想象你请一位新同事接手旧项目，却只给他看几张效果图，不开放施工图、模型、材料记录，也不让他请教原设计师。他或许能模仿外观，却很难知道一栋楼为什么这样安排。今天的建筑 AI 面对的正是这个问题：它不只缺聪明的模型，更缺完整、可用、获准使用的专业资料。
据 Fast Company 记者 Nate Berg 报道，数字图纸、3D 模型和手绘草图等核心资料，大多留在各家建筑事务所的服务器与实体档案柜里，没有像网页文字或代码那样广泛出现在互联网上。报道据此判断，建筑可能是 AI 较难进入的设计领域之一。这里的关键不是“让 AI 画一栋漂亮的楼”，而是它能否读懂真正支撑设计工作的复杂数据。
本文的行业情况仅来自这篇 Fast Company 报道，缺少独立信源交叉验证；报道中的行业范围判断与企业技术能力，也没有给出完整调查口径。
效果图只是最外面一层
建筑资料不是一堆风格图片。以建筑信息模型（BIM）为例，它会把几何形态、材料、构件和工程信息放进同一个数字模型。一面墙不只是画面中的矩形，还可能关联尺寸、材料和其他工程信息。平面图、3D 模型与手绘草图又采用不同表达方式，彼此未必能直接对齐。
更难处理的是隐性知识（tacit knowledge）——设计师凭经验作出的判断，却没有被完整写成规则。历史档案能记录最终方案，却未必说明团队为何放弃另一条路线，或者某个取舍来自什么限制。因此，“拥有大量旧项目”与“拥有可以直接训练 AI 的数据”并不是一回事。
Fast Company 认为，目前没有大型前沿 AI 实验室在系统性处理这道难题。不过，这是报道作出的宽泛判断，文中没有列出实验室名单、调查范围或明确的截至时间。更稳妥的说法是：至少在这篇报道呈现的图景里，掌握数据的建筑事务所正在比通用 AI 公司更靠近问题现场。
数据在谁手里，工具就可能为谁而生
报道描述了一批事务所内部的尝试：招聘数据科学家和机器学习专家，举办类似创意路演的 AI 竞赛，开发用于特定任务的插件和应用。部分事务所还声称在建设高度垂直的大语言模型，用来生成符合自身风格的建筑形态和楼层平面图。
大语言模型通常指从大量资料中学习模式、再生成内容的模型。所谓“高度垂直”，就是不追求什么都做，而是围绕一家机构的资料和任务工作。不过，报道没有交代这些系统究竟经过独立训练，还是调用通用模型、检索内部档案，技术成熟度也无从比较。
这仍然指出了一种值得注意的竞争结构。通用模型公司擅长训练模型，却接触不到大量内部项目；建筑事务所拥有项目档案，却需要先把资料整理成机器能读取、组织能授权的形式。这是一道典型的数据孤岛：资料分散在不同机构和系统里，外部难以访问，内部也未必容易复用。
Spectorgroup 设计技术总监 Faizan Zaidi 对 Fast Company 说，每家事务所都坐在由过往项目数据构成的“gold mine”上，区别在于谁愿意在这些数据之上开发工具。“金矿”显然带有宣传色彩，但它点出了现实利益：如果旧项目能够转化为专有训练资料，AI 生成的就不只是泛化的建筑图像，而可能更接近一家事务所积累的工作方式。
真正的门槛是整理和授权
这也解释了为什么建筑 AI 的胜负未必只由模型大小决定。资料能否进入训练流程，要先经过数据治理——围绕权限、质量、格式和使用责任建立规则。客户资料能不能使用，谁有权授权，不同年代的文件如何统一，错误和缺失如何处理，都会影响最终工具。
Matthias Hollwich 告诉 Fast Company，他大约四年前接触 DALL-E，并把它视为许多建筑从业者 AI 意识觉醒的契机。DALL-E 是根据文字生成图像的模型。图像生成让建筑师直观看见 AI 的表现力，但从“生成一张像建筑的图”走到“参与真实建筑设计”，中间隔着完整项目数据、专业判断和组织责任。
因此，眼下更值得关注的不是哪款工具画得更炫，而是谁能把内部档案变成可靠、合规、可持续使用的知识系统。数据若始终锁在柜子里，AI 只能停在图纸之外；数据若只服务少数拥有庞大档案的机构，专业 AI 又可能进一步强化既有差距。模型服务于谁，很大程度上取决于谁能够决定资料如何被使用。
局限与未知
- 报道没有提供行业样本数量，不能据此断言建筑事务所已普遍招聘 AI 人才或自研模型。
- 所谓垂直大语言模型缺少训练方式、数据规模和效果测试，尚无法判断它们是否真正学会了事务所的设计方法。
- 历史项目涉及权限、质量与格式问题；现有材料没有证明这些档案已经可以直接用于训练。