用AI赋能建筑施工安全，英特尔携手震有智联让建筑施工不再是高危行业

【ZOL中关村在线原创】下面这张截图，来自一份建筑施工安全隐患报告：

仔细阅读后你会发现这个案例中的文字表述模式，看起来就是一个干了数十年的资深安全员，在仔细查探过工地安全隐患之后写的建筑施工现场安全隐患判断及整改意见。但实际上它是利用AI大模型对一张施工现场照片进行分析判断之后输出的结论。

写下这段话的解决方案叫做“智联建安”。它是来自深圳市震有智联科技开发的一套面向建筑施工安全管理这个垂直行业的AI大模型和AI智能体，以及对应的硬件产品矩阵。

就在不久前，英特尔和深圳市震有智联，推出基于英特尔行业大模型一体机打造的“智联建安”建筑施工安全管理垂直行业应用大模型及AI智能体系统。该方案采用了基于英特尔至强处理器和英特尔锐炫Pro B60 GPU的行业大模型一体机，结合英特尔在软硬件优化及x86生态方面的优势，将宝贵的安全专家经验，转化为可以现场随时调用的专业助手，用AI智能守护一线施工现场，让每一座建筑都更安全。

这里我并不打算讨论"AI是否会取代安全员"这种问题。而是想算一笔账：也就是支撑起这样一个建筑施工领域的安全化解决方案，到底需要怎样的算力才能跑得起来，而为什么英特尔锐炫Pro B60这款专业级GPU会处在这个算力底座的关键位置上。

·安全员看不过来，这不是态度问题

英特尔中国行业与解决方案业务部总经理王景佳在接受采访时说，“回到千行百业，我们这个团队一直在看如何把AI用到各个行业当中。在各个工业场景下、建筑场景下、零售场景下，是不是所有人都要去连一个云端的几万亿参数的模型？这样的模型能不能解决我们实际的问题，从商业上、可靠性上、可运维性上是不是值得部署？”

建筑施工安全管理的传统模式，本质上是人力密集型的工作。

一个项目大几百号人、十几个作业面同时开工，安全员的数量通常是按建筑面积去配置的。但实际能覆盖的比例却很有限。班组长是真正贴着现场的人，但班组长要管进度、管质量的同时还要管人，安全这件事在他那里很容易被排到第三、第四顺位去。至于安监部门，从集团到区域到城市、公司再到项目，中间往往隔着很多层，督查巡检一般是定期的、抽样的、事后的，及时发现安全隐患难度不小。AI则能够很好地解决这些问题。

震有智联的方案给自己定的目标很实在，就是为了“救命”。

它可以让班组长的安全管理动作真正落地；同时让安全员巡检有章法可循。它最终的落点是在"减少伤亡事故发生概率"以及"大幅度消除一线施工人员死亡的可能性"上。

具体到产品，这套方案分成了几个角色：

给班组长用的是"小班副"APP，把一线安全管理动作拆成12个节点，通过APP将工作节点的安全风险等信息推送给班组长进行风险警示。每个节点使用语音、图片留痕，完成安全检查会获得积分，方便监管人员进行监管，以直观的积分为依据考核班组长是否真正落实安全责任；

给安全员用的是"震有跟班"，能看实时视频、拍照上传识别、收隐患告警；

现场还可配备固定式的巡检一体机，400万像素、IP66级别的防尘防水、支持断网可用、摄像头270°可旋转，顺便在早班会定时播一段安全交底；

工人头上的智能头盔则负责跌倒检测、电子围栏、SOS呼叫这些更靠近生命安全的事。

这套解决方案解决了很多现实问题，比如安全管理里最难的其实不是识别不出隐患，而是识别出来之后没人去改。利用解决方案将必要动作量化成积分，等于把责任变成了一本账，上面的人查的是账，一目了然。

此外，震有智联的解决方案可以做到三个“90”，即隐患识别类别超过90%、隐患识别准确率超过90%、隐患识别效率超过传统方式90倍。

那AI在这中间到底干什么？首先是把隐患从图像和视频里找出来，其次是把对应的规范条文翻出来，再就是把整改措施写清楚。这些事以前靠算法虽然也能做一部分，但把整改措施写清楚就必须要由人来执行。

·大模型带来的变化，不在"看"，在"说"

工地上的视频监控和图像识别其实并非新事物。很多年前就有解决方案能识别出比如"这个人没戴安全帽"“工地的某个区域缺少什么”。但是这类基于目标检测的算法有个共同短板，就是它只能告诉你"有个东西不对"，但却说不出"为什么不对""违反了哪一条规定"以及"到底该怎么改"。

从最开始那段关于脚手架安全隐患的分析则可以看出，AI时代里这套监控解决方案其实展示的是另一种能力。当AI大模型“看到”水平杆与立杆构成了网格→发现斜向杆件在多个区域中断→判断中断位置包括中部、右侧和转角→认定间距超过规范→推出架体整体刚度不足→给出风险分析和整改措施→引用具体规范的具体条款。这其实已经不是一个简单的分类任务，而是执行了一条完整的工程安全隐患判断、意见、整改体系，中间每一步都需要施工专业知识，最后一步还需要把判断落到法规条文上。

而背后支撑这套解决方案的则是一套行业数据库，从隐患分类及识别库、安全交底库、检查规则库、技术规范库，到涵盖了上千种作业的风险点和管控措施应有尽有。模型再聪明，没有这套东西也只是一个会说话的通用视觉模型。而有了它，才能说出将判断落到实际的规定条款之上。

同时，这套解决方案的架构设计极其清晰：包含了感知终端层、接入与计算层、大模型底座层、智能体应用层，并且是云+边+端侧多源异构超融合的设计。其底座层挂着三个模型——30亿参数以上的视觉大模型、70亿参数以上的语言大模型、以及320亿参数以上多模态大模型。

这三个数字，就是后面所有算力底座需要面对的挑战。

·如何去算一笔显存账？

AI大模型能不能跑起来，第一道坎是显存容量，而并非我们所理解的算力。

按常规的精度估算，一个320亿参数的多模态模型，用FP16或BF16，大约需要64GB显存才能跑得动；即便是INT8量化之后也需要大约32GB。而70亿参数的语言模型，FP16下大约需要14GB，量化后需要7GB左右。30亿参数的视觉模型，FP16下需要6GB以上，量化后需要3GB左右。

然而这些还没算上KV cache。建筑施工场景里，并发任务极为常见。例如一个项目几十个班组同时上传图片视频，模型要排队处理，长上下文的KV cache自然会吃掉相当一部分显存。例如震有智联提到在深圳歌剧院一个项目中就接入了22个班组，后海沄玺16个，森城城市更新17个，这些班组往往是同时在使用解决方案，压力着实不小。

震有智联的AI训推服务器就采用了锐炫Pro作为算力底座，而当我们把英特尔锐炫Pro B60的基础参数放进来做对照，它起步拥有高达24GB GDDR6 显存、192bit位宽、456GB/s带宽。

所以跑30亿参数的视觉模型，只需要一张锐炫Pro B60就足够，且剩下的空间足够同时开几路视频流推理；70亿参数的语言模型，FP16下单卡也能胜任，还能留出十几GB做并发处理；320亿参数的多模态模型，INT8量化后大约需要32GB显存，一张24GB的卡不够，但两张48GB就够用了，整体成本要比其它方案更具经济性。

而且别忘了，英特尔与铭瑄合作还推出了一卡双芯版本的锐炫Pro B60。它在一张卡上封装了两颗芯片、显存直接翻倍到48GB，单个PCIe槽位即可容纳。这种形态对于建筑工地场景的意义其实比纸面参数还要大得多。因为一台紧凑型工作站、甚至一台边缘一体机，只用一个槽位就能拿下48GB显存的显卡，不必为了塞进第二张卡去改机箱、改供电、改散热，省去了不少麻烦事。

此外，如果需要多卡，英特尔的Battlematrix方案可以完美适配需求。

同时，英特尔酷睿Ultra这种具备不错算力的硬件平台，也可以被用在边缘计算终端设备上，

在震有智联的新品发布会上，英特尔中国区行业及解决方案业务部总经理王景佳坦言，“英特尔对于建筑行业而言是外行，但英特尔更懂得如何把异构计算能力发挥到极致，与行业伙伴打造完善的解决方案，为行业赋能。”

·别忘了还有强大的编解码引擎

除了显存与算力这两项硬性指标之外，锐炫Pro B60的多格式编解码引擎对于建筑安全施工场景而言也是极为重要。它支持H.264、H.265、AV1等各类常见的硬件编码与解码能力。因此对于建筑工地视频分析来说，这可能是整张卡上同样关键的核心能力。

一般来说，一个中等规模的工地就可能有十几路摄像头，再加上智能头盔、手机等设备上传的片段，边缘节点同时要处理的视频流量级还是相当大的。如果全靠CPU解码来干，光是解码这一项任务就能把整机资源榨干净，基本不会留给AI推理多少空间。

但是依靠锐炫Pro B60则要轻松很多，解码、抽帧、推理、再编码上传，高效快捷。而且另一个好处是功耗，毕竟用固定功能的媒体引擎解码，比用通用计算单元跑软解省电得多。

此外，锐炫Pro B60在功耗方面也有着不错的表现，而节能对于建筑施工场景同样重要。

接口方面，锐炫Pro B60是支持PCIe5.0的。在紧凑型边缘设备里无疑是一大优势，高带宽保证了单卡或多卡传输不会成为瓶颈，而且多卡并行时的卡间通信恰恰是决定扩展效率的关键要素。

除了硬件之外，英特尔在软件栈方面也能够给到很多垂直领域直接的支持。例如OpenVINO、oneAPI、IPEX（Intel Extension for PyTorch）、vLLM的支持，可以帮助行业用户快速切入到AI开发环境之中，并且直接与英特尔硬件完成适配。

·为什么有些计算必须放在本地

到这一步，还有一个问题绕不过去：既然要算力，为什么不直接上云？

我个认为有三个理由：

第一是网络。工地现场的网络条件不稳定，地下作业面、隧道掘进、钢结构高空，信号时有时无。震有智联推出的一体机作为边缘计算终端，可以断网使用，这说明他们很清楚网络在施工场景下的潜在隐患。比如视频流全部上传再回传结果时，如果网络不畅，那么安全警示提醒往往就可能变成“事后诸葛亮”。

第二是时延性质不一样。比如像“未戴安全帽”这种实时存在的安全隐患，其核心在于秒级发现并响应，毕竟人正在危险区域作业，播报器喊一嗓子，他可能就把帽子戴上了。这个链路必须闭环在本地，如果走一趟云到端，完全没有必要。所以算力分层是成本和效果共同倒逼出来的一种必然，轻量、高频、强实时的推理放边缘端和终端，重量级、低频、可批量的分析放在数据中心。

第三是数据归属。工地影像数据涉及作业面、人员、工艺细节，很多施工方对"视频出项目"是有顾虑的，尤其是涉及重点工程和保密项目的。本地部署自然是更加安全的选择，可以做到数据不出场，模型不出场。

所以震有智联推出了云、边、端多种终端设备组合，为的就是满足施工场景下的多元化需求。

·结语

从震有跟班到小班副APP，再到“监察御史”头盔，以及震有智联构建的“智联建安”大模型架构，再加上英特尔酷睿Ultra、英特尔锐炫Pro这样的底层硬件赋能，双方所做的事情归结到两个字，就是“救命”。也就是震有智联的愿景——让建筑施工不再是高危行业。

一个干了二十年的安全总监，一辈子能看的工地是有限的，但是一个跑在本地算力上的模型，却可以在60个工地上同时“睁着眼睛”去快速、精确判断安全隐患，并且直接给出整改意见。这就是AI颠覆建筑安全这个传统领域的充分展现。