佛羅里達大學用街景做建築安全體檢：數月排查縮短至幾小時

地震發生後，救災指揮部最想要一張精確的地圖：哪棟樓快塌了，哪條街還能住人。但現實往往很殘酷，傳統上要派結構工程師走街串巷逐棟肉眼排查，給整座城市體檢完，幾個月都過去了。

佛羅里達大學人工智慧助理教授 Chaofeng Wang 決定換一種解法。他把大家每天都在看的 Google 街景和地方政府拍攝的街拍圖拿來，用深度學習給整座城市的建築做自動化安全體檢。

原本耗時數月的人工評估流程，被這個 AI 模型直接壓縮到了幾個小時。

街景加超算，把排查時間壓到幾小時

這套系統的評判依據不是憑空想像，而是對照美國聯邦緊急事務管理局（FEMA）的 P-154 標準。模型能從街景圖裡自動辨識出建築結構型別、建造年代，甚至分辨出牆體和屋頂用了什麼材料，最後給出一份綜合安全評分。

為了給模型打底，Chaofeng Wang 還拉來了世界銀行的韌性住房全球計劃合作，共同收集影像並做資料標註。

處理海量街景可不是小工程。研究團隊把影像丟進佛羅里達大學的 HiPerGator 超算中心，用裡頭的 NVIDIA DGX A100 系統跑推理。這座由 NVIDIA 聯合創始人 Chris Malachowsky 等支援搭建的超算擁有 700 petaflops 的 AI 算力，讓海量影像篩查變成了快速任務。

算出來的結果會彙總進一個地圖式的網頁平臺，管理者點開就能看到整座城市的建築型別、建材分佈以及安全得分。

目前這套系統已經在不同國家的約 8 個城市進行了測試，墨西哥的部分地方政府正在實際試用，亞洲、非洲和南美洲的一些國家也表現出了興趣。在當前的測試中，模型依據 FEMA P-154 標準給出的評估準確率已經超過了 85%。

最大的對手不是演算法，而是不同國家的油漆

把 AI 放到真實世界裡，問題從來不只是算力。Chaofeng Wang 坦言，不同國家和地區的建築風格與城市密度天差地別，這成了模型落地最大的絆腳石。

舉個例子，只要外牆刷了一層特定顏色的油漆，現有的模型就可能把牆體材質判斷錯。如果訓練集裡缺乏某個地區的特色民居，AI 就容易抓瞎。

另一個現實問題是資料時效。Google 街景可能幾年才更新一次，拿來做平時的防災統籌和宏觀統計還行，但偏遠鄉村壓根沒有街景覆蓋，震後突發受損更是無法從舊圖裡看出來。對於這些地方，地方政府需要自己採圖再餵給模型。

團隊目前正在做更精細的標註來強化泛化能力，同時也在開發專門的 API 和更易用的操作介面，方便其他產品整合或直接給政府部門使用。

為什麼重要

防災減災過去是個純靠人力的苦活，尤其在發展中國家，既缺專業工程師，也缺普查預算。這個專案最聰明的地方，在於它直接把 Google 街景這種沉睡的公開資料資產，盤活成了防災基建工具，極大地降低了資料獲取的門檻。

對地方防災部門來說，它能幫決策者提前把錢花在刀刃上，在地震來臨前給最脆弱的危房做加固，而不是等震後再去廢墟里清點損失。未來如果 API 順利開放，城市規劃部門和財產險承保機構也能順理成章地用它來做風險定價。

不過我們認為，街景 AI 也有明顯的侷限。靜態街景圖只能看到外表，看不到建築內部的結構老化、承重牆私拆或地基沉降。它更適合充當廣撒網式的初篩濾網，幫政府快速圈出高危區域，最終的核心判斷依然繞不開專業工程師的現場複核。