ARTICLE · 988369
美国桥梁数据采集工具及AI大模型与机器学习的持续应用
美国桥梁数据采集工具及AI大模型与机器学习的持续应用核心速览：讲了两件事：SNBI Collector这款数据采集工具从立项到落地的完整脉络，以及公司在桥梁资产管理场景下对人工智能和机器学习的持续探索。 一 开发过程 SNBI Collector的诞生有明确的问题导向。2022年5月新版国家桥梁清单（SNBI）标准发布后，各州交通部面临从旧NBI体系向SNBI过渡的数据迁移难题—字段口径变了，提交格式变了，大量历史数据需要逐条核对、转换和验证。Mayvue在2023年5月推出SNBI Collector，正是瞄准这个当时尚无成熟方案的空档。工具推进速度不慢：2023年9月进入生产使用，2024年首批州正式采用，罗德岛、俄克拉荷马和爱达荷三州在迭代中反馈最多，最终覆盖10个州。按规划，2025年3月是旧NBI指南下最后一次提交窗口，2026年3月迎来首次SNBI提交，到2028年3月所有数据须全部按SNBI标准上报——这个时间线也解释了各州为何在2024年前后集中上马这套工具。 产品设计上，Mayvue把"易用性和用户体验"列为最高优先级，这在面向政府机构的技术工具中并不常见。SNBI Collector以渐进式Web应用（PWA）构建，支持离线操作、自动更新，手机、平板和电脑都能跑，同时与公司自有桥梁管理软件BrM 7.0打通，可直接导出SNBI磁带格式文件用于提交。功能围绕数据转换的实际工作流展开：表单视图按数据子集分设独立表单，支持按转换状态筛选，字段可手动修改、批量转换和逐条验证，必要时对录入加以限制以保证数据干净；字段搜索则支持按桥梁编号和项目代码定向定位单个数据点。从用户反馈看，工具主要在办公室环境使用，大多数字段可借助既有设计图纸和检查记录直接更新，所需培训量有限。 落地案例提供了两种不同的实施路径。俄克拉荷马州交通部选择100%内部消化，每个区只指派一名检查员并严格控制访问权限，先以两人小规模试点跑通流程再逐步推开，经验丰富的检查员平均每座桥仅需20分钟。罗德岛州则走三阶段路线：第一阶段由内部检查员录入主要结构特征和特征类别，第二阶段委托顾问单位处理剩余NBI桥梁，第三阶段回到现场做检查和数据验证。两种模式各有取舍，但都说明这套工具足以适配不同州的人员配置和管理习惯。 二人工智能和机器学习 AI与机器学习部分，Mayvue将自己定位为首批在桥梁检查现场落地AI工具的机构之一，目前在试验大语言模型和传统机器学习两条路线。LLM方向落地了两个助手：文档助手能从上传的检查报告、设计文件中抽取信息并给出可回溯至原文的引用，问题还可以逐层扩展和细化；数据助手则用自然语言替代SQL查询，面向本地已下载的全部桥梁数据做问答，支撑报告生成和统计分析。机器学习方向更偏视觉识别，模型可以通过图像或视频识别支座构件，进一步训练后还能给出构件等级评估并预测未来劣化趋势。此外还有一个QA/QC工具，能自动比对提交报告与计算机分析结果之间的不一致项并标记出来，支持对检查报告做即时批量审查。 公司对AI的风险有清醒认识，列出四个核心顾虑：未经测试或不准确的信息、模型幻觉、敏感数据泄露给公众，以及不断变化的法规和立法环境。应对方案是"AI Vault"——一个封闭系统架构，把现有AI助手整合进来，既防止外部不良数据侵入，也避免内部资源外泄，同时具备跨多来源信息整合的能力。 整体来看，这份汇报的价值不在于展示了多么前沿的AI概念，而在于呈现了一个传统桥梁管理软件厂商如何把数据迁移工具做扎实、再在此基础上逐步嵌入AI能力的务实路径。SNBI Collector解决的是各州眼下最紧迫的合规提交问题，AI功能的探索则指向更长远的资产管理智能化——两者共用同一套数据底座，这正是Mayvue推进AI落地的核心优势。