工程智能與人工智能
由監測數據走向工程理解。
工程智能是一層把現場觀測轉化為工程師可覆核、質疑並採取行動的資訊。對聯合土力（GEOOE）而言，AI 不是專業判斷的替代品，而是一組可協助整理證據、篩選大量數據、識別異常行為、加快報告及支援更清晰決策的工具。
香港背景
為何工程智能現在更重要。
香港建造及基建業正進一步走向數碼化交付與 AI 輔助工作流程。發展局《工務技術通告（工程）第3/2026號》推動在合適的基本工程項目中更廣泛採用技術較成熟的 AI 應用。聯合土力（GEOOE）認為，岩土及基建監測很適合以工程主導、審慎方式發展，因為行業本身已產生大量具時間序列特性的數據，需要持續核對、判讀及報告。
大量儀器，多種格式
測量、測斜儀、孔隙水壓計、傾斜、裂縫、振動、荷載、環境感應器及巡檢紀錄，可以不同頻率及不同格式進入系統。
工程覆核不能只等待每月總結
施工階段的決策可能取決於近期趨勢、變化速率、觸發狀態，以及最新讀數在技術上是否可信。
只有儀表板並不足夠
有用的工程智能必須保留儀器身份、單位、基線、參考基準穩定性、質素標記、施工事件，以及每個警報或報告背後的證據。
香港特區政府數字政策辦公室亦發布《人工智能道德框架》，用於規劃、設計及實施 AI 與大數據系統。這個方向與聯合土力（GEOOE）的立場一致：工程 AI 應有清晰管治、可測試、可覆核，並明確界定人員角色及問責。
由數據到決策
應先理解完整量測鏈，再引入 AI。
監測平台不能靠加入機器學習，修補不可靠的基線、正在移動的基準點或錯誤安裝的感應器。因此，聯合土力（GEOOE）先處理量測來源與工程脈絡，再進一步進行異常篩查、預測或 AI 輔助判讀。
| 層級 | 工程問題 | 典型輸入 | 智能功能 |
|---|---|---|---|
| 1 · 證據 | 這個讀數是否可信並可追溯？ | 感應器編號、校準、基準、單位、時間戳記、人手觀察 | 完整性、合理性及來源檢查 |
| 2 · 背景 | 變化發生時，現場正在進行甚麼？ | 挖掘階段、降雨、抽水、加載、巡檢紀錄、維修事件 | 事件關聯及工程分段 |
| 3 · 行為 | 反應是預期、異常，還是仍有不確定性？ | 時間序列、空間模式、變化速率、跨感應器比較 | 規則、統計、異常識別及分類 |
| 4 · 溝通 | 現在最需要關注甚麼？ | 已驗證觀測、閾值、趨勢及不確定性 | 優先排序、摘要、警報及自動化報告支援 |
| 5 · 決策 | 負責工程師下一步應覆核甚麼或採取甚麼行動？ | 證據組合、設計背景、資產敏感度及行動計劃 | 決策支援——不是自主取代專業判斷 |
監測輸入
工程智能的價值取決於源數據的質素。
智能層不應綁定單一儀器類型。只要保留數據來源、質素及工程意義，它可以處理人手讀數、自動感應器、測量系統、巡檢紀錄及營運數據。
核心能力
工程智能可以在哪些地方帶來實際價值。
監測分析
比較基線行為、變化速率、空間關係及施工階段，讓工程師更容易辨識哪些訊號值得優先關注。
異常識別
標示異常數值、缺失數據、突然變化、感應器行為不一致或不同儀器之間的矛盾，供後續覆核。
遙距數據質素覆核
建立可重複的檢查流程，涵蓋完整性、單位、時間戳記、基線一致性、感應器健康狀況及參考基準穩定性。
自動化報告
由已驗證數據自動產生可重複的表格、圖表、狀態摘要及報告初稿，同時保留覆核人員的簽核紀錄。
警報智能
把閾值狀態與趨勢、變化速率、感應器質素及項目背景結合，讓警報包含證據，而不只是一種顏色。
工程 AI 助手
協助團隊檢索項目資料、比較不同監測時段、整理覆核問題，以及找到已報告變化背後的證據。
獨立監測覆核
利用結構化數據及可追溯檢查，支援對趨勢、警報、報告邏輯及數據質素進行獨立工程覆核。
工程數據診斷
在把觀測結果升級為工程問題之前，先區分可能的現場行為與較可能的數據質素問題。
可供決策的證據
把觀測結果、背景、不確定性及建議下一步檢查清楚呈現，讓負責的專業人士作出工程決策。
QA / QC
異常不一定就是工程事件。
健全的工作流程首先要問：數據是否可信。這在岩土監測尤其重要，因為基準點移動、電纜損壞、感應器漂移、視線受阻、基準改變或缺失讀數，都可能造成看似真實地層或結構移動的假象。
1 · 數據檢查
讀數是否完整、時間戳記是否正確、比例是否正確，並位於儀器預期工作範圍內？
2 · 參考基準檢查
基準點、稜鏡參考、測斜儀基準或數據記錄器設定是否曾經改變？
3 · 交叉核對
獨立儀器或鄰近量測是否顯示相容的變化？
4 · 背景檢查
同一時間是否有挖掘、降雨、抽水、加載、進場工程或維修活動？
然後才問工程問題。
當證據具有足夠可信度後，負責工程師才可評估相關行為是否屬預期、監測頻率是否需要調整、是否需要現場巡檢，或是否應啟動項目預先訂明的行動程序。
聯合土力（GEOOE）的目標，是減少搜尋及整理證據所花的時間，讓工程資源更集中於判讀。
自動化報告
把重複工作自動化，同時讓技術責任清晰可見。
監測報告往往重複相同的數據整理、繪圖、閾值表格及狀態摘要。工程智能可以把當中很多工序自動化，但生成的報告仍應可追溯至已驗證的源數據，並清楚標示哪些內容已經、以及哪些尚未經過技術覆核。
- 由受控數據來源自動產生圖表
- 儀器及位置狀態表
- 缺失讀數及數據質素標記
- 閾值及變化速率摘要
- 施工事件標註
- 根據已驗證觀測結果生成報告初稿
- 與較早報告期比較
- 覆核意見及審批可追溯性
警報智能
不要只停留在紅、黃、綠三種狀態。
超出閾值固然重要，但它本身不能解釋讀數為何改變。聯合土力（GEOOE）的工程智能方向，旨在提供足夠背景，讓覆核人員判斷問題較可能與感應器、施工、環境，還是潛在結構／岩土反應有關。
| 簡單警報 | 工程智能背景 |
|---|---|
| 數值超出閾值 | 數值、變化速率、基線範圍、感應器質素及過往超限紀錄 |
| 紅色狀態 | 觸發了哪一項項目準則，以及哪些證據支持該狀態 |
| 單一感應器出現變化 | 升級處理前先比較鄰近／獨立感應器 |
| 已發出電郵 | 記錄覆核負責人、確認狀態、證據連結及後續行動 |
人員監督
AI 輔助工程決策，但不取代決策責任。
聯合土力（GEOOE）不把 AI 定位為負責工程師、巡檢人員或資產業主的替代品。合適的自動化程度，取決於錯誤後果、數據質素、項目階段，以及適用的合約或規管要求。
呈現證據
輸出結果應可追溯至產生結果所依據的量測、假設及質素狀態。
界定人員角色
項目團隊應清楚知道由誰驗證數據、誰覆核警報、誰批准報告，以及誰負責作出工程決策。
量度假陽性及漏報
規則及模型應接受與項目相關的測試，記錄其局限並實施變更控制，而不是在沒有記錄下靜默更新。
這個立場亦與聯合土力（GEOOE）以外的公開指引一致。美國國家標準與技術研究院（NIST）的《AI 風險管理框架》強調 AI 風險的管治、量度與管理，包括清晰的人員角色及監督。美國聯邦公路管理局（FHWA）的橋樑巡檢指引亦明確指出，經驗證的先進技術可作補充，但不應取代橋樑巡檢人員及巡檢方法。
官方參考： NIST《AI 風險管理框架》； FHWA《國家橋樑巡檢標準》問答。
應用
同一智能層，面對不同工程問題。
深層挖掘及 ERSS
把擋土牆移動、沉降、地下水、支撐荷載及挖掘階段連接起來分析。
隧道及鐵路介面
把測量、收斂、路軌、振動及鄰近資產監測納入同一覆核工作流程。
沉降、傾斜及裂縫
區分真實移動與參考基準或數據問題，並保留可追溯的狀況紀錄。
地下水及移動
比較降雨、孔隙水壓、位移及巡檢觀察，但不把相關性直接當作診斷結論。
巡檢＋結構數據
把狀況觀察、移動、振動及維修歷史結合，支援工程覆核優先次序。
分散式環境感測
篩查大量時間序列數據，同時保留感應器健康狀況、位置及環境背景。
機械人及影像證據
把機器視覺或機械人巡檢作為另一類證據來源，與儀器數據一併覆核。
長期決策支援
由彼此孤立的報告，走向可支援維修規劃及全生命周期覆核的結構化證據。
官方公開案例
大型基建機構如何使用數據與 AI。
以下均為獨立參考案例，並非聯合土力（GEOOE）項目，亦不代表任何合作或認可關係。引用它們的價值，在於展示工程機構已如何把監測、巡檢數據、分析及人員決策結合。
香港 · 港鐵 — AI、巡檢及預測性維修
新加坡 · LTA — 狀態監測及自動路軌巡檢
官方來源： 新加坡陸路交通管理局 — 環線第6階段。
英國 · Network Rail — 機器學習決策支援
美國 · FHWA — AI 輔助基建巡檢
聯合土力（GEOOE）合作
由一個工程工作流程開始，而不是由「AI 轉型」開始。
聯合土力（GEOOE）重視工程問題、現有數據及覆核責任都清楚的實際試點。一個合適的首個項目，應先在範圍明確的工作流程中證明價值，再擴展至更廣泛的監測架構。
監測數據 QA/QC
利用既有數據集測試完整性檢查、感應器健康狀況篩查、異常分流及覆核可追溯性。
自動化報告
把已驗證監測數據轉化為可重複產生的圖表、狀態表及報告初稿，同時保留人員審批。
警報覆核工作流程
為閾值警報加入趨勢、變化速率、鄰近感應器、施工事件及覆核行動等背景。
工程數據助手
協助工程師檢索監測歷史、比較不同時段，並找到問題背後的證據，同時不讓助手自行批准工程決策。
數據整合
把人手監測、自動化儀器、測量及巡檢證據連接至一致的項目數據模型。
獨立覆核支援
整理監測證據，讓獨立覆核人員可以重現趨勢檢查、質疑異常並跟隨審計紀錄。
為何選擇聯合土力（GEOOE）
先理解工程背景，再選擇演算法。
監測是一套工程系統
聯合土力（GEOOE）由參數、量測局限、地層／結構背景及所需決策出發，而不是由 AI 模型出發。
不依賴單一感應器
架構可以同時考慮人手讀數、自動化儀器、測量、巡檢及營運資訊。
AI 輔助，工程師覆核
利用自動化提高可見度及一致性，同時由負責專業人士及項目流程保持控制。
常見問題
工程智能與人工智能——常見問題。
聯合土力（GEOOE）所指的「工程智能」是甚麼？
聯合土力（GEOOE）是否主張以 AI 取代岩土工程師？
AI 可以只憑一個感應器判斷岩土工程失效嗎？
可以整合甚麼數據？
自動化報告適合把哪些工作自動化？
聯合土力（GEOOE）可以配合既有監測系統嗎？
預測分析是否適合每個監測項目？
首個試點應如何界定範圍？
官方資料
本技術探討所採用的參考資料。
以下外部案例取自政府、基建資產業主及標準機構的官方資料，只作技術比較之用。
- 聯合土力（GEOOE）。 Geo-Intelligence 技術。 https://geooe.com/technology/
- 聯合土力（GEOOE）技術中心。 基建監測中的 AI 與數據智能。 https://geooe.com/ai-and-data-intelligence-in-infrastructure-monitoring/
- 香港特區政府發展局。 《工務技術通告（工程）第3/2026號 — 採用人工智能（AI）技術》。 官方 PDF
- 香港特區政府數字政策辦公室。 AI 與數據道德／《人工智能道德框架》。 官方指引
- 港鐵公司。 Go Smart Go Beyond — 智慧維修。 港鐵官方頁面
- 港鐵公司。 智能動態列車巡檢系統，合約編號 Q118570。 官方招標公告
- 新加坡陸路交通管理局。 環線第6階段 — 狀態監測系統及自動路軌巡檢系統。 LTA 官方頁面
- Network Rail。 insight — 利用 AI 支援可靠鐵路營運。 Network Rail 官方頁面
- 美國聯邦公路管理局。 《利用人工智能（AI）加強基建巡檢》，FHWA-HRT-24-055。 FHWA 官方 PDF
- 美國聯邦公路管理局。 《國家橋樑巡檢標準》問答 — 先進技術的使用。 FHWA 官方指引
- 美國國家標準與技術研究院。 《人工智能風險管理框架》。 NIST 官方資源
工程＋數據＋AI
與聯合土力（GEOOE）討論工程智能試點。
如果你的項目已經產生監測、測量或巡檢數據，第一個問題不應是「應該用哪一個 AI 模型？」，而應是「哪一項工程決策因證據分散而變得緩慢、重複或困難？」聯合土力（GEOOE）及 GEOORIGIN ENGINEERING LIMITED 歡迎與業主、顧問、承建商、監測團隊、資產營運機構及技術夥伴討論實際試點。