当AI长出了眼睛——工程人如何用AI看图解决实际问题 - 御书房

从文字到图像——AI能力的又一次跃迁

几个月前，AI对我来说还只是一个\"文字工具\"——写方案、做分析、整理资料，所有的交互都靠打字。直到最近，我开始使用AI的视觉识别能力来处理工程中的图像信息，才真正感受到：当AI\"长出了眼睛\"，它能做的事情比我预想的要多得多。

做过工程的人都知道，图纸是工地的"通用语言"。但图纸多、版本杂、改版频繁是常态。以前核对图纸变更，需要人工逐页比对——费时费力还容易遗漏。

试着把一张变更图纸拍下来发给AI，让它\"描述这张图纸和上一版有什么不同\"。AI不仅能准确识别图纸中的尺寸标注、构件编号、材料规格，还能一眼看出哪些地方标注有歧义、哪些尺寸和常规做法不一致。

真实案例：某项目收到一份钢结构节点变更图，人工审核了两天没发现问题。我把图纸拍照发给AI，它三秒钟指出：\"节点板厚度标注为18mm，但螺栓孔直径对应的板厚最小要求是20mm，存在设计矛盾\"。一查，果然是设计笔误。

工地巡检拍了上百张照片，回到办公室整理的时候，最怕漏掉关键问题。现在我可以把一堆照片批量发给AI，让它帮我检查——"哪些照片中显示钢筋间距不符合规范"、"哪些照片中的模板支撑存在安全隐患"。

AI的识别能力虽然还达不到专业质检员的水平，但作为\"第一道筛子\"非常实用。它能把明显的问题标记出来，巡检人员只需要重点关注AI标记的部位，效率翻倍。

材料到场验收时，需要核对产品规格、型号、数量、合格证等。把材料的铭牌、合格证、货单拍照给AI，它可以在几秒钟内完成信息提取和比对——"这批钢筋的规格标注为HRB400E 25mm，与采购单一致，合格证编号可追溯，生产日期在有效期内"。

这不是什么高深的技术，但实实在在减少了验收人员翻表格、对单据的时间。

这里必须说点大实话：AI视觉目前还远不能替代工程师的眼睛。

精度不足：对于复杂的专业图纸，AI对细部尺寸的识别偶尔会出现错误。一次把\"Φ25\"读成了\"Φ28\"——虽然只是个别情况，但对工程来说，3mm的差异意味着承载力的完全变化。

缺乏行业经验：AI不知道\"哪类图纸容易出错\"、\"哪个部位做过往项目吃过亏\"。这种经验积累，需要几十年的职业生涯，AI现在做不到。

专业术语理解有限：一些行业专用术语（如\"跳仓法\"\"负弯矩张拉\"等），AI可能理解表面意思但把握不了背后的工艺逻辑。

所以我的策略是：让AI做"助理"，不做"裁判"。AI负责初筛、标记、提取信息，但最终的判断和决策必须由人来完成。

以前觉得AI跟工程行业不相关——工地上用铁锹和扳手干活，AI在电脑里跑代码，两不相干。但实际用下来发现，AI视觉能力带来的最大改变不是\"替代人工\"，而是降低了信息处理的成本。

一张照片拍下来，人眼看完记完的信息量有限。AI可以帮你把照片里的每一个细节都提取出来——文字、数字、颜色、形状、位置关系——而且不会疲劳、不会遗漏。这就像给每个工程人配了一个永不眨眼的"数字助手"，帮你盯着那些容易被忽略的细节。

当然，工具再好也要会用。我现在的做法是：每天把自己手上的图纸、照片、单据都通过AI"过一遍"，让AI提取关键信息、标记异常、生成检查清单。这个过程只需要几分钟，但能大幅降低信息遗漏的概率。

目前AI视觉能力在处理标准化的工程图像（规范的CAD图纸、清晰的现场照片）时表现不错，但对于手绘草图、模糊照片、复杂节点透视图的识别还有明显短板。

期待随着视觉大模型能力的迭代，AI能从"看得见"进化到"看得懂"——不只是识别图中的物体和文字，而是理解图中的工程逻辑、施工流程和质量标准。到那一天，AI的视觉能力将真正成为工程人的"第三只眼"。

在这之前，我的态度是：积极使用、保持判断、持续学习。工具在进化，用工具的人也要跟着进化。这一轮的\"AI长眼\"，让我对\"人机协作\"有了更深的理解——不是谁替代谁，而是各取所长、互相补齐。