在佛罗里达大学人工智能助理教授 Chaofeng Wang 的努力下，图像将发挥新的用途，例如谷歌街景中的图像。

  Wang 的项目致力于研究怎么样将街景图像与深度学习相结合，以实现城市建筑评估的自动化。该项目旨在通过提供加固建筑结构或进行灾后恢复所需的信息，帮助政府减少因自然灾害造成的损失。

  在地震等自然灾害发生后，地方政府通常会派出工作小组对建筑物状况做检查和评估。如果完全依靠人力，检查完一个城市的全部建筑在大多数情况下要长达数月的时间。

  Wang 的项目使用 AI 对这一评估流程进行加速，将所需时间缩短到几小时。该 AI 模型使用谷歌街景和当地政府提供的图片进行训练，并依据联邦紧急事务管理局（FEMA）P-154 标准为建筑物打分。这套打分标准提供了基于墙体材料、结构类型、建筑年代等因素的评估指南。Wang 还与世界银行全球弹性住房项目（World Bank Global Program for Resilient Housing）合作收集图像并添加注释，以便于优化该模型。

  收集到的图像被存放在数据存储库中。该 AI 模型通过读取存储库中的数据，进而对图像进行推理，并由 NVIDIA 系统对这一过程进行加速。

  Wang 表示：“假如没有NVIDIA GPU，我们就没办法完成这一任务。NVIDIA GPU 大大加快了这个流程，使我们及时获得了结果。”

  Wang 在佛罗里达大学的超级计算机 HiPerGator 中使用了 NVIDIA 系统的节点。HiPerGator 是全球学术界工作速度最快的 AI 超级计算机之一，具有 700 PB 的 AI 性能。该计算机是在 NVIDIA 联合发起人之一、佛罗里达大学校友 Chris Malachowsky 的支持下，基于 NVIDIA 提供的硬件、软件、培训和服务建成的。

  该 AI 模型的输出结果被编译成一个数据库，并录入到一个门户网站中，该门户网站采用地图形式，呈现了包括安全评估分数、建筑类型甚至屋顶或墙体材料等信息。

  Wang 的研究获得了 NVIDIA 应用研究加速器计划（NVIDIA Applied Research Accelerator Program）的赞助。该计划致力于支持这些通过对商业和政府组织采用的 NVIDIA 加速应用进行部署，从而有潜力影响现实世界发展的科研项目。

  Wang 表示，该门户网站能够完全满足不同的应用需求。政府可以仅凭街景图像作出预测，做好应对自然灾害的准备。

  他表示：“虽然这些街景都是静态图像，比如谷歌街景图像，它每隔几年才进行一次更新。但这对于收集信息和宏观了解统计数据来讲已经足够了。”

  但在农村地区或发展中地区，由于没这类街景图像或者图像更新频率较低，政府需要自行收集图像。而借助 NVIDIA GPU，就能实现及时得建筑评估，进而有助于加快图像处理的分析速度。

  Wang 还表示，在经过充分的完善后，他的研究成果还能为城市规划和保险行业带来改变。

  目前，墨西哥的一些地方政府正在对该项目来测试。还有一些非洲、亚洲和南美洲的国家也对该项目产生了浓厚的兴趣。根据 FEMA P-154 标准，目前该项目的评估分数准确率已达到 85% 以上。

  Wang 提到，该项目面临的一个挑战是不同国家的城市景观差异。各地区有自己特色的文化和建筑风格。由于 AI 模型没有在足够大或足够多样化的图像库上进行训练，因此在进行墙体材料分析时，可能会受到油漆颜色等因素的影响。城市密度的差异也是该项目面临的另一个挑战。

  Wang 表示：“这是当前 AI 技术普遍面临的局限性。为了可以发挥应用价值，我们应该有足够多的训练数据来代表真实世界的街景分布。所以我们正在通过努力收集数据来解决泛化问题。”

  为了克服这一挑战，Wang 希望能在更多的城市训练和测试该模型。到目前为止，他已经测试了不同国家的八座城市。

  他表示：“我们应该生成更详细、高质量的注释来训练该模型。这样我们才可以一直在改进，使其在未来得到更广泛的应用。”

  Wang 的目标是让这一个项目能达到作为服务进行部署的程度，支持更多行业的应用。

  “我们正在创建能够估算和分析建筑与住户的应用编程接口，以实现与别的产品的无缝集成。我们还在构建一个可供所有政府机构和组织使用的用户友好型应用。”