大型项目的责任出问题，最常见的形态是没人说得清哪一条要求归谁。一份公路或者房建项目的合同正文加技术规格书，几百到上千页很正常；同一批要求里，设计、土建、机电、测量、试验、安全各管一段，最容易漏的恰好是接口。做过这件事的人都熟悉那个流程：逐页读、逐条标、开会确认，全部过一遍要几天，遇上设计变更还得重来。
9 月 28 日，ASCE（美国土木工程师学会）在休斯顿莱斯大学颁出《工程管理杂志》（Journal of Management in Engineering）2026 年度最佳论文奖。获奖论文的题目很直白——Project Requirements Assignment Using BERT-Based Multilabel Classification and Interactive Mapping System，用基于 BERT 的多标签分类与交互式地图系统分配项目需求。作者是韩国国民大学建筑学院高泰宇（Ko Tae-woo）、中央大学建筑与建筑学系李智熙（Lee Jee-hee），以及美国德州农工大学建筑科学系 H. David Jeong。
这套系统做的是两件事
论文要回答的问题可以拆成两问：这条要求归谁？这件事发生在哪里？
第一步是分类。研究团队用语言模型对合同与技术规格书中的要求做多标签分类，按各部门的职责与分工给每条要求打上归属。多标签是关键词——工程条款经常同时牵涉设计、采购与安全，一条要求硬塞给一个部门，信息在分配那一步就丢了。
第二步是落位。分类结果再与施工现场的位置数据关联，形成一套交互式地图系统：每个部门被分配到的任务在地图上用不同颜色标出来。论文给出的应用场景是道路工程，各专业部门与协作单位不必逐行翻阅规格书，直接在地图上就能看到自己负责的位置、范围，并共享相关信息。
国民大学的口径是，模型在实证研究中取得了较高的分类准确率，具备在真实施工现场应用的可能性。同一份发布稿里没有给出准确率数字，也没有说明这套系统是否已在某个在建项目上使用过。韩国《Korea Times》与 Aju Press 的报道照转了这一口径。
「把 AI 技术用到工程管理上，希望它能成为智能建造的实务指引——加快现场的决策，降低工期延误和工作争议的风险。」 高泰宇，国民大学建筑学院教授，校方发布稿
时间线值得留意：论文 2025 年 5 月 29 日就已线上发表，奖是 2026 年 9 月 28 日颁的。ASCE 每年从该刊选一篇最佳论文，本届同时颁出一个十年奖（合同信任与争议谈判中的行为策略研究）和一篇荣誉提名（EBD 框架与经验数据整合）。发表与获奖隔了一年多，说明这份工作的分量是被学术共同体慢慢确认的，走的不是新闻热度那条路。
事件要点
- 获奖论文把合同与规格书中的要求按部门职责做多标签分类，再与施工现场位置数据关联，输出一张分色地图
- 团队来自韩国国民大学、中央大学与美国德州农工大学，颁奖地点是莱斯大学
- 校方口径为"分类准确率较高"，但未公布准确率数字，也未说明是否已在在建项目使用
- 论文 2025-05-29 线上发表，2026-09-28 获奖；同届另有十年奖与荣誉提名各一篇
数据与案例：三条路线回答的问题不一样
把这件事放进眼下技术选择里对比，位置会更清楚。合同文本处理大致有三条路线：请通用大模型直接问答、做单标签的条款归档、以及像这篇论文这样用专用模型做多标签分类再落到空间。
| 路线 | 输入 | 输出 | 能回答的问题 | 主要局限 |
|---|---|---|---|---|
| 通用大模型问答 | 整份合同与规格书文本 | 自然语言答复 | 这条要求大概归谁 | 出处与页码不稳定，同一个问题两次问可能两个答案，条款级举证困难 |
| 单标签条款归档 | 逐条条款文本 | 一个责任部门 | 这条归哪个部门 | 一条要求牵涉多部门时，信息在分配环节就被压掉了 |
| 多标签分类 + 位置映射（本论文） | 规格书条款 + 现场位置数据 | 部门集合 + 地图图斑 | 归谁、在哪里、范围到哪 | 依赖预先定义的标签体系与统一的空间编码，换一套项目用语就要重新校对 |
同一批研究者在这条线上不是第一次出手。2024 年他们就在《Automation in Construction》上发表过用 BERT 从施工规格书中自动识别合同风险条款的论文，思路一脉相承：先把文本层面的"条款—责任"关系标准化，再谈自动化。今年 8 月，《Journal of Legal Affairs and Dispute Resolution in Engineering and Construction》上的一篇系统综述统计了这个方向的研究分布——AI 在合同管理上的工作集中在合同文件分析、风险管理、索赔与争议管理，延期与变更管理这类更贴近现场的话题，覆盖得还很少。另有团队在《Expert Systems with Applications》上构建了国际工程合同知识的 LLM 基准，用 1,131 道题分记忆、理解、应用三层测试模型能力。
这些工作拼在一起，指向同一个判断：合同 AI 目前的能力集中在"读"和"分"，离"判"还有一段距离。
技术分析："标到地图上"这一步更关键
分类解决归属，位置解决范围。工程争议和返工大多发生在接口与交叉处——同一段路基，土建、路面、交通安全设施、管线各有责任，各自翻开自己的规格书都觉得自己没错，问题出在界面上。把条款落到里程桩号、轴网或者分区之后，责任才变成可以核对的东西：谁的地盘从哪到哪，图上看得到。
偏偏位置这一步最难。空间数据在多数项目里不是现成的：设计用坐标系，施工用桩号，质检用检验批，三个口径彼此不通用，甚至同一栋楼在不同专业的模型里分区方式都不一样。地图能成立的前提，是先有一套全项目通用的空间编码。论文报告的是方法可行，至于这套编码在真实项目里由谁维护、怎么随变更更新，论文和发布稿都没有展开。
选 BERT 而不是更大的通用模型，也有它的道理：标签体系固定、结果可解释、训练与推理成本低，在专业语料样本不多的条件下表现相对稳定。代价在迁移性——换一家企业、换一套术语习惯，就要重新标注和校对。至于多标签带来的那个老问题，模型本身解决不了：一条要求同时归设计、采购与安全时，谁签字？系统只能给出集合，分配规则仍然要人来定。
没有公开的部分同样要说清楚：分类准确率的具体数值、标签体系的规模、位置数据的来源与精度、有没有在在建项目上做过验证。这些空白意味着现在能下的判断只有一条——方法思路成立，工程有效性待验。
行业意义：给 BIM 工程师的三件事
如果这条路走下去，合同 AI 的角色会从"帮你看懂条款"变成"帮你分配责任并落到位置"。差别在于，后者的输出才可能进入交付流程：技术交底、检验批、验收资料。对做 BIM 的人来说，这意味着有一部分前置工作现在就该开始。
可以现在就动手的三件事
一、把空间编码统一起来。模型分区、轴网、里程桩号与检验批范围对齐之后，才谈得上"条款落到哪里"。这套编码是任何位置类应用的底座，也是将来接 AI 时最省事的准备。
二、把责任矩阵做成机器能读的对照表。合同条款号、规格书章节号、WBS 编号、构件或区域编号之间建立对照关系，同一个编号在模型、进度计划和质检资料里保持一致。人工时代这张表是给新人看的，接 AI 的时候它就是输入。
三、别让模型做最终判官。把这类系统当第一遍筛选器用：输出必须能回到条款原文和版本号，最终的责任判定与签字留在人手里。责任划分一旦出错，代价比多花两天读规格书大得多。
这篇论文最值得记的一点，或许不是模型结构，而是它处理的对象：把"责任界面"这件过去只能靠开会和备忘录说清楚的事，变成一张能查看、能核对的图。这类工作短期内不会出现在任何项目的进度计划表上，却决定了 AI 能不能真正进入工程的责任链条。
资料来源：国民大学（Kookmin University）2026 年 9 月 30 日发布稿；The Korea Times、Aju Press 同日报道；ASCE Library《Journal of Management in Engineering》最佳论文奖页面（含论文线上发表日期）；Ko, T., J. Lee, and H. David Jeong, "Project Requirements Assignment Using BERT-Based Multilabel Classification and Interactive Mapping System", DOI 10.1061/JMENEA.MEENG-6311；Ko 等 2024 年发表于《Automation in Construction》的规格书风险条款 BERT 识别论文；《Journal of Legal Affairs and Dispute Resolution in Engineering and Construction》2026 年 8 月关于 AI 合同管理的系统综述；《Expert Systems with Applications》2026 年国际工程合同知识 LLM 基准研究。
准确率数值、标签体系规模、位置数据来源、工程应用情况均未公开发布，本文按"未披露"标注，不对系统的工程有效性下结论。配图为资料图，来源 Wikimedia Commons，与本文所述研究无直接关系。