深度拆解广联达AI增长策略：所有产品都值得用AI重做一遍

“这是巨大的变化，对商业模式会有深刻影响”。

2022年底，OpenAI掀起了新一代AI技术革命。生成式AI技术的突破带来了大量行业机遇。红衫资本在「AI崛起2024」分享会中提到，AI创造能力与推理能力的出现，意味着软件之间第一次可以像人类一样交互。

从创造、推理到交互，类人的特性是这波AI的典型特点。人类能使用工具，创造新工具，不断使其迭代；当下的AI也可以理解行业知识，通过调用一些成熟的工具，甚至是工具调用工具，形成一个全新流程，输出可用的业务成果。

AI带来的长期影响，将是一场成本驱动的生产力革命。尤其对于过去依靠大量行业经验运转的领域有着颠覆式影响。这种影响已经在金融、法律、营销等领域小范围显现。

建筑业也属于典型的经验驱动型行业。

透过AI打开这条“裂缝”，可以看到里面有一个全新的世界。在国内建筑领域中，广联达作为建筑业头部科技企业，拥有行业极具竞争力的平台工具与AI技术人才。从提出ALL IN AI战略后，它们做了大量探索性工作，包括近期发布了建筑行业AI大模型AecGPT，以及整套平台级方案。

大量资源投入与实践的背后，广联达也成为了当下最好讲建筑AI创新的企业。

深度拆解广联达AI增长策略：所有产品都值得用AI重做一遍 | 建筑时氪 建筑业的AI底色

“AI自问世以来，已经大幅地改变了社会，为什么它不能改变建筑行业呢？”这是广联达董事长、总裁袁正刚博士在发布建筑AI大模型时的一次灵魂反问。

要回答这个问题，先要理清AI与建筑业之间的关系。当下，每家建筑企业思考最多的事情莫过于如何走出当前困境。当少部分人还在幻想高速增长时，精细化管理已然是大量企业给到的新模式。而精细化管理依赖于数字化技术来收集和分析数据，数字化为AI提供了数据养料，AI通过分析数据，可以实现更高层次的精细化管理。

AI不是新鲜事物，从1956年达特茅斯会议上首次提出了“人工智能”术语后，距今已有近70年的历史。从20世纪八九十年代的符号推理、机器学习；到千禧年初重获关注的深度学习，再到如今热门的生成式AI，人工智能从最初的概念探索演变到现代技术的突破。

尤其在近十年，以卷积神经网络（CNN）为核心的计算机视觉技术，和以大模型为代表的自然语言方向，让AI跨入认知智能主导的时代，并加速改变传统产业的工作模式。

面向建筑业，广联达从2015年成立AI研究院，做机器学习；2018年研究深度学习，比如通过识别图像视频中的特定元素，应用于施工安全场景中；2020年成立了数据智能部；在2023年ChatGPT爆火之后，成立行业AI部，探索建筑业AI大模型落地的可能性。如今，百余人的AI创新院，成为其撬动公司AI化的先锋组织。

不过，AI想要落地并不容易，先从单点出发，小心验证。这与所属行业的数据类型、对关键技术问题的识别解决、AI工程化，以及客户买单决策的特点等因素息息相关。

建筑行业里的生成式AI和大众理解的并不太一样。广联达AI创新院负责人李江博士告诉建筑时氪，通用的大模型主要是用网络上的文本、图片和视频这些数据训练的，但这些数据对建筑行业来说用处不大。

那么，建筑行业用到的数据都是什么呢？首先是各种工程文档，比如施工组织设计、招投标文件、合同文件、物料单据和发票等。其次是图纸，有CAD图纸和PDF图纸等。再有就是AIOT数据，包括传感器的数据和图片、视频。最后是BIM模型、点云等三维数据。总之，建筑行业的数据类型特别多，也特别专业。

建筑行业需要做的是，结合具体的业务场景，把对应工程数据转换成适合大语言模型理解的数据类型，嵌入到业务流程中，才能开发出一些成功率高的创新产品，才能体现出AI的价值。

李江博士谈到，当下还需要解决一些关键性技术问题，比如建筑行业AI多源异构数据融合处理技术、混合专家模型训练与推理计算技术、行业大模型与三维图形引擎混合调用技术、建筑行业LLM工程化开发等，并将AI能力分层沉淀到平台上，这样才能大幅带动建筑企业传统研发人才进行AI应用的创新。

最终，在面向传统业务产品与研发人员时，可以构建一个大模型时代的AI开发平台。“现在，我们不仅在内部使用这个AI平台，后续也可以对外开放出来”，袁正刚告诉建筑时氪。

过去，广联达有上百款软件，每个软件的底层结构都不同，急需打破业务和数据的孤岛。这样也便于让AI可以获取更多类型、以及高质量的数据。于是，它们在2017年开始建立一个统一的业务平台，实现所有软件的互联互通，不仅在技术上整合，还涵盖从设计到施工、运维、交易等各个业务环节。这个平台一直在演化，不仅支持大型企业开发应用，还支持第三方软件企业进行创新。袁正刚提到，目前生态合作伙伴已经超过五百家，也有超五千家企业客户在应用。

值得一提的是，AI想要发挥作用，先要让它解析与理解数据。李江博士谈到，比如对图纸数据的理解需要依赖底层图形引擎的能力。这也回答了以Autodesk、广联达等为代表的软件类企业，与OpenAI、互联网大厂的区别——前者对底层图形理解的能力是优势之一。

回到大模型开发的路径上，目前主要有两类思潮。一种是融资驱动为主的，如OpenAI主张单一通用模型，认为任何领域的模型，大都会被他们取代。另一种是以解决客户问题为主，不会过分追求模型更大的参数量，而是选择基于开源模型，通过领域数据精调，构建合适参数量的行业大模型来落地行业应用。

广联达属于典型的后者，其基础能力建立在通用大模型的开源基础上，深度学习训练了10万份高质量的行业数据，覆盖建筑行业规划、设计、交易、成本、施工、运维及综合管理等7个领域20个细分专家知识域，建立了行业垂直大模型。

建筑行业AI平台方法论（来源：企业供图）

李江博士表示，选择MOE混合专家模型架构的主要优势在于，它可以为每个小型团队提供一个独立的界面，即使是在与数千人同时工作时，各个团队也能开发出与自己密切相关的专家模型。换句话说，MOE架构的最大优势是成本低和组织效率高。

深度拆解广联达AI增长策略：所有产品都值得用AI重做一遍 | 建筑时氪 AI工程化落地探索

麦肯锡对大量AI应用场景进行了研究，软件工程成为受变化最大的场景。换句话说，未来AI大模型将重构一切软件系统，所有的软件都需要基于AI大模型重新做一遍。包括手机上的APP、PC中的Windows、Office等，还有ERP、PLC、MES等企业级软件也会被重构。建筑软件亦然，只不过会相对比较慢而已。值得注意的是，变化正在发生。

对于TOB软件企业而言，其AI战略的重点并非直接做一个“包治百病”的行业通用大模型，核心还是要以产品为导向，围绕知识增强问答、自动化、分析增强、辅助生成等目标，通过引入AI能力，增加产品的差异性与所在企业的优势。这也是传统领域的特点——甲方企业深知自己的需求，TOB软件必须提供价值，他们才会买单。

那么，AI大模型到底给建筑行业能带来哪些变化，广联达又是如何一步一步探索的呢？

从小处着眼，AI新技术从出现到工程化应用，“吃螃蟹”的企业要先经过基础实验，用来验证效果。基础实验过程要回答三个问题：AI原生技术公司能不能做，行业AI应用公司能否做得更好，以及整个过程需要花费多大成本。

站在落地角度，广联达最先探索的是一级建造师考试机器人案例。

一级建造师作为建筑业的高阶考试门类，通过率不到10%，部分专业甚至不到5%，代表了从业人员对建筑行业的理解能力。李江博士表示，通用大模型不能通过该考试，当时GPT4.0有1.7万亿个参数，也无法通过四门考试，准确率在30%-50%，属于大学毕业生的水平。

随后，AI创新院投入十余人，花费近三个月时间，处理训练了数千份行业文件、两万多份行业图表，最终以亿级Tokens领域知识增强数据，320亿参数量的模型，以平均得分率97%的高分通过一级建造师考试。袁正刚表示，整个过程基本验证了AI大模型对建筑行业知识的理解能力，以及技术落地的可行性。

不过，一建考试更多属于企业内部验证技术可选的一种方式。究其根本，建筑业以工程项目为核心，客户真正愿意付费的考量点，还是要回归到软件产品和服务对项目成本、进度、质量、安全乃至低碳的价值。于是，在验证成功后，广联达开始切入产品线，进一步探索AI工程化。

目前通用的做法就三种，采用PE提示词工程、RAG检索增强，以及STF精调训练。李江博士表示，事实上，一旦工程化开始解决客户问题，比如进入精调阶段，成本就会陡然上升。不过，变化从点状开始，正在加速发生。

AI基建算量属于小场景闭环的应用产品，这也是广联达的核心产品之一。

以前，基建算量需要人工读图，理解图中的表格、图纸、平立剖面和其他参数，然后手动把这些信息输入软件，再进行对账和提量。对于10亿规模的项目，这个过程大约需要三个月。袁正刚表示，现在通过把AI的自动化能力融入这个流程，这个过程可以缩短到两周。

广联达在2024年4月底发布了这款产品。从技术角度看，它是通过计算机视觉（CV）和自然语言处理（NLP）技术解析图纸内容和参数；结合计算机图形学（CG）技术，将AI解析得到的构件参数导入图形平台的算量系统，直接进行参数化建模，建模后自动算量；然后，AI根据清单类别对大量工程量数据进行聚类，计算出清单项对应的工程总量。

这里需要考虑的是，识别准确率不可能达到100%，总会有错误发生。怎么解决这个问题？

李江博士告诉建筑时氪，AI算量并不是完全自动化的，整个过程更像是一条生产线，在必要时会暂停，以便人工干预。由于每个识别出的数字之间都有逻辑关系，他们会通过数值计算和交叉检验这些逻辑关系。如果发现明显的偏差或逻辑错误，系统会自动暂停。这时，系统会调出原始图纸，由人工进行复核并手动修正错误。

TOB领域的AI应用是非常严谨的，数据上容不得任何差错。不过相对于过去大量重复性的手动工作，AI在冗长的工作流中解决若干个小点，都对整体的工作提效是明显的，且随着AI能力在传统业务流程占比的提升，提效也将越来越明显。

除了基建算量，进度管理也开始做AI化探索。

进度管理本质属于多智能体协作的最优化问题，它涉及的不仅仅是个体，而是一个由多个智能体组成的场景，每个智能体都在寻求最优解。这个过程主要涉及天气、物资、物流、资金、人员问题和人际沟通等多个方面。想要用AI来理解这些经验，无疑是一项极其复杂的任务。

在过去，小工程逾期一天可能导致损失数十万，大的工程多达几百万。结合AI能力更有效地控制进度，包括预测未来可能的延期成为多方关注的重心。李江博士谈到，目前他们把场景锚定在主体结构的进度生成上。AI在其中的作用反映在AI斑马进度的产品优化中。

从输入端来看，一般包括施工组织设计和图纸两部分，他们经过AI解析后，导入广联达AI斑马进度产品中；从输出端来看，最终形成了一套WBS施工进度方案。AI在其中解决了信息获取效率的问题，比如识别解析一个数万字的施工组织设计方案，提取相应的信息，方便输入到成熟的软件中进行处理等。

当然，还有大量可探索的场景，比如AI评标、自动生成标书，以及AI概念设计等。李江博士谈到，生成式AI技术特别擅长处理知识密集型的白领工作，包括他们也曾开发了一种模型，能够更有效地解答客户关于专业软件操作的问题，这样就能将人力资源从日常问题解答中解放出来，转而专注于提升客户成功率。

总之，广联达建筑行业AI大模型AecGPT及行业AI平台的发布，背后是一项昂贵的投资。不过可以想象，当完成探索后，这种能力也会转化为传统研发与产品人员的“三板斧”，加速建筑业AI大模型生态的形成。

深度拆解广联达AI增长策略：所有产品都值得用AI重做一遍 | 建筑时氪

AecGPT能力分层（来源：企业供图）

深度拆解广联达AI增长策略：所有产品都值得用AI重做一遍 | 建筑时氪 做建筑AI的几点思考

过去20多年来，广联达积累了大量的行业知识、业务标准、核心技术与应用产品。有数据积累，有成熟产品，有应用场景，也有持续的人才投入，这都成为它们做建筑AI的底气。

一直以来，业内也在探讨，广联达在造价领域的成功有何启示。笔者在与一些行业人士探讨的过程中，也获得了一些市场化成功的要素。

从一次创业到二次创业，广联达是一个战略驱动型的公司，而不是一个机会驱动型的公司。20年前，在造价企业群雄逐鹿的时代，它最早意识到造价软件可以跨越区域的限制做到全国市场；其次，不选择在Autodesk平台上做开发，而是早早布局做自己的图形平台与生态；包括弱化代理公司的作用，注重建立自己的直营渠道等。

这样也就能理解广联达提出AI战略的原始动力，不断地通过战略循环来调整和优化自己的业务。最后回到广联达行业AI大模型探索实践，它也给予了业内一些思考。

第一，从应用价值的角度，有三个维度来考量：首先是增强客户体验，这不仅是服务性企业的生存所需，还能立即提高用户满意度；第二是提高内部员工的生产效率，这在许多案例中得到了广泛应用；第三，业务流程优化是企业客户目前关注的重点。

第二，企业不应该将生成式AI视为一把锤子，到处找钉子。有时候，小模型就足以解决问题，做深做透是关键。在思考时，企业应该选择适合的场景，将生成式AI与业务流程结合起来。对大模型持有合理的期望：既不应过高估计其短期效果，也不应低估其长期潜力。

第三，AI创新组织的设立。关键在于如何调动企业人才，让他们深入理解并应用AI。包括分阶段对高管、业务专家等进行培训，并培养各类传统IT人才。这一过程充满挑战，需要设定合理的节奏和预期，按照某种优先级和组织策略展开。

第四，企业做大模型应用的前置条件也逐渐清晰。比如评估自身的数字化水平，是否有明确的试点场景，是否设定了清晰的测试指标，以及是否有专业AI团队支持等。

第五，建筑领域细分市场众多，AI的空间巨大，但创新企业想要做出成绩，还是要分析清楚自己的优势，从具体的分项专业领域着手。

（完）

{{userData.name}}已认证

深度拆解广联达AI增长策略：所有产品都值得用AI重做一遍 | 建筑时氪

微软「AI伴侣」Copilot Vision，让你用嘴浏览网页，还能和你一起打游戏

美团外卖AIGC视觉创意的探索与实践