夜雨聆风
【案例分享】当建筑设计师遇上AI:一个设计研究院的「造梦」实验
他们用垂直大模型+多智能体，让建筑方案从「画图」变成「对话」。
某建筑设计研究院的一间会议室里，发生过一次有意思的争论——
一位资深建筑师站起来说：「AI生成的方案，永远是四不像。」
旁边一位年轻设计师轻声反驳：「但您昨晚改了三版方案，第三版和第一版的核心差异，可能AI三十秒就能跑出来。」
而现在，那位资深建筑师现在每天打开电脑的第一件事，是和一个对话窗口打交道——那是该设计院和元一极智共同研发的建筑AI助手。
「你很难说它是取代了谁。」
「更像是一个永远不累的第二人，在你卡壳的时候给你一把钥匙。」
01
背景与起点
某建筑设计研究院，在行业内深耕三十余年，积累了大量设计案例与方法论。随着行业竞争加剧、甲方需求迭代速度加快，传统设计师画图→反复修改→出图的流程，效率已到瓶颈。设计院管理层意识到，AI不是选择题，而是生存题。于是他们启动了一个项目——
用AI重新思考建筑设计的生产方式。
提到AI绘图，很多建筑师的直接反应是Midjourney、Stable Diffusion——输入一段描述，出几张图，效果惊艳，但离“能用的方案”差得远。问题出在哪里？通用模型缺乏建筑领域的专业知识体系。
建筑方案评审看什么？
看流线组织是否合理、看日照采光是否达标、看结构体系是否经济、看规范是否合规——这些不是一张「好看的效果图」能回答的问题。
与其让建筑设计师去适应通用AI，不如训练一个懂建筑语言的垂直大模型。
他们花了八个月时间，基于开源模型，用LoRA微调+SFT（监督微调）双轨并行的方式，构建了一套建筑领域专有模型。
简单来说，LoRA负责「风格」——让AI理解什么叫新中式、现代简约、地域特色；SFT负责「逻辑」——让AI理解建筑规范、结构原理、功能流线。
这不是简单喂数据，而是让AI真正学会「建筑思维」。
效果数据最能说明问题：方案初稿生成效率提升约4倍，概念方案到深化图纸的迭代周期从平均14天压缩到5天左右。更重要的是——
设计师的精力从「画图」转移到了「想方案」
这个转变，才是真正的价值所在。
02
看AI如何在设计院「上岗」
场景一：方案概念期的「头脑风暴搭档」
某文体中心项目，甲方要求在15公顷用地范围内，同时满足体育馆、文化馆、图书馆三个功能，并体现地方文化特色。
传统流程——设计师翻案例-做草图-征求甲方意见-修改-沟通-再修改-再沟通+n……前后历时三周。
引入AI协同平台后——设计师和甲方面对面沟通需求，沟通完毕后设计师现场在系统对话框里输入项目基址、周边条件、甲方偏好、功能体量要求，平台在40秒内生成了12种总图布局方案，并附带每种方案的功能流线分析、日照模拟简报和结构可行性评估。
设计师不是选一个答案，而是从12个方向里排除错误选项，再对着3个有潜力的方向深入细化。这个过程，把原本最耗时的「方向探索期」从三周压缩到四天。
这背后，核心是AIGC多模态生成能力在起作用——平台不只生成图，还生成「带逻辑的分析文本」，让图像和结构化信息同步输出。
场景二：风格探索期的「快速迭代器」
设计院积累了大量院内的经典案例和风格图谱，通过LoRa训练，让AI「记住」了设计院自己的设计语言——
什么样的立面语言是研究院惯用的、什么样的形体处理手法是团队偏好的。当新项目需要快速探索风格方向时，AI可以在设计院的风格基因库里生成符合「本院味」的方案，而不是千篇一律的通用AI风。
场景三：多专业协同的「智能编排」
建筑项目从来不只是一个建筑专业的事。结构、水暖电、景观、室内，多专业交叉，接口协调是最大的效率黑洞。
设计院搭建的多智能体编排系统，在这个环节发挥作用。简单理解，这是一套「AI调度网络」：建筑方案确定后，结构智能体会自动评估结构合理性并给出初步布置建议；机电智能体会同步检查管线净高和设备用房位置；景观智能体会根据建筑形态生成立面绿化方案。
多个AI智能体并行工作，像一场没有摩擦的内部评审会。以往需要各专业负责人坐在一起开的协调会，现在AI预筛一轮，只把真正需要人工判断的冲突问题提交给会议讨论。
这个机制让专业协调会议的数量减少了约40%，平均每个项目的专业返工次数下降了约三分之一。
03
不是「一个AI」，是一套「AI系统」
很多人以为，设计院上线AI，就是买一个软件、装好、让大家用。实际上，这个设计院的AI平台，是一个三层架构的复合系统：
第一层：基础能力层。 基于开源大模型基座，通过LoRA+SFT进行建筑领域微调，构建院级建筑知识图谱和设计规范库。
第二层：能力引擎层。 包含多模态生成引擎（文生图、图生图、文生规范条文）、风格引擎（LoRa调用管理）、逻辑推理引擎（建筑规范检查、日照分析、流线验证）。
第三层：应用交互层。 对接设计院的项目管理平台，设计师在熟悉的工具环境里直接调用AI能力，不需要切换系统。
整个系统从规划到落地，耗时约18个月。
设计院信息中心的负责人曾坦言——
「技术不是门槛，真正的门槛是know-how——你得知道怎么把建筑师的思维逻辑翻译成AI能理解的工作流程。这需要AI团队和设计团队长期泡在一起。」
04
争议与边界：AI不是万能的
任何一个理性看待AI的建筑从业者，都不会回避这个问题：AI的边界在哪里？
设计院的实践也印证了几个清晰的结论：
AI擅长「生成」，但不擅长「判断」。
方案的方向、策略、与甲方的价值沟通，AI无法替代设计师的决策。AI能做的是快速把「方向」变成「选项」，把「想法」变成「图纸」，但最终选哪个、怎么改，是人的判断。
AI依赖数据质量。
设计院的LoRa模型之所以有效，核心原因是他们有大量高质量的院内历史案例做训练集。没有数据积累的机构，AI效果会大打折扣。
规范合规性需要人工复核。
AI可以检查常规规范，但地方特殊规定、超出现有训练数据范围的异形结构，仍需要专业工程师确认。AI是辅助，不是背锅侠。
05
三年后，设计院变了吗？
回到开头那间会议室，那位资深建筑师，现在是怎么用AI的？
他的习惯很有意思：每天早上，他会先花十分钟和AI「聊天」——输入当天的工作目标，让AI帮他梳理任务优先级和可能的推进路径。
「有时候你卡在一个地方，不是不会做，是不知道从哪开始，」
「AI的价值，是让你五分钟内进入工作状态，而不是花半小时找感觉。」
而那位当年反驳他的年轻设计师，现在已经是设计院AI平台的产品经理之一。他说自己最自豪的一件事，是帮助院里三十多位50岁以上的资深建筑师用上了AI工具——
「很多人不是学不会，是没人教他们用。」
06
结语
某设计研究院用结果证明垂直大模型+多智能体编排在建筑创意生产中的可行性——不是噱头，是真实的生产力提升。这不仅是他们的经验，也是整个建筑设计行业在AI浪潮中值得参考的实践路径。
技术只是工具，真正的变革，是设计院愿意让技术团队和设计团队坐在一起，花时间把建筑师的思维逻辑，翻译成AI能听懂的语言。 这件事没有捷径，但一旦做好，回报是成倍的。
如果你正在思考:
-
自己的企业哪些环节可以用AI?
-
同行都是怎么做的?
-
投入产出比大概是多少?
欢迎私信我们获取免费的AI落地可行性分析。