写在前面：建筑行业是少数几个在过去三十年中生产力增长几乎停滞的行业之一。2024年美国建筑业总产出约25202亿美元，占GDP约4.5%，雇佣超过830万工人，但长期面临生产力增长停滞、熟练劳动力短缺、安全风险和协调低效等结构性问题。人工智能被寄予厚望，但它的研究现状远不是“AI正在改变建筑业”这样一句口号所能概括。更准确地说，当前的研究呈现出一条清晰的断裂带：在设计阶段，生成式模型已经能够从海量设计数据中学习模式、自动生成形体与布局，但“建筑—结构”一体化设计仍然因为数据表示和设计目标的不匹配而进展有限；在施工阶段，计算机视觉在安全监测和进度跟踪上积累了最多实证，但数据集泛化性、指标标准化和真实场景验证仍然是未解决的缺口；在运维阶段，数字孪生和LLM正在被引入，但碎片化、任务特定化和缺乏整体集成框架的问题普遍存在。与此同时，一项网络元分析识别出了49个AI在建筑项目中的关键风险因子，涵盖数据、技术、知识、管理、财务和法律六个维度，且这些风险在理论研究中被大量讨论，却在决策模型和框架中严重缺位。本文严格基于2025—2026年发表的英文期刊与综述文献，把AI在建筑行业的研究现状拆成设计生成、施工自动化、视觉监测、LLM应用、数字孪生、风险与治理、评估缺口七个层面，配以公式、表格和Mermaid图，力求把“哪些问题已经被推进、哪些问题仍然卡在结构性瓶颈上”讲清楚。

1 建筑行业AI研究的整体图景：一条被生产力危机驱动的技术曲线

1.1 为什么建筑业对AI的期待格外迫切

建筑业的数字化程度长期低于制造业和交通业。一项覆盖过去十年AI研究的系统综述指出，建筑业持续面临项目延误、成本超支、安全风险、低生产力和劳动力短缺等挑战，而有限的数字集成进一步放大了这些问题。核心AI技术——机器学习、深度学习、计算机视觉、专家系统、机器人、优化和数字孪生——被逐步引入，以支持数据驱动的决策、运营效率提升和安全改善。

这个“被危机驱动”的背景很重要，因为它决定了AI在建筑业中的研究偏向：大量研究集中在“可量化、可验证、与成本和进度直接相关”的任务上，例如成本估算、风险分析、安全管理和调度优化，而拆除和入住后阶段的AI应用相对有限。另一项覆盖2013—2023年文献的PRISMA综述也确认，规划和施工阶段拥有最广泛、最成熟的应用，而拆除和运营后阶段的采用仍然有限。

1.2 技术生态的核心结构：AI是“连接层”，不是“孤立模块”

一项2026年发表的建设生产力与数字技术综述，对过去十年16种期刊的346篇文献做了文献计量和系统综述。它的一个关键发现是：AI和优化处于一个连贯生态系统的中心，这个生态系统包括BIM、数字孪生、传感器和机器人。换句话说，AI在建筑业中的研究价值，不主要体现在“某个模型比传统方法高几个百分点”，而在于它把原本孤立的技术——设计模型、现场传感、机器人执行、运维数据——连接成了一个可以闭环优化的系统。

图1把建筑行业AI研究的技术生态画成一张分层图，标出设计、施工、运维三个阶段各自的核心技术簇，以及BIM/数字孪生作为贯穿层的作用。

图1 建筑行业AI研究的技术生态：设计、施工、运维与BIM/数据贯穿层

2 设计生成：生成式AI如何从“画图”走向“生成方案”

2.1 从CAD到生成式AI：设计范式的转移

传统计算机辅助设计（CAD）和参数化工具的核心逻辑是设计师显式定义几何规则，工具负责执行和渲染。生成式AI改变了这个逻辑：模型从大量现有设计数据中自主学习底层的设计模式和特征，从而自动生成满足特定要求的新方案。一项2026年发表在 Journal of Intelligent Construction 上的综述把这个转移描述为“建筑与结构设计领域的范式转变”，并明确指出生成式AI“不是参数化建模的替代品，而是一个强大的增强层，促进无缝的人机协作，降低脚本门槛并提高设计优化效率”。

这个定位很重要，因为它纠正了一个常见的误读：生成式AI在设计中的价值不是“取代设计师”，而是“扩大设计师可以探索的方案空间” 。参数化建模要求设计师把设计意图翻译成几何规则和脚本；生成式模型允许设计师用示例、约束和目标来表达意图，模型负责在数据分布中寻找符合这些意图的方案。

2.2 建筑形体与布局生成：GAN、VAE与扩散模型的分工

在建筑设计领域，GAN和VAE已经被广泛应用于生成创新形体和空间布局，而扩散模型和三维生成模型正在被整合进设计工作流。一项2026年关于深度生成模型增强计算城市与建筑设计的章节指出，GAN和扩散模型在设计自动化和上下文适应性方面展现出显著潜力。另一项面向三维模型生成的综述则把当前研究概括为：利用GAN、扩散模型、Transformer和LLM从体量到立面再到平面图生成整栋建筑，并与Rhino/Grasshopper、Revit、Blender等平台集成。

这三类模型的分工可以用它们各自的数学结构来解释。GAN通过生成器和判别器的对抗训练来逼近数据分布，生成速度快，但训练稳定性差、模式坍塌风险高。VAE通过编码器—解码器结构和潜在空间正则化来学习数据的低维表示，生成结果平滑但可能模糊。扩散模型学习一个从噪声到数据的去噪过程，生成质量高、可控性强，但推理步数多、计算开销大。

以扩散模型为例，其训练目标可以写成：

$${\mathcal{L}}_{\text{simple}}={\mathbb{E}}_{x_0,ϵ,t}{\Vert ϵ-{ϵ}_{\theta }\left(\sqrt{{\bar{\alpha }}_t}{x}_0+\sqrt{1-{\bar{\alpha }}_t}ϵ,t\right)\Vert }^2$$

其中 $x_0$ 是真实设计样本（平面图、立面图或三维体量），$ϵ$ 是注入的噪声，${ϵ}_{\theta }$ 是去噪网络，$t$ 是扩散时间步。这个目标函数训练模型“从被噪声污染的设计中恢复原始设计”的能力，生成时从纯噪声出发逐步去噪，条件（如场地边界、功能要求、风格参考）通过交叉注意力或分类器引导注入。

2.3 立面设计：GAN仍是主导，但可持续性和人本评估正在成为新焦点

建筑立面是生成式AI研究中一个相对集中的子领域。一项2026年发表的对建筑立面设计中生成式AI的综述，系统考察了模型、应用、评估策略和应用领域。它的核心发现是：GAN仍然是AI相关立面研究中采用最广泛的模型，图像类数据是最常见的数据类型；同时，可持续性导向的研究和人本评估正在成为新的关注点。

这个发现揭示了一个重要的研究结构：立面设计之所以成为生成式AI的“甜点区”，是因为它的输入（参考图像、风格标签、场地条件）和输出（立面图案、开窗布局、材料分布）都可以被相对自然地映射到图像生成模型的表示空间里。但同一项综述也指出，该领域需要“推进面向性能的生成式AI应用”，这意味着当前的研究仍然偏重“形式生成”，而在“形式—性能”闭环（如能耗、采光、结构可行性）上还有很大的空白。

2.4 结构设计：从构件尺寸到布局的智能化

结构设计领域的生成式AI应用，正在从“构件尺寸优化”扩展到“结构布局生成”。前述 Journal of Intelligent Construction 综述指出，GAN、VAE和扩散模型正在逐步实现结构构件布局和尺寸的智能设计。

但结构设计与建筑设计有一个关键差异：结构方案必须满足严格的力学约束。一个在视觉上合理但在力学上不可行的结构布局，没有任何工程价值。这意味着结构设计中的生成式模型不能只学习“数据分布”，还必须把平衡方程、强度准则、刚度要求等物理约束编码进训练或采样过程。这正是当前研究的一个活跃方向：物理引导的生成模型、把有限元分析作为评估器的生成—验证循环、以及用代理模型替代昂贵仿真的快速评估。

2.5 拓扑优化与多智能体强化学习：结构优化的另一条路径

与生成式模型并行的是拓扑优化与强化学习路线。2026年IEEE的一篇会议论文提出了一个基于多智能体强化学习（MARL） 的建筑结构优化框架：用图神经网络（GNN）编码建筑的复杂几何结构，用Transformer模块管理约束；材料、尺寸和形状等设计变量分别由专门的Agent通过Actor-Critic机制逐步改进，Agent之间通过基于注意力的交换实现协同，以避免传统方法常见的局部最优；训练系统使用混合奖励、蒙特卡洛估计和对比正则化。

这个方法与生成式模型的区别在于：它不试图“学习设计数据的分布”，而是把设计过程建模为一个多目标决策过程，每个Agent负责一个设计维度，通过奖励信号引导搜索。论文报告的结果是，在不同的建筑标准上评估，优化过程的性能和Pareto最优性相比标准基线有显著改善。这个路线的工程含义是：当设计目标可以被明确地写成奖励函数（而不是只能通过数据示例来隐含表达）时，强化学习提供了一种比纯生成更可控的优化路径。

表1 建筑设计生成的代表性技术路线对比

技术路线	代表方法	优势	结构性局限	典型输出
对抗生成	GAN	生成速度快、纹理细节丰富	训练不稳定、模式坍塌	立面、平面、风格图像
潜在空间生成	VAE	潜在空间可插值、结构平滑	生成结果偏模糊	布局、形体
去噪扩散	Diffusion Models	质量高、条件控制灵活	推理步数多、计算开销大	平面、三维体量
多智能体优化	MARL + GNN + Transformer	多目标可显式建模、可避免局部最优	奖励设计复杂、训练成本高	构件尺寸、布局
数据驱动代理	代理模型 + 优化	评估快、可嵌入设计循环	代理精度依赖训练数据	结构性能预测

3 建筑—结构一体化：生成式AI尚未跨越的“数据表示鸿沟”

3.1 为什么“一体化设计”是建筑AI的深层难题

建筑设计追求空间、形式、功能和体验；结构设计追求安全、经济、可施工。两者的目标函数不同，数据表示也不同：建筑用平面图、立面图、三维体量、材料语义来描述；结构用构件截面、节点连接、荷载路径、有限元网格来描述。生成式AI擅长在单一表示内学习模式，但当它需要同时满足两种异质表示下的目标时，就会遇到根本性的困难。

Journal of Intelligent Construction 综述明确指出：生成式AI存在一个根本性障碍，即数据表示和设计目标之间的不匹配；因此，建筑—结构一体化设计的研究仍然有限，多学科协作AI是未来一个有前景的研究方向。这句话的工程含义是：当前的大多数工作要么在建筑表示空间里做生成（输出好看的形体但结构不可行），要么在结构表示空间里做优化（输出力学上可行但建筑上不成立的构件布局），真正把两者放在同一个生成过程中联合考虑的工作仍然很少。

3.2 多学科协作AI的三种可能路径

从现有文献中可以识别出三条通向一体化的路径。第一条是共享潜在空间：训练一个模型把建筑表示和结构表示映射到同一个潜在空间，在这个空间里做联合生成或联合优化。第二条是生成—验证循环：生成式模型负责提出建筑方案，结构分析模型负责评估可行性，评估结果反馈给生成模型做迭代修正。第三条是多Agent协作：建筑Agent和结构Agent各自在目标空间里优化，通过协商机制（如Pareto前沿上的交互）寻找双方都能接受的方案。

这三条路径都还没有成熟到可以进入生产流程的程度，但它们代表了当前研究的前沿方向。一项关于空间结构与节点设计的AI综述，把“数据驱动AI在建筑结构优化设计中的应用”作为一个独立的研究簇来梳理，也间接印证了结构侧正在积累足够的数据和方法基础，但建筑—结构之间的接口仍然是开放的。

4 施工自动化与机器人：“感知—思考—行动”框架下的AI角色

4.1 施工机器人研究的生命周期视角

施工机器人是建筑业AI研究中工程化程度最高的方向之一。一项2025年发表在 ASCE Open 上的系统综述，对2016—2025年的315篇同行评议文献做了生命周期视角的分析，提出了一个六阶段分类法：规划与设计、预制、施工、监测与控制、运营与维护、拆除与回收。它的定性综合识别了每个阶段的动机、使能技术、代表性应用和研究缺口，并提出了五个未来方向：数字孪生驱动的生命周期集成、人—机器人协同演化、以人为中心的机器人设计与部署、生成式AI驱动的机器人，以及新兴机器人类型。

这个综述的一个关键贡献是把“碎片化”确认为施工机器人研究的结构性问题：现有研究往往局限于孤立系统、特定技术或单个项目阶段，导致知识体“多样但不连贯”。这意味着，即使某个机器人系统在某个任务上表现很好，它的方法、数据和经验也很难被迁移到另一个阶段或另一个项目。

4.2 “感知—思考—行动”：AI在施工机器人中的三层功能

另一项2025年发表在 Buildings 上的综述，用感知—思考—行动（Sense–Think–Act, STA） 框架来组织AI在現場施工机器人中的角色。这个框架的价值在于它把“AI”从一个模糊的标签拆成了三个可分析的功能层。

感知层负责从传感器数据中提取现场状态：视觉识别构件和人员、激光雷达构建三维环境、惯性测量单元估计姿态、力/扭矩传感器感知接触状态。思考层负责规划与决策：任务分解、路径规划、运动控制、异常处理、多机器人协同。行动层负责执行：机械臂运动、末端执行器操作、移动平台导航。

STA框架的工程含义是：施工机器人的AI瓶颈往往不在“行动”，而在“感知”和“思考” 。一个机械臂的硬件精度可以做到毫米级，但如果它无法在杂乱的施工现场可靠地识别“哪个是待安装的构件、哪个是障碍物、哪个是人”，它的精度就没有意义。综述明确指出，该领域需要“平衡的机器人系统设计、数据集标准化、领域特定知识的整合，以及增强的鲁棒性”。

图2用STA框架把施工机器人的AI功能画成一条纵向链路，标出每一层的典型技术和当前的瓶颈。

图2 施工机器人的“感知—思考—行动”框架与各层瓶颈

4.3 机器人装配与预制：AI在“非现场”环节的成熟度更高

与現場施工相比，预制和机器人装配是AI+机器人更容易落地的环节。原因很直接：工厂环境可控，构件标准化程度高，任务重复性强，安全约束比現場宽松。一项2026年发表在 Automation in Construction 上的系统综述，综合了134篇同行评议研究，评估了钢结构建筑构件预制中机器人和AI的研究现状，并提出了未来路线图。另一项关于施工机器人装配的综述则用“人、机、环境（4M1E）”框架来组织文献，指出需要把AI集成到机器人装配中，并扩大现场评估。

这个“工厂比現場成熟”的格局，与制造业中AI的应用路径是一致的：结构化环境先于非结构化环境。建筑业AI的一个合理预期是，预制和模块化建造会先于現場施工实现较高程度的自动化，而現場施工的自动化会以“人机协作”而不是“完全无人”的形态逐步推进。

5 计算机视觉与现场监测：实证最丰富、缺口也最具体的领域

5.1 安全监测是计算机视觉在施工中最大的应用域

计算机视觉是建筑业AI中实证积累最丰富的方向。一项2026年的系统综述对2010—2024年的159篇期刊论文做了PRISMA分析，发现安全相关研究占38.36%，是最大的应用域，其次是生产力和进度监测。这个分布反映了一个现实：安全是建筑业最刚性、最容易被量化的需求，而视觉数据（摄像头、无人机、手机）的获取成本在持续下降。

这项综述把实施步骤拆成数据收集、预处理和模型训练三个阶段，并把当前挑战归纳为数据集泛化性、指标标准化和真实场景验证的缺口，建议开发混合模型、大规模施工专用数据集和集成多功能平台。另一项覆盖136篇文献的视觉数据综述则指出，图像和视频数据被用于增强工人安全、监测施工进度和改进项目管理。

5.2 数据集泛化性：为什么“在一个工地训练、在另一个工地失效”

计算机视觉模型在施工场景中的核心脆弱性是分布偏移。一个在某个工地、某种光照、某种设备外观、某种工人着装下训练的检测模型，换一个工地就可能性能骤降。原因不是模型不够深，而是训练数据的覆盖范围没有包含目标环境的变异：不同的天气、不同的遮挡模式、不同的设备型号、不同的作业流程。

一项关于自动化施工监测的综述明确指出，数据集规模、多样性和真实性对模型鲁棒性至关重要，而现有基准在泛化性上存在明显缺口。这个缺口的工程后果是：实验室里的mAP分数不能直接转化为现场的可用性。一个负责任的部署流程必须包含目标工地的本地验证集和持续的误检分析，而不是把公开基准上的最优模型直接搬过去。

5.3 指标标准化：mAP之外，施工场景需要什么

计算机视觉社区的标准指标（mAP、IoU、FPS）在施工场景中并不总是足够的。一个安全帽检测模型即使mAP很高，如果它在小目标（远处工人）上召回率低，仍然会漏掉关键的安全违规。一个进度监测模型即使分类准确率很高，如果它对“部分完成”状态的判断与项目经理的定义不一致，它的输出就无法用于进度款结算。

综述把“指标标准化”列为缺口之一。这意味着施工AI的评估需要从“模型中心”转向“任务中心”：不仅要报告通用指标，还要报告与具体决策相关的指标（如安全违规的漏报率、进度偏差的估计误差、设备闲置时间的识别精度）。

表2 计算机视觉在施工监测中的主要应用域与关键缺口

应用域	典型任务	常用模型	关键缺口
安全监测	安全帽/安全带检测、危险区域入侵	YOLO系、Faster R-CNN、Mask R-CNN	小目标召回、遮挡、光照变化
进度监测	构件安装状态识别、工程量估计	CNN分类/分割、时序模型	“部分完成”状态定义、与BIM对齐
设备跟踪	设备定位、利用率分析	多目标跟踪、ReID	密集遮挡、跨摄像头身份保持
结构健康	裂缝检测、变形监测	语义分割、光流	亚毫米级精度、长期漂移

6 大语言模型进入建筑：从文档理解到“对话式自动化”

6.1 LLM为什么在建筑业内被快速采用

大语言模型（LLM）在建筑业中的研究在2020—2025年间快速增长。一项2026年发表在 Engineering, Construction and Architectural Management 上的系统综述，遵循PRISMA指南，结合文献计量和内容分析，考察了LLM在建筑领域的实施策略、应用和挑战。它的核心发现是：LLM已被越来越多地应用于多样化的施工任务；大多数研究使用预训练模型，通过微调、检索增强生成（RAG）或提示工程来适配；LLM展现出强大的推理和语义理解能力，但在领域适配、幻觉控制、数据隐私和生命周期集成方面仍然存在挑战。

LLM在建筑业内被快速采用的原因，不是它能“设计建筑”，而是建筑业是一个文档密集、规范密集、沟通密集的行业。合同、规范、图纸说明、进度报告、安全交底、变更指令——这些文本的量级和复杂度，恰好落在LLM的语义理解能力范围内。

6.2 三条实施路径：微调、RAG与提示工程

综述识别出三条主要的LLM实施路径。微调是在领域数据上继续训练预训练模型，让模型的参数适应建筑术语和任务模式；代价是需要标注数据，且可能过拟合到特定项目。RAG是在生成时检索外部知识库（规范、合同、历史项目文档），把检索到的片段注入上下文，从而在不改变模型参数的情况下引入领域知识；优势是知识可更新、可追溯，劣势是检索质量决定生成质量。提示工程是通过精心设计的提示词来引导模型行为，成本最低，但对复杂任务的稳定性有限。

这三条路径的工程选择取决于任务的性质。对于“从合同里抽取关键条款”这种信息抽取任务，RAG+提示通常足够；对于“根据规范判断某个施工方案是否合规”这种推理任务，可能需要微调来注入领域判断模式；对于“生成进度报告”这种生成任务，RAG可以保证报告引用的是最新数据。

6.3 LLM的“被忽视的前沿”：文档原生自动化

一项2026年的工作提出了一个值得注意的观点：AI在建筑业中有一个“被忽视的前沿”——对话式、文档原生的行政工作流自动化。该研究的结论是，轻量级的、对话式的、文档原生的AI可以显著减少重复性认知工作，同时保留人类监督；研究议程应强调可靠性、多模态文档理解、Agentic工作流编排，以及量化投资回报的评估框架。

这个判断的工程含义是：建筑业的AI价值可能不是首先体现在“机器人盖楼”上，而是体现在把项目经理、工程师和合规人员从大量重复性的文档处理中解放出来。这部分工作的技术门槛低于现场机器人，但组织阻力也小，投资回报更容易量化。

7 数字孪生：从“可视化模型”到“可决策的状态表示”

7.1 数字孪生在建筑生命周期中的角色

数字孪生（DT）正在被AEC行业越来越多地采用，以支持建筑全生命周期的数据驱动建模、监测和决策。一项2026年发表在 Buildings 上的文献计量综述，分析了2015—2025年的316篇文献，通过关键词共现分析识别出五个新兴研究领域，并讨论了AI在DT中的当前实现和局限。

另一项2025年发表在 International Journal of Sustainable Building Technology and Urban Development 上的综述，分析了117篇2024—2025年的论文，其中26%涉及数字孪生、31%涉及AI、43%涉及机器学习，全部聚焦建筑应用。它的文献计量结果显示，57%的作者来自亚洲、23%来自欧洲，最相关的期刊是 Energy and Buildings。

7.2 AI在数字孪生中的“碎片化”问题

上述 Buildings 综述的一个关键判断是：尽管AI在DT中的应用增长迅速，但现有研究仍然碎片化、任务特定化，且很少被整合进整体性的DT框架。这个判断与施工机器人领域的“碎片化”诊断是同构的：AI模型被用来做某个具体任务（能耗预测、设备故障诊断、 occupancy检测），但这些模型之间缺乏共享的状态表示和数据接口，无法形成一个统一的“建筑状态”视图。

数字孪生的理想形态是一个持续更新的、多尺度的建筑状态表示：几何、材料、设备、环境、人员、能耗、结构响应都在同一个语义框架下被建模，AI模型在这个状态上做推理和预测。但现实中的DT往往是“多个孤立的仪表盘”，每个仪表盘对应一个子系统，彼此之间没有因果耦合。

7.3 数字孪生+强化学习：一个值得关注的融合方向

一项2026年的工作探索了混合数字孪生与强化学习在模块化集成建造中的时空可追溯性与协调。它的核心思路是：DT提供物理资产和过程的状态表示，RL在这个状态上学习协调决策策略，两者的互补性可以实现数据驱动的可追溯性和协调决策。

这个融合方向的意义在于：DT解决“知道现在是什么状态”，RL解决“应该做什么动作” 。单独一个DT只能观测，单独一个RL只能在一个固定的模拟环境里学习；两者结合，才有可能让建筑运维从“被动响应”走向“主动优化”。

8 风险、治理与评估：AI在建筑业落地的“隐性约束”

8.1 49个关键风险因子：一个被理论讨论、被实践忽视的清单

一项2025年发表在 International Journal of Construction Management 上的系统综述与网络元分析，识别出了AI在建筑项目中的49个关键风险因子，涵盖数据、技术、知识、管理、财务和法律六个维度。它进一步发现，这些风险因子在理论研究中被大量讨论，但在决策模型和框架中严重缺位；现有研究未能利用社会技术视角来联合优化AI部署的风险管理。

这个发现的工程含义是：建筑业的AI风险不是一个“模型准不准”的技术问题，而是一个“数据—组织—法律”的系统问题。数据风险包括数据质量、数据偏差、数据所有权；技术风险包括模型可解释性、集成复杂度、技术过时；知识风险包括领域知识缺失、员工技能不足；管理风险包括变革阻力、责任归属不清；财务风险包括投资回报不确定、实施成本超支；法律风险包括责任认定、隐私合规、知识产权。

8.2 能源效率视角：AI的“证据边界”

一项2026年发表的系统综述专门考察了AI在建筑施工及相邻生命周期语境中的能效应用。它采用PRISMA-informed的综述方法，覆盖2019—2025年，使用Scopus、Web of Science和Google Scholar，并单独审计了IEEE Xplore和ASCE。该综述的一个方法是把施工阶段的证据与生命周期语境的证据分开统计，并区分实证、综述和概念性出版物。

这个方法论选择本身就是一个重要的信号：AI在建筑能效中的证据基础并不均衡。大量论文是概念性的或综述性的，真正在真实建筑中做了严格实证的研究相对有限。这意味着，当业界在讨论“AI能降低多少能耗”时，需要区分“模型在历史数据上能预测多准”和“部署后实际节省了多少能耗”——这两者之间的差距，需要实测和因果推断来填补。

8.3 数据互操作：建筑AI的“沉默瓶颈”

多个综述都把数据标准化和互操作性列为建筑AI的核心挑战。建设生产力综述指出，挑战包括数据标准化、集成和劳动力适应。十年AI综述指出，持续的挑战包括碎片化数据、有限互操作性、高实施成本、劳动力技能缺口以及伦理和监管关切。LLM综述指出，建筑数据往往碎片化、语义异构、跨生命周期阶段集成不佳，这给传统AI模型的泛化、上下文理解和任务迁移带来了显著挑战。

这个瓶颈的工程本质是：建筑项目的数据是在不同阶段、由不同参与方、用不同软件生成的，设计院的BIM模型、施工方的进度系统、监理方的质量记录、运维方的设备台账，彼此之间没有统一的语义和数据格式。AI模型可以在单个数据集上表现很好，但当它需要跨阶段、跨参与方做推理时，数据的碎片化就会成为比模型能力更硬的约束。

表3 建筑AI的主要风险维度与代表性缺口

风险维度	典型因子	研究现状	落地缺口
数据	质量、偏差、所有权、碎片化	理论讨论多	跨阶段互操作框架缺失
技术	可解释性、集成复杂度、技术过时	模型层面研究多	系统集成方法论不足
知识	领域知识缺失、技能不足	培训类研究有限	组织学习路径不清
管理	变革阻力、责任归属	定性讨论为主	决策模型缺位
财务	ROI不确定、成本超支	案例研究少	量化评估框架不足
法律	责任认定、隐私、知识产权	规范讨论多	可执行治理机制少

9 评估的缺口：为什么“SOTA”不等于“可部署”

9.1 数据集、指标与真实场景验证的三重缺口

如果把第5—7节的缺口归纳成一条主线，最核心的一条是：建筑AI的评估体系没有跟上部署需求。计算机视觉综述明确指出，数据集泛化性、指标标准化和真实场景验证是三个关键缺口。数字孪生综述指出，AI在DT中的应用碎片化、任务特定化、缺乏整体框架。施工机器人综述指出，需要数据集标准化和领域知识整合。

这三个缺口共同指向一个结论：建筑AI的“实验室性能”和“现场性能”之间存在系统性的落差。公开基准上的SOTA模型，在现场可能因为光照、遮挡、设备差异、数据分布偏移而失效；实验室里的数字孪生，在现场可能因为传感器缺失、数据延迟、模型漂移而失去决策价值。

9.2 从“模型评估”到“系统评估”：需要什么

要弥合这个落差，评估需要从“模型中心”转向“系统中心”。这意味着至少要增加三类评估。第一类是现场验证：在目标工地、目标设备、目标流程上做前瞻性测试，而不是在历史数据上做回测。第二类是人在回路评估：AI的输出如何被人类使用者理解、信任和修正，以及这种交互如何影响最终决策质量。第三类是生命周期评估：AI系统在部署后的维护成本、模型退化速度、更新频率和数据治理负担。

这些评估维度在现有文献中已经有零散的讨论，但还没有形成标准化的框架。一项关于AI在建筑项目管理中的系统综述（覆盖成本、时间和安全管理）把“AI在项目管理中的应用”作为一个整体来评估，并指出需要更系统的证据合成。这说明领域已经意识到评估问题的重要性，但方法论的收敛还需要时间。

10 结语：建筑行业AI研究的现状，是“点状突破”与“系统性瓶颈”并存

回到最初的问题：人工智能在建筑行业中的研究现状是什么？最诚实的回答是：在某些点上，AI已经展示出明确的价值；在系统层面上，它仍然被数据碎片化、评估缺口和风险治理的缺失所制约。

在设计端，GAN、VAE和扩散模型已经能够从设计数据中学习模式并生成形体与布局，立面设计是相对成熟的子领域，但建筑—结构一体化设计仍然因为数据表示和目标函数的不匹配而进展有限。在施工端，计算机视觉在安全监测和进度跟踪上积累了最多的实证，施工机器人在预制和工厂环境中比現場更成熟，“感知—思考—行动”框架揭示了瓶颈往往在感知和思考而不是行动。在运维端，数字孪生和LLM正在被引入，但碎片化和任务特定化的问题普遍存在。在治理端，49个关键风险因子已经被识别，但它们在决策框架中的整合仍然不足。

建筑业的AI研究不缺算法，也不缺论文。它缺的是把算法嵌入到一个数据可互操作、评估可验证、风险可治理的系统中的工程能力。这也意味着，未来几年真正有价值的进展，可能不是“一个更强的生成模型”，而是让设计、施工和运维的数据在同一个语义框架下流动，让AI的输出在真实的项目约束下被验证，让风险在部署之前就被识别和分配。理解了这一点，也就理解了为什么建筑行业AI的研究现状，必须被理解成一个“点状突破与系统性瓶颈并存”的格局，而不是一条平滑上升的技术曲线。

参考资料

[1] Wang Y, Liao W. Generative AI-driven architectural and structural engineering designs: A review. Journal of Intelligent Construction, 2026, 4(3): 1–21. 生成式AI在建筑与结构设计中的范式转移；GAN/VAE/扩散模型/多模态大模型的应用；建筑—结构一体化设计因数据表示与设计目标不匹配而进展有限.

[2] Wang Z, Barak R, Sacks R, et al. Construction productivity and digital technologies. Automation in Construction, 2026, 183: 106768. 346篇文献的文献计量与系统综述；AI和优化处于BIM、数字孪生、传感器与机器人生态系统的中心；挑战包括数据标准化、集成和劳动力适应.

[3] Ren Z-H, Kim J I. The Role of AI in On-Site Construction Robotics: A State-of-the-Art Review Using the Sense–Think–Act Framework. Buildings, 2025. 用感知—思考—行动框架综述AI驱动的自主施工机器人；强调数据集标准化、领域知识整合和鲁棒性.

[4] Recent Advancements of Applied Robotics in Construction Project Management: A Life Cycle Perspective. ASCE Open: Multidisciplinary Journal of Civil Engineering, 2025, 3(1). 315篇2016—2025年文献；六阶段生命周期分类法；五个未来方向包括数字孪生集成、人—机器人协同演化、生成式AI驱动机器人.

[5] Kyriaki E, Giama E, Theodoridou I. Machine learning, artificial intelligence and digital twins: an up-to-date review analysis of the latest-era technologies in the urban building sector. International Journal of Sustainable Building Technology and Urban Development, 2025, Article 2544238. 117篇2024—2025年论文；26%数字孪生、31% AI、43%机器学习；57%作者来自亚洲.

[6] Wang Y, Schnabel M A, Zhang Y, et al. AI-Enabled Digital Twins in the Built Environment: A Bibliometric Review of Applications, Trends, and Future Directions. Buildings, 2026, 16(4): 809. 316篇2015—2025年文献；AI在DT中的应用碎片化、任务特定化、缺乏整体框架.

[7] Wang Y, Han Z, An Y, et al. Artificial intelligence for design of spatial structures and joints: A state-of-the-art review. Journal of Building Engineering, 2026: 115266. 空间结构与节点设计中AI的最新进展；数据驱动AI在建筑结构优化设计中的应用.

[8] Building Structure Optimization: A Framework Based on Multi-Agent Reinforcement Learning. IEEE, 2026. GNN编码几何结构、Transformer管理约束；材料/尺寸/形状Agent通过Actor-Critic协同；混合奖励与蒙特卡洛估计；Pareto最优性改善.

[9] Recent developments in monitoring construction sites by using digital images and object recognition methodologies. ScienceDirect, 2026. 159篇2010—2024年PRISMA综述；安全相关研究占38.36%，其次为生产力和进度监测.

[10] Automated construction monitoring based on computer vision: A comprehensive review. ScienceDirect, 2025. 设备、方法、数据集、指标、应用综述；缺口包括数据集泛化性、指标标准化、真实场景验证.

[11] Sholeh M N, Hatmoko J U D, Widoanindyawati V. A Decade of Artificial Intelligence in the Construction Industry: Trends, Applications, and Future Directions. Archives of Computational Methods in Engineering, 2026. 2015—2025年AI在建筑业的系统综述；应用覆盖设计支持、进度监测、风险与安全管理、质量控制、资源优化；挑战包括碎片化数据、互操作性、成本、技能和伦理监管.

[12] Large language models in smart construction: a systematic review of implementation strategies, applications and future directions. Engineering, Construction and Architectural Management, 2026. PRISMA综述2020—2025年文献；LLM通过微调/RAG/提示工程适配；挑战包括领域适配、幻觉控制、数据隐私和生命周期集成.

[13] Wuni I Y. A systematic review and network meta-analysis of the risks of artificial intelligence in construction projects. International Journal of Construction Management, 2025: 639–659. 49个关键风险因子，涵盖数据、技术、知识、管理、财务和法律六个维度；风险在理论研究中被大量讨论但在决策模型中缺位.

[14] An Extensive Examination of Uses of Machine Learning and Artificial Intelligence in The Construction Industry’s Project Life Cycle. ScienceDirect, 2025. PRISMA综述2013—2023年文献；规划和施工阶段应用最成熟；拆除和运营后阶段采用有限.