文｜秦明、王华；图片｜现场拍摄+AI处理
前段时间，建筑时氪开启了北京线下空间的交流活动——AI4E HomeBar第一期。近10位朋友，一边是从剑桥、UCL、伦敦南岸大学等归来的研究者和工程师，对科技持有谨慎态度；另一边，是在建筑央企、头部科技公司打拼的产品经理与AI实践者，双方一起深度链接与探讨互动。
技术，一词听上去充满中性甚至冰冷的理性，但其真正的生命力，从来不是代码或芯片本身，而是它是否“make a difference”——能否改变现实世界中的某种结构性问题，能否在某个时刻，提供一个不同于以往的解法。
渐进式的技术，温和地修补现有系统，让我们走得更快；真正令人兴奋，是另一种 断代式的技术——它并非修补，而是颠覆。
AI技术经过半个世纪的发展，到达了技术路径的分岔口。一方面，它以一种极度灵活、泛化的方式，颠覆了传统的工作方式；另一方面，它又面临着极高的落地门槛——尤其在工程、法律等专业领域，任何细节的偏差都可能带来巨大风险。这时，那些结构化、可验证、能够迁移的“旧时代遗产”，反而成了新系统中最珍贵的基石。
中英之间的科技和技术价值观对比，为我们提供了一个极具张力的观察视角。在国内，技术常常以一种迅猛、激进、甚至粗放的方式落地，背后是庞大工程系统对效率和产能的渴求。而在英国，技术的推进则更谨慎和克制，往往需要充分验证其价值与可行性，才愿意真正采用。
面对正在奔涌而来的AI浪潮，我们究竟是想让它“看起来很先进”，还是让它“真的有用”？在这个问题上，不同国家、行业、个人的回答，将决定技术的真正走向。这关乎商业，也关乎哲思，在评论区留下你的看法。
特邀嘉宾朋友们如下：
陈玉婷：伦敦南岸大学老师，研究AI+合同管理，羽毛球狂热分子；
穆罕默德：黎巴嫩长大，UCL博士，伦敦南岸大学老师；
桂鹏：天大本科，德国读硕士和工作，做AI技术应用。I came here for the Homebar is because the vision of AI4E. AI, “A” for alcohol，hhh；
韩智华：天大建筑学，某央企产品经理，爱好骑行、飞盘；
刘曦：某央企研究员，芬兰Aalto硕士，土木方向，爱好篮球、自行车；
张小峰：北工大学博士在读，做智能建造与数字孪生；
X博士：剑桥大学学者/博后，去过20多个国家，最喜欢意大利；
戴瑞烨：西南交大土木，英国拉夫堡读低碳建筑设计。
以下为现场交流内容（经编辑）：
01 所有的场景都可以用AI来做点什么！
王华：这几天你来到中国，什么让你觉得”好先进”（advanced）？
穆罕默德：入境时候，自动扫描护照，系统检测到我是阿拉伯人，于是会用阿拉伯语跟我说话。
桂鹏：这个在技术上不难实现，重要的是想到去做这件事情。
穆罕默德：有了实体基础设施再去改变，与没有基础设施、直接跳入新的技术时代是不同的，前者更有复杂性。
X博士：在英国，人们对新技术持更审慎、甚至是怀疑的态度。但一旦决定要做，他们就会真正投入去做。哪怕只是一个小的尝试，比如在桥上安装一些传感器用于结构监测，他们会认真评估这些技术的价值，并思考如何真正落地实施。国内有时候在建造某些项目时，技术的引入有时更多是为了展示，而不是为了真正解决问题。
穆罕默德：英国在科技应用上更为谨慎，注重实际效益，而中国则更热情于新技术的探索与应用，但是做得比较粗放，尽管有时可能缺乏深入的价值考量。英国更加是基于服务的商业模式，而不是基于产品的商业模式。
戴瑞烨：国内建筑行业倾向于采用产品化的思维，追求成本控制和快速量产，而英国则在工程设计中更多考虑个性化和优化。
韩智华：工程和产品确实存在差别，我们走建筑工业化道路也遇到了问题。回到科技这个话题，我个人认为存在一些断代性提升才叫科技，否则只是技术。
王华：颠覆性技术与技术改良。
韩智华：就像当年互联网刚兴起的时候，大家觉得所有业务都可以用互联网的方式再做一遍。现在AI来了，大家也在说：所有的场景都可以用AI来做点什么。我觉得这就是科技的魅力所在。
但回头看过去这十几二十年，互联网真正带来的更多其实是技术在业务场景中的渐进式应用——是小幅度的优化和改进。我们用的是现有的技术，去提升效率、改善体验，这种是“技术应用”，它是连续性的。
而现在AI的出现，特别是具备“断代式”特征的这类技术，它带来的不是调整，而是可能会彻底颠覆原有的模式。比如一些企业几年前做的产品，它们的交互方式、产品理念、定位几乎完全过时了。因为可能未来根本不需要那么复杂的软件界面了，一次对话就能完成所有操作。
辩证来看，也不能全盘推倒。那些旧产品底层积累的数据，如果是结构化的、干净的，其实还是有价值的，是可以迁移到新的系统上的。真正的科技变革，不是简单叠加，而是底层逻辑的重写。
02 真正好的技术，一定要“make a difference”
戴瑞烨：分享我在研究生参与的一个项目，那是在伦敦金丝雀码头对面一栋正在建设中的公寓楼，我当时负责的是这栋楼的通风系统设计。其实用到的技术并不复杂，主要是一些基础的传感器、风扇、可开启的风门，以及与通用设备的连接。比如在夏天特别热的时候，通过一套策略性控制，把热空气排出去，整套系统背后还涉及算法、热量预测、天气数据的结合等等，最终是让这栋楼在不同气候条件下都能保持一个相对舒适的状态。
项目竣工之后我再回去看，让我印象很深的是，这套方案后来真的被应用到了这栋楼里。这是一个很好的例子——工程技术真正被用到了一个具体项目中，实现了工程级别的优化。
但反观国内，这样的情况却非常少见。国内很多建筑项目的通风设计其实是非常简单粗暴的。通常就是放一个空调系统，拉一条通风管道，整个楼按一个整体热负荷来估算，只要计算出来空调能力“够用”，事情就算完了。很少会细致到分区通风，或者根据实时天气去动态调节，更不会引入算法优化。而这些，在国外其实已经是工程实践的一部分了。
这也反映了一个更底层的区别：国内人在做工程时，更倾向于把它当作产品来处理。以前我做工程，现在做产品，对比特别明显：产品是标准化的，是为了量产的，而工程本质上每个项目都不一样，是一个个定制化的存在。但我们很擅长制造业，一旦掌握了产品的制造逻辑，就能把成本压得很低，量产效率很高。
所以现在你看到的很多装配式建筑的思路，本质上也是在尝试把工程变成产品：在工厂里把建筑构件生产好，然后运到工地组装。这其实是制造思维的延伸，是一种成本优先的逻辑。
刘曦：最近和一位业内知名前辈聊天，我们聊到技术与工程之间的关系。工程其实是技术的包装与落地，而技术则是工程背后的理论支撑。这个说法让我觉得，它不仅是实践上的理解，其实也是一个哲学层面的思考。
我们现在在工程行业里也做很多技术研发，比如软件开发等，但我们发现这些研发成果很难真正落地。分析下来，背后有很多原因，我觉得主要有三点：
第一，很多研发不是基于底层理论的突破。比如在土木工程中，结构计算背后的理论非常成熟，比如有限元分析，这些经典理论已经存在几百年，被实践无数次验证。工程行业特别强调效率、成本，最重要的是安全，因此行业对理论的依赖极高。除非某种新技术经过充分验证并建立了强信任，否则很难被采用。
第二，在应用新技术时，会遇到极大的阻力。许多工程师不愿意改变已有的工作流程。尽管这些流程可能效率不高、存在浪费，但它们是“能跑的”，已经在行业中运行几十年。要他们放弃这种“working system”，只靠一句“这个新方案可能更好”，是很难让人信服的，尤其在一个以风险最小化为导向的行业里。
第三，工程行业本身具有高度碎片化的特点。每一个工程项目都不一样，尤其在一些领域差异更大。这种市场的碎片化导致我们很难开发出一个标准化、可复制的产品。而技术的规模化恰恰依赖标准化。这就导致科技在工程行业的推广格外艰难。
桂鹏：我想从产品和商业的角度再谈谈。因为我本身是设计出身，也接触过不少市场和商业相关的工作，我的视角可能偏向产品落地和用户需求。
首先关于“技术”这个词的理解，我觉得技术本质上指的是在方法或工具上的某种创新。但技术本身是否“马上有用”，其实并不重要。很多现在看起来“先进”的东西，实际上早在十几年前、甚至几十年前就已经存在。
举个例子，我们在动画或AEC行业经常用到的三维建模技术，比如模型外推（Model Extrusion）这样的方法，背后的技术很多其实早在2006年甚至更早就已经成熟了。我之前在某杭州六小龙之一工作时，我们的老板读master时就用相关技术做了创业公司并成功拿到融资。当时大家觉得很前沿，但其实相关理论和图形渲染方法，很多都是上世纪五六十年代就已经被提出的。
所以我认为，技术发展的“快”或“慢”本身不重要，重要的是它有没有带来真正不同的价值。如果你做的东西和别人没有区别，那只是在做重复竞争。而真正好的技术，一定要“make a difference”。
再回到第二个话题：为什么这个行业新技术推进得这么慢？我觉得这里面存在两个巨大的“鸿沟”：一个是从技术到产品，另一个是从产品到市场。
一个产品要成功，不一定需要最先进的技术，而是需要“Product–Market Fit”，即产品能解决用户实际的问题。现在很多AI创业公司其实并没有用什么很新的技术，很多底层就是用的阿里的开源模型、老技术、老工具——但只要能跑得起来，能满足用户需求，就够了。
从这个角度看，“技术先进”只是条件之一，真正难的是找到那个能让技术变成产品、产品被市场接受的路径。
03 AI哲学，底层价值观带来的科技狂热
陈玉婷：国内是科技强国教育出来的，在这个价值观体系中，国内同胞重视科学、重视技术，认为这是常识。想提问，在座的各位多少觉得只要时间够长，AI就能造出人，就是机器感觉跟人一样了。As long as time long enough, AI can create something exactly like human.
秦明：谁相信通用AGI？相信的请举手。
（现场举手的人，占70%）
陈玉婷：很多人相信科技能够无限power。但是在另类信仰者的体系中，如果你造出一个人类来，那你就是神了。所以在英国搞科技的人，他们最后只会说”it’s useful”. 回国看到大家，对AI无限憧憬，英国有不同的反应。
X博士：国内的教育告诉你什么是标准答案，英国认为你可以有任何的想法。
刘曦：另类信仰对科技研发进程是否有影响？
陈玉婷：另类信仰对科技研发的进程影响不大，但对技术的应用层面确实存在影响。科技研发往往是由极少数顶尖人才推动的，他们的工作更多受到激情和才华的驱动（passion driven，talents driven），而不是特定价值体系或信仰的左右。
因此，在基础研究或前沿技术的突破上，另类信仰的影响相对有限。但在应用层面，情况则不同。比如我在大学的学术同事中，使用AI工具的频率明显低于我在国内的朋友——后者更倾向于积极尝试各种AI应用。
戴瑞烨：DeepSeek是国产，大家没办法逃避了，点燃了对科技的热情与狂热。
陈玉婷：什么是对科技的狂热？狂热不是说盲目地追逐一项技术本身，而是我有一个明确的目标，如果AI能帮助我更好地完成这件事，那我就用它。我更倾向于从解决问题的角度出发来看待技术，而不是出于对某项科技的崇拜去盲目使用。
我一直在做工程项目相关的合同管理，尤其是一些大型基础设施项目。像这种项目，常常需要签署或处理非常复杂的合同，尤其是在申请贷款时，这些合同是必不可少的。由于合同内容非常冗长，手动审阅耗时又容易出错，所以我才会用AI工具来辅助。
有时候我需要在合同中查找一个非常具体的条款或内容，人工查找可能要花上很长时间，而AI能大大提高效率。所以我的使用动机非常明确——是为了提升工作效率，而不是为了追逐所谓的“科技浪潮”。
秦明：我对“狂热”的定义，是完全是向兴趣驱动的，一些人主动去探索AI产品的功能，而不是由自己的业务出发。
陈玉婷：我当时是用的ChatGPT的付费版本，想让它帮我梳理所有承包商可以提出索赔的场景。我给它设定了各种不同的提问方式，明确告诉它这件事对我非常重要，可以花尽可能多的时间去思考。但最终它始终没能给出完整的答案——它只列出了其中的一部分case。
这就让我对它完全失去了信心。比如我明明知道，根据合同标准，应该是有10种情形可以发起索赔，但它只给了我8种。我知道还有两个它漏掉了，是因为我在刻意测试它。
问题就在这里：如果是在真实业务场景中，比如我真的把一份合同交给它来分析，而它漏掉了其中几个关键点，那可能会直接导致我在一个case中损失大量金钱。在这种需要完全准确的信息环境下，任何信息的遗漏都会让我无法再信任这个技术。
而且更糟的是，一旦机器没做完的部分，还得靠人力去补救，反而要花比原来更多的时间和成本来协同。对我来说，如果AI不能提供100%的准确率，那它就无法在这种场景中派上真正的用场。
戴瑞烨：我觉得最关键的还是对 AI 的底层逻辑和能力边界有清晰的认识。你得知道它能做什么、不能做什么。一旦你了解了它的上限，就不会总想着去挑战它，而是会更合理地用它来提升效率。
打个比方，如果你对某个专业领域的理解是100%，那么你让它来做这方面的工作，它肯定达不到你的水准。但如果是你原本几乎不熟悉的领域，比如只是想快速了解个大致情况、学习一项新技能、或完成一些辅助性的任务，那它的帮助就是非常明显的。在我不擅长的地方让它补位，而不是指望它在我擅长的地方超越我。
秦明：我最近是探索了一件事情，就是把我这边过去的访谈文章专门做了一个知识库，然后我再去问它行业问题，回答质量非常不错。
韩智华：这就是通用大模型和行业大模型的差别，ChatGPT和Deepseek都属于通用大模型，对行业问题更多的是经验式解答，对技术层面的行业底层逻辑却并不了解。我们现在的理解是，真正能支撑行业大模型的，是“机理模型”或者说技术层面的行业底层逻辑的注入。
什么是机理模型？简单来说，就是行业中那些不能被数据训练轻易学到，但对业务非常关键的“规则性知识”或“领域常识”。
一方面在技术上，从业者需要持续做难而正确的事情，为行业大模型的形成添砖加瓦；另一方面在应用上其实应该建立行业的AI应用评价标准，清晰界定哪些场景可以用AI，哪些场景AI无法支撑。
前面聊到的国内外在技术应用层面的差异，其实是从业者价值体系差异所带来的自发探索现状。若能在建筑行业乃至各行业逐步建立起权威的AI应用评价标准，将更有助于技术真正实现有效落地。
（完）
本文来自投稿，不代表AI4ELAB立场，如若转载，请注明出处：https://ai4elab.com/4149.html
