9月3日，OpenAI GPT-6新一代模型Astra发布后，行业里掀起一轮AI建模能力的测评潮。大多数测评「扔一张图、生成一个模型、惊呼好厉害」，很少真正追问：一个模型在空间理解、可编辑性、工程细节上，到底能走到哪一步。
今天早上9点，AI4ELAB喊了三位朋友，带着各自真实的使用场景，交叉测了Astra、sol5.6与Fable 5.1等模型在建筑建模上的真实表现。话题从精准度75%到90%的提升，一路聊到空间理解、成本与商业化、法律责任，以及AI创业者和Rhino／Revit／SU的生态关系。
秦明：AI4ELAB主理人，组织者与提问者
荆子林：哈佛大学研究生在读，AI 3D建筑生成创业者
Leo：澳洲经营综合设计事务所，也在孵化AI公司
Ting：同济大学建筑学研究生、PolyLab主理人
以下是本次交流的文字实录：
01 开场与自我介绍
秦明：我先简单介绍一下，今天一共四个人。Leo 在澳洲墨尔本，本身有设计施工公司，平时对 AI 技术比较感兴趣，最近也在看 Astra 模型，做建模生成方面的测试。荆子林在波士顿，哈佛读研究生，也在做相关产品——最开始在浏览器端做，过程中发现一些技术瓶颈和商业化平衡问题，当下重心转向桌面端再聊00后哈佛荆子林：两个月用户翻了30倍，AI建筑生成，接GPT-5.6最强。Ting 在同济读建筑学，也是领域非常棒的自媒体博主，跟子林一样，00后。
Leo：我学的是工程，土木和结构工程都涵盖。现在在澳洲有一家综合性小设计事务所，建筑、结构、能源都有。目前也在跟几个朋友孵化一家 AEC AI 公司。
Ting：大家可以叫我 Ting。现在在同济，研二升研三，本科也在同济读建筑学，研究生偏建筑技术科学方向。自己做自媒体账号，小红书和公众号都有，小红书做得好一点，叫 PolyLab。最早分享建筑学技术，比如参数化，这几年 AI 起来了，就分享 AI 比较多，什么热追什么，自己也感兴趣。公众号上写文章，最近跟一些老牌建筑 Studio 合作，做 AI 方向的讲师、讲公开课。
秦明：回到正题。最近 Astra 模型出来后，很多人都在测试。我看国内大部分自媒体账号或创业者实测，分享的多是拿一段话、扔张图片让它建模，调用犀牛或者 SU 的 MCP 快速建出来。整体反馈是精准度比之前都要好一些。这两天写这块的人挺多，但仍有不少互联网噪音，说它什么都能干。
我现在比较关注的是：这代模型跟之前几代相比，在自主推理上是不是已经走到了 AI 生成建模的临界点，先不考虑建模的 token 消耗和时长。我还想在本次交流中补充些视角：像子林这样做AI创业产品的人，产品形态、技术路径的优化选择会受什么影响。目前我看到的，illoca 在技术产品成熟度上，是同批创业里走得比较靠前的。我也关注子林这类创业者，后面的创业形态会发生什么变化。
02 Astra 建模精准度 75% → 90%
荆子林：我先说 Astra。之前秦明给我发过Ting 对 Fable 5.1 和 Astra 的测试，我自己也在做 AB 测试。建模这块，GPT 模型从sol 5.1 开始，每一个都比 Claude 在建模上稳定很多、好很多。Astra 我刚放进产品里，这几天反馈很好，除了 token 成本有点高。我自己测的精准度，个人感觉提升很大——比如和 sol 5.6对比，粗看感觉跟之前差不多，但仔细看，用图片生成模型时，体块、外立面、深度细节，差距特别大。
我们产品一直在内部调试，做一些 skills 优化，喂给它更多、更广的建筑数据。目前 Astra 和 Sol 5.6 最大的对比，说白了就是：以图生模型这个工作流，比之前精准特别多。我现在测的案例，还是上一波测的那些，之前精准度大概 75%，现在可能到 90% 了。
应用方面，提升更多是图生模型。只用文字去生成模型，说实话有点奢侈，Astra 这么大的 token 消耗量。商业上就更复杂了。我的产品，我得更好考虑怎么处理，尤其是我暂时又不融资，是很个人的，得保持一个稳定的利润空间。
03 成本与商业化：主推 Astra 还是普通模型
秦明：你说的调整，主要因素是 Astra 的成本让你去做调整，还是本身模型出来后，使得你的生成工作流也会受影响？
荆子林：都有。比如之前我的普通模型，在 token 成本上要保持一定的毛利，按每个 credit 算。Astra 上了以后，我在想是不是主推 Astra——让免费用户先用 Astra 来转化付费。但如果让他们先用 Astra，就意味着把每个用户转化成付费用户的成本会更高。这是我最近在纠结的事。
秦明：产品体验好了，用户接受速度更快了，但你付出的成本代价也更多了。
荆子林：对，所以我在看怎么重新做价格框架和结构。现在主流就是订阅制，一个月给你固定积分，用不同模型消耗不同积分来限制。如果再细分一层，之前 Sol 5.6 有中低高三档 reasoning 可以调整，代表不同的 credit、不同的积分。现在 Astra 马上也要上，我在想整体结构框架怎么改，更偏商业化这块。
04 空间理解才是真正的短板
秦明：回到技术层面。今天早上我还在刷一些视频，大家现在都是拿图片，然后半小时甚至一小时去生成一个模型。我关注的是：从输入图片、再输一些简单提示词，到输出比较精准的模型，中间要获得一个可靠模型所做的工作。在有了Astra模型之前和之后有什么差别。比如我是非建筑师，也装了 Rhino、装了 SU，给同一套提示词，它可能会生成一个模型。我今天看到另外一个朋友，他本来以为模型也是这么走的，但发现模型在做推理、走中间这段的时候，不自觉地调用了本地各种skill工具（脚本），他之前还没发现。我也非常关注，现在中间这一段会有什么变化，包括是不是可以跟 illoca 团队做一些技术路径的对比。
Ting：我先补充一下。我测下来，觉得 GPT-5 系列到 6 系列有比较大的突破，但横向比 Astra 和 Fable 5.1的差别，我觉得还好，那个突破没让我觉得真有 AGI 时代到来的感觉。当然建模在我这边没用到任何 skill，电脑上什么 skill 都没装，纯测的。
我测出来的结果跟子林不太一样——我发现 GPT-6 的建模能力不如 Fable 5.1。我主要觉得不是建模精度的问题，比如模型的边齐不齐，而是对空间的理解。
我自己学建筑出身。我发现很多博主测 AI 建模时，不拿建筑做假设，可能建个火箭、建个玩偶，那我就不评价了。如果涉及建筑类——不管城市还是室内——对他们来说，能不能用的直观感觉就是：建得好不好看、窗户是不是阳光明亮、渲染和室内风格是不是够温馨。
从建筑的角度，我觉得他们对空间的理解，很多博主不太关心，这个方向有点空缺。我用 GPT-6 和 Fable 5 测出来，发现 GPT-6 好多家具乱摆，有非常多「打架」的情况：门洞那里莫名其妙摆点东西，椅子、沙发反过来摆，非常奇怪。当时我就对滤镜有点碎掉了。
也许大家所谓的 AGI 只是表面上的 AGI。你要深究的话，设计师最大的能力——现在渲染什么的都被取代得差不多了——其实就是对空间的理解：真的理解用户需求和他的动线，然后把空间塑造出来。
我觉得 AI 现在还远不能胜任这个能力，它对空间尺度的感受很弱。
我估计它里面有些简单规则约束，比如家具有个 bounding box，不能碰撞、会穿模之类的。但除此之外，好像没有其他规训的细节。从这个角度，不管是 Illoca、子林你们，还是我其他朋友现在做的 AI 建筑建模工具，都还是很有必要的——有很多东西是建筑师的经验和工程细节造就的，是变化的。
比如一把椅子背靠墙，要么椅背后面留出大概 90 厘米的宽度，要么完全靠墙；如果留个 200、300 毫米的缝，就根本没考虑放人的需求。说白了这是个条件判断，但这样的条件判断非常多，不只是椅子——不同家具还不一样。
比如床，可能靠边放，也可能两边各摆一个床头柜；摆床头柜就要留出人的空间，不摆的话留个 300 毫米的缝也不行，得完全贴上去放。这些点 AI 完全做不到。我测了好几轮，放出来的只是比较好看的一轮。
最早从最简单开始测，就发现 OpenAI 的模型出现了床和旁边墙之间留一个 200–300 毫米缝的情况，那个缝什么都放不了，它偏要这么放，很奇怪。我要硬写一个条件约束进去当然也可以，但这种东西无穷无尽，再考虑到建筑里密斯说的流动空间，就太复杂了，它可能连一个规则都没有。这个事情需要靠有算法和理性思维的建筑师，把这些逻辑抽离、抽象出来，非常靠经验、非常难。
个人层面，我觉得这是建筑领域 FDE 需要做的一件很重要的事。
我现在对测评的一个想法是，蛮想建立一个 benchmark。现在 AI 建模「好看」这件事已经大部分被解决了——大部分情况下它要么在犀牛里建，要么在网页里建，网页有 Three.js，有比较成熟的免费渲染引擎和管道，把库下载下来就能用，很轻量，选材质好的，美观性上没太大问题。后续关于空间建模要持续考察的能力，我想会不会去做一个类似 benchmark 的东西，从更细节的空间角度去考察建模的有效性。
代码、数学、AI for Science 方向都有它们自己的 benchmark，比如「前 100 个数学难题」去考 AI 的编码能力。但在空间上，大家现在没有——很多人就是我这张图片建出来，好像那么回事，真厉害，然后结束了。我觉得我们自己就从空间出发，不应该停留得这么简单。
包括工程，我不做工程，但我相信工程也一样——不是说你给它一些给排水的图片，然后蓝管子、绿管子、红管子给你建出来，好厉害好复杂就结束了。你真的要去检查细节的碰撞、这些口的点位对不对得上。
我觉得越到后面，关于建模能力的有效性，真得专业人士来定。很多非专业的人不理解，没有这方面知识储备。当然也是因为 AI 能力到了一个程度，非专业的语言已经看不出优劣了，这时候越来越需要方向上的专才，用专门的知识去评判、评估 AI 能力的变化。
05 工程视角：先要可靠的、可编辑的模型
秦明：从工程角度说。第一，我想得到的是一个非常可靠、可编辑的 3D 模型，不管它在 SU、Rhino 还是在开源浏览器页面里。先得到它，之后才考虑模型背后的数据，以及跟整个工程相关的类型工作——不管是碰撞还是工程量。
目前我们先走第一步，怎么得到可靠的模型。
从最开始的图片、一些 skill、规则限制输入，到可靠模型输出，这中间荆子林也提了：从通用模型角度，75% 到 90% 提升的是可靠模型在哪些点上的表征？这里面有空间理解——刚才 Ting 说空间理解还是有些偏差的。但我是非建筑师，不太理解一个可靠模型，除了空间理解，可能还有哪些方向上的点，比如几何、材质、灯光或者其他。通用模型在哪些点上提升比较高、哪些不高，提升不高的你就要加约束——除了图片本身，可能还要加平面尺寸图，或者其他格式的东西，让它能输出可靠模型。我在考虑这块。
荆子林：Ting 说的很对，我做的更多是外观类型的测试，主要拿大群体客户用的例子做实验——很基本的那种图片，建筑外观的转换：体块怎么建、外立面怎么处理、怎么从一张外观图把基本外观建出来。空间逻辑这些我没太细抠，主要是没考虑到，我的用户没太这么用。
第二个，回到刚才 Illoca 那块，它读取 scale（比例尺）的能力，会有很大提升，但得再具体测一下。我感觉 Illoca 不会太往这个方向走——他们也有内部一些 parameters 限制，去给工程化模型生成水管、电路这种很复杂的模型。包括我的产品和他们的产品，都有刚才 Ting 说的问题：管道接不上、空间有些很不合理的地方。这些是目前这些模型都没办法处理的，是下一个大提升的一步。
现在基本上，图片生成模型肉眼看外观，可以做到我说的 75% 到 90%。Skills 方面，更深一步的空间和细节处理——我上个月开始接触到几个 ToB 用户，几个建筑事务所。当时给他们的方案是：他们可以上传任何跟项目相关、跟整个事务所相关、或者跟整个公司相关的数据库，存进去，然后 agent 在建模、渲染的过程中，会选择性读取这些。这是一个可以测试的地方，我感觉它会变好。
06 用户都在做什么：项目前期快速推敲
秦明：子林提供了一个视角，可能咱们几个里，你距离真正的用户层面更近。我非常关注用户现在主要拿这块做什么、关注什么点，大家都是怎么玩这块的。
荆子林：我的用户基本上还是外观的东西。比如有一个项目，他们想开始，想快速生成特别多的体块，比如建筑想换 10 个不同外立面去试不同逻辑。大多数还是在项目初期。因为建筑到后期，如果真要做到后期，这些工具就会面临很多法律上的责任——尤其在美国。
那时候就需要刚才 Ting 说的大模型有空间理解能力、严谨的逻辑能力，比如墙、结构怎么 assemble、怎么组装起来。这是下一步需要很大提升的方向。但目前包括我、Illoca、Reer，我们的用户群体大多数还是在前期的快速定设计方向、做前期设计这个领域里，因为现在 AI 确实不支持再下一步。
秦明：对，目前大家其实还是在前期概念设计、方案设计之前，有个想法快速出个东西。之前大家是玩 AI 效果图出图片，现在发现技术开始往 3D 可视化编辑、生成模型这块走，从技术成熟度讲，才刚刚开始。
另外一点是往工程化走。前段时间 Illoca 做产品分享，他们美女联创直接拿产品做了一个数据中心的案例，从开始建模推敲，到最后做管线统计量。她是偏工程师思维，所以在这块从 0 到 1 探索。当时我周边有些朋友问：他们生成的模型背后可能都是 Python 代码。我从技术角度不太清楚，Python 代码跟传统的犀牛、SU 的图形引擎、几何引擎是什么关系？包括你之前做浏览器端的，最终生出来的东西，跟传统 SU 建的在最底层有什么差别？
荆子林：没有差别。最底层，比如 MCP 接犀牛、接 Blender、接 SketchUp，它也是去写 scripts，写这些大引擎里的底层代码。我当时的 web 端是 Three.js，也是去写、编辑这些底层代码来实现建模。这方面我不是技术专家，我了解到的大概是这些。
Leo：我可能知道一些。最后很大部分都要回归到 Python。我们也是，在跟很多用户内测，包括设计师、设计事务所，我们接的 Revit，也是利用 MCP。但 MCP 协议现在没那么完美，所以现在我们 MCP 接的是 Python，最后终究还是回归到调用 API、Python 这么一个途径。现在谁都避免不了，除非厂商把 MCP 协议做得非常完美，将来跟 MCP 兼容得更好。我觉得现在所有的 solution 都是这样的。
07 创造 vs 基于模板：Leo 的评测视角
秦明：回到 Astra 带来的提升。子林你从 75% 到 90% 这个阶段，其实更多是因为它推理能力提升，让它在整体建筑体量推敲、外观外立面设计上，已经能做到 90%，是这样理解吗？
荆子林：主要是外观方面，图片转模型。别的我不确定，但建筑我测了很多案例，感觉达到了 90% 的外观标准。下一步会是别的。
Leo：我也测试了，正好测了几个，建筑多一些，也帮朋友测了一些制造端的产品。我觉得 90% 是有的，90% 的准确率是有的。像 Ting 说的，评测一个东西要分几个方面。Ting 测的是纯 creative、纯创造力的；我们测的大部分是给它一些 template、一些资料，在这个基础上再创造，这是两回事。
如果纯让它造一个新的，比如一个 plan，它可能表现力没有 Fable 5.1 那么好，我一直是测 ChatGPT。我的感觉是，6 比 5.6 的提升很大，无论是空间理解还是图像理解能力，都提升非常大。
从实际设计师工作的角度讲，设计师本身就有很多 template，不太可能直接让 ChatGPT 或 Claude「你帮我这么设计」，他会先输入一些材料、一些以前项目的经验，说「我想让你参考运用到这个项目上」，这可能是大部分用户的需求。在这个基础上，它参考、理解，再创造出一个新的，表现会更好。
这是我个人的理解。
前两天我正好看别人测 Fable 5.1 和 Astra 的对比，他测了四项：复刻、前端落地页、3D 地球仪表盘、动态图形，最后结果是三胜一平，胜的是 Astra，结论是总体来看 GPT-6 更强一点。
秦明：Ting 那边代表了一个普通用户视角，可能想直接许个愿让它生成出来，看看结果怎么样。整体看，发出来那些测试得比较好的，还是不错的，可以让非建筑师直接扔图生成，这块相比一年前已经有非常大的质的提升了。
08 ToC 的可能：能力下放给甲方
Ting：我测这个事情的角度，是站在一个偏 ToC 的角度。虽然我知道现在大家做这个软件大部分是为建筑师服务，做得都不错；我自己做设计的时候，前期确实会推敲体块，到室内设计时，作为设计师其实比较享受设计的过程，但建模很烦。可能我平面画了个大概，手绘的，或者 CAD、犀牛里画了线段，要是它能很快给我建模出来，这是很省时省力的。对建筑师来说很爽——它保留了最具创意的部分，削减了比较无趣、劳累的过程，我觉得没问题。
但我当时去测，是抱着一个心态：这个工具有没有可能 ToC？我在想，比如我有一套毛坯房要装修，几堵承重墙，我不想找设计师，这个 AI 能不能帮我解决？我就这样去考验它。我觉得如果这件事能行得通，会有非常大的改变——体现在产品上、在整个定位上，是一个非常大的突破。它某种程度上意味着，一般的建筑师可能要失业，整个所谓的设计和建模能力被下放了，下放到建筑师的甲方——客户、政府或者地产方。这个能力流转了，产品本身的定位可能会发生变化。我对这个比较好奇，就直接拿了一个我觉得未来一两年可以实现的事情，提前考验它一下。
Leo：说到甲方，我突然想起一件事。今天早上我一个朋友，他是开发商，设计师设计出来的图纸给他，他要 markup 一些要改的地方。之前没用到 GPT 6 的时候，他要花很多精力自己去改；现在直接交给 6，告诉它「我想这么改」，它画出一个放线图（set-out plan）非常快，帮他省很多时间。这是他今天早上给我的反馈。以前 5.6 还做不到这么好，现在 6 已经做到了，他就觉得将来完全不需要加很多 admin 的工作，这是从建筑角度提升效率的、非常好的途径。
荆子林：我的也差不多。上个月来的这几个 ToB 项目，最开始都是事务所的创始人 partners 来找我，他们不想手工建模——这些活一般是交给下属——就想用 AI 自己去重新开始建模，随便玩玩，给下属看想要什么样的。我有几个都是创始人过来，是这样找到我的。
秦明：你在测 GPT-6 和 Fable 5.1，他俩之间的效果你刚有提到吗？
荆子林：Fable 我之前也注意到，ChatGPT 永远会给一个更丰富的模型，Fable 永远会给一个更简洁、稍微更准确、看着比较素的模型。这是上一轮我测的感觉。这一轮新的，因为 Fable 5.1 本来对标的也是 Sol 5.6，不是对标 Astra——还是一样的，Fable 5.1 给了一个比较素的，Astra 给了一个很丰富、跟图片有 90% 相似度的模型。ChatGPT 永远比 Fable 更丰富，不管是场景还是细节，可能不一定更准确，但永远更让人眼前一亮。
09 法律责任：AI 介入设计之后，责任归谁
秦明：你刚刚还提到，这些模型用于真实项目，会涉及法律法规的问题，这块我不太清楚。
荆子林：我不确定国内是什么样。在美国，要设计、落地一栋楼，所有责任都是互相推卸的。比如纽约前段时间塌了一栋楼，建筑师把责任推给结构工程师，结构工程师推给去现场考察的人，考察的人推给第三方，责任都是互相的，但最后所有人都会上法庭。建筑软件也一样：如果设计师要依靠我们这些软件——包括 Illoca、我这边、或者Reer——去做设计，我们是肯定要承担一定责任的。如果真要做到后期，因为它不像 Revit，Revit 你还可以说是纯人工操作；这块会有一个新的第三方——AI介入设计流程，这时候责任该给谁，美国这块还没明说，法律责任还没完善。现在如果真硬往施工方向走，是很危险的。
秦明：反正就是，模型介入了之后，谁为这个担责？可能是咱们 AI 原生的创业者，也可能是使用软件的项目方。
荆子林：也可能是 OpenAI、可能是 Anthropic，到底谁最终负责？这是现在美国讨论度比较大的话题。
10 与 Rhino／Revit／SU 的关系：颠覆者 vs 依附者
秦明：还有一个点。如果要做长期创业，你会思考自己跟 Revit、Rhino、SU 之间的关系。我不太清楚，现在硅谷那边会讨论这个话题吗？
荆子林：我感觉不太会讨论，大家心里都有这个数。长期来讲确实是比较有风险的，尤其对我——我这种抓 Revit、Rhino 用户群体的。Illoca 还好，他们选择做网页端，本来吸引的用户群体就不是那么依赖 Revit 和 Rhino 的。但我和 Reer，更多是在抓依靠这些软件的用户群体，威胁就更高一点。
秦明：我理解 Illoca 是那种以颠覆者姿态入场的、比较犀利一点。像 Reer，现在接 Rhino、最近刚接 Revit；大家这边还是从整体的用户商业化出发。现在刚好这些大厂的 AI 插件没那么完善，可以先去抓一波用户。我更多考虑像你和 Reer 这种类型的团队。Reer 比较明确，后面做独立的 IDE 桌面，在里面可以把犀牛、Revit、SU 之间的数据打通——大厂之间不会打通的。卡在了这个位置，从未来长期商业化发展的角度挺不错的。你现在会考虑这个问题吗？现在先把产品跟用户推一推、多做做、看看情况？
荆子林：我有考虑，这两个方向我都在考虑——web 端的，和接到别的软件里的。我还在想，两方面都想考虑，还是想看一眼大方向，这两方面我都比较方便去 pivot 调整。
秦明：因为你后面假如要走融资这条路，投资人也会问这些问题吧。
荆子林：我目前看来不太需要走融资。Illoca 确实有底气，作为颠覆者。我考虑得比较看市场反馈再决定，不太会去理想化那种未来方向，还是看市场让我去哪儿我就往哪儿走。主要现在我是纯 bootstrap自力更生。
11 Illoca 的渠道之惑
Leo：对 Illoca，荆子林说得很好——它的用户可能不是 Revit、Rhino 或者其他商业软件的使用者，可能更偏向一些 general 的、想做 3D 建筑 concept 模型的人。但我后来看他们发的那个 recording，有人问他「你将来会考虑把模型导出成 Revit 模式或者其他rhino模式吗」，他说他们正在研发这块，将来会导出 RVT 格式。我觉得它可能也是想抓用户，不想只针对普通 C 端，可能也想将来面向建筑师、设计事务所这样的 B 端。这就造成一个矛盾：它相当于跟通用大模型（比如 Astra 6）成了竞争对手。从这个角度讲，它能比它们表现更好吗？它只是利用底层大模型来优化整个产品，这就是我感兴趣想知道的。
秦明：他们上次已经演示了，这些东西可以导进到 Rhino 里做二次编辑。
荆子林：我其实更好奇他们的渠道是什么。我一直在想，他们的渠道到底是什么，我有点看不太到 C 端会怎么去使用他们的产品。对 B 端吧，我唯一能想到的是他们有自己的 B 端渠道，但你要说做到落地的程度，也还没有看到。
Leo：我跟子林有完全一样的疑惑。当时他们在弄这个事情，其实是很早我就思考过的方向，但我没有往这方向发展，因为跟你有一模一样的疑问。
荆子林：我还稍微走了一点他们这条路——最开始我是 web 端应用，跟他们差不多，然后就让我更困惑了。
Leo：子林，你做过 Three.js 的 web 端了？
荆子林：我现在也有，标成了一个 beta 阶段的东西。
Leo：明白，那我们也在做类似的，将来方便的话可以再讨论。
Ting：我觉得说得挺对。我一开始也以为 Illoca 会做一个插件，未来会想去做一个犀牛或者 Revit 的插件给专业者用。确实如果只在网页上，它的可变性有点太差了——展示效果很好，但不那么 to professional，对专业使用者来说没那么友好。这可能都不是 B 端和 C 端的区别。
12 参数化插件：另一种思路
Ting：这让我想到之前秦明你也知道的，胡政涛1人10个月，做了一款AI原生建筑3D设计软件，用14万行代码重写CAD底层，他在杭州，也在做建模方向的创业。我之前用过，他现在那个版本已经和他之前在小红书上发的不太一样了。他做得相当专业、细致，当然他没推出来，未来可能考虑宣传，但现在还在研发当中，他自己比较完美主义，不到那个程度不会放出来。我当时用的个人感受是，他可能是现在所有 AI 产品里做得最细致的。不过我的问题在于，我不确定他是否需要这么细致，打个问号，未必越细越好。
这也看到创业者做 AI 建模的不同思路。他操作的逻辑是：在犀牛里面，它是个插件，插件里可以切换不同视角，联动地改其中的一些组块，有些组块的改变类似参数化的逻辑，不需要 AI 去等待重新建——内部搭了一套参数化链条。比如要把柱间距从 3 米改成 5 米，它不是把柱子全删掉再重建，而是有个控制，直接从 3 拨到 5，瞬间完成。
Illoca 当时用 Python 不是还能导出个 .gh 吗？我当时还挺兴奋的，还能导出参数化模型，那我来看看。拉出来放进系统一看，是把一段 Python script 写在了一个电池（battery）里，左边一堆 slider，拖动它还有 bug，不能随便拖，响应也还挺慢。我当时就觉得好像没什么太大意义，挺鸡肋的——对于真的有设计建模需求的人来说。
不过，它给了一个很好的渠道，让我看到它究竟生成了什么：背后其实是 Python 的逻辑，甚至写了一些参数化的内容。参数化就是把 Python 里某些函数的参数单独外置，看似给用户灵活调节，但这个调节响应速度很慢，还有 bug。比如柱间距调到 4.9 的时候，所有柱子全没了——理由可能是上一个条件限制：比如要求必须是 3×3，调到 4.9 就 3×3 放不下，只能放 2×2，逻辑打架了，导致你永远调不到 5 米间距的柱子。它可能并没有「可以变间距布置柱子」这个条件。里面的各种细节……我个人觉得，建筑建模和建筑设计还是很复杂的。
当然一步一步来，他做了很好的示范，使用上确实是我目前用到的最好的。未来这东西怎么走，是不是一定要一直依靠大模型的能力，加上刚才我所谓的建筑师的工程经验、经验性的东西，这个很重要，现在不好说。反正我不做这方面的创意，作为旁观者的视角，说点很直接的话，大概就是这个样子。
13 不需要一个类rhino revit 2.0的东西
秦明：我在这块的思考是，现在大家都讲 AI 时代，我认为市场不太需要一个 Rhino、Revit 或者 SU 的「2.0」版本——就是把之前这些软件能做的事工作流，用大模型的思路重新细化做一个，完全精细化的建模新东西，各个方向、ToB、操作方式都跟它对齐。专门做这样一个东西，一方面花费比较多，但同时在抓用户上，它本身的吸引力我觉得不太够。前段时间我问一个建筑师，你现在使用软件怎么选，他说不可能直接把自己的东西切到一个新产品，因为他不知道新产品什么时候就半途夭折了，迁移成本也比较高。
Leo：对，有个生态的考虑。
秦明：还有一个点，AI 这波本身可以让很多非建筑专业的人用起来。我更看好 Illoca 这种类型的团队——让不是建筑师的人能用起来，我觉得可能是这里面的一个变量。相对于 Ting 刚才说的政涛做比较细致复杂的——我上次看他的产品是去年在北京，他给我看的。前段时间他也跟我说产品接下来要 next level 了，我还没看到他的新东西。
Ting：他比较完美主义。
秦明：我相对来说看好 Illoca 这种思路，它扩大了用户规模。就跟两年前大家切 AI 编程赛道一样，当时 MiniMax 的闫俊杰……问梁文峰为什么不做，梁说编程的用户有限，后来闫俊杰发现这件事本质扩大了用户群体，让很多非专业的都可以用。我看重的更多是这一点。
14 ToC 的「摆家具」思路
Ting：刚好讲到 ToC，之前我看秦明你也整理过，有个企业叫生境科技？
秦明：我现在给这家公司是打（个问号），虽然他是院士团队，但我接触到的市场信息，风评不是很好，产品我不清楚，没有了解过。
Ting：他们产品上个月刚出内测版，因为我老早就在他们内测群里——拉群是一年前，拉了一年都没响应，上个月终于说可以用了，我就赶紧下载用了。他们主做室内。现在测试阶段不花钱，给我们无限额度去用去测、反馈问题。我有朋友在里面工作过，说法跟你一致，但我想产品都出来了就试一试。那天试完我觉得还可以，他们走的路就是把 C 端拿下来。
秦明：你能先说下他们产品的输入输出是啥吗？我不太清楚。
Ting：它有点像少女游戏。目的是给家做设计，第一步是导入户型，方法很多：你家里有房产证、上面有平面图，拍张照识别，这个已经做得比较成熟了；或者直接搜户型案例库，不一定能搜到自己家的，除非是那种常见的酒店式一居；或者做视频重建，跟酷家乐现在做的有点像——你拿着手机在家里沿着踢脚线扫一圈，它根据陀螺仪、手机的定位引擎把空间建出来；还可以手绘拉线。
有了户型之后，跟它的 AI 说，也是对话式的，非常简单，说「我想要什么样的室内效果」，给它一些参考图，它就从很庞大的家具库里——各种装饰、地毯、墙贴、挂画、甚至植物盆栽、置物架，所有细节——根据你的需求挑出来摆进去。
说实话，毕竟他们融了不少钱，研发人员非常多，做得还可以。我一开始抱着比较失望的态度去测（因为名声不太好），结果居然觉得还行，说明背后的工程和细节还是有考虑的，没那么随便。整体上又是可拖拽的，用户自己可以编辑，他们可能算是在三维生成模型这个领域把 ToC 市场做得比较成熟的一个工具。
但他们的思路跟今天我们讨论的不一样。他比较切重于空间的响应问题——你可以理解，他的设计不是建模，是在摆家具。我把这个分成两个阶段：今天荆子林在做的，是怎么去建外立面的模型，把 box、surface 拉出来，比较自由；对生境他们来说，是一个巨大的家具库，怎么让 AI 在这个库里满足用户需求、且有动线地把家具摆出来。
对我来说，它更多像是「摆家具的 AI」。跟我们今天说的——胡政涛在做的、Illoca 在做的、荆子林在做的建模思路还不太一样。ToB 和 ToC 在这里面也有区别：对用户来说，居家设计里他们不是特别 care 东西的形状如何，可能在意的是这东西我能不能买到、该摆在哪里。
秦明：对，他们是在既有空间里，围绕动线各个方向去布置，可能更多是对空间理解本身背后的很多东西。目前还看不到这个东西跟 Reer、跟荆子林这些有什么关联，完全打的是不同方向。确实补充了一些技术层面的差异。看荆子林还有啥要补充的吗？感觉今天也差不多。
荆子林：差不多了，今天非常有用。
Leo：谢谢和大家分享这些。
秦明：那咱们今天先聊到这，我待会拉个群。
欢迎咨询加入我的会员社区（say-amazing）1499元/年，或者订阅我的内容产品👉 AI4E HOT产品上线，全球工程AI每天发生什么，现在有个地方能一次看完。早鸟价299，10月后将升到899元/年。
本文为 AI4ELAB 原创，作者：Connor 秦明。转载请注明出处：https://ai4elab.com/8802.html
