AI 时代如何从 BIM 模型中检索信息？

在建筑信息模型（BIM）的应用中，一个普遍存在的难题是：没有两个 BIM 模型会以完全相同的方式存储信息。这种异构性源于建模软件、各办公室的建模惯例甚至项目语言的不同。例如，一扇门的宽度可能被存储为“Width”、“NominalWidth”或“Breite (B)”，可能位于标准属性集或供应商特定属性集中；建筑的建筑面积可能是一个显式属性，也可能需要从几何图形中计算得出。实际使用中，查找信息的人往往不是创建模型的人，设施经理或工料测量师可能清楚自己需要什么，却不知道去哪里找。 直到几年前，用于信息提取的软件大多是确定性的，必须假设固定的数据结构，这使得开发能跨不同模型可靠工作的提取流程变得困难。大语言模型提供了不同的思路：AI 代理不再将问题转换为固定查询，而是在运行时探索每个模型——先发现该 BIM 模型的结构，再搜索答案，并根据上一步的结果调整后续步骤。这种方法被称为代理搜索（agentic search），AI 编程助手已使用类似技术在大型代码库中导航。 在近期发表于《Automation in Construction》的论文《Agentic search for BIM information extraction: Systematic evaluation》中，研究者将代理搜索与单次查询基线（模型只写一个查询，看到结果后无法纠正）进行了比较。在所有测试配置中，代理搜索均胜出，准确率高出 29.5 到 48.5 个百分点。为使结果可复现，团队发布了 ifc-bench 基准，包含来自 21 个项目的 37 个 IFC 模型上的 1000 多个问题，并将代码开源。 最新原型将这一方法转化为工具：用户加载 IFC 模型，用自然语言提问，即可获得答案，并在 3D 视图中高亮显示相关元素。目标是让 BIM 模型中的信息更易获取，而无需用户理解每个模型的结构。AI 永远无法保证完全正确，但我们可以让其答案透明且可审计。例如，AI 驱动的网络搜索引擎会提供来源以支持答案，让用户自行判断。对于建筑信息，这意味着解释答案是如何得出的，并将其链接到所依据的模型元素。在原型中，用户可以点击元素检查其属性，或打开代理采取的步骤，包括计算值背后的代码，从而自行决定是否依赖该答案。 数据质量同样重要。实验表明，BIM 模型质量是影响准确率的第二大因素，仅次于搜索方法本身。验证问题较多的模型往往产生较少的正确答案。信任也需要度量。研究者开发了一个针对 BIM 问答系统的评估框架，并使用 AI 评判员与人类专家进行对比验证。一个令人惊讶的发现是：平均而言，AI 评判员与每位人类专家的一致程度高于两位人类专家彼此之间的一致程度。这并不意味着 AI 本质上比人更可靠，但没有 AI 时，我们依赖的信息来自人，而人也不是完全可靠的。ifc-bench 中的参考答案由人编写，自发布以来，社区研究人员已发现错误并进行了修正。我们应致力于高度可靠的 AI 应用，同时，将其性能与现实的人类基线进行比较，比期望其完美更为公平。 BIM 与地理空间模型在几何和语义上以根本不同的方式描述建筑环境。IFC 将墙描述为体积组件，反映其建造方式；而典型的 CityGML 城市模型则通过界定建筑的表面来描述建筑，通常通过航空测量或激光扫描从外部捕获。正如 OGC 与 buildingSMART 关于 IFC、CityGML 和 LandInfra 的联合讨论文件所述，从 IFC 到 CityGML 的完全无损转换“实际上是不可能的”。该文件提出的替代方案——链接而非转换——更具前景：每个模型保留自己的模式，而链接连接描述同一事物的对象，特定用例可以访问其所需的表示。 建筑许可提供了一个实际例子。将地理参考的 BIM 模型放入 3D 城市模型进行查看今天已经可行，但根据分区规划检查拟建建筑的高度及其与邻近建筑的距离仍主要靠手工完成。OGC 参与的欧盟项目 CHEK 开发了工具来自动化这些检查。通过这种方式连接 BIM 和地理空间信息，可以帮助数据在实际工作流程中更有用，而无需不同模型重新表示所有内容。 欲了解技术细节、基准数据和完整讨论，请点击原文链接查看。