Словарь

Языковая модель обучена продолжать текст правдоподобно, а не быть правой. Когда точных данных в ней нет, она всё равно выдаёт гладкий ответ — с несуществующим пунктом СП, выдуманным ГОСТом или неверной цифрой инсоляции.

Это не редкий сбой, а базовое свойство технологии, и именно оно определяет границу применимости: ИИ хорош там, где вы способны проверить ответ за минуту, и опасен там, где проверять никто не станет. Ссылку на норматив всегда открывайте руками.

Датасет — это не просто «много файлов», а данные, приведённые к единому виду и снабжённые разметкой: где на плане несущая стена, какой это тип здания, что считается ошибкой. Сбор и разметка обычно съедают больше сил, чем само обучение.

Для проектной организации это стратегический вопрос: архив из тысяч выполненных проектов превращается в актив только после того, как его привели в порядок. Разрозненные папки «Проект_итог_финал_2» датасетом не являются.

Модель, натренированная на одном типе данных, на другом ведёт себя заметно хуже — при этом не отказывается работать, а продолжает уверенно выдавать результат. В этом и опасность: сбой не виден по форме ответа.

Классический для отрасли пример — распознавание чертежей, обученное на аккуратных западных DWG и запущенное на советских синьках; или генератор фасадов, видевший в основном калифорнийские особняки и упорно предлагающий их для участка в Сочи. Отсюда практический вывод: любой инструмент нужно проверять на своей типологии, климате и нормативной базе, а не на демо-роликах.

Инференс — это работа уже готовой модели: вход зашёл, выход вышел. В отличие от обучения он дёшев поштучно, но платить приходится за каждое обращение, и на больших объёмах счёт растёт линейно.

Практически это упирается в выбор: гонять запросы через облачный API (быстро, удобно, но данные проекта уходят наружу и каждый рендер стоит денег) или развернуть модель локально на своей видеокарте (дороже на старте, зато безлимитно и без утечек).

Клеточный автомат работает без всякого обучения: есть поле ячеек, у каждой — состояние, и одно локальное правило вида «смотри на соседей и решай, кем стать на следующем шаге». Из тривиального правила вырастает поведение, которое невозможно предсказать, не прогнав его.

В архитектуре это старый и до сих пор живой инструмент морфогенеза: так генерируют структуру застройки, схемы заполнения объёма, узоры фасадных панелей, планировочные ткани, растущие по правилам соседства. Для новостей важно отличать этот подход от нейросетевого — здесь всё детерминировано и полностью объяснимо, что для проектной защиты нередко плюс.

Компьютерное зрение отвечает на вопросы «что на этой картинке и где именно»: распознать помещения на скане поэтажного плана, посчитать арматуру на фото, отследить каску и жилет на стройплощадке, найти трещину на фасаде по съёмке с дрона.

Для отрасли это самая приземлённая ветка ИИ — она уже работает в строительном контроле и в оцифровке архивных чертежей, где ручной перенос стоит месяцы.

Контекстное окно — это оперативная память диалога, измеряемая в токенах. Всё, что вышло за её пределы, для модели просто перестаёт существовать: она не «забыла», она физически не видит эти строки.

Для архитектора это главный ограничитель при работе с нормативкой и техзаданиями. Свод правил на триста страниц в окно поместится не всегда, а если и поместится, внимание модели по такому объёму размазывается. Обычно надёжнее не заливать всё разом, а подтягивать нужные пункты через RAG.

Мультимодальная модель принимает на вход не только текст: ей можно показать скан плана, фотографию стройплощадки или скриншот из BIM-модели и спросить по существу. Внутри всё сводится к общему пространству представлений, поэтому картинка и подпись к ней для модели сопоставимы.

Для проектировщика это самый быстрый способ получить пользу прямо сейчас: скинуть фото узла и спросить, что не так; показать разрез и попросить пересказать его текстом для пояснительной записки.

Нейросеть — это набор числовых «весов», настроенных так, чтобы превращать вход (текст, картинку, облако точек) в выход (другой текст, другую картинку, метку). Никто не пишет для неё правила вида «если окно, то подоконник»: она подбирает веса сама, прогоняя миллионы примеров и подправляя себя после каждой ошибки.

Для архитектора практический вывод один: нейросеть знает ровно то, что было в её примерах. Модель, обученная на фотографиях европейских фасадов, будет тянуть любой ваш эскиз в сторону европейского фасада — и это не баг, а прямое следствие устройства.

Обучение — это не то, что происходит, когда вы разговариваете с чат-ботом. Это отдельная стадия: модель прогоняет терабайты данных на кластере видеокарт неделями, и результат «застывает» в виде файла весов. После этого модель не запоминает ваши правки сама по себе.

Отсюда частое разочарование: вы десять раз объяснили ассистенту, как оформлять экспликацию помещений, а в новом диалоге он снова оформляет по-своему. Чтобы знание закрепилось, нужен либо файнтюнинг, либо RAG, либо просто записанная инструкция, которую подкладывают в каждый запрос.

Открытые веса — не то же самое, что открытый исходный код: обучающие данные и процесс обычно остаются закрытыми, но саму модель можно взять и использовать. Разница с закрытым API принципиальная — вы не зависите от чужого сервиса, тарифа и правил.

Для бюро это вопрос конфиденциальности и предсказуемости: чертежи заказчика не покидают контур мастерской, а модель не изменится и не подорожает в одностороннем порядке. Плата за это — своё железо и своя возня с настройкой.

Промпт — это всё, что вы отдаёте модели на вход: роль, задача, ограничения, примеры, референсы. Модель не догадывается о контексте вашего проекта, поэтому «сделай красиво» и «сделай фасад административного здания 1970-х, ракурс с угла, пасмурный свет, без людей» дают несопоставимые результаты.

Полезная привычка — держать библиотеку своих промптов, как держат библиотеку типовых узлов. Формулировка, которая один раз дала нужную подачу, будет работать и дальше.

Языковая модель видит не буквы и не слова, а токены — фрагменты примерно в три-четыре символа. Русский текст режется на токены заметно щедрее английского, поэтому один и тот же документ по-русски стоит дороже и быстрее упирается в лимиты.

Знать про токены нужно ровно для двух вещей: понимать счёт за API и понимать, почему том проектной документации «не влезает» целиком — он просто длиннее контекстного окна.

Трансформер появился в 2017 году и заменил собой предыдущие подходы за пару лет. Его ключевая идея — внимание: обрабатывая очередной фрагмент, модель сама решает, на какие другие фрагменты входа опереться, а не читает всё строго подряд.

Знать детали архитектору незачем, но термин постоянно встречается в новостях, и полезно понимать: и языковые модели, и современные генераторы изображений, и экспериментальные модели геометрии — по сути родственники.

Файнтюнинг берёт уже обученную модель и слегка подкручивает её веса на вашей выборке — например, на сотне отрисованных вашим бюро подач. Полного переобучения не требуется, хватает относительно небольшого набора и нескольких часов на видеокарте.

Для мастерской это способ получить узнаваемый почерк: модель начинает по умолчанию выдавать вашу графику, палитру, манеру подачи. Для фактов файнтюнинг работает хуже — если нужно, чтобы ассистент точно цитировал нормы, дешевле и надёжнее RAG.

Эмбеддинг — это координаты объекта в многомерном пространстве смыслов. Запросы «противопожарный разрыв» и «расстояние между зданиями по пожарным требованиям» попадут в близкие точки, хотя не совпадают ни одним словом.

На этом держится семантический поиск: библиотека референсов, где вы ищете «двор-колодец с кирпичной кладкой» и получаете подходящие фото без единого совпадающего тега. Тот же механизм лежит в основе RAG.

RAG решает главную беду языковых моделей — незнание ваших документов и склонность к выдумкам. Запрос сначала уходит в поиск по вашей базе (своды правил, техзадания, переписка, архив проектов), найденные фрагменты подкладываются в промпт, и уже поверх них модель формулирует ответ.

Именно так устроены полезные нормативные ассистенты: они не «помнят» СП, а находят его пункт и цитируют. Побочная выгода — ответ можно сопроводить ссылкой на источник, а значит, проверить.

Нейросетевой апскейл не растягивает пиксели, а достраивает правдоподобную фактуру: кирпич, листву, зерно бетона. Генерация обычно выдаёт умеренное разрешение, поэтому для планшета или печати кадр почти всегда проходит через этот шаг.

Важная оговорка: дорисованные детали — вымысел. Для подачи это нормально, для увеличенного архивного фото, которое пойдёт в исследование или обоснование, — уже подделка документа.

LLM решает одну задачу — угадать следующий кусок текста, — но на таком масштабе данных, что попутно осваивает пересказ, перевод, программирование и структурирование. Это и есть движок всех чат-ассистентов и большинства новых инструментов в отрасли.

Архитектору LLM полезнее всего там, где работа текстовая, а её объём глушит: пояснительные записки, разбор техзадания, сведение замечаний экспертизы, переписка с подрядчиками, черновик концепции. При этом любое утверждение о нормах и цифрах требует проверки — модель уверена одинаково и когда права, и когда нет.

Сцена собирается из множества трёхмерных «клякс» с цветом и прозрачностью, подобранных по фотографиям. В отличие от NeRF это рендерится в реальном времени на обычной видеокарте и открывается прямо в браузере.

Для архитектурной практики это самый простой сегодня путь от съёмки с дрона к живой трёхмерной подаче существующего положения: облёт участка, час обработки, и заказчик крутит фотореалистичное окружение сам. Проектную геометрию из этого не получить — но как контекст для вписывания объёма работает отлично.

Модели вроде Sora, Veo, Kling и Runway выдают несколько секунд связного движения по описанию или оживляют статичный рендер: облёт объёма, движение теней по фасаду, проход по улице. Держать геометрию неизменной на всей длине ролика они пока не умеют — здание может незаметно «поплыть».

Прикладной смысл — презентационный: оживить готовую визуализацию для показа заказчику вместо недели работы аниматора. Для точного проектного видео с выверенными размерами по-прежнему нужен обычный трёхмерный пайплайн.

Модель учили на обратной задаче: брали изображение, постепенно засыпали его шумом и просили восстановить. Научившись этому, она умеет стартовать с чистого шума и «проявлять» из него картинку, следуя текстовому описанию. Именно так работают Midjourney, Stable Diffusion, Flux и их родня.

Для архитектурной практики диффузия закрыла стадию поиска образа: десяток вариантов настроения фасада за минуты вместо дня в фотошопе. Ограничение принципиальное — на выходе изображение, а не геометрия: красивая картинка ничего не знает о конструкции, размерах и нормах.

Помимо описания желаемого многие генераторы принимают отдельный запрет: «люди», «машины», «искажённая перспектива», «текст на фасаде», «фальшивые окна». Модель отталкивается от этих понятий так же активно, как притягивается к основному запросу.

Для архитектурной подачи негативный промпт часто важнее позитивного — он вычищает типовой мусор нейросетевых рендеров: кривые оконные переплёты, бессмысленные надписи, лишних прохожих.

Генерация случайна ровно настолько, насколько случаен её стартовый шум. Зафиксировав сид, вы получаете воспроизводимость и возможность менять запрос по одному слову, наблюдая, что именно поменялось.

Практический приём: нашли удачную композицию — записали сид и дальше перебираете материалы и время суток, не теряя найденный кадр. Без этого каждая попытка улучшить рендер выдаёт совершенно другое здание.

Обычный текстовый запрос даёт красиво, но не туда: композиция каждый раз своя. ControlNet добавляет второй вход — линии, карту глубины, контур, позу, — и генерация обязана этому каркасу следовать.

Для проектировщика это ровно тот механизм, который превращает игрушку в инструмент: скармливаете скриншот вьюпорта из SketchUp или BIM-модели и получаете фотореалистичную подачу, где ваши пропорции и планировка сохранены. Без него нейросеть рисует «похожее здание», а не ваше.

Генератор пытается создать правдоподобную картинку, дискриминатор — отличить её от настоящей, и оба совершенствуются в этой гонке. С 2014 года GAN были главной технологией генерации изображений и дали первые опыты нейросетевых фасадов и планировок.

Сегодня диффузионные модели их в основном вытеснили, но GAN никуда не делись в узких задачах: апскейл, восстановление старых фотографий, генерация текстур, быстрые модели реального времени. В текстах про историю ИИ в архитектуре этот термин встречается постоянно.

В отличие от фотограмметрии, которой нужен полноценный облёт объекта, нейросетевые модели достраивают невидимые стороны по здравому смыслу, накопленному на миллионах примеров. Одного снимка хватает, чтобы получить объём — с оговоркой, что задняя сторона придумана.

Для исследования утраченной архитектуры это открывает то, что раньше было невозможно: единственная сохранившаяся дореволюционная фотография превращается в объёмную гипотезу. Слово «гипотеза» здесь ключевое — такую модель нельзя выдавать за обмер.

На вход подаётся картинка и текстовое описание, а параметр силы задаёт, насколько далеко модели позволено уйти от оригинала. Малое значение сохранит композицию и внесёт лишь фактуру и свет, большое — перерисует почти всё.

Это самый прямой мост между ручной работой и нейросетью: карандашный эскиз превращается в подачу, серый вьюпорт из Rhino — в вечерний рендер, а стадия визуализации сокращается с дней до часов.

Вы закрашиваете маской то, что нужно заменить, и описываете, что должно появиться на этом месте. Модель дорисовывает фрагмент, подстраиваясь под окружающие свет, перспективу и фактуру.

На практике это правка рендера без пересчёта: убрать провода и мусорные баки с фотофиксации, заменить остекление первого этажа, посадить дерево, стереть чужую вывеску с исторического снимка. Обратная операция — outpainting — достраивает кадр за его границами.

LoRA — это небольшой файл (десятки мегабайт), который подмешивается к основной модели и сдвигает её в нужную сторону, не трогая исходные веса. Обучить такую насадку можно на паре десятков картинок за час на обычной игровой видеокарте.

Отсюда прикладной сценарий для бюро: LoRA на свою подачу, на конкретный материал, на узнаваемый объект или на региональную типологию застройки. По сути это дешёвый и обратимый файнтюнинг.

NeRF не строит привычную сетку: нейросеть запоминает саму сцену как функцию — что видно и какого цвета из каждой точки пространства в каждом направлении. Результат фотореалистичен, честно передаёт отражения, стекло и листву, но существует в виде обученной модели, а не файла геометрии.

В отрасли NeRF применяли для облётов существующей застройки и презентаций «до и после». С 2023 года его практически вытеснил гауссов сплаттинг — быстрее и легче, — но термин прочно осел в новостях и научных статьях.

Модель выдаёт сетку с текстурами по фразе вроде «резной деревянный наличник, конец XIX века». Качество за последние пару лет выросло с курьёзного до пригодного для антуража, но геометрия остаётся неаккуратной: рваная топология, случайные размеры, никакой логики конструкции.

Реалистичное применение сегодня — наполнение сцены и быстрые массинг-этюды, а не рабочая модель. Именно на стыке этого направления и CAD растёт то, что называют нейросетевым моделированием.

Вместо строк кода вы соединяете блоки: взять кривую, разделить на равные отрезки, поставить в каждой точке панель, повернуть по солнцу. Порог входа заметно ниже программирования, а логика — та же самая.

Для отрасли это оказалось решающим: тысячи архитекторов освоили алгоритмическое мышление, ни разу не открыв текстовый редактор кода. Сегодня в те же среды приходят ИИ-узлы — генерация, классификация, оптимизация — прямо внутри привычного графа.

Вы задаёте задачу не как форму, а как условия: участок, нормативные отступы, требуемая площадь, инсоляция, стоимость, — и система выдаёт множество вариантов застройки или планировки, ранжированных по этим критериям. Дальше выбирает человек.

Важно не путать с генеративным ИИ: классический генеративный дизайн — это оптимизация и перебор, там нет никаких нейросетей, зато каждый результат объясним и проверяем. Сегодня эти две ветки срастаются: нейросеть предлагает варианты, оптимизатор их отсеивает.

Граф сцены отвечает не на вопрос «где какие треугольники», а на вопрос «что здесь стоит и как это связано»: стол находится в комнате, комната примыкает к коридору, светильник закреплён на потолке. Узлы — объекты, рёбра — отношения.

Для ИИ это удобнейшее представление пространства: по графу можно рассуждать, проверять его на соответствие требованиям и генерировать новые планировки как новые графы, а уже потом превращать их в геометрию. Многие работы по автоматической генерации планов идут именно этим путём, а не через картинки.

Обычный генератор изображений выдаёт пиксели, из которых ничего не построишь. Нейросетевой CAD пытается генерировать сам объект: последовательность операций — эскиз, выдавливание, скругление, — то есть то, что открывается в Rhino или SolidWorks и правится как своя модель.

Это и есть настоящая цель ИИ в проектировании и самое горячее исследовательское поле. Пока работает на деталях и несложных объёмах, но именно оттуда придёт момент, когда генерация перестанет быть отдельной картинкой и войдёт прямо в рабочий файл.

Каждая точка — это координаты и, как правило, цвет. Облако невероятно точно фиксирует существующее положение, но само по себе ничего не знает: в нём нет ни стен, ни этажей, ни отверстий — только поверхность как она есть, со всеми искривлениями реального здания.

Для проектировщика это исходник обмеров и основа проверки построенного на соответствие проекту. Нейросети работают с облаками напрямую: классифицируют точки, находят элементы, достраивают перекрытые участки.

Вместо того чтобы рисовать результат, вы описываете правило: шаг ламелей зависит от инсоляции, высота этажа — от пролёта, рисунок панели — от кривизны поверхности. Меняете параметр — вся модель перестраивается.

Это опора всей вычислительной архитектуры и прямая ступень к ИИ: там, где форма уже описана числами, алгоритму есть за что взяться — перебрать, оптимизировать, обучиться на удачных вариантах.

Программа берёт объединённую модель всех разделов и находит места, где воздуховод проходит сквозь балку, а лоток упирается в стену. Раньше это ловили на стройке, теперь — на экране, где исправление стоит на порядки дешевле.

Проблема известна каждому, кто этим занимался: коллизий находятся тысячи, и большинство из них мусор. Сюда и заходит машинное обучение — отсеивать незначимое и группировать однотипное, чтобы человек разбирал десятки реальных конфликтов, а не бесконечный список.

CDE — это не просто папка в облаке, а регламентированный оборот: у каждого файла есть статус (в работе, на согласовании, выпущен, архив), автор, версия и история. Именно так проект перестаёт жить в почте и мессенджерах, где «финальная_версия_2» существует в шести экземплярах.

Для ИИ среда общих данных — необходимое условие: агент способен отвечать на вопросы по проекту и следить за изменениями только тогда, когда есть единый достоверный источник. Без CDE любой ассистент будет уверенно цитировать устаревшую редакцию.

ТИМ — это то же информационное моделирование, но в терминологии российской нормативной базы. С 2022 года его применение поэтапно стало обязательным для объектов, строящихся с бюджетным участием, вместе с требованиями к составу и передаче информационной модели.

Разница с BIM не техническая, а регуляторная: за ТИМ стоят конкретные требования к формату передачи, к среде общих данных и к экспертизе. Читая новость про «внедрение ТИМ», имеет смысл сразу смотреть, о какой стадии и чьих деньгах речь.

Задаются нагрузки, опоры и допустимый объём, а алгоритм последовательно убирает недогруженный материал. Получаются характерные «костяные» структуры — узнаваемая эстетика, за которой стоит чистый расчёт, а не стилизация.

В строительстве применение долго упиралось в технологичность: такие формы трудно изготовить обычными способами. С приходом печати бетоном и роботизированной сборки барьер снижается, и тема снова в новостях.

Алгоритм находит одни и те же точки на разных снимках, вычисляет положение камер и восстанавливает геометрию. В отличие от нейросетевых методов здесь ничего не выдумывается — результат метрически достоверен, поэтому годится для обмеров и мониторинга.

Съёмка с дрона плюс фотограмметрия давно стали стандартом для фиксации существующего положения участка и контроля объёмов земляных работ. Слабые места известны: стекло, вода, однородные поверхности и всё, что не попало в кадр.

Цифровой двойник отличается от проектной модели одним: он подключён к реальности. Датчики температуры, расхода, загрузки помещений и износа оборудования поступают в модель, и она отражает не замысел, а текущее состояние здания.

Ценность возникает на эксплуатации, которая по деньгам многократно превосходит стройку: предиктивное обслуживание, оптимизация энергопотребления, проверка сценариев перед реальным вмешательством. ИИ здесь работает с потоком данных двойника — ищет аномалии и предсказывает отказы.

В B-rep цилиндр — это математически точный цилиндр, а не аппроксимация из тысячи граней. Так устроены все инженерные ядра моделирования, и поэтому из такой модели можно получить корректный чертёж, точный объём и данные для станка.

Разница с полигональной сеткой становится принципиальной, как только речь заходит о производстве: сетку, выданную нейросетью, нельзя ни точно обмерить, ни отправить на изготовление. Перевод сетки обратно в аккуратный B-rep — одна из ключевых задач нейросетевого CAD.

В BIM стена — не две линии, а объект со слоями, материалами, огнестойкостью, площадью и связями с перекрытием. Планы, разрезы и спецификации извлекаются из модели, поэтому изменение проходит по всей документации разом.

Для ИИ BIM ценен именно структурой: языковой модели или алгоритму гораздо проще работать с параметрами объектов, чем угадывать смысл линий на чертеже. Практически все серьёзные инструменты «ИИ для проектирования» сегодня цепляются либо к BIM-модели, либо к её обменному формату IFC.

CAD оперирует геометрией — линиями, поверхностями, телами, — а смысл этой геометрии держит в голове проектировщик. Отсюда разница с BIM: в CAD прямоугольник остаётся прямоугольником, даже если вы считаете его стеной.

Именно поэтому автоматический разбор чертежей — сложная задача: чтобы посчитать по DWG площади помещений, алгоритму приходится восстанавливать замысел из линий и подписей. Волна нейросетевых инструментов сейчас идёт как раз сюда — понимать чертёж и строить геометрию по описанию.

IFC описывает здание независимо от того, в чём его сделали: стены, перекрытия, инженерные системы, их свойства и связи. Это язык, на котором Revit, ArchiCAD, Tekla и Renga разговаривают друг с другом и с проверяющими системами.

Для ИИ-инструментов IFC — главная точка входа: формат открытый и хорошо документированный, поэтому большинство сторонних анализаторов, чекеров норм и агентов работают именно с ним, а не с проприетарными файлами. Плата за универсальность — потери при экспорте, о которых знает каждый, кто хоть раз собирал сводную модель.

LOD отвечает на вопрос, чему в модели можно верить: 100 — это габаритное пятно, 300 — точная геометрия проектного решения, 400 — сведения, достаточные для изготовления, 500 — исполнительная модель. Путаница в аббревиатуре обычна: одни имеют в виду детальность геометрии, другие — надёжность данных.

Практический смысл прямой: спор «модель не соответствует» почти всегда оказывается спором о невыясненном заранее LOD. И для ИИ-инструментов это тоже граница — на модели уровня 200 никакой алгоритм не посчитает вам объёмы работ.

Сканер выдаёт облако точек — миллиарды координат без всякого смысла. Scan-to-BIM превращает их в объекты: вот стена, вот колонна, вот проём. Исторически это ручная и крайне муторная работа, месяцы обводки по точкам.

Именно здесь ИИ даёт самый очевидный выигрыш прямо сейчас: распознавание конструктивных элементов в облаке автоматизируется хорошо. Для реконструкции и обследования это разница между «дорого и долго» и «за неделю».

Ведётся журнал, фиксируются отступления, согласуются изменения по ходу работ. Для архитектора это последняя возможность защитить замысел от упрощений на площадке — и самая недооценённая часть договора.

Технологии меняют здесь способ фиксации: фото- и видеофиксация с распознаванием прогресса, сверка съёмки с моделью, автоматическое выявление отклонений. Ответственность и подпись остаются человеческими.

Разрешённое использование, градостроительный регламент, зоны с особыми условиями, охранный статус, сети, геология, обременения — всё это выясняют до покупки. Пропущенная охранная зона или защитная зона объекта наследия способна обнулить проект целиком.

Работа состоит в вычитывании десятков документов и сведении их в один вывод, поэтому она первой попала под языковые модели: черновик анализа выписок и градплана готовится за минуты. Ответственность при этом не делегируется — цена ошибки здесь измеряется стоимостью участка.

Построенное никогда не совпадает с проектом полностью: замены материалов, смещения трасс, изменённые узлы. Исполнительная документация фиксирует фактическое положение и нужна и для сдачи, и для дальнейшей эксплуатации.

Здесь смыкаются сканирование и ИИ: облако точек снимается с площадки, сравнивается с моделью, отклонения находятся автоматически. Полученная модель фактического состояния — исходник для цифрового двойника.

К ОКС относят здания, сооружения и объекты незавершённого строительства — всё, что прочно связано с землёй и не переносится без несоразмерного ущерба. Навесы, киоски и временные постройки в категорию не попадают.

Различие не бюрократическая мелочь, а развилка: для ОКС нужны проектная документация, экспертиза, разрешение на строительство и ввод в эксплуатацию. Половина споров о самострое начинается именно с вопроса, является ли постройка объектом капитального строительства.

Формально это поиск более дешёвого способа выполнить ту же функцию: другой материал, другая конструктивная схема, другой узел. На практике часто оборачивается вымыванием качества, когда экономят на том, что как раз и делало проект проектом.

Инструменты расчёта делают эту процедуру всё более автоматической: варианты и их стоимость считаются быстро, поэтому аргументировать ценность архитектурного решения приходится всё раньше и конкретнее.

Сколько кубов бетона, метров кабеля, квадратов остекления — это основа сметы и коммерческого предложения. Вручную по чертежам считается днями и с ошибками; из BIM-модели вынимается автоматически, если модель дисциплинированно собрана.

ИИ подключается там, где модели нет: распознавание элементов и подсчёт прямо по PDF-чертежам — один из самых быстрорастущих коммерческих сегментов в отрасли, потому что экономия считается сразу и в деньгах.

Срок поставки лифта или фасадной системы способен определить весь график стройки не хуже конструктива. Замены по ходу дела — обычная реальность, и каждая тянет за собой корректировку документации.

ИИ заходит сюда через прогноз сроков и цен, подбор аналогов по характеристикам и автоматическую сверку спецификаций с прайсами поставщиков — рутина, которая сегодня съедает недели ПТО.

Состав жёстко задан постановлением № 87: определённые разделы, определённая глубина. Строить по стадии П нельзя — она отвечает на вопрос «допустимо ли это», а не «как это собрать».

Формализованность состава делает эту стадию удобной мишенью для ИИ: проверка комплектности, сверка разделов между собой, черновики пояснительных записок — работа объёмная, шаблонная и хорошо описанная правилами.

Если стадия П отвечает на вопрос «что и допустимо ли», то Р отвечает на «как именно». Здесь на порядок больше листов и именно здесь живёт основная трудоёмкость проектной организации.

Экономика ИИ-инструментов в отрасли определяется этой стадией: автоматизация выпуска рабочей документации, спецификаций и типовых узлов затрагивает самый дорогой по человеко-часам этап.

Хорошее ТЗ описывает функцию, состав, площади, требования к качеству и ограничения. Плохое состоит из общих слов, и тогда каждое изменение превращается в переговоры о том, входило ли оно в стоимость.

Разбор ТЗ — благодарная задача для языковой модели: вытащить все требования в проверяемый список, найти противоречия и умолчания, сверить готовый комплект на полноту ответа.

Проектировщик задаёт решение и требования, а завод переводит их в чертежи под своё оборудование: раскладку витражей, деталировку металла, схемы армирования. Их согласование — отдельная и часто болезненная стадия между проектом и стройкой.

В российской практике роль близка к рабочей документации и КМД. Автоматизация деталировки — старая тема, где ИИ сейчас догоняет: генерация раскладок и проверка их соответствия проектному решению.

Экспертиза выдаёт замечания, проект дорабатывается, цикл повторяется. Для многих объектов прохождение занимает месяцы и определяет весь график, а состав требований прописан нормативно и потому предсказуем.

Именно предсказуемость делает эту область привлекательной для автоматической проверки: часть замечаний повторяется из проекта в проект и вылавливается алгоритмически ещё до подачи. С 2022 года экспертиза принимает и информационные модели, что открывает дорогу машинной проверке.

MEP — то, что заполняет здание изнутри и обычно определяет высоту этажа, размеры шахт и половину конфликтов на стройке. Именно здесь сходятся требования всех разделов, поэтому MEP — главный источник коллизий и переделок.

Для ИИ это одна из самых денежных областей: автоматическая трассировка сетей, подбор оборудования, проверка на пересечения и на соответствие нормам. Ошибка тут стоит не перерисованного листа, а вскрытой стены.

На крупном объекте таких запросов сотни, у каждого — срок ответа, и простой на площадке из-за зависшего RFI стоит дорого. По сути это измеритель качества документации: много запросов — плохо выпущенный проект.

Отсюда очевидный сценарий для языковых моделей: автоматически искать ответ в комплекте документации и готовить черновик, а также заранее находить противоречия между разделами до того, как их найдёт прораб.

Вы формулируете, что должно получиться, модель пишет код, вы смотрите на результат и просите поправить. Термин появился в 2025 году и описывает реальность, в которой скрипт под свою задачу делает человек, никогда не учившийся программировать.

Для архитектора это снимает давний барьер: свой скрипт для Grasshopper или Dynamo, обработчик выгрузки, конвертер спецификаций теперь делаются за вечер. Оборотная сторона — код, который никто не проверял, и здесь стоит держать разницу между одноразовым инструментом для себя и тем, на что полагается вся мастерская.

Одиночный запрос к модели редко даёт готовый продукт. Реальная польза появляется в цепочке: экспорт из модели, генерация вариантов, отбор по критериям, оформление листа. В инструментах вроде ComfyUI такой конвейер собирается наглядно из узлов.

Ценность воркфлоу в повторяемости: настроенная один раз цепочка выдаёт стабильный результат каждый раз и передаётся коллеге целиком, вместе с настройками, а не в виде устного «я там что-то покрутил».

Модели заранее описывают доступные действия — посчитать, найти в базе, открыть файл, изменить параметр. Столкнувшись с задачей, она не сочиняет результат, а формирует вызов и получает настоящий ответ от программы.

Это лекарство от галлюцинаций там, где нужна точность: площадь считает калькулятор, пункт норматива достаёт поиск, объём берётся из модели. Именно на вызове инструментов держится всё агентное поведение.

Обычный чат отвечает на вопрос. Агент получает задачу — «проверь комплект на соответствие ТЗ», — сам решает, какие файлы открыть, какие проверки прогнать, что перепроверить, и возвращает результат. Отличие от чата в наличии инструментов и права ими пользоваться.

Для отрасли это следующий шаг после ассистентов: агент, который читает модель, гоняет проверки и готовит отчёт по замечаниям. И тот же шаг требует нового отношения к контролю — агент способен наделать дел молча, поэтому важные действия должны проходить через человека.

Копайлот подсказывает, дополняет, объясняет и выполняет мелкие поручения прямо внутри CAD, BIM или офисного пакета. От агента отличается ролью: он не уходит выполнять задачу самостоятельно, а стоит за плечом.

Практически все крупные вендоры — Autodesk, Graphisoft, Trimble, Nemetschek — встраивают такие помощники в свои продукты. Это тот формат ИИ, который проникает в отрасль незаметнее всего: ничего не внедряя, вы однажды обнаруживаете его в очередном обновлении.

Модели с открытыми весами запускаются на рабочей станции с приличной видеокартой. Они слабее топовых облачных, но зачастую достаточны для внутренних задач — поиска по архиву, разбора документов, генерации черновиков.

Мотивов два: конфиденциальность, когда договор или режимность прямо запрещают выгружать проект наружу, и предсказуемость расходов — железо покупается один раз, а не тарифицируется по токенам.

Разные задачи требуют разных моделей: дешёвая и быстрая разбирает почту, сильная и дорогая пишет разбор нормативов, специализированная считает геометрию. Оркестратор распределяет задачи, следит за очерёдностью и собирает итог.

На уровне проектной организации это уже вопрос архитектуры процессов, а не выбора инструмента: с чего начинается задача, где она разветвляется и в какой точке обязательно появляется человек с подписью.

Сюда входит не только формулировка задачи, но и системная инструкция, примеры желаемого ответа, заданный формат вывода и явные ограничения. Разница между случайным ответом и стабильно пригодным чаще всего в этом, а не в выборе модели.

В бюро это оформляется во внутренний стандарт: согласованные инструкции для типовых задач — разбор ТЗ, черновик записки, стиль подачи, — которыми пользуются все, вместо того чтобы каждый заново изобретал формулировку.

Полностью автономный процесс хорош, пока не ошибётся. Человек в контуре означает, что значимые решения — выпуск документа, отправка письма, изменение модели — проходят через явное подтверждение, а система лишь готовит вариант.

Для проектирования это не идеология, а закон: подпись под документацией ставит физическое лицо, и ответственность несёт оно. Любой разговор о внедрении ИИ в выпуск документов упирается в вопрос, где именно стоит эта точка контроля.

API — это заявленный набор запросов, которые сервис готов принимать. У ИИ-моделей он выглядит просто: отправили текст и параметры, получили ответ, заплатили по числу токенов. Через API работают и Revit с Rhino, и облачные модели.

Практический смысл для бюро — не ограничиваться чат-окном в браузере, а встроить модель в собственный процесс: пакетная обработка сотни описаний, автоматическая проверка выгрузок, генерация внутри плагина.

До MCP каждую связку «модель — сервис» писали отдельно, и их количество росло квадратично. MCP задаёт общий разъём: сервер публикует свои инструменты и данные, любая совместимая модель их видит и умеет вызывать. Стандарт открыт и быстро стал отраслевым.

Для проектирования это принципиально: MCP-сервер к BIM-модели, к среде общих данных, к базе нормативов или к каталогу производителя — и ассистент работает с реальным проектом, а не с пересказом. Именно через такие разъёмы ИИ и врастает в существующие рабочие процессы.