今天，聊一個真實的初創故事：早前，我曾在香港科學園營運一間人工智能+ BIM 初創公司。那段經歷，讓我體會到AI在建築行業的潛力和挑戰——如何從「大海撈針」般的數據搜索中，找到高效解決方案。
如何從「大海撈針」般的數據搜索中，找到高效解決方案。
當時，我們的產品核心是幫助用戶從IFC模型（Industry Foundation Classes，BIM的開放標準）中快速提取目標數據進行分析。輸入端很簡單：用戶提問一個問題（如「這個樓層的梁柱強度數據是多少？」），系統就執行相應的搜索工作。但在真實的IFC項目模型中，這就像大海撈針。對於AI來說，這不是問題——但使用的token消耗和效率卻不如理想。大概問一條問題需要等候5-10分鐘。
使用的token消耗和效率卻不如理想
為了解決這個痛點，我們開發團隊探討了各種優化方法，最終採用RAG技術（Retrieval-Augmented Generation）。我們先將IFC模型中的數據利用SQL進行數據標籤化，創建一個專屬的知識庫。然後，透過訓練AI模型，提高標籤的準確性和相關性。結果呢？搜索功能從原本的5-10分鐘，提升到只需2-3秒完成指令！這不僅大幅加速了資訊交換，還降低了token成本，讓AI agent更實用、更高效。
回想起來，這段經驗讓我看到人工智能在BIM行業的巨大潛力：從傳統的file-based exchange（檔案交換）轉向data-based information exchange（基於數據的交換），符合ISO 19650的演進方向。但同時，也提醒我們，人工智能不是萬靈丹——它的效能取決於底層數據的品質和模型的建構方式。
將IFC模型中的數據利用SQL進行數據標籤化，創建一個專屬的知識庫。
