随着全球城市化进程的加速和气候变化影响的加剧，建筑环境正面临着前所未有的挑战。建筑物作为能源消耗和碳排放的主要来源，其设计、建造和运营方式的革新迫在眉睫。传统的建筑行业因其高度碎片化的工作流程、复杂多变的法规体系以及海量异构数据的管理困境，在应对这些挑战时显得力不从心。设计、工程和运营环节往往各自为政，形成信息孤岛，导致决策效率低下和资源浪费。正是在这样的背景下，大型语言模型（LLMs）这一人工智能技术的最新突破，为建筑行业的数字化转型带来了新的曙光。
LLMs是建立在Transformer架构上的机器学习模型，通过海量文本数据训练而成，具备理解、生成和交互人类语言的能力。与早期AI系统依赖结构化输入不同，LLMs能够处理非结构化数据，进行提示驱动的交互和复杂推理。这项技术虽然已在软件工程、医疗健康等领域展现出变革潜力，但在建筑、工程和建造（AEC）领域的应用探索仍处于起步阶段。发表于《BUILDING AND ENVIRONMENT》的这项研究，首次系统性地提出了LLMs在建筑应用中需要解决的十大关键问题，为这一新兴研究方向绘制了完整的路线图。
研究人员将十大问题归纳为五个主题领域：基础与生态系统、规划设计与合规、运营与数字孪生、教育与伦理、研究空白与展望。这种分类框架体现了从技术基础到实践应用，再到社会影响的全面思考。
在基础研究方面，文章追溯了从TF-IDF、词袋模型到词嵌入的技术演进，重点分析了Transformer架构如何通过自注意力机制革新自然语言处理。研究表明，LLMs如GPT-4拥有1750亿参数，远超早期预训练语言模型的规模，这种量变引发了质变，使得模型能够通过提示而非特定任务微调来适应多样化需求。
在技术应用层面，研究展示了LLMs在多个建筑生命周期阶段的具体价值。在规划设计阶段，语义文本相似性（STS）技术可用于将BIM元素与环境影响数据库匹配，实现生命周期评估（LCA）的半自动化。检索增强生成（RAG）框架能够从数字许可文件中提取信息创建材料护照（MP）。生成式AI如GPT-4，可检索异构数据源中的材料信息进行全生命周期评估，还能通过Text-to-X技术自动生成建筑信息模型（BIM）和建筑能源模型（BEM）。
在建筑运营方面，LLMs扮演着人机交互界面的关键角色。研究表明，LLMs能够优化暖通空调（HVAC）系统，在提高 occupants舒适度的同时显著降低能耗。通过分析室内环境质量反馈，LLMs可达到93%的领域预测准确率。结合视觉处理技术，LLMs还能识别建筑使用类型，准确率高达90%，为后期使用评估提供数据支持。
法规合规检查是建筑行业长期存在的痛点。研究指出，LLMs有望实现自动法规合规（ACC）检查，通过将自然语言建筑规范转化为机器可解释格式，提取BIM信息，执行规则检查并生成合规报告。多个案例显示，基于BERT和GPT-4的方法在条款分类和信息提取任务中表现出色，其中一些方法甚至达到了96.6%的F1分数。
数字孪生（DT）是智能建筑的核心技术，而LLMs为创建智能数字孪生（IDT）提供了新思路。研究提出了LLM智能体驱动的IDT概念框架，其中LLM智能体可自主执行数据收集、虚拟模型构建、仿真预测等任务。多智能体系统（MAS）的引入进一步提高了系统可靠性，如在冷水流量建模中实现了2.27%的平均绝对百分比误差（MAPE）。
本研究采用了多种关键技术方法：首先，通过系统文献综述和文献计量分析，识别了LLMs在建筑领域的研究现状和空白；其次，构建了多智能体框架，验证了LLMs在BIM生成、能源模型创建等任务中的可行性；第三，应用检索增强生成（RAG）技术，将外部知识库与LLMs结合，提高专业领域问答的准确性；第四，利用语义文本相似性（STS）方法，实现了建筑元素与环境影响数据的自动匹配；最后，通过案例研究评估了LLMs在实际建筑项目中的性能表现。
2.1. LLMs的基础概念与建筑行业需求
研究表明，LLMs不同于传统AI工具，它们通过自然语言界面弥合了人类专业知识与机器智能之间的差距，能够整合异构数据源，支持跨任务泛化而无需大量重新编程。这对于同时需要优化能源效率、成本削减、峰值负荷管理、occupant舒适度、气候韧性和电网灵活性的现代建筑尤为重要。
2.2. 可持续智能建筑规划中的LLMs应用
LLMs通过多种技术路线支持可持续建筑发展。语义文本相似性（STS）可用于匹配BIM与外部数据集，丰富建筑元素的属性信息。检索增强生成（RAG）结合了外部信息检索与生成模型，能从施工许可等文件中提取材料相关信息。生成式AI如GPT-4，可模拟人类活动优化用户舒适度和节能，还能支持公众参与城市规划过程。
2.3. 人本建筑运营中的LLMs角色
LLMs在建筑运营中的核心价值在于其理解细微差别和上下文的能力，使其成为建筑环境、使用者和专业人员之间的理想接口。研究表明，LLMs能够个性化舒适体验，通过对话界面提供定制建议和实时反馈，同时帮助从业人员分析后期使用反馈，了解建筑使用模式。
2.4. 法规合规自动化的LLMs潜力
自动法规合规检查是建筑行业长期存在的挑战。LLMs通过将自然语言建筑规范转化为机器可解释表示、提取BIM信息、丰富BIM语义、匹配规范概念与BIM元素、自动化规则执行等步骤，显著提高了合规检查的效率和准确性。
2.5. 全生命周期数字孪生的LLMs使能
智能数字孪生（IDT）通过集成AI能力，超越了传统数字孪生的镜像功能，具备目标导向、自适应和预见性特征。LLM智能体可在IDT环境中自主执行数据分析、行为仿真、性能预测和决策支持，与人类专家协同工作，提高系统透明度和可信度。
2.6. LLMs研究工具与数据集生态
研究总结了支持LLMs研究的工具、库和数据集，包括通用LLM框架（如LangChain）、模型集成与托管工具（如Hugging Face Transformers）、智能体工作流程库（如LangGraph）、微调与优化工具（如Hugging Face Trainer）以及数据与预处理工具（如Hugging Face Dataset）等六大类别。
2.7. 建筑教育领域的LLMs影响
LLMs对建筑教育的影响体现在两个教学支柱上：以学生为中心的教学法和"教育到就业到终身学习"连续体。研究表明，LLMs能够支持项目式学习（PBL）和探究式学习（IBL），通过将用户提示转化为结构化分析任务，提供设计备选方案，解释建筑规范，起草项目文档，从而加速迭代周期。
2.8. LLMs应用的伦理责任与应对
LLMs在建筑环境中的集成带来了深刻的伦理责任。研究表明，算法偏见和自动化输出的误用是最关键的挑战，70%的专业人士认为"误用或过度依赖自动化"是最大风险，63%关注数据和输出中的偏见。此外，LLMs的"黑箱"特性对专业责任和透明度构成挑战，50%的专业人士对此表示担忧。
2.9. 未探索的研究领域
通过文献计量分析，研究识别了LLMs在建筑领域应用的未探索研究方向。虽然LLMs在BIM和建筑设计中的探索较为活跃，但在绩效导向的建筑管理、能效评估、系统诊断和预测性维护等领域的应用仍然有限。HVAC操作、智能建筑控制和occupant行为建模等方面的研究也相对不足。
2.10. 未来展望与挑战
展望未来，LLM-based智能体有望转变建筑全生命周期工作流程，但仍需解决多模态信息整合、成本效益评估以及信任与隐私问题等多重挑战。研究指出，建筑领域目前缺乏足够易于获取的数据来训练新的基础模型，近期的进展可能局限于狭窄的特定应用。
研究结论部分强调，LLMs代表了建筑行业的转型机遇，但必须经过深思熟虑的采用。其巨大的计算和环境成本，以及数据质量、透明度和可靠性方面的关切，意味着LLMs并非适用于所有建筑相关应用。实现有意义的影响需要建筑科学、建筑与系统工程、数据科学和计算机科学的紧密结合，确保LLM能力基于物理约束、专业责任和可持续目标。
这项研究的重要意义在于为建筑行业的智能化转型提供了系统性框架，指出了LLMs在提升建筑全生命周期管理效率、促进可持续设计、改善人本环境方面的巨大潜力。同时，研究也清醒地认识到技术应用中的伦理挑战和实践障碍，为未来研究指明了方向。随着技术的不断成熟和跨学科合作的深入，LLMs有望成为推动建筑环境向更可持续、更智能、更人性化方向发展的关键赋能技术。
打赏
