图纸会审前一晚，机电和结构的两套管线在同一个标高上撞了，靠人一张张翻图找，翻到凌晨也未必翻全。这类漏项是施工环节最贵的问题之一：发现得越晚，返工成本越高。AI 进场后最先站住脚的位置，恰恰就是这种重复、量大、允许复核的活。但把它放到「能不能替人签字」这个问题上，答案很清楚：不能。这篇按环节拆开，讲它能压住哪些漏项、哪些判断仍要人来做、落地时卡在哪。
这个行业的三个硬约束
建筑工地的特殊性，决定了 AI 在这里的用法和写字楼里不一样。现场是非标的：同一个户型，朝向、地质、周边管线、施工顺序都会变，一套模型很难覆盖所有情况。责任是可追溯的：结构安全、消防设计有注册执业制度，出了事要追到具体签字的人。协调方多：设计、总包、分包、监理、业主，信息和责任在多方之间流转。这三点决定了 AI 更适合站在「提示」的位置，而不是「决定」的位置。
分环节看能做到什么程度
| 环节 | 能做到什么程度 | 仍要人来做的部分 |
|---|---|---|
| 方案比选 | 快速出多套布局，做面积、采光、动线的初步比较 | 判断哪套方案符合业主意图、报批要求与成本约束 |
| 规范条文核对 | 把图纸要素与条文逐条比对，标出疑似不符项 | 判断条文适用性、例外条款、地方标准的差异 |
| 管线碰撞检测 | 自动找出不同专业之间的空间冲突，输出冲突清单 | 决定改哪一根、按什么顺序改、改动对工期的影响 |
| 现场安全监测 | 识别未戴安全帽、越界闯入、明火烟雾等画面 | 现场处置、责任认定、对误报的判断 |
| 进度对比 | 用影像或点云与计划比对，提示偏差区域 | 分析偏差原因，调整人材机安排 |
| 资料与验收 | 整理检验批、归档影像、提取关键字段 | 验收结论、签字盖章、责任承担 |
表格里最容易被高估的是规范核对。条文本身有适用范围、有例外、有地方补充规定，模型能比对的是「字面上像不像」，判断不了「这条在本地适不适用」。所以它的输出应该被当成待核查清单，而不是合格结论。碰撞检测同理：它能找出冲突，但改哪一根涉及工序、荷载、检修空间，这些要靠专业判断。
为什么规范检查只能算辅助
设计规范的写法本身就带着大量条件句：满足某个前提时适用某条，遇到特殊情形可以放宽，地方还有自己的细则。要把这些条件句落到一张具体图纸上，需要理解项目背景、使用功能、当地惯例，而这些信息大多不在图纸里。模型看到的是图形和标注，看不到「这栋楼底下有条地铁」这类前提。于是它给出的判断，往往是「疑似不符」——这个措辞谈不上推卸，它恰好描述了系统的能力位置。误报多了，人就会开始忽略提示，这比不装系统更糟。
责任为什么不能转移
注册执业制度的逻辑是「谁签字谁负责」，这条线不因为用了工具而改变。结构计算、消防设计、验收结论，都要由具备资格的人确认。AI 能做的是把人的注意力引到可能出问题的地方，减少漏看；它不能替人承担判断后果，也无法在事故调查中成为责任主体。把「系统提示没问题」当作免责依据，在制度上站不住。这条边界属于行业规则，模型变强也不会自动消失。现场安全监测里识别能力的原理，可以看 计算机视觉怎么识别画面；模型为什么会「看着像就报」，可以对照 AI 幻觉是怎么产生的。
落地卡在哪
工地上的 AI 项目，失败原因很少是算法不够好，多半是配套不到位。摄像头的位置和角度决定了能不能拍到，网络条件决定了画面能不能传回来，供电和防尘决定了设备能活多久。工人的配合也是变量：安全帽识别一旦和考核挂钩，就会出现绕开摄像头的走法。误报率是最现实的门槛，一天几十条无效告警，值班人员很快就会把声音关掉。样本也是问题：每个工地情况不同，通用模型在本地往往要重新标注一批数据才勉强可用，这部分工作量常被低估，而 数据标注 的质量直接决定识别准不准。
一个务实的引入顺序
如果要从零开始，顺序比选型重要。先做「看得见」的：安全监测、影像归档，这类任务目标明确、结果可核验、出错代价低，容易积累信任。再做「查得全」的：碰撞检测、条文比对，把它们定位成辅助清单，配一套人工复核流程。最后才碰「算得准」的：进度预测、成本偏差分析，这类任务对数据质量要求高，前期数据不干净，结论就没法用。每一步都留出人工复核的位置，比一次性铺开更稳。
速查：建筑场景的能力边界
- 能压漏项：碰撞、条文比对、影像归档
- 不能替签字：结构、消防、验收仍由注册人员负责
- 规范判断受限于项目前提，输出应视为待核查清单
- 误报率决定系统会不会被关掉
- 先做看得见的，再做算得准的
