AI落地實踐連載⑤ | 揭秘上海建科在AI浪潮下的破局突圍之道
在人工智能加速向千行百業滲透的當下，為助力企業持續將AI技術轉化為實際生產力，我們在公眾號開啟「AI 落地實踐」系列連載，持續分享6月6日「智見新局?AI—— 人工智能 ToB 場景落地研討會」上各企業代表在不同業務領域的高價值AI落地場景。
本期聚焦上海建科劉丹璇的演講內容，探尋工程咨詢龍頭企業的智能化進階路徑。
以下為演講精華實錄：
核心業務與 AI 探索方向
各位嘉賓大家好！我是上海建科工程咨詢有限公司科技創新部的劉丹璇。非常榮幸今天能和大家分享我們公司在工程咨詢智能進階和實踐探索方面的一些具體做法。
上海建科工程咨詢有限公司咨詢兩大主營業務產品是工程監理和項目管理。前者是對施工單位的質量、進度、投資、安全進行全過程監督和管理，后者是作為建設單位代表，統籌管理整個項目全過程。
工程咨詢行業主要項目
工程咨詢行業尤其是監理行業有這么幾個特點：政府強監管、客戶要求高、項目高風險、作業低能級。因此，亟需依賴物聯網、大數據、人工智能等技術，實現工程咨詢工作的智能化、數據化。近些年，我們公司也圍繞主營業務做了許多AI場景的探索。
上海建科 “信息化—數字化—智能化” 進階之路
三位一體數字化體系
目前我們已經構建了智檢裝備、智管平臺和智鏈服務三位一體的數字化體系。
第一個是智檢裝備。包括工地上的攝像頭、帶攝像頭的智能安全帽，還有自動巡視機器人，這些都是用來在工地現場實時采集數據的。
第二個是智管平臺。主要針對監理和項目管理業務，把裝備采集的數據匯集到這里做分析。
第三個是智鏈服務。我們把平臺上積累的影像數據、風險數據，還有監理報告、總結這些文檔類數據，都匯集到知識管理平臺上，方便同事們復用經驗。另外還有一個 “建科小智”，是基于知識管理平臺的企業級數據庫和DeepSeek本地化部署搭建的智能問答機器人。
智檢、智管、智鏈三位一體數字化體系
智能化應用場景實踐
下面展開介紹一下我們的智能化場景。
第一個場景圍繞公司核心業務—— 工地質量安全管理。我們研發了人員統計、安全帽佩戴檢測、臨邊防護區入侵等 20 種場景管理功能。
具體流程是通過質檢裝備采集質量安全要素數據，回傳到智管平臺，用圖像識別算法識別隱患，再通過手機 APP 推送給工程師，實現風險實時預測、預警和快速解決。
工地安全質量管理流程示意
今年我們還在研發一款適應復雜工地環境的智能巡檢機器人，我們采購了傳感器，配上自主研發的圖像識別算法，搭載移動底座組合成機器人，用于工地質量安全管理，實現風險監控、預警和數據聯動。
智能巡檢機器人示意
第二個場景是智能臺賬管理，和今天的承辦單位金現代合作研發的。以前工地現場對材料、企業資質、特種作業人員的紙質資料管理，需要工程師手工錄入平臺，費時費力還容易錯?，F在基于 OCR 技術，工程師拍照就能提取信息錄入平臺，不僅提高效率和準確性，還能智能提醒材料過期，實現數據共享。
智能臺賬管理示意
第三個場景是智鏈服務中的知識管理平臺。我們近幾年一直在做知識管理，知識管理體系覆蓋公司所有工程項目、十大業務產品、十三大工程類別，涉及三百余項專業參數，目前有 9 萬多份歷史業務成果和近 1200 份專項知識。從去年開始，我們基于知識庫與大模型，準備建設上海建科自己的專業知識問答大模型。
大模型部署的關鍵要點
在部署大模型的過程中，我認為有幾個關鍵點需要關注。
首先是算力。跟很多公司一樣，我們也面臨算力昂貴的問題，所以采用分類分級策略：敏感的業務數據和合同數據推理，用本地化部署的 DeepSeek 保證數據安全；日常辦公問答不涉及敏感信息的，調用清華智譜的 API，這樣能讓本地算力優先服務敏感場景。
然后是知識接入機制?，F階段我們處于企業部署大模型的初期，采用 RAG 加上提示詞工程的組合策略，在 “建科小智”上搭建知識庫應用，每個應用根據主題配置專業知識和提示詞，讓 AI 回答更準確，這種方式不需要大規模微調，成本低還靈活，能根據不同業務場景擴展。
還有知識庫建設。知識庫是企業智能化的底層支撐。知識庫建設不僅是收集積累的影像、數據、業務文檔，而是要進行數據清洗、分類、標簽化、結構化，將數據變成真正能用的、有價值的數據資產。
智能化與業務的融合路徑
如何讓智能化場景和公司數字化業務有機融合呢？我總結了三點。
第一是智能化場景嵌入業務環節，以監理工作為例，我們在平臺上把監理任務標準化拆解推送給工程師，比如檢查混凝土結構，以前工程師檢查完要手寫監理日志，如今在數字化場景下，檢查到的風險錄入平臺后會自動生成日志，現場攝像頭和機器人采集的隱患也會自動進入日志，工程師不用改變工作習慣，就能享受到智能化帶來的效率提升。
第二是數字化平臺互聯互通，我們公司目前有多個數字化平臺，包括業務類，管理類以及應用類。我們的智能化應用會和這些數字化平臺之間實現數據對接，通過將平臺和數據進行打通，便于AI進行跨系統、跨場景的數據調用，支撐智能化場景落地。
第三是業務數據支撐智能化場景，所有AI應用最終能不能用好，核心還在于數據質量和業務數據支撐能力。業務端生產的數據不僅需要數量，更需要質量，例如“慧監理”后臺存儲的工程質量安全圖片近20萬張，我們需要做好這些非結構化數據的分類，治理，標注，逐步把這些業務數據清洗、標準化、歸集，作為AI場景調用的基礎數據源。
智能化成效和思考
近些年，我們在數字化和智能化方面也取得了顯著的成效。對我們內部而言，使得我們的工作更便捷，成果更可靠、管理更科學；對行業而言，破解了工程咨詢行業“高要求、強監管、高風險、低能級”困局，實現了行業價值升級的驅動。
數智化成效概覽
最后也講幾點我自己在人工智能、數字化方面的思考。
第一，打通數據脈絡釋放資產價值。很多企業都面臨數據治理的難題，積累了大量文檔、影像等資料，這些資料可能數據標準不統一，口徑不一致，導致資源價值長期被擱置。因此數據治理必須長期做，持續做，深入挖掘歷史數據的價值。
第二，融合業務場景構建聯動體系。在行業智能化轉型中，很多企業是碎片式部署，要圍繞業務鏈條打通場景、數據、平臺、角色的壁壘，構建全鏈條智能化體系。
第三，重塑服務模式，拓展增值空間。雖然以前行業大多是任務式交付，但現在借助 AI 技術，可以通過風險預警提前發現用戶潛在需求，從交互式作業轉向 “數據 + 智能 + 服務” 的復合型模式，在同質化競爭中打出差異。
第四，確保數據共享有度，守護安全。數據共享是智能化的基礎，但要在確保安全的前提下讓數據高效流通。