在实施了人工智能方案后，设计和施工技术已经落后于时代了。基于广泛的研究，我们调查了应用程序和算法，以帮助弥补技术差距。

设计和施工(E&C)部门每年的价值超过10万亿美元。虽然他们的顾客群体越来越复杂，这依然是严重不合理的。为了展示技术的前景，我们对于设计施工过程中各个阶段现有及潜在的使用案例进行了广泛的研究，范围涵盖设计（design）、预施工（preconstruction）、施工（construction）、运行（operation）和资产管理（asset management）。我们的研究揭示了一个技术方案领域日益增长的焦点——吸纳人工智能（AI）的算法。这些新兴的技术专注于帮助用户克服设计和施工行业中一些最大的挑战，包括成本超支、工期延误和安全问题。

在不远的将来，我们预计人工智能技术在E&C领域的扩散是平缓的。事实上，尽管人工智能解决方案已经被证明有可观的投资回报率(ROI)以及广泛的管理兴趣，目前很少有E&C公司或是业主拥有这些能力（包括人员、程序和工具）去实现它们。

然而，转变正在到来。项目全生命周期中的利益相关者——包括承包商（contractor）、运营商（operator）、业主（owner）以及服务提供商（service provider）——不能再把人工智能视为只与其他行业有关的技术。事实上，其他相近行业，如运输业和制造业，已经在不断打破彼此间的障碍，并偏向以生态系统的模式运营（如某一行业特定的解决方案、工具和算法更有可能在各行业中产生影响）——这增加了来自非传统的资本项目参与者作为市场进入者的竞争威胁。

这些降低的市场壁垒由于人工智能方法在跨行业的应用能力不断增强而消除。这些进展将在中长期内看到，但若要在未来的生态系统中发挥作用——以及与新进入的市场进入者竞争——E&C需要在AI应用和技术的应用上迎头赶上。我们预计，这一努力将导致更多的资源配置来建设必要的能力，并使人工智能在未来几年在建设领域中发挥更重要的作用。

所以，E&C的领导者应该从何开始呢？基于去年的报告，我们通过以下三方面，对人工智能技术渗透建设领域的应用点和应用方式提出预测：

人工智能在工程和建设中的现状

尽管一小部分初创企业正因其专注于人工智能的方式而获得市场的青睐和关注，但在建设工程领域，人工智能使用案例依然处于初级阶段。有一些早期阶段的例子可供建设公司评估：

项目进度优化器（Project schedule optimizer）可以考虑数以百万计的项目交付备选方案，并持续改进项目总体规划。

图像识别和分类（Image recognition and classification）可以评估在工作地点收集的视频数据，以识别不安全的员工行为，并汇总这些数据，为未来的培训和教育重点提供信息。

增强的分析平台（Enhanced analytics platform）可以从传感器收集和分析数据，以理解信号和模式，部署实时解决方案，降低成本，优先进行预防性维护，并防止意外停工。

尽管如此，AI解决方案在E&C的应用率还是相当低，特别是与其他行业相比(见下表)。McKinsey的研究将建筑材料和施工与其他12个行业进行了比较：这些行业中有10个正在进一步采用人工智能，所有行业预计将在未来三年以更快的速度增加在人工智能方面的支出。

当然，任何人工智能算法都是基于向过去的学习。这意味着人工智能需要一定数量的关键数据才能兑现其承诺，因此规模将至关重要；同样地，公司需要大量的数据(在这种情况下是项目)来训练AI算法。因此，大规模的公司可能获益更多，尤其是在短期内。

外部第三方有可能进入并利用E&C数据来训练其模型——这种情况可能会导致整个行业的改善，但对于单个公司来说竞争优势有限——但考虑到数据共享和数据所有权方面的巨大限制，这种情况似乎不太可能发生。

可供建筑领域借鉴的5个其他行业中的人工智能应用

人工智能包含了大量的可能性和用例，包括机器学习（machine learning）、自然语言处理（natural language processing）和机器人技术（robotics）。我们的研究集中在5个其他行业中的人工智能应用，它们也可以直接应用于建筑业。

01 项目规划优化借鉴运输路线优化算法

目前可用的技术已经为运输公司提供了优化路线和改善交通导航的能力。在未来，一种被称为强化学习（reinforcement learning）的人工智能技术，允许算法基于尝试和错误进行学习，可以提供更有效的优化，并解决目标函数(如持续时间或燃料成本)。该技术可直接应用于E&C项目的规划和进度安排，因为它有潜力评估基于类似项目的无尽组合和备选方案，优化最佳路径并随着时间的推移进行自我修正。

02 可施工性问题借鉴制药结果预测

在将巨额研发预算投资于预测性人工智能解决方案方面，制药行业已成为领头羊。从长远来看，这种方案主要通过预测药物试验结果来降低研发成本。这些应用程序可以直接应用于建筑行业——特别是在研发预算与大型制药公司相同的大型项目中——通过两种方式来预测结果。首先，预测应用程序可以预测项目风险、可建造性和各种技术方案的结构稳定性，在决策阶段提供洞察力，并可能在以后节省数百万美元。其次，这些应用程序可以对各种材料进行测试，从而限制某些结构在检查期间的停工时间。

03 材料和库存管理借鉴零售供应链优化

人工智能改变了零售供应链的运行方式，它减少了生产停机时间，减少了过度供货，并增加了发货的可预测性——所有这些都大大降低了成本、物流负担和变化性。随着模块化和预制结构变得越来越普遍，监督学习应用(例如，梯度提升树（gradient-boosting trees）)将直接应用于E&C。由于大量的材料、越来越多的项目正在使用场外施工，而加强供应链协调的需求将成为控制成本和总体现金流的关键。

04 运用于模块化和预制结构以及3-D打印的机器人技术

尽管模块化和3-D打印技术在当今建筑领域的应用正在不断推进，但通过机器学习，这些方法的好处可能会得到长期的最大化。例如，机器人行业的研究人员已经成功地训练机器人手臂通过模拟学习来移动。在E&C，这种应用可能有一天会被应用到石油和天然气以及其他工业部门的预制技术和维护操作中。

05 风险和安全管理借鉴医疗图像识别

在医疗行业，机器学习方法在图像识别方面取得了突破，以支持疾病的诊断(例如，检测各种情况的确定指标)。在未来，这项技术可以应用于无人机图像和3D生成模型，以评估质量控制问题，例如建设中的缺陷(结构和美学上的)和重大事件的早期检测(如桥梁故障)。这些技术可以帮助工程师对比开发中产品、最终产品与初始设计效果，或者基于数百万张无人机采集的图像训练一种不安全行为检测算法，以识别项目现场的安全风险。

有可能干扰E&C的额外机器学习算法

适用于E&C的人工智能方案的数量可能是无穷无尽的。作为初步探讨，我们将重点介绍机器学习中的几种可能性（下表）。虽然机器学习只是人工智能的一个分支，但其广泛的监督和非监督学习技术，以及深度学习卷积（deep learning convolutional）和循环神经网络（recurrent neural networks），提供了无数进行投资的商业案例。

以下几个用例可适用于广泛的E&C利益相关者，包括业主、承包商和运营商：

改善质量控制和索赔管理

企业可以使用深度学习技术（deep-learning techniques）来加强质量控制。例如，神经网络可以评估无人机采集的图像，将建筑缺陷与现有图纸进行比较。这些网络还能够帮助业主和企业了解承包商或分包商提出索赔的可能性，从而使业主和企业能够主动分配应急费用并部署有针对性的缓解计划。

增加人才保留和发展

未来几年，E&C行业面临的一个主要挑战是吸引和留住顶尖人才。领导者可以通过应用非监督的机器学习算法(如高斯混合模型（Gaussian mixture models）)来解决这个问题。高斯混合模型可以根据员工流失的可能性来划分员工，并制定有针对性的计划来留住他们。k均值聚类（K-means clustering）可以识别潜在的候选人群，并制定招聘策略以吸引合适的人才。人工智能算法还可以帮助领导者定位和预测总体人才痛点，比如人员流动、技能或劳动力短缺以及组织设计中的缺陷。例如，它可能有助于预测特定地区熟练技工的劳动力短缺，或计划雇佣或锁定合同以限制成本或项目延迟。

加强项目监督和风险管理

E&C利益相关者可以使用神经网络，使用无人机生成的图像和激光生成的数据捕获项目进度，来教人工智能如何创建3-D“双模型（twin model）”来匹配bim生成的模型。这些应用程序将通过BIM、AI、无人机和激光能力的结合，使项目进度计划和预算更新完全自动化，大大减少建设项目的决策周期，从按月计算到按天计算。

不断的优化设计

业主和承包商可以使用推荐系统方法(监督学习)，它使用集群行为成果（ cluster behavior production）来识别要做出推荐所需的重要数据。这些应用程序可以向工程师和建筑师推荐使用特定设计，例如结构方案(例如，连接类型——焊接或螺栓连接)，建筑饰面(例如幕墙vs玻璃窗)，基于不同标准(例如，所有权总计成本、完成建设的时间、有缺陷的构造的可能性——执行过程中的错误)。最终的结果是业主和承包商有更多的信息来帮助做出明智的决定。

其他几个对于E&C施工企业有特定用例的应用程序:

建立商业的卓越和竞争优势

通过评估以前的项目投标和复制成功的要素，同时避免失败的要素，监督和非监督学习算法可以提高E&C公司的项目中标率，提高利润率，并确保项目价值。例如，线性/二次判别算法（Linear/quadratic discriminant algorithms）可以提高公司预测能力，以估计潜在客户被接受的可能性(即去/不去比率)和关闭的可能性(即得到/不得到比率)。简单的神经网络算法可以用来评估客户可能愿意为一个项目支付的费率或一次性价格折扣，而在未来，强化学习可以基于之前成功的投标决策案例帮助优化投标和设计。这些算法还可以预测什么样的服务组合对客户最有吸引力，特别是当公司转向提供综合解决方案而不是传统的一次性项目时。

公司的名声与风险管理

考虑到最近在E&C行业的收益损失和项目冲销风潮，市场和个人客户对某家公司兑现承诺的能力的信心已经有所下降。由于这一转变，各个企业正在失去项目投标，市场股票价格也受影响下滑。公司可以应用机器学习来迅速解决客户和市场的问题。例如，可以使用朴素贝叶斯算法（Naïve Bayes algorithms）对公司的市场感知进行情绪分析，并告知启动旨在维护其积压工作和股票价格的有针对性的声誉建设工作。算法还可以用于根据客户的特征和需求来分析客户，以更好地实现业务开发目标，并提高保留率。

领导者能够做什么以求在AI领域处于领先地位并合理利用AI

所有利益相关者都可以采取以下几个步骤以使自己在人工智能领域处于领先地位：

根据公司的起点确定高影响的用例

公司需要确定主要需求的领域以及人工智能使用案例在短期内对什么有最大化的影响。如果没有清晰的业务案例、ROI和燃烧平台，E&C公司将会在时间和资源的使用上效率低下，这会造成挫折感，增加组织中的怀疑，并导致公司失去动力。领导者应该根据公司独特情况和需求，确定人工智能影响最大的领域来优先考虑他们的投资——例如，安全或人才保留——同时也要考虑在公司目前的数字技术成熟度条件下，哪个领域是最容易实现的。

立即投入相当一部分研发投资以提升数字化能力

如今，E&C行业整体上向科技领域的投资约为1%——这一比例远低于金融服务和制造业等其他行业。由于人工智能的影响取决于是否有正确的数据，如果不首先进行持续的数字化工作，E&C的领导者就无法利用人工智能。这包括投资在正确的工具以及收集和处理数据的能力，例如云基础设施和高级分析。McKinsey研究发现拥有良好数字化记录的公司通过使用人工智能获得利润的可能性要高出50%。

吸收生态系统概念及了解来自其他行业的解决方案

长期以来，E&C部门一直在独立运营。鉴于上述向生态系统发展的趋势，业内人士需要超越行业界限，了解现有企业在哪些领域变得更加脆弱，并确定可供成长的空白区域。无论是业主还是E&C公司都可以与行业外的组织探索非传统的合作伙伴关系，将具有跨行业多个应用程序的先进研发成果汇集在一起（例如，初创企业、大学，甚至其他人工智能发展程度更高的行业的主要参与者）。对于能够主动寻求非邀约投标或房地产开发的E&C公司来说，这种合作关系可能是一种增加数据点和创造价值的方式。此外，业主和公司可以确保企业开发团队具有评估考虑到整个生态系统潜在技术的人才和专题专业知识。

调整公司的人才能力

该行业将需要扭转其在人才开发方面投资不足的趋势，并将重点放在招聘来自其他行业的具有人工智能和数字技术背景和技能的人才上。此外，企业将需要对现有员工的技能进行再培训，以获得在数字时代蓬勃发展所需的能力，并提供必要概念方面的培训，如机器学习算法等等。

改变内部程序以适应人工智能带来的创新

今天，实现人工智能解决方案的关键过程（例如如何提出和实现一个新想法）在CEO以下的几个级别上被处理。但高层领导需要参与制定这些流程，并增强员工创新的灵活性。虽然这看起来是一个简单的步骤，但确保高管团队正在影响程序开发是准备接受人工智能的关键促成因素。

先行者和快速追随者将得到奖励

上面列出的具体步骤可以作为企业追求人工智能的快速起点。事实上，先行者将为行业指明方向，并获得短期和长期的利益。虽然从技术采用的角度来看，E&C往往会落后，但现在是时候让业主和公司采取行动，确保自己处于将人工智能应用和技术引入该领域的先锋地位。

责任编辑：何周重