检测鉴定人员使用 AI 工具的一些实践与思考

这一年 AI 工具铺天盖地，检测鉴定这行也躲不过。所里、同行群里、厂商演示会上，说法都很大，但落到自己手上能干点什么，小编心里一直没底。抱着试一试的态度，这段时间拿它做了七件事，有的成了日常，有的做到一半就卡住。本文把过程和体会记下来。由于小编认知的局限，判断不一定准确，仅供参考。

这七件事：训练视觉模型识别图纸、把 Excel 计算表格转成程序、每天定时抓取行业信息、编制微信小程序、用 IMA 建个人资料库、用 AI 辅助写作和排版公众号、搭建股票量化策略。听着都涉及 AI，成色差得很远。

表 1　七件事的现状分类

哪几件是真交出去了，哪几件只是看起来交出去了，这是小编最关心的。判断标准只有一条：出了错能不能一眼看出来。

这是七件事里用得最多的一件。原来的 Excel 表格用久了公式层层嵌套，改一个参数要顺着往下找好几个格子；转成程序之后，参数在一个界面上填完，直接出结果，界面比表格简洁，用起来也方便，现在正常算一次基本不怎么开表格了。

转换本身不难，原表里的公式是现成的，照着搬即可。花时间的地方在核对：原表的公式有没有漏、单位是不是统一、几个分项之间有没有重复计算，这些在表格里靠眼睛扫一遍，搬进程序必须一条条对着查，个别对不上的先空着，不用硬填。

搬完之后最大的变化是用法。以前交出去的表格，别人拿着不敢改，怕算错；现在给个窗口，填几个数就出结果，谁用都一样。这一点比省下来的那点计算时间更有用。

这件花力气最多、进展最慢，现在能认出图纸上的一部分构件，但离不开人工复核。

卡点在构件本身的识别。图纸上的梁、柱、墙、板，人一眼分得清，模型得先从线条和图层里把它们分出来，位置挨着、截面相近的地方最容易混。构件这一步认不准，后面的数量统计就无从谈起，所以问题不在统计，在前面。

另一个变量是图纸本身。不同设计院的图层组织、字体、标注习惯差别很大，同一个院不同年代的也不一样，模型在一个院的数据上训好了，换个院准确率就掉，只能不断补数据、反复训练。这也是“需要不停训练”的原因：不是模型不好，是样本不够。

抓信息一开始范围太宽，每天几百条看不完，等于没抓，后来收窄到三类：新发布的标准、主管部门的通报、同行发表的新方法。IMA 资料库放的是这些年攒的规范、条文和稿子，最实用的不是回答问题，是把散在几本规范里的同一件事汇总到一页上。但每条都要回原文核对，它不知道哪一版已废止，也不知道哪条被通用规范覆盖。

排版和封面是见效最快的一段。排版原来手工调、反复预览，还容易在手机上错位；现在写好一份带内联样式的版式文件，粘进编辑器基本不走形。封面原来找素材、拼字、反复改，现在写个脚本改完文字重跑一遍，几秒钟出两张图。快的原因是这件事错了能一眼看出来。

量化是其中最不务正业的一件，现在算是走完了第一步。600 选 1 这个比例，说明绝大多数想法过不了回测这一关，靠灵感挑一个大概率是错的，只能批量试、再复测。这一点和检测相通：无论报告还是策略，只要数据链条有一处不成立，结论就作废。小程序还在跑基本流程，等成型了单独写。

七件事做完，结论很直接：确实省了大量时间。计算表格的日常使用、公众号的排版和封面、每天的行业信息，这几块省下来的都是实打实的。

但省时间不等于可以少做一步。AI 有个毛病，它会一本正经地胡说：格式对、语气对、看着像那么回事，只有关键的地方是错的。所以判断还得自己做，出处还得回去核。哪一版规范适用、这个异常值该不该剔、这栋楼定几级、报告上签谁的名，一件都没交出去，也没打算交。

省下来的时间，有一部分又还回去了，花在核对上。这笔账算下来仍然是划算的，只是没有想象的那么省事。

最后一句话，说给同行听。这波 AI 不是某一行的风口，是从上往下漫过来的，检测鉴定这行也躲不开。日常的表格、报告、排版，能交出去的先交出去；再往前一步，学着写一点简单的程序，把重复的活固化成脚本——小编也不是计算机出身，边用边查就行。早一步上手，省下的是以后补课的时间。