北京建科研软件技术有限公司总经理　王玉恒

　　工程造价改革需要以数据的积累与应用作为支撑，数据标准保障了数据的积累与应用，而数据加工整理的技术实现路径，成为当前亟待破解的关键课题。

　　事实上，很多地区依托地方数据标准，已经积累了一定的数据资源，但是对于数据的加工整理缺乏有效方法与路径，导致大量积累的数据资源处于“半闲置”状态。建设工程造价数据，结构化程度高、逻辑严谨。数据描述存在多样性，传统的信息化技术手段很难将多样的数据描述进行归类整理，也很难发现异常数据。

　　当前基于AI大模型技术，经过大量的造价专业数据训练后，算法能够从多元数据描述中，精准抽取出数据的特征项与特征值，使得数据的同类归集与整理加工成为可能。

　　数据处理加工需要解决的问题

　　只有同类型工程项目的造价数据才有可对比性，需要为造价数据赋予工程项目的特征值。行业已编制了相应的工程特征与分类描述标准。这些特征值如何赋予，是需要解决的问题。通过AI算法自动解读造价数据成果文件，提取工程项目的特征信息，成为有效的技术路径。

　　工程量清单的编码与项目名称已经实现统一。清单项目的特征描述，需要造价人员依据清单计价标准给定的特征项，结合工程的实际情况自行描述。从目前收集到的工程造价数据来看，特征描述是多种多样的。如何通过AI算法，从多样的特征描述中提取到相应的特征项与特征值，是数据处理的核心环节。

　　AI技术的特点及技术边界

　　计算机底层的算法依然是二进制的逻辑推理，针对AI技术，需建立清晰的认知——它有明确的实现逻辑与技术边界，并非“万能工具”。

　　在造价数据的整理分析领域，“拿来主义”显然是行不通的，需要根据使用场景，利用整理后的造价数据文件作为“训练”素材，分别打造工程造价领域专属“大模型”，再依托“造价专用大模型”开展对造价数据文件的分析处理及造价指标指数的加工工作。

　　造价数据整理分析的工作基础

　　国家建设工程造价数据监测平台自2017年正式上线以来，经过多年的使用及持续升级与优化，已取得了较显著的阶段性成果。

　　截至目前，平台已累计收集68万余份造价成果文件数据。这些成果文件数据来源丰富，地域上覆盖了全国绝大多数省市地区，专业领域涉及建筑工程、市政工程、城市轨道交通工程等多个专业方向，工程类型涵盖居住建筑、商业建筑、办公建筑等多种建筑类型，数据类型则包括投资估算、设计概算、最高投标限价、合同价及竣工结算价，覆盖了工程的全过程，形成了庞大且丰富的造价数据资源，为后续建立国家建设工程造价数据库及数据分析和应用奠定了坚实的数据基础。

　　AI技术驱动的造价数据解决方案

　　培育工程造价行业的“专属大模型”。北京建科研软件技术有限公司作为国家建设工程造价数据监测平台的研发、运维单位，充分利用积累的数据资源，研究并训练出适合建设工程造价行业的“造价专用大模型”。

　　整理大量的历史造价数据并在数据之间进行关联。通过建立造价数据关联模型，挖掘不同来源、不同类型、不同层级数据之间的潜在关联并纳入系统整合，构建覆盖全面、系统科学的训练数据集，进而训练出工程造价垂域能力的大模型。应用上述专属LLM（大语言模型）处理海量原始数据，形成工程特征自动解析及清单级指标加工工具，此类工具具备高度的适配性和可操作性，考虑到不同建设地域在经济发展水平、工程建设特点、地域差异等方面存在多样性，这些算法工具可以提供给各省建设工程造价管理机构，各地区可以根据自身实际情况对收集的造价数据进行指标加工与发布。

　　清单级造价指标支撑下的造价成果文件编制。造价指标来自市场实际数据，具备可追溯性，能够充分反映市场的真实情况，尤其是清单级造价指标，可以实现各种清单特征组合的全面覆盖，具体到每种特征的工程量清单项目。各级造价管理机构通过收集到的造价数据成果文件可以加工出本地区的清单造价指标，针对每一个清单指标的数值范围，可以制定相应的规则，例如，合格工程的最高投标限价取60分位值，省优工程的最高投标限价取75分位值，国优工程的最高投标限价取85分位值，这样就可以有效解决建设工程项目的最高投标限价编制问题。对于施工企业的投标报价，可以通过积累本企业的历史数据，采用类似方法，加工成企业自身的造价指标，在实际工程中不断验证、修正自己的企业造价指标，进而支撑造价文件的编制任务。