AI与人类专家推理：基于街景图像的建筑类型预测一致性评估

一项研究使用GPT-4o、Claude 3.5 Sonnet和Gemini 2.0 Flash等视觉语言模型，从谷歌街景图像推断建筑类型（结构、用途、层数），并与土木工程师和建筑师的人类推理比较。发现思维链提示使模型性能更稳定，AI平均准确率约70%，但AI更关注视觉指标，人类专家则更依赖上下文和领域知识。

此前建筑类型标注高度依赖专业人员，成本高且难以规模化。该研究表明视觉语言模型能以约70%准确率自动完成分类，虽未完全替代人类，但为城市分析提供了一种可扩展的辅助手段，可能改变传统数据采集流程。

视觉语言模型通过图像特征提取与语言推理结合，思维链提示引导模型逐步解释视觉证据，从而更稳定地预测建筑类型。人类专家则主动调用建筑学知识、地域背景等非视觉线索，导致两者关注点不同——AI倾向表面模式，人类整合深层语境。

对产品研发的直接影响：可降低城市建筑普查中的人力标注成本，但70%准确率在关键任务中仍需人工复核。需优化模型以融合上下文线索，或设计人机协作标注工具，平衡效率与可靠性。

• 基于思维链提示的自动建筑类型分类API，供城市规划平台调用。
• 人机协作标注工具：AI预标注后由专家审核修正，提升规模与准确性。
• 集成至房地产评估系统，用于批量分析街区建筑特征。
• 结合区域知识库增强模型上下文感知能力，针对特定城市微调。

• 模型在风格迥异的城市（如历史城区与新兴开发区）上能否保持70%准确率？
• 思维链提示的具体效果在不同模型间是否一致？
• 人类专家对AI标注的接受度及协作工作流的最佳实践是什么？
• 是否可能通过多模态融合（如加入卫星影像）提升准确率？