建筑中人工智能的应用现状与展望

建筑中人工智能的应用现状与展望

建筑中人工智能的应用现状与展望

邱榆超

（南京工业大学，江苏省 南京市 211816）

摘要：建筑领域中人工智能的应用仍在探索，各领域和阶段的信息化程度不均衡，国家相应的政策亟待完善，教育体系和教师队伍亟待提升，市场需求和企业能力有待加大，学生的正确引导和相关知识体系极度缺乏。从文献检索角度，通过中国知网计量可视化工具对人工智能在建筑领域的研究热度进行梳理，分析了解目前国内国际中的人工智能进展。概述人工智能的三个主要应用层面和四个研究问题，同时对建筑领域中人工智能的智能规划、智能设计、智能建造、智慧运维应用进行分析和总结，最终提出六个展望和三个结论。

关键词：建筑；人工智能；大数据；自动化；CNKI；综述

Artificial Intelligence Integration in Civil Engineering: An Extensive Review and Prospective Evaluation

Yuchao Qiu

(Nanjing Tech University，Nanjing 211816，China)

Abstract: The application of artificial intelligence in the field of construction is still exploring, the degree of informatization in various fields and stages is not balanced, the corresponding national policies need to be improved, the education system and the teaching team need to be upgraded, the market demand and the ability of enterprises need to be increased, and the correct guidance of students and the relevant knowledge system are extremely lacking. From the perspective of literature search, the research heat of artificial intelligence in the field of architecture is sorted out through the China Knowledge Network Measurement Visualization Tool to analyze and understand the current progress of artificial intelligence in the domestic and international. The three main application levels and four research issues of AI are outlined, while the intelligent planning, intelligent design, intelligent construction, intelligent operation and maintenance applications of AI in the field of architecture are analyzed and summarized, and finally six outlooks and three conclusions are proposed.

Keywords: Architecture; Artificial Intelligence; Big data; Automation; CNKI; Review

0  引言

人工智能技术加速了建筑的研究进程[1]。人工智能是计算机科学中涉及设计智能计算机系统领域的一种技术，旨在使计算机系统表现出与人类智力能力相关的特性[2]。例如：可以提供解决复杂和定义不明确问题的替代方法；具有学习能力，可以通过但不限于专家系统、遗传算法、神经网络和深度学习等实现评估、优化、辅助决策、建模、检索，从而减轻工作人员的负担[3]，并具有很强的容错性；可以处理不完整数据和非线性问题，对工程问题进行预测[4]、复合材料生成设计[5]和辅助部品部件质量检测[6]、建筑结构设计[7]等。

在承认人工智能应用的好处的同时，建筑行业仍然存在许多与人工智能相关的挑战[8]，如图1所示。本研究旨在揭示人工智能在智能设计、智能建造、智慧运维三个层面中的应用，通过Cite Space可视化工具对人工智能在土木工程中的研究趋势进行深入挖掘和分析，提出解决办法和新的研究思路，为人工智能技术在土木工程中的后续研究提供参考。

图1  机遇，新兴趋势，挑战和开放的研究问题。

Fig. 1  Opportunities, emerging trends, challenges and open research issues.

1  建筑业当前存在的问题

       根据国家统计局发布数据显示，1999年，我国60岁及以上老年人口比例超过10%，开始进入老龄化社会。截至2021年，我国60岁及以上老年人口达2.67亿，占总人口的18.9%，处于轻度老龄化阶段。2022年末全国人口141175万人，比上年末减少85万人。全年出生人口956万人，死亡人口1041万人，自然增长率为-0.60‰。其中，65周岁及以上人口占比14.9%，60周岁及以上人口占比19.8%，16-59岁（含不满60周岁）人口占比62.0%，0-15岁（含不满16周岁）人口占比18.1%，进入中度老龄化社会。2018年-2022年的统计参数如图1所示。从2015年到2022年末，我国劳动力逐年下降，从80091万人下降至76863万人，而且仍有继续下降的趋势，统计参数如图2所示。从2013年到2022年末期间，本地农民工规模逐年递增，跨省流动农民工规模逐年递减，特别是农民工的月均收入也在逐年递增，统计数据如图3所示。由此可知我国已步入老龄化社会的阶段，进而导致生产劳动力的短缺，从而引发招工难、用工贵的社会性问题迫在眉睫，行业向数字化转型已是当务之急。

图2  2018-2022年人口变化折线图。

Fig. 2  Folded map of population change, 2018-2022. 

图3  2013-2022年劳动力折线图。

Fig. 3  Labour force line graph, 2013-2022.

图4  2013-2022年中国农民工规模和收入折线图。

Fig. 4  China's Migrant Labour Scale and Income Line Chart, 2013-2022.

        建筑行业的各个环节通过众多单体项目作为载体来展现。在国内的传统模式中，设计环节往往占据主导地位，施工单位根据设计图纸进行生产组织，项目管理人员负责实施监控，并将相关信息反馈给决策者。而基于这些信息产生的决策多依赖于管理者的累积经验。这种设计、生产和管理运营的模式下，图纸设计与项目管理之间的数字化生产疏于联系，项目管理中的信息化辅助决策可升级的空间较大，交付后的运营成本也因终端系统不具备建筑全生命周期数据的支撑，人工智能和数字孪生无法为业主提供低成本且更有效的辅助运维和决策方案而水涨船高。

       此外，随着老龄化社会的到来，我们也面临着工艺断层的困境。在建筑行业，生产工艺通常通过“传帮带”的方式，由经验丰富的老工人向新工人传授成产技艺，再加上，当代年轻劳动力的就业观、生活观、金钱观等已经全面发生变化，他们不再愿从事劳动强度较大的建筑业。这种情况更是加剧了建筑业劳动力年龄和技艺等多方面综合断层的问题，导致施工工艺和经验难以实现延续。综上所述，我国的劳动力正逐年下降，用人成本也在逐年上涨，推动数字产业化并最终实现产业数字化已是必然。

 2  国内政策变化情况

       本文列举近年来人工智能相关的国家级政策(表1～表2)和部分地方级政策（表3）,展现出国家层面和地方层面针对人工智能的政策走向，其他涉及相关技术的政策暂未考虑在内，以下数据均来源于中国政府官网和各地方政府官网。

表1  2017年-2019年中国在国家层面针对人工智能的政策。

Table 1 China's policies towards AI at the national level, 2015-2019.

年份	政策	内容
2017年3月	《2017年政府工作报告》	加快大数据、云计算、物联网应用。
2017年7月	《国务院关于印发新一代人工智能发展规划的通知》	构建一个体系、把握双重属性、坚持三位一体、强化四大支撑。
2017年10	十九大报告	推动互联网、大数据、人工智能和实体经济深度融合。
2017年12	《促进新一代人工智能产业发展三年行动计划(2018-2020年)》	到2020年，一系列人工智能标志性产品取得重要突破，在若干重点领域形成国际竞争优势，人工智能和实体经济融合进一步深化，产业发展环境进一步优化。
2018年3月	《2018年政府工作报告》	加强新一代人工智能研发应用，在医疗、养老、教育、文化、体育等多领域推进“互联网+”。
2018年4月	《高等学校人工智能创新行动计划》	到2020年，基本完成适应新一代人工智能发展的高校科技创新体系和学科体系的优化布局，高校在新一代人工智能基础理论和关键技术研究等方面取得新突破，人才培养和科学研究的优势进一步提升，并推动人工智能技术广泛应用。 到2025年，高校在新一代人工智能领域科技创新能力和人才培养质量显著提升，取得一批具有国际重要影响的原创成果，部分理论研究、创新技术与应用示范达到世界领先水平。 到2030年，高校成为建设世界主要人工智能创新中心的核心力量和引领新一代人工智能发展的人才高地。
2018年11月	《新一代人工智能产业创新重点任务揭榜工作方》	重点突破一批技术先进、性能优秀、应用效果好的人工智能标志性产品、平台和服务，为产业界创新发展树立标杆和方向，培育我国人工智能产业创新发展的主力军。
2019年3月	《关于促进人工智能和实体经济深度融合的指导意》	促进人工智能和实体经济深度融合，把握新一代人工智能发展的特点。
2019年3月	《2019年政府工作报告》	深化大数据、人工智能等研发应用。
2019年8月	《国家新一代人工智能创新发履试验区建设工作指引》	到2023年，布局建设20个左右试验区，形成一批人工智能与经济社会发展深度融合的典型模式，积累一批可复制可推广的经验做法，打造一批具有重大引领带动作用的人工智能创新高地。

 表2  2020年-2023年中国在国家层面针对人工智能的政策。

Table 2 China's policies towards AI at the national level, 2020-2023.

年份	政策	内容
2020年1月	《关于"双一流”建设高校促进学科融合加快人工智能领域研究生培养的若干意见》	深化人工智能内涵，构建基础理论人才与“人工智能+X”复合型人才并重的培养体系，着力提升人工智能领域研究生培养水平。
2020年3月	《关于科技创新支撑复丁夏产和经济平稳运行的若干措》	加大5G、人工智能、量子通信、工业互联网等重大科技项目的实施和支持力度，突破关键核心技术，在国家高新区、国家新一代人工智能创新发展试验区等打造示范应用场景，推动实施一批智能制造、无人配送等新兴产业技术项目。
2020年3月	社保部与市场监管总局.国家统计局联合向社会发布了16个新职业	人力资源社会保障部与市场监管总局、国家统计局联合向社会发布了人工智能训练师、装配式建筑施工员等16个新职业。
2020年4月	国家发改委新闻发布会	新型基础设施主要包括以人工智能、云计算、区块链等为代表的新技术基础设施；深度应用互联网、大数据、人工智能等技术，支撑传统基础设施转型升级，进而形成的融合基础设施等
2020年8月	《国家新一代人工智能标准体系建设指南》	到2023年，初步建立人工智能标准体系，重点研制数据、算法、系统、服务等重点急需标准。建设人工智能标准试验验证平台，提供公共服务能力。
2021年3月	《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》	瞄准人工智能、量子信息、集成电路、空天科技、深地深海等前沿领域，实施一批具有前瞻性、战略性的国家重大科技项目。
2021年5月	《全国一体化大数据中心协同创新体系算力枢纽实施方素》	构建数据中心、云计算、大数据一体化的新型算力网络体系，促进数据要素流通应用，实现数据中心绿色高质量发展。
2021年7月	《新型数据中心发展三年行动计划(2021-2023)》	以5G、工业互联网、云计算、人工智能等应用需求为牵引，汇聚多元数据资源、运用绿色低碳技术、具备安全可靠能力、提供高效算力服务、赋能千行百业应用的新型基础设施，具有高技术、高算力、高能效、高安全特征。
2021年9月	《教育部关于实施第二批人工智能助推教师队伍建设行动试点工作的通知》	深入推进人工智能等新技术与教师队伍建设的融合，推动教师主动适应信息化、人工智能等新技术变革，积极有效开展教育教学。
2021年9月	《新一代人工智能伦理规范》	将伦理道德融入人工智能全生命周期，为从事人工智能相关活动的自然人、法人和其他相关机构等提供伦理指引。
2022年7月	《关于加快场景创新以人工智能高水平应用促进经济高质量发展的指导意》	场景创新成为人工智能技术升级、产业增长的新路径，场景创新成果持续涌现，推动新一代人工智能发展上水平。
2022年8月	《关于支持建设新一代人工智能示范应用场景的通知》	充分发挥人工智能赋能经济社会发展的作用，围绕构建全链条、全过程的人工智能行业应用生态，支持一批基础较好的人工智能应用场景，加强研发上下游配合与新技术集成，打造形成一批可复制、可推广的标杆型示范应用场景。
2023年2月	《数字中国建设整体布局规划》	到2025年，基本形成横向打通、纵向贯通、协调有力的一体化推进格局，数字中国建设取得重要进展。 到2035年，数字化发展水平进入世界前列，数字中国建设取得重大成就。数字中国建设体系化布局更加科学完备，经济、政治、文化、社会、生态文明建设各领域数字化发展更加协调充分，有力支撑全面建设社会主义现代化国家。

 表3  2023年部分地区在地方层面针对人工智能的政策。

Table 3 Policies targeting AI at the local level in selected regions in 2023.

地区	政策	重点内容
北京	《关于征集2023年度“中央引导地方”专项人工智能领域储备课题的通知》	攻关AI芯片创新图片
	《北京市加快建设具有全球影响力的人工智能创新策源地实施方案（2023-2025年）》
	《北京市机器人产业创新发展行动方案（2023-2025年）》
深圳	《深圳市加快推动人工智能高质量发展高水平应用行动方案（2023-2024年）》	加强AI芯片、智能传感器研发攻关
上海	《上海市推动人工智能大模型创新发展的若干措施》	速智能算力建设，重点攻向大模型
南京	《南京市加快发展新一代人工智能产业行动计划（2023-2025）》	重点支持新型AI芯片
无锡	《无锡市人工智能产业创新发展三年行动计划（2023-2025）》	主攻AI芯片研制
杭州	《杭州市人民政府办公厅关于加快推进人工智能产业创新发展的实施意见》	紧盯拓链补链强链，加大AI芯片项目招引
	《关于高标准建设“中国视谷”高质量发展视觉智能产业的实施意见》
四川	《关于深入推进新型工业化加快建设现代化产业体系的决定》	力推AI芯片创新发展，加快GPU研发应用
	《四川省元宇宙产业发展行动计划（2023-2025年）（征求意见稿）》
重庆	《重庆市以场景驱动人工智能产业高质量发展行动计划（2023—2025年）》	促进高端AI芯片发展，推动AI软硬件一体化
福建	《福建省新型基础设施建设三年行动计划（2023-2025年）》	强化AI芯片等关键环节攻关

        在各人工智能技术政策中，仅少部分如北京、上海等一线城市及江苏、浙江等工业信息化程度相对较高的省市出台了相关的专项政策。

 3  人工智能在建筑中的国内外现状

人工智能在建筑中的研究主要体现在智能规划、智能设计、智能建造和智慧运维四个方面。剪力墙结构设计是一种专注于抵抗水平力的垂直承重构件设计过程，涵盖了剪力墙的类型选择、布置、尺寸计算、钢筋混凝土剪力墙配筋设计及剪力墙节点设计等多个方面。其主要目的是确保建筑在受到水平力（如地震作用力或风力）时能够保持稳定、安全、耐用和经济合理。

2021年，陆新征[9]等人采用生成对抗网络，实现了剪力墙结构的方案设计。通过提出图纸语义化方法并构建数据集、研究对比UNet、pix2pix和pix2pixHD的算法性能、开发合理高效的评价方法，有效实现了智能化生成式设计方法的探索性研究，最终实现设计经验传承、设计效率提升、建筑-结构协作优化，如图5所示；2022年，陆新征[10]等人提出了物理增强GAN StructGAN-PHY，从设计数据库中学习，通过基于结构动力学的代理模型评估物理性能来获得信息，以此实现剪力墙住宅智能结构设计，其中的创新是物理计算器和估计器，能够极大的减少设计的时间，提高工作效率，如图6所示；2023年，Pablo N. Pizarro[11]等人通过基于连体三维梁柱的剪力墙建筑简化模型，采用三维梁柱数值子结构，定义几何和拓扑建筑约束，墙壁分配，建筑模型组装和校准过程，并且使用数值截面方法通过考虑165个智利钢筋混凝土建筑的数据集进行了校准和评估对模型进行验证，最终实现了快速推导基本周期、基剪切和力矩，还可以处理复杂的元素连接和变量布局，用于机器学习流程或优化解决方案的集成，如图7-图9所示；

图5  基于生成式对抗网络实现剪力墙结构方案设计流程。

Fig. 5  The framework of StructGAN, including training, evaluation, and application.

 图6  物理增强生成结构设计方法。

Fig. 6  Physics-enhanced generative structural design method.

图7  墙体矩形的分配过程。

Fig. 7  Wall rectangle’ assign process. 

 图8  墙群合并。

Fig. 8  Wall group merging.

图9  各墙组梁柱的三维建模。

Fig. 9  Beam-Column 3D modeling of each wall group.

 2023年，马嘉明[12]等人通过拓扑优化的肋壳系统，结合表面平面化和周期约束，再将拓扑优化与自由形式外壳上的用户自定义模式集成在一起，最终实现了高效且饱含艺术创新的自由形状壳体结构设计，如图10所示；徐涛[13]等人通过线性材料模型，消除了应力刚度矩阵中惩罚的模糊物理含义，最终实现最大化结构的抗屈曲能力，如图11所示；叶俊[14]等人考虑多轴增材制造悬挑约束，使用传统拓扑优化的结构，判断不可打印元素比例是否满意，降低不可打印元素比例，如图12所示。

图10  具有方形设计域的拓扑优化肋板:

a一个拓扑优化和数字构造的方形肋板;b拓扑优化的弯曲肋壳。

Fig. 10  Beam-Column 3D modeling of each wall group.

图11  最优抗屈曲设计的前四种屈曲模态(第一排)和刚度设计(第二排)。

Fig. 11  First four buckling modes of the optimum buckling-resistant design (first row) and the stiffness design (second row).

图12  算法流程图。

Fig. 12  Algorithm flow chart, where runp and rt denote the printable ratio of the optimised structure and the target printable ratio.

       许多城市采纳了以科技创新为主导的策略，推动智慧城市的构建，通过在城市规划中融入尖端科技，以达成智能化与可持续发展的目标，而人工智能占据着主导地位。人工智能在城市规划当中的应用宏观上主要体现在城市数据分析和规划决策支持、城市和基础设施管理、城市环境和灾害管理和城市监测和发展控制，具体还体现在犯罪检测、空气污染、能源管理、市政水电线路规划、土地规划和漏水检测，其中分析和决策支持包括空气质量、城市/公共卫生、规划任务、交通管理、城市政策以及城市服务提供和运营。

       2010年，Gideon D.P.A. Aschwanden[15]等人构建了一个结合了参数化建模和基于智能体的仿真相的系统，模拟、分析和可视化了城市环境中的乘员行为，辅助规划者和决策者找到更微妙的方法来调整城市结构，如图13所示；2020年，陈蔚镇[16]等人通过目标推理人工智能代理，结合传统的场景规划、MCDA、G-MCTS实现了客观的城市土地规划设计，如图14所示；2023年，Minjun Kim[17]等人利用GIS和XAI技术结合极端梯度助推模型(XGBoost)和Shapley加性解释模型(SHAP)对城市扩张进行分析，最终实现了城市和环境规划，有效和可持续的土地管理，如图15所示。

图13  左图:给定区域内6800个对象的量化可视化。中、右:乘员应力分析;黑点表示个人空间不够。

Fig. 13  Left: Quantified visualization of 6800 agents within the given area. Middle and right: Occupant stress analysis; dark dots represent not enough individual space.

图14  通过人工智能代理交互推理目标。

Fig. 14  Reasoning goals via human-AI agent interaction.

图15  SMA城市增长预测图(2031年)。

Fig. 15  Prediction map of urban growth in SMA (2031).

        2023年，Penghui Lin[18]等人通过MORO算法获取Pareto前沿和相应的最优解，利用SHAP技术对优化结果进行解释最终集成到BIM软件中，实现了预测在施工过程中隧道引起的损伤如图16所示；Gökhan Demirdöğen[8]等人开发了一个融合大数据分析(BDA)、BIM和Not only SQL (NoSQL)数据库的医疗保健FM系统，实现FM信息查询和FM- kpi(关键绩效指标)可视化，有效地为医疗机构管理从业者提供FM数据检索和分析，如图19所示。 

 图16  交互式和可解释的MORO流程流程图。

Fig. 16  Flowchart of the interactive and explainable MORO process.

图17   系统的设计与开发。

Fig. 17  The system design and development.

       综上所述，人工智能技术已经在规划、设计、施工、运维这些建筑核心阶段领域的应用已经全面展开，并且逐步深入。 

4  人工智能在建筑中的研究趋势

在建筑领域，人工智能技术被广泛探索并投入使用，为设计、建造及运维带来了创新思维与技术手段。然而，由于成本、技术、人力资源和社会情况等实际阻碍，这些技术的普及仍面临局限。因此，本文通过运用中国知网计量可视化工具，对中国知网（CNKI）数据库中的相关文献进行梳理，旨在通过图谱化手段揭示人工智能与建筑结合的研究动态、热点及演进趋势，并对现有研究中存在的问题提出建议，以期为人工智能在土木工程领域的进一步发展提供借鉴。

数据来源于中国知网数据库，检索方式为高级检索，由于人工智能涵盖范围十分广泛，如智能设计方面的拓扑优化、智能建造方面的3D打印、智慧运维方面的Facility Management（FM）等，难以尽数将所有文献统计分析，因此在检索过程中以人工智能和建筑为主题，共检索出相关中文文献2528篇，英文文献3033篇，再增加文献分类为工程科技II辑和信息科技后，共检索出相关中文文献2134篇，在剔除会议报告、新闻宣传宣传、图书专利、学位论文等的数据、非SCI、EI、北大核心、CSSCI和非2003年4月之后发表的数据后，最终选定中文文献200篇，将目标文献通过中国知网计量可视化工具分析后，得到文献情况数据库。

4.1  年发文量分析

年发文量是衡量科研成果产出状况的重要指标，它反映了人工智能在土木工程领域的研究热度与发展趋势。如图20所示，2015年之前，该领域每年发表的论文数量基本维持在1至3篇。然而，自2015年起，随着深度学习算法在语音和视觉识别领域的重大突破，人工智能在土木工程领域受到的关注度开始持续上升。在这一背景下，我国人工智能产业迅速发展，研究团队不断壮大，相关文献的发表量也逐年攀升。

 图18  人工智能在建筑领域的年中文发文量。

 Fig. 18  Annual Chinese language publication volume of Artificial Intelligence in Architecture.

4.2  关键词频数及中心性分析

通过构建关键词共现网络，每个节点代表文献若干篇，节点越大则关键词的词频就越大，与该主题的相关性就越强，节点间的连线代表关键词间的共现关系。为更加清晰地展示人工智能在土木工程领域的研究现状，在共性参数的基础上对关键词共现网络分析中筛选闻值设定的出现频次设为6~24（出现频次0为展示全部关键词），从而隐藏频数较低的关键词，最终关键词共现网络，如图19所示。

 

图19   关键词共现网络。

Fig. 19  Keyword co-occurrence network.

4.3  作者合作网络分析

通过构建作者合作网络，每个节点代表作者文献若干篇，节点越大则作者的相关文献就越多，与该主题的相关性就越强，节点间的连线代表作者间的合作关系。为更加清晰地展示人工智能在土木工程领域的研究现状，在共性参数的基础上对筛选闻值设定的出现频次设为1（出现频次0为展示全部关键词），同时对节点位置进行调整，从而隐藏相关性较低和合作较少的作者，最终作者合作网络，如图20所示。 

图20   作者合作网络。

Fig. 20  Author Collaboration Network.

5  展望

运用中国知网计量可视化工具对2003年以来我国人工智能在建筑领域的研究成果进行文献计量和可视化分析，明确该领域的研究现状、研究热点和前沿主题，结合建筑领域智能化发展的实际需要，对今后的发展前景做出展望。

1）人工智能和数字孪生结合。数字化和数据管理正引领一个革命性创新的工业4.0时代，数字孪生是主角之一。数字孪生是物理实体的虚拟模型，通过实时数据交互和映射，反映实体的状态和性能。这种技术为设计、分析、预测和优化提供了支持[19]。但是，在建筑领域，数字孪生的应用尚处于起步阶段，人们对其理解和模型构建仍处于摸索过程中。数字孪生技术与人工智能技术存在紧密联系，特别是在数据处理和分析、模拟和优化以及相互补充三个方面。人工智能技术能够处理和分析数字孪生技术所需的大量实时数据，提高模型的准确性；同时，通过学习数字孪生模型，实现决策和过程的自动化优化。

2）促进人工智能在建筑领域各方向全面均衡发展。目前，人工智能技术作为推动建筑向智能化、自动化、信息化的重要推手，得到了全行业从业人员的广泛关注和深入研究，例如剪力墙结构自动设计、拓扑优化的建筑壳体设计、隧道损伤预测、3D打印、城市规划等，但是各领域的智能化程度发展不均衡，接下来应探索更高水平的智能信息技术，如：智能决策、智能精准预测、智能专家系统等。

3）推动人工智能在建筑领域的深入应用。根据文献和上述总结发现，目前的研究主要集中在BIM、生成式、大数据、物联网、人工智能、机器学习、虚拟显示等，相较于传统的建筑行业，智能化程度会越来越高，接下来应深入探索人工智能在建筑领域的应用，如：算力要求更低但速度更快的算法模型、万物互联等。

4）拓展人工智能技术在建筑领域的场景和对象。产业应用推广是人工智能技术在建筑领域应用的核心动力，为了促进人工智能在建筑领域的快速发展，今年来我国修订了多项人工智能产业相关的政策和指导意见，但是建筑领域的数字化程度仍然位于最后，接下来，应加强人工智能技术在建筑领域的实际应用，将科技成果从实验室转移到实际生产当中，真正把科学研究的科技成果应用到生产中，从而实现建筑行业的高效、智能、自动、低碳、可持续的发展。

5）加快构建一批建筑产业创新基地，尤其是那些深度融合人工智能技术与建筑产业的地方，建立起“基础研究—技术创新—产业化”的科技产业链协同发展机制[20]。要紧密跟进市场需求，深入市场调研，并积极进行战略布局。重点聚焦BIM与数字设计、智能工地、无人施工系统、工程大数据平台等具体领域，坚持走自主研发的道路。各高校应充分利用自身的教育优势，结合自身学科特色，与行业企业紧密合作，共同探索符合智能建造创新发展的校企协同育人新模式。

6）考虑人口基数，解决人民就业问题。随着人工智能技术的快速发展，智能设备或者算法模型已经能够胜任许多岗位，由此造成大批量的工作岗位流失，但是我国人口基数大，人民日益增长的美好生活需要和不平衡不充分的发展之间的矛盾也较大，智能化和自动化程度越来越高，接下来，应首要考虑人民生活就业问题，同时将人工智能这类先进技术作为科技储备。

6  结论

定性梳理了行业当前问题、国内政策变化情况、国内外应用现状这3个人工智能在建筑领域的相关情况，利用中国知网计量可视化工具总结人工智能在建筑的研究趋势并进行展望，得到以下结论：

1）人工智能在建筑领域已经有所应用，但整体上智能化程度不高，实际应用亦存在局限。今后的研究应整合大数据、深度学习、物联网等前沿智能技术，以推动建筑领域的智能化进程。

2）智能规划、设计、建造以及智慧运维在建筑行业的研究与应用虽已较为广泛，但智能化的发展并不均衡。目前，各个阶段的研究主要集中在特定领域或问题之上。未来，我们应更加关注建筑全生命周期的整体智能化提升，致力于提高各个阶段的智能化和自动化水平。

3）当前，人工智能技术备受瞩目，众多研究团队正致力于建筑领域的智能化探索。然而，大部分研究仍集中在特定方向，不同研究之间的融合及实际应用尚显不足。接下来，我们需打破信息孤岛，促进各研究团队间智能技术的交流与合作，共同推进建筑智能研究的协同发展。

参考文献：

[1]  S. O. Abioye et al., "Artificial intelligence in the construction industry: A review of present status, opportunities and future challenges," vol. 44, p. 103299, 2021.

[2]  Y. Huang, J. Li, J. J. C.-C. M. i. E. Fu, and Sciences, "Review on application of artificial intelligence in civil engineering," vol. 121, no. 3, 2019.

[3]  N. Yüksel, H. R. Börklü, H. K. Sezer, and O. E. J. E. A. o. A. I. Canyurt, "Review of artificial intelligence applications in engineering design perspective," vol. 118, p. 105697, 2023.

[4]  E. Uncuoglu et al., "Comparison of neural network, Gaussian regression, support vector machine, long short-term memory, multi-gene genetic programming, and M5 Trees methods for solving civil engineering problems," vol. 129, p. 109623, 2022.

[5]  J. Yu, Y. Weng, J. Yu, W. Chen, S. Lu, and K. J. C. P. B. E. Yu, "Generative AI for performance-based design of engineered cementitious composite," vol. 266, p. 110993, 2023.

[6]  吴波涛, 于洪江, 杨经纬, 张远军, and 刘. J. 无损检测, "冲击回波法结合 AI 在套筒灌浆检测中的应用," vol. 45, no. 3, pp. 39-44, 2023.

[7]  陆新征, 廖文杰, 顾栋炼, 许镇, and 郑. J. 工程力学, "从基于模拟到基于人工智能的建筑结构设计方法研究进展," vol. 40, pp. 1-18, 2023.

[8]  G. Demirdöğen, Z. Işık, and Y. J. J. o. B. E. Arayici, "BIM-based big data analytic system for healthcare facility management," vol. 64, p. 105713, 2023.

[9]  W. Liao, X. Lu, Y. Huang, Z. Zheng, and Y. J. A. i. C. Lin, "Automated structural design of shear wall residential buildings using generative adversarial networks," vol. 132, p. 103931, 2021.

[10] X. Lu, W. Liao, Y. Zhang, Y. J. E. E. Huang, and S. Dynamics, "Intelligent structural design of shear wall residence using physics‐enhanced generative adversarial networks," vol. 51, no. 7, pp. 1657-1676, 2022.

[11] P. N. Pizarro, L. M. Massone, and F. R. J. J. o. B. E. Rojas, "Simplified shear wall building model for design optimization," vol. 76, p. 107368, 2023.

[12] J. Ma, H. Lu, T.-U. Lee, Y. Liu, D. W. Bao, and Y. M. J. A. I. Xie, "Topology optimization of shell structures in architectural design," vol. 2, no. 1, p. 22, 2023.

[13] T. Xu, X. Huang, X. Lin, Y. M. J. C. M. i. A. M. Xie, and Engineering, "Topology optimization for maximizing buckling strength using a linear material model," vol. 417, p. 116437, 2023.

[14] J. Ye et al., "Topology optimisation of self-supporting structures based on the multi-directional additive manufacturing technique," vol. 18, no. 1, p. e2271458, 2023.

[15] G. D. Aschwanden, S. Haegler, F. Bosché, L. Van Gool, and G. J. A. i. c. Schmitt, "Empiric design evaluation in urban planning," vol. 20, no. 3, pp. 299-310, 2011.

[16] W. Chen, L. Zhao, Q. Kang, and F. J. C. Di, "Systematizing heterogeneous expert knowledge, scenarios and goals via a goal-reasoning artificial intelligence agent for democratic urban land use planning," vol. 101, p. 102703, 2020.

[17] M. Kim, D. Kim, D. Jin, and G. J. L. Kim, "Application of Explainable Artificial Intelligence (XAI) in Urban Growth Modeling: A Case Study of Seoul Metropolitan Area, Korea," vol. 12, no. 2, p. 420, 2023.

[18] P. Lin, L. Zhang, R. L. J. R. E. Tiong, and S. Safety, "Multi-objective robust optimization for enhanced safety in large-diameter tunnel construction with interactive and explainable AI," vol. 234, p. 109172, 2023.

[19] M. Pregnolato et al., "Towards Civil Engineering 4.0: Concept, workflow and application of Digital Twins for existing infrastructure," vol. 141, p. 104421, 2022.

[20] 陈珂, 丁烈云. J. 中国工程科学, "我国智能建造关键领域技术发展的战略思考," vol. 23, no. 4, pp. 64-70, 2021.