随着人工智能（AI）技术的迅猛发展，其与住房和城乡建设（住建）领域的融合已成为推动行业转型升级的关键驱动力。本文深入剖析AI与住建深化融合的技术路径，从智能设计、智慧建造、智能运维等多个维度探讨AI技术的具体应用方式与价值。通过对相关案例的分析以及对未来趋势的展望，旨在为住建行业从业者、研究者以及政策制定者提供全面且深入的技术参考，助力行业实现数字化、智能化的高质量发展。

人工智能；住建行业；智能设计；智慧建造；智能运维

住建行业作为国民经济的重要支柱产业，长期以来在推动经济增长、改善民生等方面发挥着关键作用。然而，传统住建行业面临着诸多挑战，如设计效率低下、施工过程管理粗放、资源浪费严重以及运维成本高昂等。这些问题不仅制约了行业的发展速度，也影响了建筑产品的质量与可持续性。与此同时，AI技术在近年来取得了突破性进展，其强大的数据处理能力、智能决策能力以及自动化执行能力，为解决住建行业的痛点提供了全新的思路与方法。

AI与住建的融合并非简单的技术叠加，而是一场从设计理念、建造方式到运维管理模式的全方位变革。通过将AI技术深度融入住建行业的各个环节，能够实现建筑项目全生命周期的优化，提升行业整体效率与竞争力。例如，在设计阶段，AI可以辅助设计师快速生成多种创意方案，并基于大数据和模拟分析进行方案优化，显著缩短设计周期；在建造过程中，AI与物联网、机器人等技术结合，能够实现施工现场的智能化管理，提高施工质量与安全性；在运维阶段，AI通过对建筑设备运行数据的实时监测与分析，提前预测设备故障，实现精准维护，降低运维成本。因此，深入研究AI与住建深化融合的技术路径，具有重要的现实意义与应用价值。

在建筑设计流程中，AI技术正逐步改变传统的设计模式。传统设计往往依赖设计师的个人经验与创意，设计过程较为漫长，且方案的创新性与合理性受设计师主观因素影响较大。而生成式AI的出现为这一现状带来了转机。以建筑设计公司为例，他们运用基于生成对抗网络（GAN）的AI设计软件，在给定建筑项目的场地条件、功能需求以及风格偏好等输入信息后，软件能够在短时间内生成数十种不同的建筑外观与平面布局方案。这些方案不仅在形态上具有创新性，还能在一定程度上满足设计规范与功能要求。设计师可以在此基础上进行筛选与优化，大大提高了设计方案的生成效率。经实际项目验证，使用该AI设计软件后，设计方案的初稿生成时间从原本的数周缩短至数天，效率提升了约60%。

在建筑结构设计方面，AI技术同样发挥着重要作用。传统的结构设计需要结构工程师进行大量的力学计算与分析，过程复杂且容易出现人为失误。如今，一些基于机器学习的结构设计软件能够通过对大量历史结构设计数据的学习，掌握不同建筑类型、不同荷载条件下的结构设计规律。当输入新的建筑结构设计参数时，软件可以快速生成初步的结构设计方案，并对结构的力学性能进行模拟分析，预测结构在各种工况下的响应。例如，大型桥梁项目在结构设计中运用了此类AI软件，通过对多种结构形式的模拟对比，最终确定了最优的结构设计方案，不仅提高了结构的安全性与可靠性，还节省了约20%的建筑材料用量。

在建筑施工现场管理中，AI与物联网技术的融合实现了对施工现场的全方位实时监测与智能管理。通过在施工现场部署大量的传感器、摄像头等物联网设备，能够实时采集人员、设备、材料等多方面的数据。AI算法对这些数据进行分析处理，可实现对人员的考勤管理、行为安全监测，对设备的运行状态监测、故障预警，以及对材料的库存管理、使用效率分析等功能。例如，在超高层项目施工现场，利用AI视频分析技术对工人的安全帽佩戴情况、是否违规操作等行为进行实时监测。一旦发现异常行为，系统会立即发出警报通知相关管理人员，有效降低了施工现场的安全事故发生率。据统计，该项目在应用此技术后，安全事故发生率相比传统管理方式降低了约40%。

在施工过程模拟与优化方面，AI技术也发挥着关键作用。建筑施工过程涉及众多的工序与复杂的资源调配，传统的施工计划制定往往依赖经验，难以充分考虑各种复杂因素。而基于AI的施工模拟软件能够对施工过程进行数字化模拟，通过建立施工过程的数学模型，结合实际施工数据与约束条件，对施工进度、资源分配、成本控制等进行优化。例如，大型商业综合体项目在施工前利用此类软件进行模拟分析，通过对不同施工方案的对比优化，最终确定了最优的施工顺序与资源调配方案，使得项目工期缩短了约15%，成本降低了约10%。

在建筑设备管理领域，AI技术通过对建筑设备运行数据的实时监测与分析，实现了设备的智能化运维。建筑中的各类设备（如电梯、空调、照明等）在运行过程中会产生大量的数据，AI算法可以对这些数据进行实时分析，提取设备的运行特征与潜在故障信息。例如，通过对电梯运行数据的分析，AI系统能够提前预测电梯可能出现的故障，及时安排维修人员进行维护，避免电梯故障对用户造成不便。写字楼在应用AI智能设备管理系统后，设备故障导致的停机时间相比传统管理方式缩短了约50%，设备的使用寿命也得到了有效延长。

在建筑能耗管理方面，AI技术同样具有显著优势。建筑能耗是城市能源消耗的重要组成部分，降低建筑能耗对于实现节能减排目标具有重要意义。AI通过对建筑的能源消耗数据、环境数据以及用户行为数据等进行分析，能够建立建筑能耗模型，预测建筑能耗趋势，并根据实时情况对建筑的能源系统进行智能调控。例如，智能建筑利用AI能耗管理系统，根据室内外温度、光照强度以及人员活动情况，自动调整空调、照明等设备的运行状态，实现了建筑能耗的有效降低。经实际运行测试，该建筑在应用此系统后，能耗相比之前降低了约20%。

大数据与机器学习技术的结合，为建筑设计方案的生成提供了强大支持。建筑设计过程中会产生海量的数据，包括历史设计方案、建筑规范、场地环境数据等。通过对这些数据的收集、整理与分析，建立建筑设计知识库。机器学习算法在这个知识库上进行训练，学习不同设计要素之间的关联与规律。当面临新的建筑设计项目时，输入项目的相关信息（如场地条件、功能需求、预算限制等），经过训练的机器学习模型能够快速生成多个符合要求的初步设计方案。例如，利用深度神经网络模型对大量商业建筑设计案例进行学习，当输入新商业建筑的建筑面积、业态分布、周边交通等信息时，模型可生成多种平面布局、空间组合以及外观设计方案。这些方案并非简单的模板套用，而是基于对大量数据的学习与理解，具有一定的创新性与合理性。

生成式AI与参数化设计的协同，进一步拓展了建筑设计的创新空间。参数化设计是一种通过参数驱动模型变化的设计方法，设计师可以通过调整参数来改变建筑模型的形态、尺寸等特征。生成式AI则能够根据设计目标与约束条件，自动生成满足要求的参数组合。在实际应用中，设计师首先设定建筑设计的目标（如最大化自然采光、优化空间利用率等）与约束条件（如建筑红线、规范要求等），然后生成式AI通过对设计空间的搜索与优化，生成一系列符合条件的参数化设计方案。设计师可以在这些方案的基础上，利用参数化设计工具进行进一步的调整与细化，实现设计方案的不断优化。例如，在文化艺术中心的设计中，利用生成式AI生成多种建筑表皮的参数化设计方案，这些方案在满足建筑功能与美学要求的同时，具有不同的透光率、通风性能等。设计师根据实际需求选择其中一个方案，通过参数化设计工具对表皮的具体参数进行微调，最终实现了既美观又节能的建筑表皮设计。

AI与物联网的深度融合，构建了智能化的施工现场管理体系。物联网设备作为数据采集的前端，实时获取施工现场的各种信息，包括人员位置、设备运行状态、材料库存等。这些数据通过网络传输到数据中心，AI算法对数据进行实时分析与处理。例如，利用计算机视觉技术对摄像头采集的视频数据进行分析，识别工人的行为动作，判断是否存在安全违规行为（如未佩戴安全帽、违规操作机械设备等）；通过传感器采集设备的运行数据，利用机器学习算法对设备的运行状态进行评估，预测设备是否即将出现故障。一旦发现异常情况，系统立即发出警报，并将相关信息推送给管理人员，以便及时采取措施进行处理。同时，AI还可以根据施工现场的实时数据，对施工资源进行智能调配，优化施工进度计划。例如，根据材料的使用情况与库存数据，自动安排材料的采购与配送，避免材料积压或缺货现象的发生。

基于AI的施工过程模拟与优化技术，为建筑施工提供了科学的决策依据。通过建立施工过程的数字化模型，将施工中的各种因素（如施工工艺、资源配置、工期要求等）纳入模型中。AI算法利用历史施工数据与实时监测数据，对施工过程进行模拟分析，预测不同施工方案下的施工进度、成本、质量以及安全风险等指标。通过对这些指标的评估与对比，选择最优的施工方案。例如，在大型桥梁施工项目中，利用基于AI的施工模拟软件，对不同的桥梁架设方案进行模拟分析。软件根据施工工艺、设备性能、人员配置等因素，预测每个方案的施工时间、成本以及可能出现的安全风险。通过对比分析，最终选择了施工时间最短、成本最低且安全风险最小的方案。在施工过程中，软件还可以根据实际施工进度与现场情况，实时调整施工方案，确保施工的顺利进行。

AI在建筑设备智能运维中的应用主要包括设备故障预测与健康管理（PHM）以及设备运行优化两个方面。在设备故障预测方面，通过在建筑设备上安装各类传感器，实时采集设备的运行数据（如温度、振动、电流等）。AI算法对这些数据进行分析，提取设备的运行特征，建立设备的健康模型。当设备的运行数据出现异常变化时，AI系统能够根据健康模型预测设备可能出现的故障类型与故障时间，提前发出预警。例如，对于空调系统的压缩机，通过对其运行电流、排气温度等数据的监测与分析，AI系统可以预测压缩机是否即将出现故障，以便及时安排维修，避免空调系统停机对用户造成影响。在设备运行优化方面，AI根据建筑的实际使用情况与环境变化，对设备的运行参数进行智能调整，以实现设备的高效运行。例如，根据室内外温度、人员数量等因素，自动调整空调系统的制冷量、送风量等参数，在满足室内舒适度要求的同时，降低设备的能耗。

AI助力建筑能耗智能管理主要通过建立建筑能耗模型与实施智能调控策略来实现。首先，AI收集建筑的历史能耗数据、环境数据（如温度、湿度、光照等）、设备运行数据以及用户行为数据等多源数据。利用这些数据，通过机器学习算法建立建筑能耗模型，分析建筑能耗的影响因素与能耗规律。例如，通过对大量建筑能耗数据的分析，发现室内人员的活动模式、设备的运行时间以及室外环境温度对建筑能耗的影响较大。然后，根据建立的能耗模型，AI制定智能调控策略。在实际运行中，AI系统实时监测建筑的能耗数据与环境变化，根据预设的调控策略自动调整建筑设备的运行状态。例如，当室外温度较低且室内人员较少时，自动降低空调系统的运行功率，减少照明设备的开启数量，从而实现建筑能耗的降低。同时，AI还可以通过对能耗数据的实时分析，及时发现建筑能耗异常情况，如设备能耗过高、能源泄漏等问题，并及时采取措施进行整改。

智能建筑项目在设计阶段充分应用了AI技术，取得了显著的成效。在方案设计初期，设计团队使用了一款基于AI的建筑设计软件。该软件集成了大量的建筑设计案例数据与设计规范，利用深度学习算法对这些数据进行学习。设计师将项目的场地信息（包括地形、地貌、周边建筑环境等）、功能需求（如办公空间、商业空间、公共空间的面积与布局要求）以及设计风格偏好等信息输入到软件中。软件通过对输入信息的分析与处理，在短时间内生成了10种不同的建筑设计方案，包括建筑的总体布局、平面设计以及外观设计。这些方案不仅在功能上满足了项目的需求，还在建筑造型上展现出了不同的创意与风格。

在结构设计环节，设计团队采用了基于机器学习的结构设计软件。该软件通过对大量历史结构设计数据的学习，掌握了不同建筑类型在各种荷载条件下的结构设计规律。设计师将建筑的基本信息（如建筑高度、层数、结构类型等）以及荷载参数（如恒载、活载、风荷载、地震荷载等）输入到软件中。软件根据学习到的知识，快速生成了初步的结构设计方案，并对结构的力学性能进行了详细的模拟分析。通过模拟，软件预测了结构在不同工况下的受力情况，如结构的位移、应力分布等。设计团队根据软件的模拟结果，对结构设计方案进行了优化调整，确保了结构的安全性与可靠性。

通过在设计阶段应用AI技术，该项目的设计周期相比传统设计方式缩短了约30%。同时，由于AI生成的设计方案具有多样性与创新性，为设计团队提供了更多的设计思路，最终的设计方案在满足功能需求的基础上，实现了建筑美学与节能性能的优化。经评估，该建筑在节能方面相比传统建筑可降低能耗约15%。

大型工程项目在建造过程中积极探索智慧建造技术，通过AI与多种技术的融合，实现了施工现场的高效管理与施工过程的优化。在施工现场管理方面，项目团队构建了一套基于AI与物联网的智能管理系统。在施工现场部署了大量的物联网设备，包括摄像头、传感器、智能安全帽等。摄像头实时采集施工现场的视频数据，利用AI视频分析技术对工人的行为进行监测。例如，系统能够自动识别工人是否正确佩戴安全帽、是否存在违规操作机械设备等行为。一旦发现异常行为，系统立即发出警报，并将相关信息推送给管理人员。智能安全帽则可以实时监测工人的位置、运动状态以及生命体征等信息，为人员管理与安全救援提供了有力支持。

在施工过程优化方面，项目团队利用基于AI的施工模拟软件对施工过程进行了详细的模拟分析。在施工前，根据施工图纸、施工工艺以及资源配置等信息，建立了施工过程的数字化模型。AI算法利用历史施工数据与实时监测数据，对不同施工方案下的施工进度、成本、质量以及安全风险等指标进行预测与评估。通过对多种施工方案的对比分析，选择了最优的施工方案。在施工过程中，软件根据实际施工进度与现场情况，实时调整施工方案。例如，当发现一施工环节的进度滞后时，软件通过对资源调配、施工顺序等因素的分析，提出了相应的优化措施，确保了项目能够按时完成。

通过实施智慧建造技术，该项目的施工效率得到了显著提升。施工现场的安全事故发生率相比传统施工方式降低了约50%，项目工期缩短了约20%，成本降低了约10%。同时，由于施工过程的精细化管理，项目的施工质量也得到了有效保障。

商业建筑在运维阶段引入了智能运维系统，借助AI技术实现了建筑设备的高效管理与能耗的有效降低。在建筑设备管理方面，智能运维系统通过在各类设备（如电梯、空调、照明等）上安装传感器，实时采集设备的运行数据。AI算法对这些数据进行分析，建立设备的健康模型。例如，对于电梯系统，通过对电梯的运行次数、运行时间、故障记录以及传感器采集的振动、电流等数据的分析，AI系统能够准确预测电梯可能出现的故障。在一次实际应用中，AI系统通过对电梯运行数据的分析，发现部电梯的个关键部件出现了异常磨损的迹象，预测该部件将在一周内发生故障。运维人员根据系统的预警，及时对该部件进行了更换，避免了电梯故障对商场运营造成的影响。

在建筑能耗管理方面，智能运维系统收集了建筑的历史能耗数据、环境数据以及用户行为数据等多源数据。利用这些数据，通过机器学习算法建立了建筑能耗模型。根据建立的能耗模型，AI系统制定了智能调控策略。例如，在夏季高温时段，根据室内外温度、商场人流密度以及各区域的使用功能，AI系统自动调整空调系统的制冷量和送风模式。当检测到楼层客流量减少时，系统会自动降低该区域的空调负荷，同时保持基本的舒适度要求，避免能源浪费。

此外，AI系统还通过对建筑照明系统的智能控制实现节能目标。系统结合室外光照强度和室内各区域的使用情况，自动调节照明亮度和开关状态。在白天光照充足的区域，系统会自动减少人工照明的开启数量；在夜间非营业时段，除必要的安全照明外，其他区域的照明会自动关闭。通过这些智能调控措施，该商业建筑的能耗相比传统运维方式降低了约20%，每年可节省电费支出约50万元。

同时，AI系统还具备能耗异常诊断功能。当建筑区域的能耗出现异常波动时，系统会自动分析可能的原因，如设备故障、管道泄漏或人为操作不当等，并将诊断结果及时反馈给运维人员。例如，一次系统检测到空调系统的能耗突然升高，通过分析发现是台冷却塔的风扇电机效率下降导致，运维人员及时对电机进行了维修更换，避免了能耗的持续增加。

AI技术在住建行业的应用仍存在诸多技术瓶颈。首先，建筑领域的数据具有多源性、异构性和复杂性等特点，不同专业、不同阶段产生的数据格式和标准各不相同，导致数据整合难度大。例如，设计阶段的BIM模型数据、施工阶段的物联网监测数据以及运维阶段的设备运行数据，往往来自不同的系统和平台，数据之间缺乏统一的语义定义和接口标准，使得AI模型难以有效利用这些数据进行训练和推理。

其次，AI算法的可解释性问题在住建领域尤为突出。建筑工程涉及公共安全和生命财产，对于AI做出的设计决策、施工方案优化或运维建议，需要明确其背后的逻辑和依据。然而，当前许多深度学习模型属于“黑箱”系统，难以解释其决策过程，这在一定程度上限制了AI技术在住建行业的推广应用。例如，在结构设计中，AI生成的优化方案如果无法解释其力学原理和设计依据，很难得到工程师的信任和采用。

此外，AI模型的泛化能力和适应性也面临挑战。住建行业的每个项目都具有独特性，受到场地条件、气候环境、功能需求等多种因素的影响。现有的AI模型大多基于历史项目数据训练而成，当应用于新的项目时，可能由于数据分布的差异导致模型性能下降。例如，一个在北方地区训练的建筑能耗预测模型，直接应用于南方湿热地区的建筑时，预测精度可能会大幅降低。

数据质量和数据安全是AI与住建融合过程中面临的两大数据层面挑战。一方面，建筑行业长期以来缺乏完善的数据收集和管理机制，数据的完整性、准确性和一致性难以保证。许多项目在实施过程中，数据记录不规范、不及时，甚至存在数据缺失的情况。例如，施工过程中的一些关键工艺参数和质量检测数据未能完整记录，导致AI模型训练时缺乏足够的有效数据。

另一方面，建筑数据涉及多方主体的利益和隐私，数据安全问题不容忽视。在AI应用过程中，需要整合来自设计单位、施工企业、运维公司等多个参与方的数据，这些数据可能包含商业机密、技术专利或用户隐私信息。一旦数据泄露或被恶意篡改，将给相关主体带来巨大损失。例如，建筑企业的施工工艺数据被竞争对手获取，可能会影响其市场竞争力。

AI与住建深化融合需要既懂建筑专业知识又掌握AI技术的复合型人才，但目前这类人才严重匮乏。建筑行业的从业人员大多缺乏AI技术背景，难以理解和应用复杂的AI算法和工具；而AI领域的专业人才又对建筑行业的特点和需求了解不足，导致技术研发与实际应用脱节。例如，AI工程师开发的建筑设计优化算法，可能因不了解建筑规范和施工工艺而无法在实际项目中应用。

此外，住建行业的管理模式和组织架构也制约了AI技术的深度应用。传统的项目管理模式中，设计、施工、运维等环节相互割裂，信息传递不畅，难以实现数据的全生命周期共享和AI技术的协同应用。例如，设计阶段的BIM模型数据在施工阶段未能得到有效利用，导致施工过程中的很多问题无法提前发现和解决。

加强建筑行业与AI领域的跨学科合作，推动AI技术在住建行业的适应性改造。一方面，针对建筑数据的特点，研发适合建筑领域的数据分析和处理技术，建立统一的数据标准和接口规范，实现多源异构数据的整合与共享。例如，制定建筑行业AI数据标准，明确不同阶段、不同专业数据的格式、语义和交换方式。

另一方面，开展可解释AI技术在住建领域的研究与应用，开发适合建筑工程特点的解释性模型和方法。例如，结合建筑领域的专业知识，为AI设计方案建立逻辑清晰的解释框架，使工程师能够理解和信任AI的决策。同时，加强AI模型的泛化能力研究，通过迁移学习、元学习等技术，提高AI模型对不同项目和场景的适应性。

建立健全建筑行业的数据治理体系，提高数据质量和管理水平。首先，制定统一的数据收集、存储、处理和应用规范，明确各参与方的数据责任和义务，确保数据的完整性、准确性和一致性。例如，在项目合同中明确规定各阶段的数据提交要求和标准。

其次，加强数据安全保护，建立完善的数据安全管理制度和技术防护措施。采用数据加密、访问控制、区块链等技术，确保数据在采集、传输、存储和使用过程中的安全性。例如，利用区块链技术对建筑数据进行分布式存储和溯源，防止数据篡改和伪造。

加大复合型人才培养力度，建立多层次的人才培养体系。高校和科研机构应开设建筑与AI交叉学科专业，培养既懂建筑专业知识又掌握AI技术的高端人才；企业应加强在职人员培训，通过内部学习、外部交流等方式，提高员工的AI应用能力。例如，建筑企业可以与高校合作，开展AI技术培训课程，提升工程师的数字化素养。

同时，推动住建行业管理模式创新，构建基于AI的协同管理平台。打破设计、施工、运维等环节的壁垒，实现项目全生命周期的数据共享和协同工作。例如，建立基于云平台的建筑项目管理系统，整合各方数据和AI工具，实现项目的智能化管理和决策。

AI与住建行业的融合将朝着更加深度和广泛的方向发展，未来有望实现AI技术与多种新兴技术的跨界融合。首先，AI与数字孪生技术的结合将成为趋势。数字孪生技术通过构建建筑的虚拟模型，实现对建筑全生命周期的实时模拟和优化。AI技术可以为数字孪生模型提供强大的数据分析和决策支持能力，例如，利用AI算法对数字孪生模型中的海量数据进行分析，预测建筑的性能变化和潜在问题，实现建筑的预防性维护和优化运行。

其次，AI与5G、物联网技术的深度融合将推动智慧建造的进一步发展。5G技术的高速度、低延迟特性，将使施工现场的海量数据能够实时传输和处理，为AI算法提供更及时、更准确的数据支持。例如，利用5G网络和物联网设备，实现对施工现场的全方位实时监测，AI系统可以根据实时数据快速做出决策，优化施工过程。

此外，AI与区块链技术的结合将为建筑行业的信任机制和数据管理带来新的突破。区块链技术的分布式存储和不可篡改特性，可以确保建筑数据的安全性和可信度，为AI模型提供可靠的数据来源。例如，利用区块链技术记录建筑材料的溯源信息，AI系统可以根据这些信息评估材料的质量和可靠性，辅助采购决策。

AI与住建深化融合将引发住建行业的全方位变革，重塑行业生态。在生产模式方面，AI技术将推动建筑产业向智能化、工业化方向发展。通过AI辅助设计、智能生产和机器人施工，实现建筑产品的个性化定制和大规模生产的有机结合。例如，未来的建筑可能像组装汽车一样在工厂预制生产，然后运输到现场进行快速组装，大大提高生产效率和质量。

在服务模式方面，AI将推动住建行业从传统的一次性建设服务向全生命周期的智慧服务转型。通过AI技术对建筑运行数据的持续分析和优化，为用户提供更加智能、舒适、节能的建筑环境。例如，未来的智能建筑将能够根据用户的需求和习惯，自动调整室内环境参数，提供个性化的服务。

在行业组织方面，AI技术将促进建筑行业的跨界融合和生态重构。传统的设计、施工、运维等环节的界限将逐渐模糊，形成以数据为核心、以AI为驱动的新型产业生态链。例如，未来可能会出现专注于建筑数据服务和AI应用的新型企业，整合产业链各环节的资源和能力，为客户提供一站式的智能建造解决方案。

本研究深入探讨了AI与住建深化融合的技术路径，从智能设计、智慧建造到智能运维，全面分析了AI技术在住建行业各环节的应用现状、技术路径和实际案例。研究表明，AI技术的引入为住建行业带来了显著的效率提升和创新机遇，在设计方案生成、施工过程优化、设备运维管理等方面均展现出强大的应用潜力。

然而，AI与住建的深度融合仍面临技术、数据、人才和管理等多方面的挑战。未来需要通过技术创新、数据治理、人才培养和管理模式创新等策略，推动AI技术与住建行业的深度融合。随着技术的不断进步和应用的不断深入，AI有望成为推动住建行业数字化、智能化转型的核心驱动力，引领行业朝着更加高效、绿色、智能的方向发展。

[1]人工智能在建筑设计中的应用现状与展望[J].建筑学报，2024,55(3):1-8.

[2]WangY,LiX.Areviewofartificialintelligenceapplicationsinconstructionengineeringandmanagement[J].AutomationinConstruction,2023,148:104825.

[3]住建部."十四五"建筑业信息化发展规划[Z].2021.

[4]基于BIM和AI的智慧建造技术体系研究[J].工程管理学报，2023,37(2):45-50.

[5]ZhangH,etal.IntelligentoperationandmaintenanceofbuildingsbasedonAIandIoT:Acasestudy[J].JournalofCivilEngineeringandManagement,2022,28(6):890-900.

[6]超高层建筑智能建造技术应用报告[R].中国建筑科学研究院，2023.

[7]欧盟委员会,人工智能在建筑领域的应用指南[EB/OL].2024.

[8]LiZ,etal.ExplainableAIinarchitecturaldesign:Principlesandapplications[J].Computer-AidedDesign,2024,158:103342.

转载本文请联系原作者获取授权，同时请注明本文来自陈金友科学网博客。

链接地址：https://wap.sciencenet.cn/blog-3525898-1491204.html?mobile=1

收藏

分享