佛罗里达大学用街景做建筑安全体检：数月排查缩短至几小时

地震发生后，救灾指挥部最想要一张精确的地图：哪栋楼快塌了，哪条街还能住人。但现实往往很残酷，传统上要派结构工程师走街串巷逐栋肉眼排查，给整座城市体检完，几个月都过去了。

佛罗里达大学人工智能助理教授 Chaofeng Wang 决定换一种解法。他把大家每天都在看的 Google 街景和地方政府拍摄的街拍图拿来，用深度学习给整座城市的建筑做自动化安全体检。

原本耗时数月的人工评估流程，被这个 AI 模型直接压缩到了几个小时。

街景加超算，把排查时间压到几小时

这套系统的评判依据不是凭空想象，而是对照美国联邦紧急事务管理局（FEMA）的 P-154 标准。模型能从街景图里自动辨识出建筑结构类型、建造年代，甚至分辨出墙体和屋顶用了什么材料，最后给出一份综合安全评分。

为了给模型打底，Chaofeng Wang 还拉来了世界银行的韧性住房全球计划合作，共同收集图像并做数据标注。

处理海量街景可不是小工程。研究团队把图像丢进佛罗里达大学的 HiPerGator 超算中心，用里头的 NVIDIA DGX A100 系统跑推理。这座由 NVIDIA 联合创始人 Chris Malachowsky 等支持搭建的超算拥有 700 petaflops 的 AI 算力，让海量图像筛查变成了快速任务。

算出来的结果会汇总进一个地图式的网页平台，管理者点开就能看到整座城市的建筑类型、建材分布以及安全得分。

目前这套系统已经在不同国家的约 8 个城市进行了测试，墨西哥的部分地方政府正在实际试用，亚洲、非洲和南美洲的一些国家也表现出了兴趣。在当前的测试中，模型依据 FEMA P-154 标准给出的评估准确率已经超过了 85%。

最大的对手不是算法，而是不同国家的油漆

把 AI 放到真实世界里，问题从来不只是算力。Chaofeng Wang 坦言，不同国家和地区的建筑风格与城市密度天差地别，这成了模型落地最大的绊脚石。

举个例子，只要外墙刷了一层特定颜色的油漆，现有的模型就可能把墙体材质判断错。如果训练集里缺乏某个地区的特色民居，AI 就容易抓瞎。

另一个现实问题是数据时效。Google 街景可能几年才更新一次，拿来做平时的防灾统筹和宏观统计还行，但偏远乡村压根没有街景覆盖，震后突发受损更是无法从旧图里看出来。对于这些地方，地方政府需要自己采图再喂给模型。

团队目前正在做更精细的标注来强化泛化能力，同时也在开发专门的 API 和更易用的操作界面，方便其他产品集成或直接给政府部门使用。

为什么重要

防灾减灾过去是个纯靠人力的苦活，尤其在发展中国家，既缺专业工程师，也缺普查预算。这个项目最聪明的地方，在于它直接把 Google 街景这种沉睡的公开数据资产，盘活成了防灾基建工具，极大地降低了数据获取的门槛。

对地方防灾部门来说，它能帮决策者提前把钱花在刀刃上，在地震来临前给最脆弱的危房做加固，而不是等震后再去废墟里清点损失。未来如果 API 顺利开放，城市规划部门和财产险承保机构也能顺理成章地用它来做风险定价。

不过我们认为，街景 AI 也有明显的局限。静态街景图只能看到外表，看不到建筑内部的结构老化、承重墙私拆或地基沉降。它更适合充当广撒网式的初筛滤网，帮政府快速圈出高危区域，最终的核心判断依然绕不开专业工程师的现场复核。