技术深度解析
Drafted的核心创新在于将建筑设计重新定义为约束优化问题，而非生成式艺术任务。大多数AI建筑工具——如基于Stable Diffusion或DALL-E构建的——生成视觉上吸引人的渲染图，但在现实约束面前不堪一击：一栋漂亮的别墅可能违反退线要求，窗户正对邻居墙壁，或超出最大容积率。Drafted的模型通过将约束作为硬性前提条件嵌入生成管线，避免了这一问题。
系统架构
该系统由三个组件组成：
1. 结构化输入编码器：解析场地条件（地块尺寸、朝向、分区区域）、功能需求（卧室数量、卫生间数量、总建筑面积）以及当地规范参数（最小房间尺寸、逃生窗要求、楼梯宽度、防火间距）。这些被编码为向量化的约束图。
2. 基于Transformer的生成主干（类似于图神经网络）：学习在约束图条件下有效建筑布局的概率分布。与文本到图像模型不同，输出不是像素网格，而是参数化建筑信息模型（BIM）——一种包含墙壁、门窗、房间和结构元素的显式坐标与属性的结构化表示。
3. 约束满足层：对生成的BIM进行后处理，验证其是否符合所有输入约束。若检测到违规，模型通过生成过程反向传播以调整布局，迭代直至所有硬约束得到满足。这类似于带引导的扩散模型，但引导信号是可微的合规检查器。
关键技术差异化
- 约束编码：Drafted使用自定义领域特定语言（DSL）表示建筑规则。例如，“距地块边界最小距离=3米”变为张量约束。模型在生成过程中学习关注这些约束，而非仅在事后。
- 多分辨率生成：模型首先生成粗略的区块布局（房间邻接、动线），然后细化为详细的墙体布置、门窗位置和结构网格。这种分层方法减少了搜索空间并提高了可行性。
- 本地规范适配：模型在来自多个司法管辖区的数千份已获批住宅设计数据集上训练，每份设计都标注了适用的建筑规范版本。推理时，用户选择其所在司法管辖区（例如“2024国际住宅规范+加州修正案”），模型加载相应的约束集。
相关开源项目
虽然Drafted的核心模型是专有的，但几个开源项目探索了类似思路：
- architext（GitHub，约2.3k星）：使用基于图的布局模型从文本描述生成平面图，但不强制执行建筑规范。
- House-GAN（GitHub，约1.8k星）：用于房屋布局生成的生成对抗网络，受房间邻接和面积约束，但仅限于2D且无规范合规性。
- BuildingMiner（GitHub，约900星）：从监管文档中提取建筑规范规则为机器可读格式——可能成为Drafted约束库的数据源。
性能基准
| 指标 | Drafted（报告值） | 传统建筑师（平均） | AI图像生成器（如Midjourney） |
|---|---|---|---|
| 概念设计时间（独栋住宅） | 4-6小时 | 2-4周 | 10分钟（但不可用） |
| 首轮规范合规率 | 78%（声称） | 95%以上 | <5% |
| 每次设计迭代成本 | 约50美元 | 500-2,000美元 | 约0.10美元（仅图像） |
| 生成的有效变体数量 | 50-100个 | 3-5个 | 不适用 |
| 输出格式 | BIM（IFC, RVT）+ 2D图纸 | 2D图纸 + BIM | JPEG/PNG仅 |
数据要点： Drafted的速度优势巨大，但其78%的首轮合规率意味着大约每五个设计中就有一个仍需人工修正。对于专业建筑师而言，这一差距在最终交付物上不可接受，但对于早期概念探索，它已是游戏规则改变者。该模型能在数小时内生成50-100个有效变体——而建筑师在数周内仅能提供3-5个——从根本上改变了设计探索流程。
关键玩家与案例研究
Drafted的团队与战略
Drafted由一支拥有计算设计和结构工程背景的团队创立。CEO此前在一家大型参数化设计软件公司（可能与Grasshopper/Rhino生态系统相关）领导研发。CTO来自一家大型科技AI实验室，在结构化数据的Transformer模型方面经验丰富。他们的战略是从独栋住宅开始——这是最标准化且规范最密集的细分市场——然后扩展到多户住宅、商业室内设计，最终到大型项目。
早期应用案例
Drafted已与几家小型开发商和定制住宅建筑商合作进行beta测试。一个值得注意的案例是加州奥克兰的一个填充式开发项目：地块形状不规则，受多个退线约束，且需包含一个附属住宅单元（ADU）。传统上，建筑师需要两周时间进行场地分析和初步概念设计。Drafted的模型在5小时内生成了12个合规方案，其中3个被开发商选中进行进一步深化。该模型还自动生成了符合当地规划部门要求的阴影分析图。
竞争格局
Drafted面临来自多个方向的竞争：
- 传统BIM软件（Autodesk Revit, Graphisoft Archicad）：这些工具提供强大的设计能力，但缺乏AI驱动的生成能力。它们正在添加AI功能，但受限于现有架构。
- AI渲染工具（Midjourney, Stable Diffusion）：这些工具生成视觉上令人惊叹的图像，但无法输出可施工的设计。它们更适合营销而非设计。
- 参数化设计平台（Hypar, Spacemaker/Autodesk Forma）：这些平台专注于早期概念探索，但通常需要大量手动设置约束，且缺乏Drafted的端到端生成能力。
- 学术研究（House-GAN, Graph2Plan）：这些项目展示了概念验证，但尚未达到生产级可靠性或规范合规性。
Drafted的主要竞争优势在于其约束优先的方法和端到端BIM输出，这使其与仅生成图像或需要大量人工干预的工具区分开来。
行业影响与未来展望
对建筑行业的潜在影响
如果Drafted成功，其影响将是深远的：
- 降低定制设计的门槛：目前，定制住宅设计费用通常占建筑成本的10-15%，使大多数房主望而却步。Drafted的目标是将设计成本降低一个数量级，使定制设计对中产阶级家庭变得可行。
- 加速住房供应：通过将设计周期从数周缩短到数小时，Drafted可以显著加快住房开发速度，特别是在住房短缺严重的地区。
- 民主化设计探索：建筑师和开发商可以探索数百个设计方案，而不是少数几个，从而做出更明智的决策并优化空间利用。
- 规范合规自动化：建筑规范日益复杂，且因司法管辖区而异。Drafted的约束编码方法可以自动化合规检查，减少人为错误和昂贵的返工。
挑战与局限性
- 合规率差距：78%的首轮合规率意味着每五个设计中就有一个需要人工修正。对于最终交付，这不可接受。Drafted需要将合规率提高到95%以上才能获得专业建筑师的信任。
- 设计创造力：约束求解方法可能产生功能性但缺乏灵感的建筑。建筑不仅仅是工程——它也是艺术。Drafted需要找到一种方法，在约束满足与设计创造力之间取得平衡。
- 数据集偏差：Drafted的训练数据来自已获批的设计，这些设计反映了现有的建筑实践和偏见。该模型可能难以生成真正创新的设计，或适应非标准场地条件。
- 责任与保险：如果AI生成的设计存在缺陷，谁负责？建筑师携带专业责任保险，但AI模型没有。Drafted需要解决责任问题，才能被主流建筑实践所接受。
未来路线图
Drafted已宣布计划在2025年底前扩展到多户住宅和商业室内设计。该公司还在探索与市政规划部门的集成，以实现自动化的规划许可审查——这可能会进一步缩短开发时间。从长远来看，Drafted设想了一个“设计即服务”模式，房主可以输入他们的场地条件和偏好，并在几分钟内收到多个合规设计方案。
结论
Drafted代表了AI在建筑领域应用的一次重大飞跃。通过将建筑设计重新定义为约束优化问题，该公司解决了生成式AI在建筑中的核心失败：产出视觉上令人印象深刻但不可行的设计。虽然仍处于早期阶段，但Drafted的方法有潜力使定制住宅设计民主化，加速住房供应，并改变建筑师和开发商的工作方式。然而，挑战依然存在——合规率需要提高，设计创造力需要保留，责任问题需要解决。如果Drafted能够克服这些障碍，它可能成为建筑行业AI驱动转型的催化剂。对于首次建房者、小型开发商和自建者来说，Drafted承诺了一个未来：好的设计不再是奢侈品，而是每个人都能负担得起的工具。