Construction and Application of an AI-Agent-Based Workflow for the Rapid Survey of Building Damage and Functionality

当地震发生时，一个城市面临的直接问题不仅是建筑是否屹立不倒，而是它是否仍能投入使用。一座医院可能在结构上依然稳固，墙壁和梁柱完好无损，但如果其医疗设备被震碎或管道系统被切断，它也可能完全无法使用。几十年来，工程师们通过观察单个部件来评估建筑：一道裂缝、一扇破碎的窗户或一根弯曲的梁。他们为每处损伤分配等级，但这种方法往往无法回答幸存者最关键的问题：房间内部是否安全且功能正常？了解墙壁有裂缝与了解医院手术室无法使用之间的差距，长期以来一直是难以解决的问题，这在很大程度上依赖于人类检查员的主观判断，他们必须从零散的线索中拼凑出一幅复杂的图景。

研究人员徐政（Xu Zheng）和刘进（Jin Liu）提出了一种新的方法来弥补这一差距，创建了一个数字工作流，就像一支专门的助手团队，用于在地震后评估建筑。他们没有构建一个试图同时完成所有工作的单一计算机程序，而是建立了一个由不同的人工智能代理协同工作的系统，每个代理都有特定的职责。一个代理通过观察地面拍摄的照片来识别损伤；另一个代理查阅建筑规范数字库，以理解这些损伤的含义；第三个代理使用概率模型，计算单面墙的损坏如何影响整个房间的功能能力；最后，第四个代理将所有这些信息汇编成一份清晰、标准化的报告。该系统旨在超越简单的损伤计数，将物理性的裂缝和破裂的管道转化为对建筑是否仍能履行其职责的精确评估。

这种新方法的核心在于视角的转变。传统方法通常将建筑视为部件的集合，其中最严重的损伤决定了最终结论。如果一个关键部件损坏，整个系统通常会被判定为失效，无论其他部分是否仍在工作。研究人员认为，这种做法过于粗放。在他们的系统中，AI 代理致力于区分物理损伤与功能丧失。他们使用一个网络来映射建筑不同部分之间的相互依赖关系。例如，在医院的手术室中，空气过滤系统、气体管道和医疗设备都是至关重要的。如果墙壁有轻微裂缝但气体管道完好，手术室可能仍可使用，尽管可能存在一些限制。然而，如果气体管道被切断，即使墙壁完美无缺，该房间也将变得无法使用。系统通过计算这些关系来提供细致入微的答案，而非简单的“通过”或“失败”。

为了测试这一想法，团队将该工作流应用于一个涉及医院手术室的现实场景。他们向系统输入了描述各种损伤类型（如墙壁裂缝或天花板位移）的照片和数据。随后，系统通过其代理网络追踪这些观察结果：感知代理识别损伤，知识代理将其与特定的建筑规范规则相匹配，推理代理计算损伤对房间整体功能的影响。在一个具体案例中，系统发现虽然房间的非结构部分（如墙壁和天花板）受到了中度损坏，但关键的医疗设备和气体系统保持完好。工作流得出的结论是：该房间处于退化状态，但仍可操作。这是一个至关重要的区别。一种更简单的方法仅关注最严重的损伤，很可能会判定该房间完全无法使用，从而可能导致不必要的疏散或放弃一个本可以挽救生命的设施。

研究人员还探索了当损伤更加严重时会发生什么。他们运行了一系列场景，通过改变损伤的类型和位置来观察系统的反应。他们发现，系统能够正确识别出，非结构元件（如坍塌的天花板）的严重损坏可能会导致房间对任何人都不安全，即使医疗设备完好无损。反之，他们发现单个功能系统（如医用气体供应）的严重损坏会导致房间无法实现其预期用途，即使建筑结构非常完美。系统成功分离了这两类失效，表明建筑的功能能力取决于受损部件的具体组合，而不仅仅是损伤的总量。这种区分“物理上不安全”与“功能上损坏”的能力，是他们研究成果的主要进步。

该工作流的一个关键特征是它具备“知晓自身不确定性”的能力。系统被设计为在证据不明或损伤复杂时发出警报。当 AI 代理遇到证据模糊或不同部分给出冲突结果的情况时，它们会自动暂停并请求人类专家的帮助。这创造了人机协作的伙伴关系：机器处理扫描数千张照片并对照规范的常规工作，而人类仅在需要判断力的困难案例中介入。在测试中，这种方法使系统能够自动处理大多数场景，同时确保最关键的决策由人工进行审核。这种平衡有助于在不减慢整体评估速度的前提下，保持较低的错误率。

团队还将这种新方法与传统的建筑评估方式进行了对比。他们发现，旧方法仅仅汇总房间内发现的最严重损伤，往往会高估损失。旧方法经常会将一个房间判定为完全损毁，而实际上它可能只是局部受损。相比之下，新工作流提供了关于建筑实际能力的更准确图像。它展示了带有裂缝墙壁但医疗系统正常的房间，与墙壁完好但气体管线损坏的房间之间是有本质区别的。这种细致程度是标准清单往往会忽略的。研究人员证明，他们的系统可以生成一份详细且可审计的报告，解释其得出特定结论的原因，并引用导致该决策的具体建筑规范和证据。

尽管取得了这些令人鼓舞的成果，研究人员也谨慎地指出了目前工作的局限性。该系统是使用混合了真实照片和专家提供的数据进行测试的，尚未在环境混乱且不可预测的真实灾区进行部署。系统中负责从照片中识别损伤的部分虽然有效，但在估计裂缝大小或处理拍摄角度困难的照片时仍会出错。研究人员承认，该系统目前是一个快速筛查和分诊工具，旨在帮助工程师优先处理需要立即关注的建筑，而非取代完整的正式工程检测。他们强调，安全决策的最终责任必须始终由获得许可的人类专业人员承担。

这项技术的未来路径包括提高 AI 识别和测量损伤的精确度，并扩展系统以处理全球不同类型的建筑和建筑规范。研究人员计划使用更多样化的图像集来测试系统，并改进其处理不确定性的方式。他们还旨在将该系统更深入地整合到建筑规范更新和新工程师培训的过程中。最终目标是创建一个工具，让第一响应者和工程师在地震发生后的混乱时刻能够快速判断哪些建筑可以进入，哪些不能进入。通过将一个复杂、主观的过程转变为一个结构化、基于证据的工作流，这项研究为韧性提供了一种全新的思考方式——其重点不再仅仅是统计损坏的部件数量，而是理解建筑仍能为人们提供什么。