建筑工程造价估算中的人工智能：哪些已成现实，哪些仍停留在演示阶段，承包商如何辨别

建筑施工离不开图纸。承包商要对一栋建筑投标，团队里就得有人进行工程量计算。他们会逐张查看整套图纸——也就是建筑师和工程师为项目出具的一组 PDF 图纸——清点并测量承包商需要供应和安装的所有内容：插座、门、水槽、墙体的线性长度以及地板面积。这些工程量会被纳入估算，形成一份带有价格的文件，最终作为投标文件。如果中标，同一批数字还会出现在变更单中；设计发生变动时，双方会签署并计价的合同修订文件。

工程量计算既耗时又重复，出错的代价也很高，因此显然是人工智能可以发挥作用的领域。我开发的软件能够读取建筑图纸，而我接触的承包商正在努力判断哪些人工智能宣传值得相信。下面我将说明，哪些功能确实可用，哪些仍停留在演示阶段。

乐观预期跑在实际采用之前

两项近期调查用数据呈现了这种差距。在Dodge Construction Network与CMiC开展的一项研究中，87%的承包商表示，他们预计人工智能将改变整个行业；19%表示，他们已据此调整工作流程。该研究于2025年12月发布。

RICS是一家测量师专业机构。该机构在其2025年建筑业人工智能报告中，对2200多名建筑行业专业人士进行了调查。约45%表示所在机构尚未实施人工智能，不到1%表示人工智能已全面融入整个机构的工作。Construction Dive以标题“建筑商虽看到人工智能的益处，采用步伐仍然缓慢”报道了这些调查结果。

两项近期调查中的乐观预期与实际采用情况。数据来源：Dodge Construction Network与CMiC（2025年12月）、RICS（2025年）。图片：Bildrix

施工前期工作——即承包商在动工前完成的各项工作（投标、文件审查、排期）——是自然的切入点，因为所需输入本来就是数字文件。

目前可行的功能

读取整套图纸如今已成为一类成熟的产品。软件可以整理并命名图纸集中的各张图纸，识别每张图纸的比例尺，依据工程师为项目绘制的图例清点插座、灯具和管道设备等符号，还能测量房间和墙体。多年来，图纸符号识别一直是一个活跃的研究领域。2021年发布的FloorPlanCAD数据集标注了超过10,000张平面图，涵盖30类对象，研究人员可以据此针对这项任务训练和测试模型。

另外两项功能在实际应用中也经得起检验。一项是针对图纸和规格说明进行问答，并在答案中注明信息所依据的图纸页，让人能在几秒内核实。另一项是将审核过的工程量带入估算，前提是承包商自己的价格目录涵盖相关项目。

哪些仍停留在演示阶段

有三类说法尤其值得怀疑。

无人审核的定价。材料和人工价格因地区而异，也会不断变动。人工智能给出的价格可以作为合理的起点，但应明确标注为建议价格，并在纳入投标文件前与供应商的报价核对。

适用于任何输入、涵盖所有工种。干净的矢量 PDF——即直接从设计软件导出的文件——是最简单的情况。扫描图纸、用手机拍摄的图纸照片和不完整的图纸集仍会导致问题，而且不同工种的覆盖程度差异很大。能够很好读取电气图纸的工具，处理其他工种的图纸时可能作用不大。

全自动投标。决定投标结果的许多因素根本不会出现在图纸上：不同工种之间的工作范围缺口、施工方法、翻修项目的现有状况、工期安排，以及承包商愿意承担多少风险。最终由估算人员签下报价，并对其负责。

哪些功能如今在实践中经得起检验，哪些仍停留在演示阶段。图片：Bildrix

识别演示产品的四个迹象

1. 只能处理供应商自己的图纸。要求对方用你自己的图纸集演示，最好选用你上个季度投标时遇到的最杂乱的一套。
2. 只报一个准确率数字，却不说明定义。清点什么内容的准确率？针对哪些图纸？如何测量？没有逐项细分的数字几乎说明不了什么。
3. 没有任何内容被标记出来。每个模型都会有不确定之处。一个从不显示疑虑的工具，只是在把疑虑藏起来。
4. 输出结果只是一个电子表格，之后还得有人把数据重新输入估算文件。每重新输入一个数字，就多一次打错的机会。

向任何供应商提出的问题

• 它能接受哪些输入、覆盖哪些工种，又有哪些事情无法处理？
• 它如何呈现不确定性？审核我其中一套图纸需要多长时间？
• 我能否编辑输出结果？我的修改会同步到估算中，并延续到后续变更中吗？
• 我的数据会被用于训练任何人的模型吗？数据存储在哪里？

NIST 人工智能风险管理框架是理解最后一类问题的有用参考。该框架指出，值得信赖的人工智能应具备多项特征，包括有效且可靠、安全且有韧性、问责透明，以及加强隐私保护。每一项特征都可以转化为承包商向供应商提出的一个问题。

为什么不确定性也是一项优势

模型往往会表现得过于自信。Guo 及其同事在 2017 年指出，现代神经网络往往校准不佳。网络给出的置信度，往往与其实际答对的频率并不相符。校准可以改善；一旦校准到位，置信度分数就能成为待处理工作队列。置信度低的项目交由人工处理，置信度高的项目则快速检查。

相比任何引人注目的功能，这一特性对我更重要。面对一套数百张图纸，估算人员没有时间重新核查每一项工程量。但他们有时间检查软件标记为不确定的几十项内容。最终仍由估算人员签署投标报价，而好的工具能让这项审核快速完成。

软件负责读取和计数，人工审核软件存疑的内容，估算人员则签署投标报价。图片：Bildrix

Unite.AI 最近刊登了 Baber Javed 撰写的一篇文章，探讨如何为薪资发放、招生录取以及其他容错率极低的领域设计人工智能。他认为，任何会产生财务或法律后果的事项都应由确定性规则把关，模型负责解读和说明，并在错误代价高昂的情况下由人工审核。建筑投标报价正是这样的情形。

接下来值得关注什么

我预计，未来一年取得的进展将出现在首次工程量统计之后：比较图纸修订版本，并将变更后的工程量一路更新到变更单和发票中，无需重新录入。承包商往往会在图纸修订环节不知不觉地蒙受损失，因为未计价的变更意味着他们免费完成了工作。

如果你经营承包业务并想尝试这些做法，可以先用自己的图纸开展试点，让人工审核每一项输出，并记录自己的数据：耗费的工时、发现的错误和漏掉的错误。从这些数据中学到的东西，会比任何供应商提供的数据都多。

要让你相信机器读取的工程量可以写进一份由你署名的投标报价，你需要先看到什么？