一、前言
在我國推動「2050淨零排放」政策與淨零建築路徑的脈絡下,建築設計階段如何更早、更快、更可靠地把「減碳」與「決策」結合,已成為產業轉型的關鍵。建築碳排遍及全生命週期,包含使用階段的營運碳排與興建/更新拆除階段的蘊含碳排;在全球減碳壓力持續升高的情況下,建築產業勢必需要一套可落地、可解釋、可擴充的數位化工具,協助設計端在「法規、造價、碳排、美學」等多重目標間取得平衡。
然而,傳統設計流程在概念設計階段往往面臨三大困境:第一,基地條件與法規文件龐雜、查核耗時;第二,造價與碳排估算高度仰賴經驗,難以即時反饋;第三,與業主溝通外觀意象需要大量手工嘗試,難以快速生成多版本方案比較。為回應上述痛點,本所推動「建築設計低碳高效多目標決策輔助的 AI 代理系統」研究,並以「低碳數位雙軸轉型」為主軸,嘗試建立一套以 BIM 與 AI 為核心的人機協同決策流程,提升設計初期的決策效率與低碳設計品質。
二、研究目的與技術構想
本研究核心目標,是在建築設計初期(LOD100–LOD200)建立一套「可操作、可驗證、可延展」的 AI×BIM 多目標決策輔助流程與系統原型,讓建築師在保有專業主導權的前提下,能更即時掌握法規合規性、量體指標、造價趨勢與碳排變化,並以視覺化方式與業主溝通設計方向。研究成果定位為「生成輔助與決策支援」,而非以 AI 完全取代設計專業;系統的重點在於降低門檻、提升透明度與可追溯性,使 AI 成為設計端可靠的工具伙伴。
在技術構想上,本研究以三層架構整合:
(一)知識與推理層:LLM+RAG
針對建築法規文本「高度結構化、條文關聯密集」的特性,採用檢索增強生成(RAG)把法規拆解為最小語意單元,先檢索再生成,降低幻覺風險並提升回答聚焦度。
(二)協作與編排層:MCP 多代理(Agent)框架
透過標準化的任務封裝與工具協定,使不同專業模組(法規、造價、碳排、圖像生成等)可以被動態調用,並保留任務歷程紀錄,支援可觀察、可稽核的系統行為。
(三)建模與驗證層:參數化 BIM/Rhino-Grasshopper+決策面板
以 Rhino / Grasshopper 作為概念建模底座,串接多代理協作層,形成「參數模型 AI代理 決策面板」的閉環迭代與模型回寫機制,讓設計調整可同步反映於造價、碳排與方案比較。
三、技術應用架構與系統功能
(一)LLM+RAG:建築法規顧問代理
本研究針對法規文件的「資訊量大、條文相互引用、語意細節關鍵」等特性,採取「結構化解構+混合式向量檢索+生成回覆」的策略:先把法規拆到可檢索的最小語意單元,再以兩階段混合式檢索提供最精準上下文,最後由 LLM 生成可理解且可追溯的法規諮詢內容,降低資訊過載造成的答非所問。
(二)MCP 多代理:任務拆解、工具調用與可追溯執行
系統透過 MCP 概念把「人類輸入的自然語言需求」轉換為「可執行的任務與約束」,並將任務交由不同工具/模組處理。研究指出 MCP 的價值在於模組化互通、結構化上下文管理,以及安全與監控機制,有助於企業級部署時的資訊安全與風險控管,並提升代理行為的可觀察性與可追蹤性。
在代理執行流程上,研究採「理解語意→選擇工具→組裝呼叫邏輯→彙整回應」的四步驟:先把使用者需求拆成明確設計任務與多目標約束,再依需求呼叫對應工具(如造價規劃、碳排估算、法規檢核),最後彙整成可供設計端採用的建議與摘要。
(三)LOD100–LOD200:參數模型與決策面板的閉環迭代
本研究明確聚焦建築初期規劃階段(LOD100–LOD200),建立人機協同決策流程並完成原型驗證:
• LOD100–150:基地與法規檢核(如建蔽率、容積率、日照退縮、高度等)、容積獎勵情境推演;完成量體幾何規劃(樓地板面積、立面表面積、體積),據以配置結構/外殼/機電/內裝/景觀等五大系統之成本與碳排規劃;並支援外殼模組化與立面意象生成,強化與業主視覺溝通。
• LOD200:整合結構與外殼設計輸入,建置三維資訊模型與材料屬性,反推成本與碳排,提供偏差分析與優化建議,形成可反覆迭代的閉環流程。
(四)造價規劃與碳排估算:用「趨勢」支援早期決策
為銜接參數化設計流程,研究建立可用於初期規劃的工程造價推估架構,參考公共工程經費估算手冊、單價表、造價資料與實務個案,先以住宅與辦公建築作為主要對象,依空間配置與結構形式特性,提供預算比例推估與合理性評估。
在碳排評估上,研究指出主結構體常是主要碳排來源(約占總體 70%),因此在規劃初期掌握「主結構碳排趨勢」對後續材料選擇、結構系統設定與減碳策略擬定具有關鍵意義;即使 LOD100–200 階段尚缺乏細部圖說,也可透過量體幾何參數推估結構體積與重量,讓設計變動能即時呈現碳排趨勢變化。
同時,本研究也清楚界定系統的使用情境為「規劃」而非「投標等級預評估」:即便 BIM 數據相對精準,與實際施作仍存在落差,因此系統目的在設計初期協助業主與設計端建立合理的預算與性能規劃準則,而非取代細算或作為高風險的投標精估依據。
(五)生成式 AI:以可重現工作流加速外觀意象探索
在外觀意象生成方面,研究採用 ComfyUI 作為擴散模型整合與可視化控制平台,強調其「可見性、可重現性、可定制化」,並以 JSON 形式保存工作流程以利團隊協作與結果重現;同時結合多目標評估指標(如造價、碳排)進行方案篩選,讓圖像生成不只追求「好看」,也能扣合決策條件。
研究亦指出 ComfyUI 可透過節點式整合不同版本的 Stable Diffusion、Flux 等模型,並搭配 ControlNet、LoRA 等條件控制工具,提升生成結果的可控性與一致性,降低建築專業導入生成式 AI 的門檻。
四、系統優勢與研究成效
綜整本研究成果,可歸納為「一套流程、兩個階段、四類工具」:
- 一套流程:以 LLM+RAG 提供法規與知識支援,以 MCP 代理框架完成任務拆解與工具調用,以 Rhino/Grasshopper 參數模型與決策面板建立閉環迭代,將設計對話轉化為可執行、可追溯的多目標決策流程。
- 兩個階段:在 LOD100–150 完成基地/法規/量體與成本碳排規劃,同步提供外觀意象生成以利溝通;在 LOD200 進一步建置三維資訊模型與材料屬性,反推成本與碳排並提供偏差分析與優化建議。
- 四類工具:法規檢核(RAG)、造價規劃、碳排估算、圖像生成(ComfyUI 工作流),並由 AI 代理進行整合回覆。
在應用驗證上,研究亦規劃以實際案例進行測試,並與建築師合作社會住宅統包案作為系統測試與應用驗證對象,相關成果納入期末報告內容,以確保研究不僅停留在概念展示,而能對接實務情境。
五、推廣效益與未來展望
本研究所建立的 AI×BIM 多目標決策流程與原型,短期可作為「設計初期規劃決策」的加速器,中期可擴充為「跨軟體、跨角色」的協作平台,長期則可逐步朝向制度化、規模化與可審核化推進。未來推廣可從下列方向精進:
(一)跨工具互通與產業實證:以 IFC 或 MCP JSON 作為共通交換格式,擴大支援多款 BIM 工具,並啟動產業實證與回饋機制;短期可優先完成主流工具整合,並評估開源 OpenBIM 工具的技術可行性與生態整合策略。
(二)持續化智能與案例複用:結合營運資料回饋與模型再訓練,建立跨專案知識複用與案例檢索體系,讓「做過的案」能回饋「正在做的案」。
(三)最佳化引擎的後續評估(非本期程既有成果):在資源允許下,評估導入代理式探索與啟發式搜尋/MCTS 等最佳化引擎,以提升多目標權衡之效率與品質;惟此屬未來擴充方向,需搭配更完整的資料、評估準則與風險控管設計。
(四)負責任創新與風險治理:生成式 AI 帶來效率與可能性,同時也伴隨侷限與風險;未來需在技術能力、倫理意識、法律框架三者並進的情況下滾動修正,確保 AI 輔助設計成為產業進步的正向力量。
六、結語
「低碳數位雙軸轉型-AI建築減碳決策輔助系統」的核心價值,不在於以單一演算法取代設計師,而在於把設計初期最費時、最易忽略、卻最影響全案的資訊(法規、量體、造價、碳排與意象溝通)整合到同一套可追溯的決策流程中。本研究已在 LOD100–LOD200 完成流程建構與原型驗證,並以 LLM+RAG、MCP 多代理、參數化建模與生成式 AI 等方法,提出可逐步擴充與制度化的路徑。
未來,本所將持續結合產官學研能量,推動跨工具互通與實證回饋,讓 AI×BIM 從「研究原型」邁向「可用系統」,進一步支援我國建築產業在淨零目標下的高效率、可審核、可落地的低碳設計決策。

圖1. AI輔助建築景觀設計方案生成示意圖