从“最硬AI云”到智慧工地：建筑企业该怎么用好百度？

从算力到塔吊：建筑业的AI问题，不在工地本身

多数建筑企业做“智慧工地”，一开始都很像在“攒电脑”：

• 买一堆摄像头做安全监控；
• 上几个BIM协同平台；
• 找外包团队做一个进度看板App；

系统很多，AI也挂在嘴边，但到了项目一线，普遍反馈是：

“系统不少，就是不好用，更谈不上真正‘内化’成企业能力。”

这背后，其实是基础设施不够硬——不是摄像头不够多，而是没有一套稳固的 AI云底座 来托举所有“智慧工地”应用。

百度这两年在做的“最硬AI云”，给了一个很值得建筑行业借鉴的答案：如果把AI当成电力，而不是一个个小工具，那整件事会简单很多。

本文就用百度AI Infra + Agent Infra 的实践，拆给你看：

• 为什么智慧工地不该只停留在“装几个AI应用”；
• 全栈AI云怎么承托BIM、视频安全、质量巡检这些重场景；
• 建筑企业该怎样规划自己的“AI基建”，而不是年年重投、项目难复用。

一、智慧工地真正的短板：不是应用，而是“底座”

智慧工地这几年有一个明显趋势：业主的要求越来越“结果导向”。

• 要求安全事故率下降多少；
• 要求工期压缩多少天；
• 要求返工率、质量问题闭环率可量化；

单点AI应用如果不能稳定融入企业的进度管理、安全管理、成本管理体系，很快就会被贴上“样板工程”的标签。

百度创始人李彦宏在2025百度世界大会上讲了一句话，放在建筑行业非常适用：

“只有当AI被内化为一种原生能力，才能真正带来生产力的涌现。”

换到建筑语境就是：

• AI不是一个项目部临时用的“外挂工具”；
• 而是像水电一样，贯穿项目策划、设计、招采、施工、运维全周期；
• 能随着企业制度、流程、标准，一起不断迭代。

要做到这一点，靠几个孤立的云服务或算法模型远远不够，需要的是 从芯片到大模型再到智能体（Agent）的全栈AI云基础设施。百度叫它：

• AI Infra：能跑得动、跑得稳的AI算力底座；
• Agent Infra：能快速造出业务AI应用的一整套工具链与运行环境。

智慧工地要跑起来，本质也是这两件事：

1. 工地上产生的大量视频、传感器数据，云端要算得动、算得起；
2. 各类安全、质量、进度Agent，要能按业务节奏快速定义、快速上线、快速迭代。

二、“最硬AI云”是什么？从昆仑芯到企业级智能体

1. AI Infra：让建筑AI应用“敢用、能用、用得起”

对建筑企业来说，AI Infra听上去很技术，其实可以粗暴理解成三件事：

• 有足够的算力：视频、安全帽识别、混凝土裂缝检测、塔吊碰撞预警，这些都是重视觉任务，没算力就只能“挑几路关键视频”算；
• 稳定、可扩展：一个项目是几十路视频，全国是上百个工地、上万路视频，能不能一套架构撑住；
• 成本可控：不是演示时开一堆高配GPU，项目一结束就关机，而是能长期按项目、按工地可控付费。

百度走的是从底层自研的路：

• 昆仑芯：针对大模型推理、训练优化的AI芯片，新一代M100（偏大规模推理）和M300（偏超大规模多模态训练），在能耗和成本上做了针对性设计；
• 百舸计算平台：把成万上百万卡的算力整合成标准化集群，企业接入时像用“算力水厂”，不用管下面是几万张卡；
• 天池超节点：单个512超节点就能训万亿参数模型，这类能力对建筑企业来说意味着：以后想做面向行业的专用多模态大模型（图纸+视频+文本），技术门槛会越来越低。

这些听着跟“工地”很远，但有一个关键影响：

当算力足够标准化、规模化，“看一天视频靠十几个人盯”的安全管理方式，就可以真正被算法替代或增强。

在金融、能源、电网等重资产行业，百度已经在用昆仑芯集群，支撑多个千亿级模型同时训练和推理，客户包括招商银行、南方电网、中国钢研等。这类行业的 数据量级、可靠性要求、合规压力，和建筑是同一档。

这也说明一个现实：

• 只要底层算力和平台“够硬”，建筑行业那些以往被认为“算不动、管不好、太分散”的智慧工地场景，完全可以纳入一朵统一的AI云上去运营。

2. Agent Infra：让智慧工地的“AI班组”批量生长

有了算力只是第一步，更关键的是如何 快速做出一个个贴业务的智能Agent。百度在这层做的是：把模型、工具、数据、运行环境，都封装进一个可管理的Agent系统。

核心是几个能力：

1. 模型服务：

   • 文心大模型家族 + 150+主流模型；
   • 企业可以在千帆平台上微调出自己的“建筑专用模型”：懂图纸、懂施工方案、懂安全规范。

2. 工具服务 (MCP)：

   • 内置百度搜索、地图等组件；
   • 可以接入企业自己的系统：BIM平台、进度计划系统、成本系统、物资管理系统等；
   • 也能挂接第三方组件，比如常见的工程管理软件。

3. 数据与经验沉淀：

   • 把企业过往的工程资料、质量问题、会议纪要、制度流程，结构化成模型可理解的“企业知识”；
   • 让每一个Agent不是“新手”，而是站在企业多年经验的肩膀上工作。

4. Agent运行环境与治理：

   • 统一的权限、安全、审计机制，保证AI在工地场景不会乱“拍板”；
   • 便于IT部门做统一运维，而不是到处接各种小程序。

在百度千帆平台上，企业用户已超过46万，已开发的Agents超过130万。这说明一件事：

企业级Agent已经从“做一个很酷的Demo”，走向“像做表单、做流程一样，按需建一个Agent、部署一个Agent”。

对建筑企业做智慧工地来说，这层能力，基本就等于一个 “AI版精益建造平台” 的底座。

三、如果用到建筑业：AI Infra+Agent Infra怎么落在工地？

把百度在金融、电力、港口里的实践稍微“翻译”一下，很容易就能对接到建筑场景。

1. 安全监控：从“看监控”到“自我演化的安全Agent”

现在主流做法：

• 每个工地上摄像头 + 边缘盒子 + 简单算法（如未戴安全帽识别）；
• 超出能力的部分，再把视频回传总部或云端处理。

问题是：

• 算力分散，统一升级困难；
• 安全规则迭代慢（新规范、新处罚条例、新施工工艺）；
• 很多“险肇事故”根本沉淀不下来。

用AI Infra + Agent Infra的思路，可以这样重构：

• 算力集中在AI云上：所有视频流统一汇聚到云端算力池（AI Infra），边缘只做采集与基础过滤；
• 定义一个安全巡检Agent集群：
  • 安全帽/反光衣/高空作业/临边防护/起重机吊装等，拆成多个专业Agent；
  • 每个Agent背后连接企业安全制度、处罚标准、培训资料；
• 与BIM、进度计划实时打通：
  • 某一楼层当前施工工序是什么，Agent自动切换识别规则；
  • 不是“看见人就识别”，而是“看见不符合当前工序安全规程的行为”；
• 自我演化：
  • 类似百度“伐谋”的方式，引入进化式优化：根据历史事故、险肇数据，自动调整规则权重和报警阈值；
  • 用仿真方式推演“最佳安全巡检策略”，比如哪个时段/区域需要更高频监控。

2. 进度与资源调度：港口“多机调度”思路搬到工地

港口调度里，百度用“伐谋”在辽港集团把桥吊数量从31台优化到29台，节约的是千万级成本，本质解决的是多机、多工序的复杂排产问题。

建筑工地里，同类问题比比皆是：

• 塔吊、施工电梯、混凝土罐车、泵车的协同；
• 钢筋班组、模板班组、机电安装班组的交叉作业；
• 雨雪高温、物料晚到、设计变更带来的计划扰动。

如果有一个类似“伐谋”的进化式智能体作为 进度与资源调度的中枢Agent：

• 可以在BIM 4D模型、实际进度数据和物资到场信息的基础上，自动生成“全局最优施工序列”；
• 按照安全约束、噪声扰民限制、塔吊覆盖区域等约束条件，给出塔吊分工、泵车排班、夜间施工窗口；
• 每接到一次外部扰动（如天气预警、材料延误），就自动迭代新的排产方案，并给出影响评估：总工期增加几天，成本多多少，关键路径如何变化。

这对总包、项目管理团队的意义非常直观：
少试错、多看前；少依赖“老司机拍脑袋”，多依赖数据和仿真。

3. 质量与运维：让“配电网监视Agent”变成“楼宇与园区运维Agent”

百度在南方电网深圳供电局做的“配电网监视Agent”“操作票审核Agent”，本质是：

• 在一个高度复杂的基础设施系统中，实时监控状态、发现风险、辅助操作决策。

建筑行业在交付后，进入运维阶段，尤其是大型园区、超高层、综合体，其实就是一个微缩版的城市基础设施网络：

• 电梯、空调、新风、给排水、配电、消防、安防等系统耦合；
• 运维团队人少事多，纸质/Excel台账难以支撑精细化运营。

基于同样的Agent Infra，完全可以构建：

• 机电设备健康监测Agent：基于传感器、历史检修记录预测设备故障；
• 运维工单审核Agent：对新的操作票、检修方案进行合规性审查，降低人为误操作风险；
• 能耗优化“伐谋”Agent：在保障舒适度、安全的前提下，自动寻优空调、水泵等设备运行策略，给出节能方案。

对于大型建筑集团，把设计建造和运维“一体化”打通，这类Agent直接决定长期运营收益，是AI价值最大的环节之一。

四、建筑企业要做的，不是“抄技术”，而是规划自己的AI底座

借百度“最硬AI云”的案例，有几点是我非常建议建筑企业在2026年就开始认真规划的：

1. 把“AI基建”当成公司级投资，而不是项目成本

• 项目级智慧工地：一年一换供应商、一次一套方案，经验难沉淀；
• 企业级AI云：统一的AI Infra + Agent Infra，所有项目共享同一套大模型、Agent模板、知识库。

这决定了：

• 预算不能只挂在某一个工程项目上，而应该是集团层面的数字化专项；
• IT、工程管理、安全、成本、运维都要参与定义需求，而不是“IT部门自己搞个平台”。

2. 明确“先从哪几类Agent做起”

不要贪多，建议从三条线启动：

1. 视频类安全与质量Agent：落地感强、见效快，利于内部达成共识；
2. 进度与资源调度Agent：直接影响工期与成本，是管理层最关心的指标；
3. 知识问答与制度合规Agent：让一线工程师能随时问“标准怎么规定”“这种情况怎么处理”。

每类Agent都要有：

• 清晰的业务目标（例如：安全事故率下降30%，关键工序延期率下降20%）；
• 对应的数据来源和接口（BIM、进度计划、视频平台、物资系统）；
• 可度量的效果评估方式。

3. 重视“数据、流程、制度”的标准化

百度千帆的数据服务强调的是：要把企业沉淀的数据、经验、流程和规则，转成模型能理解的信息。

建筑企业最难的，恰恰不是AI模型，而是：

• 施工日志各写各的；
• 质量问题描述五花八门；
• 不同项目执行着“口口相传”的不同做法。

如果这些不拆解、不过一遍“数字化标准化”，任何AI上线都只能停留在“识图、识物”，很难做到 “懂规、懂责、懂流程”。

建议把这件事提前纳入规划：每做一个Agent，就顺带推动一块业务的标准化。

五、写在最后：从“最硬AI云”到“最懂工地的AI云”

百度用AI Infra + Agent Infra + 伐谋，证明了一条路是走得通的：

• 先把算力做好——让AI任务跑得稳、跑得便宜；
• 再把智能体平台做好——让企业可以大规模、低门槛地构建自己的Agent；
• 最后在关键行业场景里验证——交通、电力、港口已经给出了很强的效果数据。

对中国建筑行业来说，当“Agent元年”遇上“智慧工地”，下一个问题不再是“要不要上AI”，而是：

你要的是一个能真正支撑十年数字化转型的AI底座，还是一堆用两年就弃用的工具？

如果把百度今天的“最硬AI云”看成一张施工组织总设计，那建筑企业接下来要做的，就是根据自己的项目类型和管理成熟度，填好 “智慧工地AI专项施工方案”：

• 选一朵足够硬的AI云；
• 明确第一批要落地的Agents；
• 把数据和流程标准化当成配套工程；
• 让每一个项目成为训练企业AI能力的“现场试验段”。

这一篇文章，是“AI在中国建筑行业的应用：智慧工地”系列中偏“底层设施”的一环。后面我们会继续拆解：在具体工种、工艺、项目类型中，哪些场景最适合率先由Agent接管，哪些该坚持人工决策+AI辅佐，让这套“最硬AI云”，真正长成“最懂工地的AI”。