Ferrovial部署数千AI智能体 借70年工程数据构建自动化护城河

Rewriting the Infrastructure Playbook: Applying AI Across the Construction Lifecycle — Ai4

Ai4

大型基建企业无法依赖通用大模型,唯有激活数十年物理工程档案训练专有智能体,才能在严苛零容错环境下实现无人施工与跨项目规模化降本。

AI-assisted summary of Rewriting the Infrastructure Playbook: Applying AI Across the Construction Lifecycle — original source. Check the original for full context.

Source published:

Detailed notes

## Background 本内容由 YouTube 频道 Ai4 于 2026 年 8 月 22 日发布,记录了 NBC News 助理执行主编 Jason Abbruzzese 与全球基础设施巨头 Ferrovial 首席信息与创新官 Dimitris Bountolos 的深度对话。视频重点探讨了 AI 如何走出概念炒作,深度融入大型基建项目的全生命周期,通过实时数据与智能体技术重塑施工与运维现场。

## TL;DR 对话深入拆解了 Ferrovial 如何将 AI 与生成式智能体应用于高铁轨道巡检、亚马逊雨林线路规划、BIM 协同设计以及机场跑道自主施工等真实物理场景。Dimitris 强调,企业 70 年沉淀的一线专有数据是构建 AI 护城河的核心资产,在追求效率的同时必须遵循严格的物理护栏与人机协同机制。尽管每个基建项目都是独特的“原型”,但通过提炼底层设备与流程的“最大公约数”,AI 工具正在赋能一线工程师并实现跨千座工地的规模化扩张。

## Atmosphere & style 整场对谈务实而接地气,褪去了常见的科技布道与空泛词藻,充满硬核工业实践的厚重感。主持人提问直截了当、直击落地痛点,嘉宾的回答则冷静从容且极具现场洞察力,既有对“失败绝不是一种选项”的严谨坚守,也有谈及无人施工与智能除草时的生动幽默。观众能真切感受到尖端数字智能与传统重型机械在物理世界激烈碰撞出的扎实生产力。

## Key takeaways - [00:04](https://www.youtube.com/watch?v=gDONu82P5NM&t=4s) 基础设施巨头 Ferrovial 在西班牙高铁巡检列车上部署边缘端小型视觉模型,能在 70 至 80 公里时速下以 0.1 秒的反应速度识别杂草并精准定点喷洒,将除草剂用量大幅削减 80%。 - [03:22](https://www.youtube.com/watch?v=gDONu82P5NM&t=202s) 生成式 AI 彻底颠覆了传统的 OCR 与人工标注流程,使系统能够在深夜、隧道等极端工况(Edge Cases)下生成高拟真合成环境,实现全仿真训练与自适应算法迭代。 - [03:22](https://www.youtube.com/watch?v=gDONu82P5NM&t=202s) AI 的应用已从过去 15 年用于风险与财务测算的结构化数据,全面拓展至非结构化工程现场;AI 智能体作为“专家代理”被部署在偏远弱网的边缘物理监测点,实现高度自治的现场监督。 - [07:06](https://www.youtube.com/watch?v=gDONu82P5NM&t=426s) AI 贯穿了基础设施全生命周期并形成复合效应,在前期构思选线、工程造价清单敏感性分析、BIM 模型冲突检测、现场自主施工机群调度以及运维健康监测中全面释放价值。 - [11:06](https://www.youtube.com/watch?v=gDONu82P5NM&t=666s) 传统工业企业的历史资产并非“技术包袱”,Ferrovial 过去 70 年沉淀的经过物理世界检验的专有数据与元数据,是微调垂直智能体、抵御通用模型竞争的最深护城河。 - [13:53](https://www.youtube.com/watch?v=gDONu82P5NM&t=833s) 在物理基础设施中“失败绝不是一种选项”,AI 引入的目的并非冒险,而是通过超大规模变量模拟为现实除险(De-risk),并依托严格的地理围栏与回路中(In-the-loop)人机协同确保安全。 - [16:47](https://www.youtube.com/watch?v=gDONu82P5NM&t=1007s) 相比于开放道路上的自动驾驶,施工现场具有明确界定的三维开挖体积与物理隔离,配合详尽的自动化紧急停机机制,无人重型机械作业的安全可控性与确定性更高。 - [19:31](https://www.youtube.com/watch?v=gDONu82P5NM&t=1171s) 面对工程行业“每一个工地都是独立原型、批次永远只有一件”的定制化难题,破局关键在于提取“最大公约数”——如统一解析悉尼、巴黎等多国盾构机每小时 1 TB 的传感器数据以预测故障。 - [20:59](https://www.youtube.com/watch?v=gDONu82P5NM&t=1259s) 企业技术落地不能止步于局部概念验证(PoC)的“盆景式”展示,必须聚焦于提炼具备跨场景延展能力的标准化流程,并将其大规模复制推广到上千座施工现场。 - [21:21](https://www.youtube.com/watch?v=gDONu82P5NM&t=1281s) 一线现场总监和工程师在尝到实时流数据(Live Information)减少低价值琐事消耗的红利后,迅速转变为技术落地的内生驱动力,自下而上主动推动 AI 工具的普及应用。

## Detailed walkthrough ### [00:04](https://www.youtube.com/watch?v=gDONu82P5NM&t=4s) 走出炒作:实体基础设施中的 AI 落地与铁路杂草清除实战

在对谈开场时,主持人 Jason Abbruzzese 坦言,当天他已经听了太多关于 AI 的空泛与玄妙探讨,但基础设施行业面对的是切切实实的物理世界建造,而 AI 最核心的承诺莫过于提高效率与颠覆过往流程。作为全球顶尖的基础设施巨头,Ferrovial 正在负责如纽约甘迺迪国际机场(JFK)新航站楼等重大项目。Jason 抛出首个问题:抛开行业炒作,Ferrovial 在具体任务中是如何把 AI 真正带入日常运营的?

Ferrovial 的首席信息与创新官 Dimitris Bountolos 回应道,过去几年整个社会经历了巨大的 AI 炒作,但如今已进入将技术落地产生实质价值的阶段。早在 ChatGPT 爆火之前的 10 到 12 年间,Ferrovial 就已在高速公路、机场、核电、太阳能及水务等各类垂直领域深度探索 AI。

```mermaid flowchart LR accTitle: 高铁轨道智能维护流程 subgraph S1["轨道边缘感知"] A["高速检测列车<br/>(70-80 km/h)"] --> B["边缘端小型视觉模型<br/>(Small Vision Model)"] end subgraph S2["实时分析与决策"] B --> C["0.1秒识别几何隐患与杂草"] end subgraph S3["精准喷洒执行"] C --> D["尾部喷嘴毫秒级定点喷洒除草剂<br/>(用量减少 80%)"] end ```

Dimitris 分享了一个长达数年的典型应用案例:Ferrovial 负责维护西班牙及其他国家的高铁网络,每天都有专属的检测列车在线路上巡视,排查轨道几何形变或影响行车安全的障碍杂草。 - 大约六年前,他们开始在检测列车上架设摄像头,利用视觉模型在列车以 70 至 80 公里(50 至 60 英里)时速飞驰时,对铁轨进行边缘端实时扫描。 - 系统在识别出杂草后,仅需 0.1 秒即可向车尾喷嘴发出指令,进行极其精准的定点喷洒。 - 该系统直接将除草剂消耗量削减了 80%,并大幅提升了喷洒的准确性与环保表现。

[03:22](https://www.youtube.com/watch?v=gDONu82P5NM&t=202s) 生成式 AI 与智能体进化:告别传统 OCR 与手动标注

当被问及“为什么 AI 必然优于旧有系统甚至人类操作”时,Dimitris 指出,生成式 AI 的加入彻底改变了模型的迭代效率。过去团队主要依赖传统的机器学习、人工标注或特定脚本识别图像;而现在,系统能够利用已有数据实现自动化标注,并引入智能体(Agents)进行实时纠错与算法优化。

在复杂极端条件(Edge Cases)下,如列车在深夜、恶劣天气或隧道中运行时,团队甚至可以通过生成式 AI 生成合成环境(Synthetic Environments)来进行全仿真训练。这种基于上下文理解的自适应优化,是传统 OCR 或规则脚本完全无法企及的。

谈及 AI 在大语言模型(LLM)爆发前后的演变,Dimitris 强调: - 在过去 15 年间,Ferrovial 一直使用机器学习和深度学习处理海量“结构化数据”,用于风险预测与财务预测。基础设施通常是耗资巨大且运营周期长达 40 年的长线重资产投资,前期必须极其精密地预测各种变量。 - 如今,这一能力已全面外推至非结构化数据领域。AI 智能体作为“专家代理(Proxy of Experts)”被实时部署到工业现场。 - 无论是在偏远野外只靠太阳能板供电、网络信号极弱的边缘端,还是在每一个阀门、仪表等物理监测点,智能体都能实现高度自治的现场监督与边缘推理,而此前这必须依赖人类亲临现场或通过复杂的远程遥控来维持。

[07:06](https://www.youtube.com/watch?v=gDONu82P5NM&t=426s) 贯穿建设全生命周期:从亚马逊雨林选线到无人施工机群

关于 AI 在整个项目全流程中的应用与挑战,Dimitris 解释道,基础设施生命周期的五大阶段(从构思、设计、融资、建造到运营)存在明显的复合效应(Compounding Effect)。不同阶段正在被 AI 深度重塑:

| 阶段 | AI 落地场景与技术手段 | 核心价值与业务收益 | |:--- |:--- |:--- | | **项目构思 (Ideation)** | 部署多智能体对海量供需数据进行全天候扫描与实时分析,模拟数千种空间走廊方案(如在亚马逊雨林中设计输电线路路径)。 | 自动规避生态与地质风险,在极高不确定性下锁定最优建设路线。 | | **工程造价 (Cost Estimation)** | 专有智能体深入供应链市场,敏感性分析各材料的通胀走势,精细化预测工程量清单(Bill of Quantities)。 | 锁定前期数十亿美元重资产投入的财务风险,提高成本测算精准度。 | | **协同设计 (BIM Audit)** | 专有智能体自动解析由不同工程设计事务所提交的庞大建筑信息模型(BIM),对数百万个构件进行本体级别的碰撞检测(Clash Detection)。 | 大幅压缩过去由工程师手动审查图纸的周期,减少不同专业间的冲突返工。 | | **现场施工 (Construction)** | 在波多黎各机场跑道扩建等现场,部署 7x24 小时全天候自主作业的挖掘机与推土机机群,通过桌面端智能体协同调度。 | 将现场蓝领工人和重型机械操作从危险、机械的重体力劳动中解放出来。 | | **运维阶段 (O&M)** | 如高铁轨道健康检测与隧道实时监控,全天候感知结构病害与异物入侵。 | 规避行车风险、降低运营波动率并沉淀高质量决策上下文。 |

[11:06](https://www.youtube.com/watch?v=gDONu82P5NM&t=666s) 拥抱 70 年数据资产:构建专有智能体与企业护城河

针对智能体规模的讨论,Jason 引用了微软 CEO 萨提亚·纳德拉关于“未来人均拥有 80 到 100 个智能体”的观点。Dimitris 透露,Ferrovial 内部已经拥有成千上万个智能体。他坚信,企业的每一个细分业务领域、部门乃至具体流程,都需要定制具备上下文理解能力的专有智能体,以此复制专业人类的决策机制并实现组织效能的放大。

在被问及这些智能体是自主训练还是直接外购时,Dimitris 坦诚道,他们绝不会“重新发明轮子”,基础模型与开源生态的能力会被广泛引入;但真正能构建长期护城河、处理极端工况的关键模型,全部依托于 Ferrovial 过去 70 年来在工程一线所沉淀的深厚行业数据: - 企业的历史底蕴绝非落后的“技术包袱(Legacy)”,相反,它是最核心的差异化竞争壁垒。 - 相比于展厅里那些轻巧敏捷的初创公司,传统工程企业拥有经过长期物理现实校验的专有元数据、图像标注与非结构化工程档案。 - 用这些经过现场检验的专有数据微调出的模型,在垂直任务上的表现远超通用的商业化模型。他呼吁所有与物理世界打交道的传统工业企业,务必尽快激活自身的历史数据资产。

[13:53](https://www.youtube.com/watch?v=gDONu82P5NM&t=833s) “失败不是一种选项”:物理世界的绝对护栏与人机协同

在大型工程基础设施中,错误往往意味着生命危险与数以十亿美元计的经济损失。Jason 询问,当自主智能体越发深入业务流程时,团队对安全的态度发生了何种变化。

Dimitris 坚定地表示:"在我们的行业里,失败绝不是一种选项(Failure is not an option)。" 桥梁的设计与建造不允许存在哪怕极微小的试错容忍度。因此,AI 的引入并不是为了冒险,而是为了通过超大规模的变量模拟来为现实除险(De-risk): - **绝对严格的物理护栏(Guardrails)与地理围栏(Geo-fencing)**:在无人机械作业区,系统会施加极度严苛的地理围栏,绝不允许在非确定性(Nondeterministic)环境下产生模糊边界。 - **全方位的人机监管机制**:严格遵循回路中(In-the-loop)、回路旁(On-the-loop)的人机协同标准,唯有在安全护栏经过多轮验证且完全闭环时,系统才被允许全自主运作。 - **沉浸式虚拟环境训练**:利用 AI 智能体将复杂的施工场景模拟成类似于电子游戏的沉浸式虚拟空间,对施工人员进行高拟真度的安全培训,将原本依靠随机经验积累的安全防范转化为系统化的预测演练。

[16:47](https://www.youtube.com/watch?v=gDONu82P5NM&t=1007s) 像管理自动驾驶一样管理工地:波多黎各的无人机械创新

Jason 追问,当 Ferrovial 提出在波多黎各机场跑道扩建工程中使用自主重型机械时,当地政府是何种反应。

Dimitris 幽默地指出,现在公众对特斯拉展厅中的无人出租车(Robotaxi)和路上的 Waymo 自动驾驶汽车早已习以为常。相比于开放道路上面对行人、未知车辆和动态路线的极端不可控性,封闭的施工现场在安全控制上反而更为确定: - 施工机群有精确界定的三维开挖体积,作业环境在三维坐标系中被严密映射且全封闭隔离。 - 施工区域配备了全覆盖的摄像头监控,并设定了极度详尽的自动化紧急停机(Automatic Shutdown)机制:只要有人违规跨过隔离线,或者现场能见度降低到阈值以下,整套机械系统会立即全自动刹停。 - 这种技术已在港口和高危矿区得到了充分印证,而建筑工地的规模化推广正成为新的爆发点。尽管欧美和亚洲的监管标准与落地路径各有不同,但专注于建筑自动化的大批高潜力初创企业正在迅速崛起。

[19:31](https://www.youtube.com/watch?v=gDONu82P5NM&t=1171s) 从原型到规模化:跨国复杂工程的“最大公约数”

在现场问答环节,有听众提问:Ferrovial 承接的都是规模宏大的国家级工程,但如果是一家在全美分散运营着一千个网点的普通零售企业,该如何降维落地这些 AI 经验?

Dimitris 叹了口气,坦言工程建造领域最难啃的骨头在于——每一个施工现场本质上都是一个独特的“原型(Prototype)”,工程行业永远无法像制造业那样去批量生产长系列产品,这里的批次永远只有“一件(A series of one)”。Ferrovial 目前在全球(从悉尼到多伦多再到美国本土)同时有大约 1,500 个正在施工的资产项目。

```mermaid flowchart TD accTitle: 跨国盾构机集群智能协同架构 subgraph Sites["全球五个在建地铁项目 (现场数据采集)"] S1["悉尼地铁"] S2["伦敦地铁"] S3["巴黎地铁"] S4["波尔图地铁"] S5["多伦多地铁"] end subgraph TBM["每台盾构机独立工况"] D1["10,000 个传感器"] D2["每小时生成 1 TB 数据"] end subgraph AI["云端智能体中枢"] A1["多智能体分析系统 (Agents)"] A2["潜在设备故障前置预测"] end

Sites --> TBM TBM --> AI ```

解决这种高度定制化矛盾的核心在于:**提取异构项目间的“最大公约数(Common Denominators)”并在局部实现标准化。** - 比如,公司当前正在悉尼、伦敦、巴黎、波尔图和多伦多五座城市同步施工五个大型地铁工程。 - 现场投入的每台超大型盾构机(Tunnel Boring Machine)就像是一座正在运转的移动工厂,机身搭载了 10,000 个传感器,每小时产生高达 1 TB 的海量工业数据。 - 团队利用统一的 AI 智能体跨越五大项目实时解析这些传感器流,大幅提升对机械故障与地质隐患的前置预测精度。即便每个工地的地理环境千差万别,底层重型工业装备的失效模式与运维逻辑却高度一致,这也是不同规模企业寻求 AI 规模化收益时值得借鉴的路径。

[20:59](https://www.youtube.com/watch?v=gDONu82P5NM&t=1259s) 从原型验证到千座工地的规模化扩张

在谈及技术落地的演进路径时,Dimitris Bountolos 强调了从概念验证迈向全面推广的核心逻辑。原型开发固然具有其独特的价值,它能够作为沟通桥梁,帮助最终用户建立起对新技术的信任与信心;然而,企业的终极目标绝不能止步于局部试验,团队真正的“执念”(obsession)在于识别出能够标准化的流程与解决方案,并将其大规模复制推广到多达上千个施工现场。唯有具备跨项目、跨场景的延展能力,数字化与智能化方案才能真正摆脱“盆景式”展示,转化为沉淀在整个基建网络中的核心生产力。

```mermaid flowchart LR accTitle: 从原型验证到规模化落地的演进流程 subgraph Lab["验证阶段"] A["原型开发"] --> B["建立用户信任"] end subgraph Scale["推广阶段"] B --> C["识别可扩展流程"] C --> D["覆盖1000+施工现场"] end ```

[21:21](https://www.youtube.com/watch?v=gDONu82P5NM&t=1281s) 一线赋能:现场工程师为何对实时 AI 数据“上瘾”

现场观众随后提出了一个直击痛点的问题:企业在集团层面利用大数据和 AI 预测未来项目的成功率,但这些能力是否真正下沉到了作业一线?工地的现场总监(superintendent)和负责人们,是否能在日常排期、现场协调以及琐碎事务的管理中直接使用这些工具?

针对这一疑问,Dimitris Bountolos 明确表示,现场团队不仅在广泛使用,而且正日益成为主动“举手”索取实时、精准信息的最主要群体。那些在具体业务中率先引入 AI 工具的“技术先锋”(champions),已经用实绩证明了智能辅助系统在增强现场决策、改善项目把控方面的卓越价值。这种体验甚至被形容为一种积极意义上的“上瘾”——一旦一线人员体验到了实时信息带来的赋能,不再被繁杂枯燥的低价值事务所绑架,而是将全部精力集中在真正创造价值的紧要任务上,整个现场和运营部门就会深度融入其中,从而彻底从被动的技术接受者转变为这项解决方案最热忱的推动者与拥护者。

- **自下而上的主动需求**:工地主管与一线负责人不再是被动接受数字化考核,而是主动要求系统提供实时流数据(live information)与高精度支持。 - **决策增强与时间解绑**:AI 工具的介入并非增加汇报负担,而是通过过滤低价值消耗,让现场人员将精力完全聚焦在关键节点的调度与纠偏上。 - **倡导者效应**:现场团队尝到效率红利后,迅速转变为技术落地的内生驱动力与内部倡导者(advocators)。

## Notable quotes > [13:53](https://www.youtube.com/watch?v=gDONu82P5NM&t=833s) 在我们的行业里,失败绝不是一种选项(Failure is not an option)。 — Dimitris Bountolos

> [11:06](https://www.youtube.com/watch?v=gDONu82P5NM&t=666s) 企业的历史底蕴绝非落后的“技术包袱(Legacy)”,相反,它是最核心的差异化竞争壁垒。 — Dimitris Bountolos

> [19:31](https://www.youtube.com/watch?v=gDONu82P5NM&t=1171s) 每一个施工现场本质上都是一个独特的“原型(Prototype)”,工程行业永远无法像制造业那样去批量生产长系列产品,这里的批次永远只有“一件(A series of one)”。 — Dimitris Bountolos

> [19:31](https://www.youtube.com/watch?v=gDONu82P5NM&t=1171s) 提取异构项目间的“最大公约数(Common Denominators)”并在局部实现标准化。 — Dimitris Bountolos

> [13:53](https://www.youtube.com/watch?v=gDONu82P5NM&t=833s) AI 的引入并不是为了冒险,而是为了通过超大规模的变量模拟来为现实除险(De-risk)。 — Dimitris Bountolos

> [21:21](https://www.youtube.com/watch?v=gDONu82P5NM&t=1281s) 一旦一线人员体验到了实时信息带来的赋能,不再被繁杂枯燥的低价值事务所绑架,而是将全部精力集中在真正创造价值的紧要任务上,整个现场和运营部门就会深度融入其中,从而彻底从被动的技术接受者转变为这项解决方案最热忱的推动者与拥护者。 — Dimitris Bountolos

> [20:59](https://www.youtube.com/watch?v=gDONu82P5NM&t=1259s) 团队真正的“执念”(obsession)在于识别出能够标准化的流程与解决方案,并将其大规模复制推广到多达上千个施工现场。 — Dimitris Bountolos

> [11:06](https://www.youtube.com/watch?v=gDONu82P5NM&t=666s) 未来人均拥有 80 到 100 个智能体 — Satya Nadella

## Mentioned Jason Abbruzzese, Dimitris Bountolos, Satya Nadella, Ferrovial, NBC News, JFK International Airport, ChatGPT, Tesla Robotaxi, Waymo, Tunnel Boring Machine (TBM), BIM (Building Information Modeling)

## Video description Jason Abbruzzese — Assistant Managing Editor, NBC News Dimitris Bountolos — CIIO, Chief Information and Innovation Officer, Ferrovial

The infrastructure industry is at a turning point, as AI begins to reshape how projects are planned, delivered, and maintained–and how next-generation mobility systems are designed.

This session will explore how AI is being applied across the full project lifecycle of major infrastructure initiatives, from predictive planning and demand forecasting to real-time visibility and decision-making. The conversation will explore how AI is moving beyond pilots into day-to-day operations and what it takes to integrate these technologies into complex, legacy-heavy environments.

Attendees will leave with a clear understanding of how AI is being used on the ground today and how live data is improving safety, efficiency, and overall project performance.

[Source](https://www.youtube.com/watch?v=gDONu82P5NM)

中文简报

Ferrovial部署AI智能体实现重型施工机械自动化 在零容忍基础设施资产中部署专有AI智能体,使施工方能够在全球作业现场操作自主机械集群并预防机械故障。 Ferrovial展示了人工智能如何从理论炒作落地于重型土木工程:在高铁巡检列车上部署边缘计算机视觉,并在机场跑道上协同调度自主重型机械集群。该公司并未单纯依赖现成模型,而是利用基于70年专有运营数据微调的数千个专用智能体,来检测3D BIM设计冲突,并分析来自全球隧道掘进机的海量遥测数据流。在严格的零容忍安全指令下,这些确定性工作流利用地理围栏和合成演练环境来保障物理施工现场的安全。随着现场工长切实感受到运营负担的减轻,一线采纳率大幅上升,他们已从谨慎的终端用户转变为现场级AI整合的热切支持者。 Ferrovial将人工智能融入实体基础设施已有十余年,早在生成式AI热潮到来之前就已在资产中部署了计算机视觉和边缘推理技术。 (0:04) 安装在高铁巡检列车上的边缘视觉系统能在70–80公里/小时的运行速度下执行实时选择性喷洒,从而将除草剂消耗量降低80%。 (0:04) 生成式AI可为极端边缘工况创建合成训练数据,使检测模型能够在漆黑隧道和恶劣天气等严苛环境中精准运作。 (0:04) 由于长期基础设施特许经营权期限长达40年,预测性AI模型对于预测需求、结构退化以及数十亿美元的前期资本成本至关重要。 (4:17) 部署在边缘的自主智能体将偏远的太阳能公用事业资产转变为自监督系统,无需现场技术人员即可执行实时运行研判与分流。 (4:17)

精炼阅读摘要

法罗维尔(Ferrovial)首席信息与创新官迪米特里斯·邦托洛斯(Dimitris Bountolos)指出,基础设施建设正超越概念炒作,通过将自主智能体与企业数十年的专有物理数据结合,深度融入涵盖规划、设计、重型施工与资产维护的全生命周期工程中。 物理资产的边缘推理与智能巡检落地 (0:04) 基础设施行业面对的是严苛的实体资产而非纯软件环境。邦托洛斯介绍,法罗维尔早在生成式AI出现前就已在公路、机场、核电、太阳能和水务设施中应用算法,其长达40年的特许经营模式要求对资产折旧与需求进行长期精准预测。在西班牙等国际走廊的高铁日常维护中,专用巡视列车以70至80公里/小时(50至60英里/小时)的速度运行,车载边缘视觉模型实时扫描轨道几何形态与安全隐患;一旦识别出杂草,系统在1秒内触发车尾定向喷嘴,使化学除草剂消耗量削减了80%。 针对传统计算机视觉在隧道微光或极端风暴等罕见场景下的失效痛点,法罗维尔采用生成式AI合成极端环境的训练数据集,并部署自主智能体实时解析上下文、自动纠错并标记边缘案例,替代了原先脆弱的静态脚本与人工标注流程,使长距离物理资产的连续巡检兼具响应速度与鲁棒性。 全生命周期协同与现场重型集群 (7:06) 将人工智能整合至概念构思、融资竞标、工程设计、实体施工与长期运营五大阶段,能够形成复合工程优势。在项目初期,智能体能够综合地形与市场变量进行数千种路径仿真,例如规划穿越亚马逊雨林的高压输电线路最优走向;在竞标与设计阶段,专有审计智能体自动解析包含数百万构件的建筑信息模型(BIM),精准识别多方设计方案间的3D空间冲突,并自动协调外部设计伙伴协同修正,避免繁琐的人工校审摩擦。 在施工一线,AI正从案头规划推进至重型设备现场控制。在波多黎各的机场跑道扩建工程中,法罗维尔实现了挖掘机与推土机等重型机械的24小时全天候自主施工。这些机械在工程师设定的严格数字地理围栏与安全触发机制内协同作业,由专有自主智能体以类似“集群”的方式统一调度,实现了现场土方作业的高效闭环。 零容忍安全机制与专有数据壁垒 (11:06) 与容忍非确定性输出的软件开发不同,重型土木工程处于“绝不允许失败”的零容忍约束之下。邦托洛斯指出,施工重机之所以能实现自主作业,是因为其完全运行在经过高精度3D测绘的封闭受限区域内,一旦出现越界、意外障碍物或低能见度状况便会立即触发停机;相比在不可控城市开放街道穿梭的商业自动驾驶车辆(如特斯拉或Waymo),受控工地的安全边界更易保障。工程工作流根据风险等级严格保持“人在环路中”或“人在回路监督”,并在物理部署前利用高保真数字模拟环境反复演练高危作业。 在底层能力上,法罗维尔虽然采购商用通用基础模型,但核心差异化来自企业70年间积累的专有运营元数据、巡检图像与工程经验。邦托洛斯强调,长久的历史积累并非技术转型的包袱,而是训练数千个垂直专业智能体、构建通用AI工具无法复制的物理世界竞争护城河的关键资产。 跨国原型规模化复制与前线赋能 (16:47) 针对建筑工程往往属于“单次原型”而难以规模化推广的难题,法罗维尔通过在旗下约1,500个全球活跃项目中提取底层通用技术架构,致力于将标准流程部署至多达1,000个施工现场。以悉尼、伦敦、巴黎、波尔图和多伦多五大都市的地铁工程为例,隧道掘进机(TBM)犹如移动地下工厂,每台搭载超过10,000个传感器并以每小时约1太字节(TB)的速率生成遥测数据;中央预测智能体跨国实时分析掘进数据流,在地下机械发生故障前准确预测关键零部件失效,避免产生高昂停工损失。 该类智能分析系统未停留于总部高管的宏观统筹,而是直接嵌入现场总监与项目经理的日常调度。邦托洛斯表示,当一线团队亲身体验到实时高精度数据能消除冗繁的行政琐事并提升决策效率后,工作习惯会迅速转变,现场管理人员也从最初的技术怀疑者演进为系统在全公司推广的最有力倡导者。 法罗维尔展现了重资产基建巨头将AI从展示性原型向多国工程规模化落地的路径,但该模式的高效运转高度依赖高密度的专有遥测网络与封闭可控的作业围栏。如何在缺乏充分传感器基础设施、工况更为破碎或分散的中小型工程中推广此类重型自主设备与预测系统,仍是全行业工业化普及面临的现实考验。

Detailed notes — zh

## Background 本内容由 YouTube 频道 Ai4 于 2026 年 8 月 22 日发布,记录了 NBC News 助理执行主编 Jason Abbruzzese 与全球基础设施巨头 Ferrovial 首席信息与创新官 Dimitris Bountolos 的深度对话。视频重点探讨了 AI 如何走出概念炒作,深度融入大型基建项目的全生命周期,通过实时数据与智能体技术重塑施工与运维现场。 ## TL;DR 对话深入拆解了 Ferrovial 如何将 AI 与生成式智能体应用于高铁轨道巡检、亚马逊雨林线路规划、BIM 协同设计以及机场跑道自主施工等真实物理场景。Dimitris 强调,企业 70 年沉淀的一线专有数据是构建 AI 护城河的核心资产,在追求效率的同时必须遵循严格的物理护栏与人机协同机制。尽管每个基建项目都是独特的“原型”,但通过提炼底层设备与流程的“最大公约数”,AI 工具正在赋能一线工程师并实现跨千座工地的规模化扩张。 ## Atmosphere & style 整场对谈务实而接地气,褪去了常见的科技布道与空泛词藻,充满硬核工业实践的厚重感。主持人提问直截了当、直击落地痛点,嘉宾的回答则冷静从容且极具现场洞察力,既有对“失败绝不是一种选项”的严谨坚守,也有谈及无人施工与智能除草时的生动幽默。观众能真切感受到尖端数字智能与传统重型机械在物理世界激烈碰撞出的扎实生产力。 ## Key takeaways - [00:04](https://www.youtube.com/watch?v=gDONu82P5NM&t=4s) 基础设施巨头 Ferrovial 在西班牙高铁巡检列车上部署边缘端小型视觉模型,能在 70 至 80 公里时速下以 0.1 秒的反应速度识别杂草并精准定点喷洒,将除草剂用量大幅削减 80%。 - [03:22](https://www.youtube.com/watch?v=gDONu82P5NM&t=202s) 生成式 AI 彻底颠覆了传统的 OCR 与人工标注流程,使系统能够在深夜、隧道等极端工况(Edge Cases)下生成高拟真合成环境,实现全仿真训练与自适应算法迭代。 - [03:22](https://www.youtube.com/watch?v=gDONu82P5NM&t=202s) AI 的应用已从过去 15 年用于风险与财务测算的结构化数据,全面拓展至非结构化工程现场;AI 智能体作为“专家代理”被部署在偏远弱网的边缘物理监测点,实现高度自治的现场监督。 - [07:06](https://www.youtube.com/watch?v=gDONu82P5NM&t=426s) AI 贯穿了基础设施全生命周期并形成复合效应,在前期构思选线、工程造价清单敏感性分析、BIM 模型冲突检测、现场自主施工机群调度以及运维健康监测中全面释放价值。 - [11:06](https://www.youtube.com/watch?v=gDONu82P5NM&t=666s) 传统工业企业的历史资产并非“技术包袱”,Ferrovial 过去 70 年沉淀的经过物理世界检验的专有数据与元数据,是微调垂直智能体、抵御通用模型竞争的最深护城河。 - [13:53](https://www.youtube.com/watch?v=gDONu82P5NM&t=833s) 在物理基础设施中“失败绝不是一种选项”,AI 引入的目的并非冒险,而是通过超大规模变量模拟为现实除险(De-risk),并依托严格的地理围栏与回路中(In-the-loop)人机协同确保安全。 - [16:47](https://www.youtube.com/watch?v=gDONu82P5NM&t=1007s) 相比于开放道路上的自动驾驶,施工现场具有明确界定的三维开挖体积与物理隔离,配合详尽的自动化紧急停机机制,无人重型机械作业的安全可控性与确定性更高。 - [19:31](https://www.youtube.com/watch?v=gDONu82P5NM&t=1171s) 面对工程行业“每一个工地都是独立原型、批次永远只有一件”的定制化难题,破局关键在于提取“最大公约数”——如统一解析悉尼、巴黎等多国盾构机每小时 1 TB 的传感器数据以预测故障。 - [20:59](https://www.youtube.com/watch?v=gDONu82P5NM&t=1259s) 企业技术落地不能止步于局部概念验证(PoC)的“盆景式”展示,必须聚焦于提炼具备跨场景延展能力的标准化流程,并将其大规模复制推广到上千座施工现场。 - [21:21](https://www.youtube.com/watch?v=gDONu82P5NM&t=1281s) 一线现场总监和工程师在尝到实时流数据(Live Information)减少低价值琐事消耗的红利后,迅速转变为技术落地的内生驱动力,自下而上主动推动 AI 工具的普及应用。 ## Detailed walkthrough ### [00:04](https://www.youtube.com/watch?v=gDONu82P5NM&t=4s) 走出炒作:实体基础设施中的 AI 落地与铁路杂草清除实战 在对谈开场时,主持人 Jason Abbruzzese 坦言,当天他已经听了太多关于 AI 的空泛与玄妙探讨,但基础设施行业面对的是切切实实的物理世界建造,而 AI 最核心的承诺莫过于提高效率与颠覆过往流程。作为全球顶尖的基础设施巨头,Ferrovial 正在负责如纽约甘迺迪国际机场(JFK)新航站楼等重大项目。Jason 抛出首个问题:抛开行业炒作,Ferrovial 在具体任务中是如何把 AI 真正带入日常运营的? Ferrovial 的首席信息与创新官 Dimitris Bountolos 回应道,过去几年整个社会经历了巨大的 AI 炒作,但如今已进入将技术落地产生实质价值的阶段。早在 ChatGPT 爆火之前的 10 到 12 年间,Ferrovial 就已在高速公路、机场、核电、太阳能及水务等各类垂直领域深度探索 AI。 ```mermaid flowchart LR accTitle: 高铁轨道智能维护流程 subgraph S1["轨道边缘感知"] A["高速检测列车<br/>(70-80 km/h)"] --> B["边缘端小型视觉模型<br/>(Small Vision Model)"] end subgraph S2["实时分析与决策"] B --> C["0.1秒识别几何隐患与杂草"] end subgraph S3["精准喷洒执行"] C --> D["尾部喷嘴毫秒级定点喷洒除草剂<br/>(用量减少 80%)"] end ``` Dimitris 分享了一个长达数年的典型应用案例:Ferrovial 负责维护西班牙及其他国家的高铁网络,每天都有专属的检测列车在线路上巡视,排查轨道几何形变或影响行车安全的障碍杂草。 - 大约六年前,他们开始在检测列车上架设摄像头,利用视觉模型在列车以 70 至 80 公里(50 至 60 英里)时速飞驰时,对铁轨进行边缘端实时扫描。 - 系统在识别出杂草后,仅需 0.1 秒即可向车尾喷嘴发出指令,进行极其精准的定点喷洒。 - 该系统直接将除草剂消耗量削减了 80%,并大幅提升了喷洒的准确性与环保表现。 ### [03:22](https://www.youtube.com/watch?v=gDONu82P5NM&t=202s) 生成式 AI 与智能体进化:告别传统 OCR 与手动标注 当被问及“为什么 AI 必然优于旧有系统甚至人类操作”时,Dimitris 指出,生成式 AI 的加入彻底改变了模型的迭代效率。过去团队主要依赖传统的机器学习、人工标注或特定脚本识别图像;而现在,系统能够利用已有数据实现自动化标注,并引入智能体(Agents)进行实时纠错与算法优化。 在复杂极端条件(Edge Cases)下,如列车在深夜、恶劣天气或隧道中运行时,团队甚至可以通过生成式 AI 生成合成环境(Synthetic Environments)来进行全仿真训练。这种基于上下文理解的自适应优化,是传统 OCR 或规则脚本完全无法企及的。 谈及 AI 在大语言模型(LLM)爆发前后的演变,Dimitris 强调: - 在过去 15 年间,Ferrovial 一直使用机器学习和深度学习处理海量“结构化数据”,用于风险预测与财务预测。基础设施通常是耗资巨大且运营周期长达 40 年的长线重资产投资,前期必须极其精密地预测各种变量。 - 如今,这一能力已全面外推至非结构化数据领域。AI 智能体作为“专家代理(Proxy of Experts)”被实时部署到工业现场。 - 无论是在偏远野外只靠太阳能板供电、网络信号极弱的边缘端,还是在每一个阀门、仪表等物理监测点,智能体都能实现高度自治的现场监督与边缘推理,而此前这必须依赖人类亲临现场或通过复杂的远程遥控来维持。 ### [07:06](https://www.youtube.com/watch?v=gDONu82P5NM&t=426s) 贯穿建设全生命周期:从亚马逊雨林选线到无人施工机群 关于 AI 在整个项目全流程中的应用与挑战,Dimitris 解释道,基础设施生命周期的五大阶段(从构思、设计、融资、建造到运营)存在明显的复合效应(Compounding Effect)。不同阶段正在被 AI 深度重塑: | 阶段 | AI 落地场景与技术手段 | 核心价值与业务收益 | |:--- |:--- |:--- | | **项目构思 (Ideation)** | 部署多智能体对海量供需数据进行全天候扫描与实时分析,模拟数千种空间走廊方案(如在亚马逊雨林中设计输电线路路径)。 | 自动规避生态与地质风险,在极高不确定性下锁定最优建设路线。 | | **工程造价 (Cost Estimation)** | 专有智能体深入供应链市场,敏感性分析各材料的通胀走势,精细化预测工程量清单(Bill of Quantities)。 | 锁定前期数十亿美元重资产投入的财务风险,提高成本测算精准度。 | | **协同设计 (BIM Audit)** | 专有智能体自动解析由不同工程设计事务所提交的庞大建筑信息模型(BIM),对数百万个构件进行本体级别的碰撞检测(Clash Detection)。 | 大幅压缩过去由工程师手动审查图纸的周期,减少不同专业间的冲突返工。 | | **现场施工 (Construction)** | 在波多黎各机场跑道扩建等现场,部署 7x24 小时全天候自主作业的挖掘机与推土机机群,通过桌面端智能体协同调度。 | 将现场蓝领工人和重型机械操作从危险、机械的重体力劳动中解放出来。 | | **运维阶段 (O&M)** | 如高铁轨道健康检测与隧道实时监控,全天候感知结构病害与异物入侵。 | 规避行车风险、降低运营波动率并沉淀高质量决策上下文。 | ### [11:06](https://www.youtube.com/watch?v=gDONu82P5NM&t=666s) 拥抱 70 年数据资产:构建专有智能体与企业护城河 针对智能体规模的讨论,Jason 引用了微软 CEO 萨提亚·纳德拉关于“未来人均拥有 80 到 100 个智能体”的观点。Dimitris 透露,Ferrovial 内部已经拥有成千上万个智能体。他坚信,企业的每一个细分业务领域、部门乃至具体流程,都需要定制具备上下文理解能力的专有智能体,以此复制专业人类的决策机制并实现组织效能的放大。 在被问及这些智能体是自主训练还是直接外购时,Dimitris 坦诚道,他们绝不会“重新发明轮子”,基础模型与开源生态的能力会被广泛引入;但真正能构建长期护城河、处理极端工况的关键模型,全部依托于 Ferrovial 过去 70 年来在工程一线所沉淀的深厚行业数据: - 企业的历史底蕴绝非落后的“技术包袱(Legacy)”,相反,它是最核心的差异化竞争壁垒。 - 相比于展厅里那些轻巧敏捷的初创公司,传统工程企业拥有经过长期物理现实校验的专有元数据、图像标注与非结构化工程档案。 - 用这些经过现场检验的专有数据微调出的模型,在垂直任务上的表现远超通用的商业化模型。他呼吁所有与物理世界打交道的传统工业企业,务必尽快激活自身的历史数据资产。 ### [13:53](https://www.youtube.com/watch?v=gDONu82P5NM&t=833s) “失败不是一种选项”:物理世界的绝对护栏与人机协同 在大型工程基础设施中,错误往往意味着生命危险与数以十亿美元计的经济损失。Jason 询问,当自主智能体越发深入业务流程时,团队对安全的态度发生了何种变化。 Dimitris 坚定地表示:"在我们的行业里,失败绝不是一种选项(Failure is not an option)。" 桥梁的设计与建造不允许存在哪怕极微小的试错容忍度。因此,AI 的引入并不是为了冒险,而是为了通过超大规模的变量模拟来为现实除险(De-risk): - **绝对严格的物理护栏(Guardrails)与地理围栏(Geo-fencing)**:在无人机械作业区,系统会施加极度严苛的地理围栏,绝不允许在非确定性(Nondeterministic)环境下产生模糊边界。 - **全方位的人机监管机制**:严格遵循回路中(In-the-loop)、回路旁(On-the-loop)的人机协同标准,唯有在安全护栏经过多轮验证且完全闭环时,系统才被允许全自主运作。 - **沉浸式虚拟环境训练**:利用 AI 智能体将复杂的施工场景模拟成类似于电子游戏的沉浸式虚拟空间,对施工人员进行高拟真度的安全培训,将原本依靠随机经验积累的安全防范转化为系统化的预测演练。 ### [16:47](https://www.youtube.com/watch?v=gDONu82P5NM&t=1007s) 像管理自动驾驶一样管理工地:波多黎各的无人机械创新 Jason 追问,当 Ferrovial 提出在波多黎各机场跑道扩建工程中使用自主重型机械时,当地政府是何种反应。 Dimitris 幽默地指出,现在公众对特斯拉展厅中的无人出租车(Robotaxi)和路上的 Waymo 自动驾驶汽车早已习以为常。相比于开放道路上面对行人、未知车辆和动态路线的极端不可控性,封闭的施工现场在安全控制上反而更为确定: - 施工机群有精确界定的三维开挖体积,作业环境在三维坐标系中被严密映射且全封闭隔离。 - 施工区域配备了全覆盖的摄像头监控,并设定了极度详尽的自动化紧急停机(Automatic Shutdown)机制:只要有人违规跨过隔离线,或者现场能见度降低到阈值以下,整套机械系统会立即全自动刹停。 - 这种技术已在港口和高危矿区得到了充分印证,而建筑工地的规模化推广正成为新的爆发点。尽管欧美和亚洲的监管标准与落地路径各有不同,但专注于建筑自动化的大批高潜力初创企业正在迅速崛起。 ### [19:31](https://www.youtube.com/watch?v=gDONu82P5NM&t=1171s) 从原型到规模化:跨国复杂工程的“最大公约数” 在现场问答环节,有听众提问:Ferrovial 承接的都是规模宏大的国家级工程,但如果是一家在全美分散运营着一千个网点的普通零售企业,该如何降维落地这些 AI 经验? Dimitris 叹了口气,坦言工程建造领域最难啃的骨头在于——每一个施工现场本质上都是一个独特的“原型(Prototype)”,工程行业永远无法像制造业那样去批量生产长系列产品,这里的批次永远只有“一件(A series of one)”。Ferrovial 目前在全球(从悉尼到多伦多再到美国本土)同时有大约 1,500 个正在施工的资产项目。 ```mermaid flowchart TD accTitle: 跨国盾构机集群智能协同架构 subgraph Sites["全球五个在建地铁项目 (现场数据采集)"] S1["悉尼地铁"] S2["伦敦地铁"] S3["巴黎地铁"] S4["波尔图地铁"] S5["多伦多地铁"] end subgraph TBM["每台盾构机独立工况"] D1["10,000 个传感器"] D2["每小时生成 1 TB 数据"] end subgraph AI["云端智能体中枢"] A1["多智能体分析系统 (Agents)"] A2["潜在设备故障前置预测"] end Sites --> TBM TBM --> AI ``` 解决这种高度定制化矛盾的核心在于:**提取异构项目间的“最大公约数(Common Denominators)”并在局部实现标准化。** - 比如,公司当前正在悉尼、伦敦、巴黎、波尔图和多伦多五座城市同步施工五个大型地铁工程。 - 现场投入的每台超大型盾构机(Tunnel Boring Machine)就像是一座正在运转的移动工厂,机身搭载了 10,000 个传感器,每小时产生高达 1 TB 的海量工业数据。 - 团队利用统一的 AI 智能体跨越五大项目实时解析这些传感器流,大幅提升对机械故障与地质隐患的前置预测精度。即便每个工地的地理环境千差万别,底层重型工业装备的失效模式与运维逻辑却高度一致,这也是不同规模企业寻求 AI 规模化收益时值得借鉴的路径。 ### [20:59](https://www.youtube.com/watch?v=gDONu82P5NM&t=1259s) 从原型验证到千座工地的规模化扩张 在谈及技术落地的演进路径时,Dimitris Bountolos 强调了从概念验证迈向全面推广的核心逻辑。原型开发固然具有其独特的价值,它能够作为沟通桥梁,帮助最终用户建立起对新技术的信任与信心;然而,企业的终极目标绝不能止步于局部试验,团队真正的“执念”(obsession)在于识别出能够标准化的流程与解决方案,并将其大规模复制推广到多达上千个施工现场。唯有具备跨项目、跨场景的延展能力,数字化与智能化方案才能真正摆脱“盆景式”展示,转化为沉淀在整个基建网络中的核心生产力。 ```mermaid flowchart LR accTitle: 从原型验证到规模化落地的演进流程 subgraph Lab["验证阶段"] A["原型开发"] --> B["建立用户信任"] end subgraph Scale["推广阶段"] B --> C["识别可扩展流程"] C --> D["覆盖1000+施工现场"] end ``` ### [21:21](https://www.youtube.com/watch?v=gDONu82P5NM&t=1281s) 一线赋能:现场工程师为何对实时 AI 数据“上瘾” 现场观众随后提出了一个直击痛点的问题:企业在集团层面利用大数据和 AI 预测未来项目的成功率,但这些能力是否真正下沉到了作业一线?工地的现场总监(superintendent)和负责人们,是否能在日常排期、现场协调以及琐碎事务的管理中直接使用这些工具? 针对这一疑问,Dimitris Bountolos 明确表示,现场团队不仅在广泛使用,而且正日益成为主动“举手”索取实时、精准信息的最主要群体。那些在具体业务中率先引入 AI 工具的“技术先锋”(champions),已经用实绩证明了智能辅助系统在增强现场决策、改善项目把控方面的卓越价值。这种体验甚至被形容为一种积极意义上的“上瘾”——一旦一线人员体验到了实时信息带来的赋能,不再被繁杂枯燥的低价值事务所绑架,而是将全部精力集中在真正创造价值的紧要任务上,整个现场和运营部门就会深度融入其中,从而彻底从被动的技术接受者转变为这项解决方案最热忱的推动者与拥护者。 - **自下而上的主动需求**:工地主管与一线负责人不再是被动接受数字化考核,而是主动要求系统提供实时流数据(live information)与高精度支持。 - **决策增强与时间解绑**:AI 工具的介入并非增加汇报负担,而是通过过滤低价值消耗,让现场人员将精力完全聚焦在关键节点的调度与纠偏上。 - **倡导者效应**:现场团队尝到效率红利后,迅速转变为技术落地的内生驱动力与内部倡导者(advocators)。 ## Notable quotes > [13:53](https://www.youtube.com/watch?v=gDONu82P5NM&t=833s) 在我们的行业里,失败绝不是一种选项(Failure is not an option)。 — Dimitris Bountolos > [11:06](https://www.youtube.com/watch?v=gDONu82P5NM&t=666s) 企业的历史底蕴绝非落后的“技术包袱(Legacy)”,相反,它是最核心的差异化竞争壁垒。 — Dimitris Bountolos > [19:31](https://www.youtube.com/watch?v=gDONu82P5NM&t=1171s) 每一个施工现场本质上都是一个独特的“原型(Prototype)”,工程行业永远无法像制造业那样去批量生产长系列产品,这里的批次永远只有“一件(A series of one)”。 — Dimitris Bountolos > [19:31](https://www.youtube.com/watch?v=gDONu82P5NM&t=1171s) 提取异构项目间的“最大公约数(Common Denominators)”并在局部实现标准化。 — Dimitris Bountolos > [13:53](https://www.youtube.com/watch?v=gDONu82P5NM&t=833s) AI 的引入并不是为了冒险,而是为了通过超大规模的变量模拟来为现实除险(De-risk)。 — Dimitris Bountolos > [21:21](https://www.youtube.com/watch?v=gDONu82P5NM&t=1281s) 一旦一线人员体验到了实时信息带来的赋能,不再被繁杂枯燥的低价值事务所绑架,而是将全部精力集中在真正创造价值的紧要任务上,整个现场和运营部门就会深度融入其中,从而彻底从被动的技术接受者转变为这项解决方案最热忱的推动者与拥护者。 — Dimitris Bountolos > [20:59](https://www.youtube.com/watch?v=gDONu82P5NM&t=1259s) 团队真正的“执念”(obsession)在于识别出能够标准化的流程与解决方案,并将其大规模复制推广到多达上千个施工现场。 — Dimitris Bountolos > [11:06](https://www.youtube.com/watch?v=gDONu82P5NM&t=666s) 未来人均拥有 80 到 100 个智能体 — Satya Nadella ## Mentioned Jason Abbruzzese, Dimitris Bountolos, Satya Nadella, Ferrovial, NBC News, JFK International Airport, ChatGPT, Tesla Robotaxi, Waymo, Tunnel Boring Machine (TBM), BIM (Building Information Modeling) ## Video description Jason Abbruzzese — Assistant Managing Editor, NBC News Dimitris Bountolos — CIIO, Chief Information and Innovation Officer, Ferrovial The infrastructure industry is at a turning point, as AI begins to reshape how projects are planned, delivered, and maintained–and how next-generation mobility systems are designed. This session will explore how AI is being applied across the full project lifecycle of major infrastructure initiatives, from predictive planning and demand forecasting to real-time visibility and decision-making. The conversation will explore how AI is moving beyond pilots into day-to-day operations and what it takes to integrate these technologies into complex, legacy-heavy environments. Attendees will leave with a clear understanding of how AI is being used on the ground today and how live data is improving safety, efficiency, and overall project performance. [Source](https://www.youtube.com/watch?v=gDONu82P5NM)

Source quotes

[13:53] Dimitris Bountolos: 在我们的行业里,失败绝不是一种选项(Failure is not an option)。 [11:06] Dimitris Bountolos: 企业的历史底蕴绝非落后的“技术包袱(Legacy)”,相反,它是最核心的差异化竞争壁垒。 [19:31] Dimitris Bountolos: 每一个施工现场本质上都是一个独特的“原型(Prototype)”,工程行业永远无法像制造业那样去批量生产长系列产品,这里的批次永远只有“一件(A series of one)”。 [19:31] Dimitris Bountolos: 提取异构项目间的“最大公约数(Common Denominators)”并在局部实现标准化。 [13:53] Dimitris Bountolos: AI 的引入并不是为了冒险,而是为了通过超大规模的变量模拟来为现实除险(De-risk)。 [21:21] Dimitris Bountolos: 一旦一线人员体验到了实时信息带来的赋能,不再被繁杂枯燥的低价值事务所绑架,而是将全部精力集中在真正创造价值的紧要任务上,整个现场和运营部门就会深度融入其中,从而彻底从被动的技术接受者转变为这项解决方案最热忱的推动者与拥护者。 [20:59] Dimitris Bountolos: 团队真正的“执念”(obsession)在于识别出能够标准化的流程与解决方案,并将其大规模复制推广到多达上千个施工现场。 [11:06] Satya Nadella: 未来人均拥有 80 到 100 个智能体