TỪ BIM MODELING ĐẾN COMPUTATIONAL BIM
Từ mô hình hóa đến thiết kế định hướng hiệu suất và trí tuệ nhân tạo
Nhìn nhận khoảng trống công nghệ và hướng tiếp cận để mở rộng giá trị BIM tại Việt Nam.
Góc nhìn từ thực tiễn hành nghề của Dr.Parametric/KTS Nguyễn Trọng Thụy.

1. Từ thực tiễn hành nghề: Chúng ta đã thực sự khai thác hết giá trị của BIM?
Trong những năm gần đây, BIM ngày càng được quan tâm và ứng dụng rộng rãi trong lĩnh vực kiến trúc và xây dựng tại Việt Nam. Sự phát triển của các nền tảng như Autodesk Revit, Archicad cùng nhiều phần mềm chuyên ngành khác đã góp phần thay đổi đáng kể phương pháp thiết kế, mô hình hóa, triển khai hồ sơ và quản lý thông tin công trình.
Đây rõ ràng là một bước tiến quan trọng của ngành.
Tuy nhiên, qua quá trình hành nghề và quan sát thực tế, tôi nhận thấy vẫn còn một khoảng cách khá lớn giữa năng lực mà công nghệ BIM có thể mang lại và cách chúng ta đang khai thác nó.
Một thực tế là phần lớn người sử dụng Revit hiện nay có xuất phát điểm từ cách sử dụng phần mềm CAD hoặc 3D như Max, Sketchup… ( là những phần mềm phổ biến trong lĩnh vực thiết kế kiến trúc). Khi chuyển sang môi trường BIM, chúng ta đã thay đổi công cụ làm việc, chuyển từ bản vẽ 2D và 3D thông dụng, sang mô hình 3D có cấu kiện và thông tin. Nhưng ở nhiều trường hợp, cách tư duy và tổ chức công việc vẫn chưa có sự thay đổi tương xứng.
Công việc vẫn chủ yếu xoay quanh việc dựng mô hình, triển khai mặt bằng, mặt đứng, mặt cắt, thống kê khối lượng và hoàn thiện hồ sơ kỹ thuật.
Nói cách khác, chúng ta đã chuyển từ CAD và 3D sang BIM về mặt công cụ, nhưng chưa chắc đã chuyển đổi đầy đủ về tư duy và phương pháp làm việc.
Điều đáng nói là BIM không chỉ dừng lại ở khả năng mô hình hóa hay quản lý thông tin. Những năng lực quan trọng hơn như phân tích, mô phỏng, đánh giá hiệu suất và tối ưu hóa thiết kế vẫn còn rất nhiều dư địa để khai thác.
Đặc biệt, sự phát triển của Computational Design và Artificial Intelligence (AI) đang mở ra những khả năng mới. Chúng ta không chỉ có thể xây dựng và quản lý mô hình, mà còn có thể sử dụng thuật toán để phân tích, mô phỏng, tìm kiếm phương án và khai thác dữ liệu nhằm hỗ trợ quá trình ra quyết định.
Theo tôi, đây không đơn thuần là câu chuyện về phần mềm. Vấn đề sâu hơn nằm ở tư duy thiết kế, năng lực công nghệ và phương pháp tổ chức quy trình làm việc của người làm nghề.
2. Hệ sinh thái công nghệ: Nhiều công cụ mạnh nhưng liệu đã được kết nối hiệu quả?
Nếu nhìn vào hệ sinh thái Autodesk, chúng ta có thể thấy một chiến lược phát triển khá rõ ràng theo hướng chuyên môn hóa.
Revit phục vụ mô hình và thông tin công trình;
Civil 3D phục vụ thiết kế hạ tầng;
Navisworks hỗ trợ phối hợp mô hình;
Robot Structural Analysis phục vụ phân tích kết cấu;
Dynamo hỗ trợ lập trình trực quan và tự động hóa.
Mỗi nền tảng đều có thế mạnh và vai trò riêng trong quy trình chuyên môn.
Tuy nhiên, khi giải quyết những bài toán liên ngành, người sử dụng thường phải làm việc với nhiều phần mềm khác nhau. Điều này đòi hỏi khả năng kết nối dữ liệu, phối hợp chuyên gia và tổ chức workflow một cách đồng bộ.
Không phải cá nhân hay đơn vị nào cũng có đủ nguồn lực và năng lực chuyên môn để khai thác toàn bộ hệ sinh thái đó một cách hiệu quả.
Theo tôi, một hệ sinh thái có nhiều công cụ mạnh chưa đồng nghĩa với việc chúng ta đã có một quy trình làm việc tối ưu. Điều quan trọng không chỉ nằm ở số lượng phần mềm, mà còn ở khả năng kết nối, điều khiển và khai thác chúng như một hệ thống thống nhất.
Ở góc độ này, Rhino và Grasshopper mang đến một cách tiếp cận khá thú vị.
Thay vì tiếp cận từng chức năng riêng biệt, Rhino kết hợp với Grasshopper cho phép chúng ta xây dựng một môi trường làm việc có khả năng liên kết hình học, tham số, thuật toán, dữ liệu và các phương pháp tính toán trong cùng một workflow.
Người thiết kế có thể chủ động xây dựng quy tắc, kiểm soát hình học, xử lý dữ liệu, mô phỏng, phân tích và tìm kiếm phương án thông qua một hệ thống logic có thể điều chỉnh và tái sử dụng.
Bên cạnh đó, sự phát triển của AI cũng đang tạo ra một lớp năng lực mới trong hệ sinh thái công nghệ. AI có thể hỗ trợ xử lý thông tin, phân tích dữ liệu, phát triển ý tưởng, tạo sinh phương án và kết nối những nguồn dữ liệu vốn trước đây cần nhiều thao tác thủ công để khai thác.
Tuy nhiên, AI chỉ thực sự tạo ra giá trị khi được đặt trong một quy trình có cấu trúc dữ liệu, logic và phương pháp kiểm chứng rõ ràng.
Tôi không cho rằng Rhino và Grasshopper có thể thay thế toàn bộ các phần mềm chuyên ngành. Tương tự, AI cũng không thể thay thế các hệ thống BIM hay những công cụ phân tích chuyên môn.
Giá trị lớn hơn nằm ở khả năng kết hợp những thế mạnh của từng nền tảng để hình thành một hệ sinh thái Computational linh hoạt, có khả năng mở rộng và thích ứng với những bài toán thực tế.
3. Parametric và Computational: Hai năng lực cần thiết để mở rộng tư duy BIM
Theo tôi, nếu muốn khai thác BIM ở một cấp độ cao hơn, chúng ta cần quan tâm nhiều hơn đến hai khái niệm: Parametric Design và Computational Design.
Parametric Design – Tư duy thiết kế tham số
Parametric không đơn thuần là việc tạo ra những hình học phức tạp bằng các thông số.
Điều quan trọng hơn là cách chúng ta xây dựng một hệ thống gồm các biến số, quy tắc, ràng buộc và mối quan hệ giữa các thành phần.
Thay vì tạo ra một hình học cố định rồi chỉnh sửa từng đối tượng khi có thay đổi, người thiết kế xây dựng một cấu trúc logic có khả năng điều khiển, biến đổi và cập nhật thông qua các tham số.
Đây là sự thay đổi từ tư duy thao tác trên từng đối tượng sang tư duy thiết lập và điều khiển một hệ thống.
Computational Design – Thiết kế tính toán
Nếu Parametric giúp chúng ta xác lập các quy tắc và mối quan hệ, thì Computational là phương pháp sử dụng thuật toán, dữ liệu và năng lực tính toán để vận hành những quy tắc đó.
Thông qua Computational, chúng ta có thể tạo lập, xử lý, mô phỏng, phân tích, đánh giá và tìm kiếm những phương án phù hợp với các điều kiện đặt ra.
Ví dụ, với một hệ thống mặt dựng, thay vì chỉ bố trí cấu kiện và triển khai bản vẽ, chúng ta có thể xây dựng một hệ thống tham số để kiểm soát góc xoay, kích thước và khoảng cách của các lam che nắng.
Từ hệ thống đó, các thuật toán có thể được sử dụng để phân tích bức xạ mặt trời, điều kiện chiếu sáng, hiệu suất môi trường và so sánh nhiều phương án thiết kế.
Khi đó, kết quả không chỉ là một mô hình có hình thức phù hợp, mà còn là một phương án có cơ sở phân tích và đánh giá.
Đối với tôi, đây chính là điểm khác biệt quan trọng: chúng ta không chỉ tạo ra một mô hình, mà đang xây dựng một hệ thống có khả năng kiểm chứng và hỗ trợ nâng cao chất lượng quyết định thiết kế.
Parametric và Computational vì vậy không chỉ là những kỹ thuật hỗ trợ tạo hình, mà còn là nền tảng tư duy để chuyển đổi từ phương pháp thiết kế dựa trên thao tác sang phương pháp thiết kế dựa trên hệ thống và tính toán.
4. Rhino.Inside.Revit: Kết nối Computational với môi trường BIM hiện hữu
Một trong những công nghệ tôi đặc biệt quan tâm trong những năm gần đây là Rhino.Inside.Revit.
Tôi không nhìn nhận Rhino và Grasshopper như một hệ sinh thái nhằm thay thế Autodesk hay Revit. Ngược lại, tôi cho rằng tiềm năng lớn hơn nằm ở việc kết hợp những thế mạnh của các nền tảng này.
Có thể hình dung vai trò của từng thành phần như sau:
Revit: Quản lý mô hình, đối tượng, thuộc tính và thông tin công trình.
Rhino: Cung cấp môi trường hình học và mô hình hóa.
Grasshopper: Xây dựng thuật toán, hệ thống tham số và quy trình tính toán.
Rhino.Inside.Revit: Tạo cầu nối để những năng lực trên tương tác trực tiếp với môi trường Revit.
Đặc biệt, Rhino.Inside.Revit cho phép chúng ta làm việc với hình học và thuật toán của Rhino, Grasshopper ngay trong môi trường Revit, đồng thời có khả năng tạo lập, truy vấn và cập nhật các đối tượng BIM family.
Điều này mở ra một hướng tiếp cận đáng chú ý.
Thay vì yêu cầu người làm BIM phải từ bỏ nền tảng đang sử dụng để chuyển sang một hệ thống hoàn toàn khác, chúng ta có thể đưa năng lực Computational vào chính workflow BIM hiện hữu.
Khi đó, thuật toán không chỉ dừng lại ở việc tạo hình học, mà còn có thể tham gia vào quá trình tạo cấu kiện, quản lý thuộc tính, tổ chức thông tin, điều khiển tham số và tự động hóa các tác vụ BIM.
Xa hơn, khi các workflow này được kết nối với những mô hình AI và hệ thống xử lý dữ liệu, chúng ta có thể mở rộng khả năng tương tác giữa mô hình, thuật toán và trí tuệ nhân tạo.
Ví dụ, AI có thể hỗ trợ phân tích yêu cầu thiết kế, đề xuất những phương án hoặc bộ tham số ban đầu. Grasshopper tiếp nhận các tham số đó để xây dựng hình học và vận hành thuật toán. Các kết quả được đưa vào Revit để hình thành đối tượng BIM, tiếp tục phục vụ quá trình phối hợp, kiểm tra và quản lý thông tin.
Tất nhiên, để xây dựng được một quy trình hoàn chỉnh, vẫn còn nhiều vấn đề cần giải quyết, đặc biệt là cấu trúc dữ liệu, tiêu chuẩn đối tượng, quản lý tham số, tính ổn định, khả năng tích hợp AI và khả năng phối hợp giữa các nền tảng.
Nhưng xét về định hướng phát triển, tôi cho rằng đây là một trong những cầu nối có nhiều tiềm năng để đưa Computational và AI vào thực tiễn BIM tại Việt Nam.
5. Từ BIM Modeling đến Performance-driven BIM và AI-driven Design
Từ những quan sát và trải nghiệm trên, tôi muốn đề xuất một cách nhìn rộng hơn về mối quan hệ giữa Parametric, Computational, BIM và AI.
Đây không phải là bốn phần mềm hay bốn công nghệ hoạt động độc lập, mà là những thành phần có vai trò khác nhau trong một hệ sinh thái thiết kế tích hợp.
PARAMETRIC IS THE FOUNDATION.
Parametric tạo nền tảng về tham số, quy tắc và mối quan hệ, giúp chúng ta xây dựng một hệ thống có khả năng điều khiển và biến đổi.
COMPUTATIONAL IS THE PROCESS.
Computational vận hành các thuật toán để tạo lập, mô phỏng, phân tích, đánh giá và tối ưu hóa các phương án.
BIM IS THE INFORMATION SYSTEM.
BIM tổ chức và quản lý mô hình, đối tượng cùng thông tin công trình xuyên suốt vòng đời dự án.
AI IS THE INTELLIGENCE LAYER.
AI khai thác dữ liệu và hỗ trợ nhận diện, dự báo, đánh giá, tạo sinh phương án cũng như đưa ra những gợi ý phục vụ quá trình ra quyết định.
Bốn thành phần này không nhất thiết phải vận hành theo một trình tự tuyến tính. Chúng có thể tương tác, bổ trợ và phản hồi lẫn nhau trong một hệ thống công nghệ tích hợp.
AI-DRIVEN DESIGN – Khi trí tuệ nhân tạo tham gia vào quá trình thiết kế
Nếu Parametric giúp thiết lập hệ thống quy tắc, Computational vận hành các thuật toán, BIM tổ chức dữ liệu, thì AI mở ra một cấp độ tiếp cận mới: khả năng khai thác trí tuệ từ dữ liệu để hỗ trợ và định hướng quá trình thiết kế.
AI-Driven không đơn thuần là việc sử dụng AI để tạo hình ảnh, phát triển ý tưởng hay tự động hóa một số thao tác. Điều quan trọng hơn là đưa AI tham gia vào một quy trình có khả năng phân tích vấn đề, nhận diện mối quan hệ, đề xuất phương án, dự báo kết quả và hỗ trợ tối ưu hóa quyết định.
Trong một workflow thiết kế tích hợp, AI có thể đảm nhận nhiều vai trò:
Generative Intelligence: Hỗ trợ hình thành ý tưởng, tạo sinh và phát triển các phương án thiết kế dựa trên yêu cầu đầu vào.
Data Intelligence: Phân tích dữ liệu BIM, nhận diện các mối quan hệ và khai thác thông tin từ mô hình công trình.
Predictive Intelligence: Hỗ trợ dự báo hiệu suất, nhận diện rủi ro và đánh giá những khả năng có thể xảy ra.
Optimization Intelligence: Hỗ trợ tìm kiếm, so sánh và đề xuất những phương án phù hợp với nhiều điều kiện và mục tiêu khác nhau.
Decision Intelligence: Tổng hợp kết quả phân tích, cung cấp cơ sở dữ liệu và hỗ trợ người thiết kế đưa ra quyết định.
Đặc biệt, khi AI được kết nối với Parametric và Computational, chúng ta có thể hình thành một quy trình tương tác liên tục.
AI có thể phân tích yêu cầu và đề xuất phương án; hệ thống Parametric chuyển hóa các yêu cầu thành những biến số và ràng buộc; Computational vận hành thuật toán để tạo lập, mô phỏng và đánh giá; BIM lưu trữ và quản lý dữ liệu của các phương án.
Kết quả phân tích tiếp tục được đưa trở lại hệ thống để AI hỗ trợ đánh giá và đề xuất những hướng điều chỉnh tiếp theo.
Đây không còn là một quy trình thiết kế tuyến tính, mà là một hệ thống có khả năng phản hồi và cải thiện thông qua dữ liệu.
Tuy nhiên, cần nhìn nhận rằng AI không tự động tạo ra một giải pháp thiết kế đúng. Chất lượng kết quả vẫn phụ thuộc vào dữ liệu đầu vào, cấu trúc hệ thống, các ràng buộc chuyên môn, phương pháp kiểm chứng và năng lực đánh giá của con người.
Theo tôi, giá trị lớn nhất của AI không nằm ở việc thay thế người thiết kế, mà ở khả năng mở rộng năng lực tư duy, xử lý thông tin và khám phá những phương án mà phương pháp làm việc truyền thống khó có thể tiếp cận.
Điều tôi muốn nhấn mạnh là chúng ta cần thay đổi cách nhìn về giá trị của BIM.
BIM không nên chỉ dừng lại ở việc mô tả công trình được thiết kế như thế nào, mà cần tiến xa hơn, trở thành nền tảng hỗ trợ phân tích, đánh giá hiệu suất và ra quyết định dựa trên dữ liệu.
Chúng ta cần đặt ra những câu hỏi quan trọng trong quá trình thiết kế và xây dựng:
Tại sao chúng ta lựa chọn phương án này thay vì một phương án khác?
Phương án được lựa chọn có đáp ứng các yêu cầu về hiệu suất hay không?
Có thể cải thiện khả năng sử dụng năng lượng như thế nào?
Có thể tối ưu vật liệu, khối lượng và chi phí đến mức nào?
Khả năng thi công có thể được đánh giá ngay từ giai đoạn thiết kế hay không?
Dữ liệu công trình có thể tiếp tục được khai thác như thế nào trong quá trình vận hành và bảo trì?
AI có thể hỗ trợ nhận diện những vấn đề nào mà phương pháp phân tích truyền thống chưa khai thác được?
Làm thế nào để các kết quả phân tích có thể quay trở lại tác động đến quá trình phát triển và điều chỉnh phương án thiết kế?
Khi đặt ra những câu hỏi này, BIM không còn đơn thuần là một hệ thống mô hình hóa và quản lý thông tin. Nó có thể trở thành một nền tảng hỗ trợ phân tích, đánh giá và ra quyết định dựa trên dữ liệu.
Tôi gọi hướng tiếp cận này là Performance-driven BIM – BIM định hướng hiệu suất.
Theo tôi, đây là một hướng phát triển cần được quan tâm nếu chúng ta muốn BIM thực sự tạo ra giá trị lớn hơn cho ngành kiến trúc và xây dựng.
6. Rào cản lớn hơn không nằm ở phần mềm, mà nằm ở năng lực con người
Một câu hỏi tôi thường đặt ra là: Tại sao những công cụ như Dynamo đã có mặt trong hệ sinh thái Revit từ lâu, nhưng tư duy thuật toán và năng lực lập trình trực quan vẫn chưa được ứng dụng rộng rãi trong nhiều nhóm người làm BIM?
Theo quan sát của tôi, một phần nguyên nhân xuất phát từ nền tảng đào tạo và phương pháp hành nghề hiện nay.
Nếu người sử dụng chủ yếu được đào tạo để dựng mô hình, triển khai bản vẽ và hoàn thiện hồ sơ, họ sẽ có xu hướng tiếp tục phát triển kỹ năng theo chính cách làm đó.
Trong khi đó, tư duy thuật toán đòi hỏi một nền tảng khác. Người sử dụng cần hiểu về biến số, cấu trúc dữ liệu, điều kiện, mối quan hệ, logic và phương pháp giải quyết vấn đề.
Khi AI xuất hiện, yêu cầu về năng lực con người cũng tiếp tục thay đổi.
Người làm thiết kế không nhất thiết phải trở thành chuyên gia phát triển mô hình AI, nhưng cần hiểu cách đặt vấn đề, tổ chức dữ liệu, xây dựng yêu cầu đầu vào, kiểm soát kết quả và đánh giá tính hợp lý của những phương án do AI đề xuất.
Đây là sự khác biệt giữa việc biết sử dụng một công cụ AI và khả năng đưa AI vào một quy trình chuyên môn có kiểm soát.
Tôi cũng không cho rằng giải pháp là yêu cầu tất cả những người sử dụng Revit phải trở thành chuyên gia Grasshopper, lập trình viên hay chuyên gia AI.
Điều cần thiết hơn là hình thành một hệ thống năng lực có sự phân tầng và hỗ trợ lẫn nhau:
BIM Practitioner: Người triển khai BIM, có khả năng sử dụng các công cụ và workflow đã được chuẩn hóa.
Computational Designer: Người có khả năng xây dựng thuật toán, phát triển hệ thống tham số và giải quyết các bài toán thiết kế bằng phương pháp tính toán.
AI & Data Specialist: Người có khả năng khai thác dữ liệu, ứng dụng AI, phát triển các mô hình phân tích và tích hợp năng lực trí tuệ nhân tạo vào quy trình chuyên môn.
System Developer: Người có khả năng phát triển và tích hợp API, dữ liệu, phần mềm cùng các công cụ chuyên ngành để xây dựng những hệ thống làm việc hoàn chỉnh.
Khi có sự phân công và kết nối giữa các nhóm năng lực này, một nhóm chuyên gia có thể xây dựng những công cụ, thuật toán và quy trình có khả năng tái sử dụng, giúp nhiều người dùng khác tiếp cận được những năng lực công nghệ cao hơn.
Theo tôi, đây là một hướng tiếp cận thực tế hơn so với việc kỳ vọng mỗi cá nhân phải tự mình làm chủ tất cả các nền tảng công nghệ.
Quan trọng hơn, năng lực cốt lõi của người làm nghề trong tương lai không chỉ nằm ở việc sử dụng thành thạo phần mềm, mà còn ở khả năng nhận diện vấn đề, xây dựng hệ thống, kiểm chứng kết quả và đưa ra những quyết định có cơ sở.
7. Hướng phát triển để hoàn thiện hệ sinh thái BIM tại Việt Nam
Từ những vấn đề đã đề cập, tôi cho rằng việc phát triển BIM tại Việt Nam cần được nhìn nhận rộng hơn, không chỉ tập trung vào phổ cập phần mềm mà cần hướng đến xây dựng năng lực công nghệ một cách đồng bộ.
Có bốn hướng cần được quan tâm:
Thứ nhất – Giáo dục tư duy.
Cần chuyển dần từ đào tạo sử dụng phần mềm sang đào tạo tư duy thiết kế tham số, thuật toán, Computational, AI và phương pháp khai thác dữ liệu.
Mục tiêu không phải biến tất cả người làm kiến trúc thành lập trình viên, mà giúp họ hiểu và biết cách ứng dụng tư duy tính toán, tư duy hệ thống và năng lực AI vào công việc chuyên môn.
Thứ hai – Tích hợp công nghệ.
Cần nghiên cứu và phát triển những workflow kết hợp Rhino, Grasshopper, Rhino.Inside.Revit với các nền tảng BIM, công cụ phân tích chuyên ngành và những giải pháp AI phù hợp.
Việc tích hợp cần xuất phát từ nhu cầu thực tế, giải quyết được những hạn chế trong quy trình làm việc và tạo ra giá trị có thể kiểm chứng.
Không nên chạy theo việc tích hợp công nghệ chỉ vì xu hướng. Điều quan trọng là xác định đúng bài toán, lựa chọn đúng công cụ và xây dựng được quy trình có khả năng vận hành ổn định.
Thứ ba – Ứng dụng thực tiễn.
Cần đưa công nghệ vào những bài toán cụ thể trong kiến trúc, xây dựng, kết cấu, môi trường, quy hoạch và sản xuất.
Thay vì bắt đầu bằng những hệ thống quá lớn, chúng ta có thể bắt đầu từ những vấn đề nhỏ nhưng có giá trị thực tế: một thuật toán tối ưu mặt dựng, một quy trình tự động hóa cấu kiện, một hệ thống phân tích chiếu sáng, một workflow quản lý dữ liệu BIM hiệu quả hay một giải pháp AI hỗ trợ kiểm tra và đánh giá mô hình.
Khi những giải pháp này được kiểm chứng, chia sẻ và chuẩn hóa, chúng có thể trở thành nền tảng để cộng đồng tiếp tục phát triển và kế thừa.
Thứ tư – Phát triển hệ sinh thái dữ liệu và tri thức.
Đây là một yếu tố đặc biệt quan trọng khi AI ngày càng tham gia sâu hơn vào quy trình thiết kế.
AI muốn tạo ra giá trị thực chất cần có dữ liệu đủ chất lượng, có cấu trúc và có khả năng khai thác.
Do đó, chúng ta cần quan tâm đến việc chuẩn hóa dữ liệu BIM, xây dựng thư viện đối tượng, hệ thống thông tin công trình, cơ sở dữ liệu vật liệu, tiêu chuẩn kỹ thuật và những nguồn tri thức chuyên ngành có thể được tái sử dụng.
Nếu không có nền tảng dữ liệu tốt, việc ứng dụng AI rất dễ dừng lại ở những thao tác tạo sinh nội dung hoặc hỗ trợ bề mặt, thay vì trở thành một năng lực thực sự trong quy trình thiết kế và xây dựng.
Tôi cho rằng sự phát triển của BIM không nên chỉ được đánh giá qua số lượng phần mềm được sử dụng hay số lượng mô hình được tạo ra, mà cần được nhìn nhận qua năng lực giải quyết vấn đề và giá trị thực tế mà công nghệ mang lại.
8. Chúng ta đang hiểu và khai thác BIM đến đâu?
Những nội dung trên là góc nhìn cá nhân của tôi, được hình thành từ quá trình hành nghề, nghiên cứu và tiếp cận các phương pháp thiết kế tính toán.
Tôi không xem đây là một định nghĩa hoàn chỉnh, cũng không có ý định đưa ra một kết luận cuối cùng về hướng phát triển của BIM.
Ngược lại, tôi nghĩ đây là những vấn đề cần được trao đổi và phản biện nhiều hơn trong cộng đồng kiến trúc, xây dựng và công nghệ tại Việt Nam.
Một số câu hỏi tôi muốn cùng mọi người thảo luận:
Parametric có nên được xem là một nền tảng quan trọng trong quá trình phát triển năng lực Computational BIM?
Rhino và Grasshopper có thể bổ sung những năng lực gì cho hệ sinh thái Autodesk hiện nay?
Rhino.Inside.Revit có thể giải quyết đến đâu bài toán tích hợp giữa hình học, thuật toán và dữ liệu BIM?
Làm thế nào để phổ cập tư duy thuật toán cho lực lượng lao động BIM vốn quen với phương pháp triển khai bản vẽ truyền thống?
Làm thế nào để mô phỏng, phân tích và tối ưu hóa trở thành một phần thực chất trong quy trình thiết kế tại Việt Nam?
AI có thể tham gia đến đâu vào quá trình thiết kế, phân tích và tối ưu hóa công trình?
Làm thế nào để kết nối AI với Parametric, Computational và BIM thành một workflow có khả năng kiểm chứng và ứng dụng thực tế?
Chúng ta cần chuẩn bị những gì về dữ liệu, nhân lực và hạ tầng công nghệ để khai thác AI một cách hiệu quả?
Và quan trọng hơn, chúng ta cần thay đổi điều gì để BIM thực sự trở thành một hệ thống tạo ra giá trị, thay vì chỉ dừng lại ở mô hình hóa và quản lý thông tin?
Tôi mong muốn nhận được những ý kiến đóng góp, phản biện và chia sẻ từ các kiến trúc sư, kỹ sư, chuyên gia BIM, nhà nghiên cứu, nhà phát triển công nghệ và những người đang trực tiếp làm việc trong lĩnh vực này.
Tôi nghĩ rằng những quan điểm khác nhau, kể cả những ý kiến chưa đồng thuận, đều cần thiết. Bởi chỉ thông qua trao đổi và kiểm chứng từ thực tiễn, chúng ta mới có thể tìm ra những phương pháp tiếp cận phù hợp hơn.
Mục tiêu ở đây không phải là chứng minh phần mềm nào tốt hơn phần mềm nào, công nghệ nào mới hơn công nghệ nào, mà là tìm ra cách kết hợp các nền tảng công nghệ một cách hiệu quả để nâng cao năng lực thiết kế, năng lực triển khai và giá trị của toàn ngành.
Từ BIM Modeling đến Computational BIM, từ Performance-driven BIM đến AI-driven Design, điều chúng ta cần hướng đến không đơn thuần là một quy trình làm việc tự động hơn, mà là một hệ thống có khả năng khai thác tri thức, đánh giá phương án và hỗ trợ con người đưa ra những quyết định thiết kế tốt hơn.
Tôi hy vọng những cuộc trao đổi như vậy sẽ góp phần hình thành một hệ tư duy, một phương pháp làm việc và một hệ sinh thái công nghệ phù hợp hơn với điều kiện cũng như nhu cầu phát triển của kiến trúc và xây dựng tại Việt Nam.
KTS. Nguyễn Trọng Thụy | Dr.Parametric
An open perspective on Parametric, Computational, BIM and AI-driven Design.




Bình luận