骨干工程师个人之上的, 人存在经验便留存, 人离开了经验也就随之消逝了——这从本质层面来看是以个体能力简单累加而构建起组织能力的。可“自有数据底座 AI 工具链”这样的模式呢, 是将个人的经验持续转化成为组织的资产, 进而让竞争力沉淀于组织本身。从“依赖个人经验”转变到“企业数据与 AI协同塑造的组织能力”, 这恰恰才是设计前端价值创造真正的防护屏障呵。被追平的会是工具, 被迭代的会是模型, 然而, 无法被同行快速复制的, 是持续生长着的高质量工程数据资产, 以及环绕它构建而成的闭环机制, 这是公司设计中心针对此番变革, 务必抢在前面修筑起来的墙。AI在建筑业落地困难的根本原因并非技术方面, 而是数据因素, 核心结论明晰, 没有企业自身所拥有的高质量工程数据底座作为支撑基础, 通用大模型以及单点AI工具仅仅只会呈现出看似美好的表象, 根本无法带来实际效益, 数据应当先行一步, AI则随后跟进, 二者顺序绝不能颠倒, 设计前端乃是建筑企业进行价值创造的主要战场, 方案、限额设计、价值工程、投标策划对项目的效益格局起着决定性作用, 数字化转型的相关资源务必向设计前端倾斜, 绝不能仅仅停留在施工图阶段进行局部提效, 其核心逻辑呈现为双向闭环形势, 即数据底座为AI提供养分支持带动其发展, AI反过来又激发激活数据资产的价值, 使其发挥实效。它是这么回事: 这底座, 愈厚, 那AI对企业的理解就愈深入这AI用得过愈多, 数据资产实现更高增加值的速度便越快。对, 这像题目里边的复利方式体现的情况, 先取得的优势会不断发展到更大。要落实, 就得紧紧依着工程场景来推进。这儿涵盖方案衡量比较、规范校准审定、计算书进行辅佐支撑、通过限额标准参考对比、投标初步文稿制作、一同作业开启警戒警示等, 每一个AI应用场景都必定对应着一个特定的创造效益的要点和可能遇上的风险点, 坚决反对单单仅因为技术而搞技术方面的推进。AI并非实现对设计师的取代, 而是助力设计师回归到有着更高价值的工作里头。所谓真正的转型目标, 其具体所指乃是, 要将属于设计中心的那份竞争力, 从那种以“个人经验的单纯相加”的情形, 发展变成“融含企业数据与AI进行协同运作所组建起来的面向组织的特定能力”这般的状态, 进而稳稳加固构成设计前端价值创造的那条防护屏障。