一栋楼每个月给你一个数字：电费。它不告诉你为什么。设计时算的是另一个数，图纸算的和账单之间的差距，行业里叫性能落差。要判断换屋面、加保温、改空调划不划算，常规做法是请人建一个能耗模型——几周起步，建完还很少拿实际电费校核过，等结果出来，决策早就做完了。10 月 19 日，休斯顿的 NanoTech 发布 Roovie，把这件事压成另一条路径：给一个地址或模型文件，智能体几分钟建好模型，跟电费对齐，然后在物理仿真里把方案一个个试过去，用美元、碳排和回收期报结果。
它的野心不在画图，也不在审图。它想替代的是「改这栋楼值不值」这件事上的猜测——而这个判断，过去一直靠经验和一两个昂贵的专项咨询。
一、它具体做了什么
流程分四步，每一步都可以人工接管。输入可以是一个门牌地址，系统自动地理编码、提取建筑轮廓、判定气候区、匹配气象文件；也可以上传 DWG、DXF 或 IFC，保留分区映射。接下来五个智能体接手建模：设计、暖通、构造、材料、模板，按楼层生成周边区与核心区，按气候区配围护构造，暖通库里预置屋顶机组、变风量、变冷媒和热泵几类系统，之后可以用自然语言改任何一处。
仿真用的是自研引擎，做的是全耦合热平衡——每个热区、每个表面、每个系统在同一时间步内联立求解，时间步长可以在 1 到 60 分钟之间设，多个模型在云端并行跑。输出是可审计的报告：改造前后场景并排、对标 CBECS 基准、生成只读分享链接，带权限和有效期。这套东西面向的不是一次专项分析，而是成批建筑——一个园区、一个资产包、一座城市。
CEO Mike Francis 把逻辑讲得很直白：「机器人都是先在世界模型里学会做事，才去碰真实世界。建筑也该有同样的东西——在你花出去一块钱之前，先有个地方把每个决定试一遍。Roovie 给每栋楼一个基于真实物理的世界模型，智能体在你的目标里、你的限制内工作，用真实的美元告诉你路怎么走。然后电表会告诉我们猜得对不对。」
这套东西的源头不太像软件创业。NanoTech 是做陶瓷颗粒隔热涂料的材料公司，靠 Insulative Ceramic Particle 平台拿过《时代》2024 年最佳发明，产品线是冷屋面涂料、木结构防火涂料和工业保温涂料。它需要向客户证明涂料到底省多少电，而市面上的工具要么不够严、要么不够快，于是 Francis 用一年半的晚上和周末写了引擎，再花两个月做 ASHRAE 140-2020 的验证，之后才长成独立产品。目前开放的是定向 beta：设计、工程、能源服务公司、公用事业和政府机构，每家可申请一个免费校准数字孪生，条件是给一个地址加 12 个月电费单。
二、为什么物理引擎是这件事的真正门槛
建筑能耗 AI 这两年有三条路线，差别不在界面，在「答案从哪来」。
| 路线 | 怎么算 | 强在哪 | 弱在哪 |
|---|---|---|---|
| 数据驱动预测 | 用历史能耗、天气、运行数据做回归或时序模型 | 上手快，有表计数据就能跑 | 对没出现过的改造方案外推能力弱，说不清为什么 |
| 包装现有引擎 | 在 EnergyPlus 一类成熟引擎外面加自动化与 AI 层 | 物理可信，标准认可度高 | 数据结构为桌面时代设计，批量与交互都受限 |
| 自研引擎加智能体 | 自己写全耦合热平衡，智能体负责建模与场景搜索 | 速度、批量、可编辑性一起改善 | 要重新建立验证与信任，工作量在模型假设上 |
关键点是能耗问题的性质。它由物理规律支配，热量怎么穿过墙体、窗、屋面、设备，是可以用方程解出来的。而改造方案评估恰恰是外推：你要判断的是一个还没发生的组合——换这类屋面、加这层保温、把定频换成变频——历史数据里没有这个组合的样本。这正是纯数据驱动模型最难的地方。
Roovie 的做法是让智能体在物理约束下做搜索：你设定目标（电费、碳排、回收期、90.1 或 LEED 的门槛）和硬约束（舒适度、规范），它跑一批仿真，从每次结果里学，再重排下一批方案。越过硬约束的方案不是排在最后，而是直接被拒。这个设计比「给一个综合评分」更接近工程判断——合规和舒适不是可以拿来交换的项。
两个容易被混淆的验证
- ASHRAE 140 验证的是引擎实现，不是某栋楼的准确性。它用标准算例比对程序的计算结果，说明物理求解没写错；说不出这栋楼的预测准不准。
- 准不准要靠电费校准。把实际用量拉进来，反推未知项：渗透量、真实运行时间、设备效率衰减、实际 occupancy。校准做得好，模型才有资格谈方案比较。
- 校准也有陷阱。参数越多越容易「拟合上」，用一个不透风的假设把所有偏差都吸收掉，结论看着漂亮，换栋楼就失效。所以可解释的参数和可编辑的每一步，比自动生成的完整度更重要。
三、真正买单的不是设计师
看 beta 名单就知道客户是谁：能源服务公司、公用事业、政府机构、工程与设计公司。前两者要的是批量筛查和改造排序——手上几千栋楼，先改哪一栋回报最高；政府机构要的是规范路径与审计材料；设计公司要的是在方案阶段就把性能说清楚，而不是等交付后被动解释。
国内有对应的思路。中国建筑科学研究院科技标准部主任于震今年在一次行业沙龙上提的是「认知与仿真双引擎」：大语言模型处理规范条文、设计说明这类语义信息，世界模型负责结构受力、能耗演化这类物理仿真；同时把 PKPM、BIMBase 这些工程软件做 API 化、服务化改造，让智能体能调用成熟的计算内核。这条路和 Roovie 的取舍正好相反——国内是把已经可信的引擎开放给智能体，Roovie 是重写引擎再让智能体去用。前者慢但可信度起点高，后者快但要自己重建信任。
对 BIM 工程师来说，这两条路都指向同一件事：模型的价值正在从「交付物」变成「可计算的性能载体」。当业主开始拿模型跑能耗、跑改造方案，模型的颗粒度和假设质量会直接决定结论靠不靠谱。
把模型做成「能被复算」的六件事
- 围护结构写成真正的分层构造。材料、厚度、导热系数、辐射特性缺一项，热平衡就少一项。只写「外墙 200」的模型，进任何仿真引擎都只能靠猜。
- 空间边界要干净。热区划分依赖空间边界的闭合与相邻关系，墙体与空间不贴合、重叠、漏面，是自动建模最常见的失真来源。
- 设备参数留得比出图更细。效率曲线、部分负荷表现、控制策略、新风量，这些在图纸上可以不写，在仿真里必须写。
- 存好改造前的实测基线。12 个月电费单、运行时间表、入住率，是校准的锚。没有基线，任何节能量的说法都无法验证。
- 用「第三方能否复算」当质量门槛。同一个输入换一个引擎，量级不该差太远。差得离谱，先查输入假设，而不是怀疑引擎。
- 把假设写成清单随模型交付。渗透率、内热源、作息表、系统效率，逐条列出并标注来源。这份清单就是将来争议时的依据。
四、这篇稿子要打折扣的地方
需要留出的余量
- Roovie 处于定向 beta，客户名单、项目数量、模拟值与实测值的误差范围都没有公开，也没有任何独立评测。它能算，但「算得准不准」目前只能由公司自己说。
- ASHRAE 140-2020 通过一事为公司自述，未提供第三方验证报告；官方说法是「少数通过该基准的高保真引擎之一」，没有列出对比名单。
- NanoTech 对自家涂料的效果区间（屋面得热降低三到五成、整栋能耗降低一到两成半、两到五年回收）来自公司内容，未经独立验证。Roovie 与这些数字存在商业绑定，虽然公司称兼容其他厂商产品。
- 「免费校准数字孪生」的条款只有一句：每家机构一个，需提供地址与 12 个月电费。数据如何使用、保留多久、beta 结束后怎么计价，均未公开。
- NanoTech 的 A 轮金额与估值来自第三方数据库口径，公司未在本次发布中确认；本文不引用具体金额，避免以讹传讹。
资料来源：NanoTech Inc.《NanoTech Launches Roovie, a Physics-Based World Model for Every Building》（2026 年 10 月 19 日，Business Wire 发布）；Roovie 官网产品页与 About 页（ASHRAE 140-2020 验证、18 个月开发、beta 说明）；NanoTech Materials 官网公司与产品资料；于震《建筑产业智能体与大模型发展的思考与实践》（清华大学互联网产业研究院，2026 年 6 月 10 日发布）。配图：平屋面航拍与冷屋面涂料施工场景均取自 NanoTech Materials 官方公开素材。
本文由智曦知行编辑整理，数据以企业与机构公开口径为准。