對話Genia CEO趙志昊：從Agent、RAG到PINN，北美建筑業的AI范例

2025年2月27日，百工驛舉辦了一場主題為“Al for Engineering（AI4E）大時代，AEC產業的大模型工程創新”的線下閉門活動，我們邀請了3位特邀嘉賓、30余位參會嘉賓圍繞當下工程行業的AI創新機會，以及當下產業中的困境問題做了交流。接下來我們會分批對不同嘉賓的觀點整理，輸出文字版本，供大家探討。

本期內容來自Genia聯合創始人&CEO趙志昊。趙志昊出生于建筑世家，是一名連續創業者，耶魯大學工商管理碩士、賓夕法尼亞大學計算機碩士，常年活躍于北美AEC市場。Genia，建筑業的Gen AI，成立于洛杉磯，專注于AI結構設計，近期完成數百萬美元融資，由歐洲最大的建筑科技方向風險投資公司Pi Labs領投，美國硅谷風險投資公司Amplify、Boost VC、頭部建商Suffolk Construction等跟投。

以下為趙志昊的內容分享，經百工驛潤色編輯：

大家下午好，我是趙志昊，今天的分享主要圍繞我在美國看到的建筑行業方向的創新，特別是跑的比較好的一些AI技術新應用。我會盡量通俗易懂地解釋這些方向的具體內容，以及一些潛在的應用案例。

首先，大家如果從事建筑行業，應該對這張圖比較熟悉。圖中灰色的線代表的是整個行業的效率提升曲線，這其實是指從1995年到2015年，行業經濟整體效率的變化。而最底部的線則代表建筑行業的效率提升，平均每年增長約1%。如果按實際GDP來計算，建筑行業的效率提升與二三十年前的建設方式差別不大。AI是否能夠幫助AEC行業降本增效，帶來顯著的機會，將是我們今天探討的重點。

全球制造業/建筑業生產率曲線圖（來源：Economist）

01 Agent與AEC創新

接下來是一些簡單的觀察。第一個方向叫做Agent AI。我挑選了兩個比較常見的范式。一個是AI智能體，它通過調用不同工具的API來協調和管理各種資源。這個AI智能體充當了一個協調者的角色，最終幫助賦能終端用戶。另一個是多個AI智能體之間的聯動與協作，某些智能體可能負責整體規劃，其他的則可能負責實施階段，比如生成代碼或圖紙，最后，這些輸出可能會交給終端用戶。這種方式展示了不同AI身份的協作模式。

Agent AI的兩種范式（來源：嘉賓分享）

具體的落地案例有幾個可以分享。其中一家名為Datagrid的公司。

Datagrid這家公司搭建的是一個通用平臺，但它的解決方案在建筑行業的實際應用中非常成功。它通過AI智能體的形式，打通了與下游工程管理平臺和各種數據平臺的連接，賦能終端用戶。

其中一個典型案例是Procore平臺，這是北美最大的建筑項目管理軟件之一，成立已有二三十年，且已上市，體量相當于國內的廣聯達。通過與Procore平臺的數據云平臺進行對接，Datagrid可以從平臺中的文檔和圖紙中提取信息，從而實現數據賦能。

通過視頻我們可以看到，Datarid是一家提供智能 AI 平臺的企業，專注于幫助用戶存儲、管理和連接多源數據，并通過創建自定義 AI 智能體實現高效的數據訪問與問題解決。該平臺支持與行業專用工具（如建筑行業的 Procore）集成，允許用戶通過短信、移動設備等方式隨時隨地獲取所需信息。

Datagrid這個方向偏向于通過AI智能體提高數據的流動性和效率。

另一家公司叫Skema，它的工作重點更多是AI Agent模版化布局，降低人工重復性工作。具體而言，新項目的設計布局往往與歷史項目有許多相似之處。Skema將這些歷史項目中的可復用部分，通過AI智能體的方式進行總結和模板化，然后用戶可以一鍵生成布局，并根據實際需求進行修改。

例如，在一個歷史項目中，他們會將能夠復用的部分提煉出來，形成模版。在他們的軟件中，用戶可以通過這個模版快速構建新項目的布局，而無需從頭開始設計。這種方式通過AI智能體來優化和加速相似任務的執行，賦能未來的工作任務。只有通過AI智能體的形式，這一新的技術才能實現。

第三家公司叫OpenSpace，它代表了另一種方向。OpenSpace不僅僅是軟件，它將虛擬與現實相結合，主要用于巡檢工作。他們會為工人佩戴一個360度的攝像頭，記錄工人的巡檢路線。在巡檢過程中，AI會自動分析工人看到的視覺影像，檢測其中可能與原始設計存在差異的地方。同時，系統還會自動生成項目進展報告。這個方向通過AI與現實場景的結合，利用圖像數據幫助工人提高巡檢效率，減少人工檢查的時間和成本。

OpenSpace產品介紹（來源：嘉賓分享）

剛才提到的三個項目大多屬于傳統的Agentic AI形式。

02 RAG與AEC創新

接下來要講的是另一種技術，叫做Retrieval-augmented generation (RAG)。簡單來說，RAG技術是通過結合知識庫的信息，幫助AI提供與特定領域相關的知識。RAG本質上是基于某一領域進行更精準的搜索。利用RAG技術，可以看到幾個常見的應用場景。

RAG技術邏輯圖（來源：嘉賓分享）

第一個是名為Reviuer的公司，這是一家創業公司。

舉個例子，如果你查看北美的建筑規范，像加拿大的每個省都有自己的規范書，每本可能有上千頁。而在美國，盡管大家都使用一本叫IBC的建筑規范，但它本身非常厚重，而且每周根據IBC的要求，還會有一些定制化的修訂。比如加州只需要關注IBC第1-14章，而其他部分可能需要基于當地的修改。問題是，如何確保在遵循這些復雜的建筑規范要求的同時，確保工程師和建筑師在審圖時不會漏掉任何細節？

如果這項工作由人工完成，非常容易出錯，而且非常依賴經驗。雖然優秀的公司和建筑師有一定的把控力，但難免會忽視一些細節。Reviuer公司通過AI來解決這個問題。用戶可以將設計圖紙上傳，無論是建筑平面圖還是其他形式的設計圖，AI將這些圖紙與對應的建筑規范庫進行比對，審核圖紙，識別可能的問題點，并用紅色標記出來，隨后通過批注的形式提示最終用戶哪里可能存在問題。這家公司主要專注于建筑領域，但類似的技術也應用于結構、水電、空調等領域。

Reviuer產品介紹（來源：嘉賓分享）

Trunk tools這家公司的工作方式與前述的那些案例有些相似。它的產品上線一年多，其CEO的個人魅力以及在社交媒體上的宣傳，使得這家公司廣受關注。

實際上，它比DataGrid更進一步，提供了基于短信的溝通平臺，專為總包商提升溝通效率。通過短信，用戶可以快速獲取大量建筑文檔信息，并且能夠顯著提升與現場施工人員或管理人員的溝通效率。在國外，由于沒有微信等即時通訊工具，很多現場溝通還是依賴短信。因此，這家公司專注于通過短信平臺來改善這一溝通方式。他們的技術也得到了許多投資者的青睞。

03 PINN與AEC創新

最后一位其實也是我們正在研究的一個方向，叫 Physics-Informed Neural Network（PINN）。這個方向代表的是一類問題，不僅限于建筑領域，而是涉及如何在生成式AI表現良好的情況下，通過融入一些物理仿真規律，解決更精細的工程設計問題。

當前的大語言模型并不擅長精準繪制工程圖紙。比如，你給它一張圖，它可以大致判斷出某個區域內可能存在的元素，但如果要求它精確到 XY 坐標級別的設計，基本上是不可能的。基于純語言模型的方法，在目前的技術水平下難以實現這一點。

而傳統的CPU模型在處理工程圖時，也存在現實挑戰。比如，在工程領域，實際可用的訓練數據（圖紙）并不多，因此，即便構建一個基于Stable Diffusion的強大模型，也可能面臨數據匱乏的問題。此外，工程圖紙本身的特性決定了它并不需要過度的創意性，因為大部分空間是留白，而不是充滿設計元素。因此，我們需要另一套思路，即在物理限定的框架內，讓 AI 生成符合工程需求的設計。

關于這張圖，它很有代表性，因為學界目前主要有兩條研究思路：第一，純數據驅動方法——如果給 AI 模型提供完全符合物理規律的訓練數據，它能否自主學習并掌握這些規律？第二，物理仿真驅動方法——如果 AI 不能自主學習物理規律，是否需要在訓練過程中加入物理仿真器，通過強化學習（RL）或代理模型的方法，把基于公式計算的物理規律反饋給 AI？

純數據驅動or物理仿真驅動思考（來源：嘉賓分享）

目前，這兩條路徑都在探索中，而我個人更傾向于第二種方法。

最近字節跳動在幾個月前發表的一篇論文，其中對比了多種視頻生成模型，探討它們在物理世界建模中的泛化能力。他們使用了一個簡單的物理引擎，模擬勻速直線運動，并在5米/秒到20米/秒的范圍內生成訓練數據，然后用視頻生成模型進行訓練。最終實驗表明，即使是這種簡單的物理運動，AI也只能在訓練數據的范圍內泛化，比如能理解2米/秒到 40 米/秒的運動，但一旦超出這個范圍，就無法準確模擬符合物理規律的勻速直線運動。

這個實驗說明了一個關鍵問題：盡管勻速運動在我們看來是簡單的，但對于沒有物理驗證機制的AI模型來說，它的理解能力是有限的。這一點在現有的視頻生成模型中也有所體現，例如在模擬碰撞、重力、透視關系（近大遠小）等方面，現有模型仍然存在明顯缺陷。如果AI僅依賴啟發式方法去擬合物理規律，其表現仍然受到很大限制。而在這一方向上，我們正在深入探索，并已取得一些進展。

這個方向有一家比較有代表性的公司叫Stantec。他們通過AI訓練了一套洪水預測模型，與美國37個州的州政府合作，幫助政府預測洪水風險。流體力學本身有一套成熟的仿真軟件，Stantec會結合氣象信息、河流水文數據以及地理地貌等因素，向政府提供預警和風險信號。這套系統目前來看在落地效果上表現得比較好。

Stantec產品介紹（來源：嘉賓分享）

04 Genia，AI結構設計

再說回我們自己。我們通過生成式AI的方式，把建筑圖作為輸入，生成對應的結構工程圖。

這里涉及的物理因素包括抗風、抗雪、抗震等建筑規范要求，這些規范都需要經過物理驗證。如果是低層建筑，可以直接基于公式進行結構分析。但如果是超高層建筑，就需要通過仿真模擬進行更復雜的結構分析。我們正在做的事情，就是如何把這種物理仿真能力和生成式AI結合起來。

這里展示的demo分為三部分。第一部分是申請項目并上傳建筑圖紙，平臺通過生成式AI生成對應的結構方案。第二部分通過郵件將結果反饋給用戶。最終，我們會給用戶推薦3-5套符合物理規范、造價可控且表現最優的結構方案。整個過程看起來簡單，但背后涉及了縱向的結構分析和多維度的成本權衡。

目前，我們的主要客戶群體是北美的建筑設計院和總包商。北美市場有兩個明顯的趨勢：一是大型總包公司內部往往會組建自己的工程團隊，通常通過收購獨立的工程公司來完成；二是北美的建筑行業分工相對獨立，建筑設計、結構設計、水電暖通往往由不同公司分別完成，和國內建筑院一體化的模式差異很大。我們的產品主要面向結構工程師，為他們提供賦能工具。

剛才建元基金張寧老師也提到，建筑行業整體數字化水平還比較原始，很難直接用 AI 取代人工。因此，我們最終做的也是一種Co-pilot模式，幫助工程師提升效率，而不是完全取代他們。

今天的分享就到這里，謝謝大家！

（完）