3S Market 探討報導

馬路為什麼總是挖了又挖？AI 如何讓水、電、瓦斯、電信從「各挖各的」，走向一次協同施工

適合讀者：地方政府首長與工務、交通主管；自來水、電力、瓦斯、電信等公用事業；工程顧問、系統整合、GIS、AI、IoT 與智慧城市相關業者

Highlight

「這條路不是才剛鋪好，怎麼又挖？」

這大概是台灣都市居民最熟悉、也最容易產生民怨的街頭景象之一。今天自來水公司換管線，路面回填、重新鋪好；隔幾個月瓦斯單位又進場，再過一陣子可能換成電力、電信、污水下水道或建築接管工程。同一條路反覆施工，不只是路面難以維持平整，也帶來塞車、噪音、粉塵、店家出入受阻，以及額外的工程與社會成本。

然而，這個問題若簡化成「政府為什麼一直挖馬路」，其實並不公平。地下水、電、瓦斯、電信等維生系統，本來就需要維修、汰換與擴充。真正值得追問的是：

為什麼第一次開挖以前，城市不能先知道接下來還有誰要挖？

這正是 AI 可以發揮價值的地方。

台灣其實已經不是從零開始。國土管理署資料顯示，全國 22 縣市均已完成公共設施管線挖掘管理系統並上線運作；臺北已有地下管線 3D-GIS、道路施工排程與智慧化挖掘管理，高雄則已將地下管線、道路挖掘路證、即時施工影像及跨局處 IoT 資訊，納入 5D 數位孿生工務管理平台。

因此，下一步不只是把「挖路申請」數位化，而是要讓 AI 把城市道路管理從事後管理，推進到事前預測與主動協調。

一句話說，就是：少挖一次、少塞一次、少補一次。

一、道路一直挖，底層問題其實是「資訊孤島」

一條都市道路底下，可能同時埋設自來水、污水、雨水、瓦斯、電力、電信、寬頻、號誌，以及其他公共設施。

問題在於，這些系統分屬不同主管機關與事業單位，各自有自己的年度預算、維修週期、設備壽命與施工優先順序。

例如市政府準備今年底重新刨鋪某條道路；自來水單位知道附近水管已老舊，明年需要更新；瓦斯公司排定半年後換管；電力公司兩年內又有地下化計畫。

從每一個單位來看，自己的工程都合理。

但站在市民角度，卻變成：今年挖一次、明年挖一次、後年再挖一次。

所以這不完全是「施工技術」的問題，而是一個典型的跨組織協同問題。

現有道路挖掘管理制度已經具有整合功能，例如臺北透過道路管線暨資訊中心，進行道路施工排程與管線整合，以降低施工衝突及重複鋪挖；共同管道則進一步把不同公共管線集中於同一地下空間管理。

但如果協調主要發生在工程已經準備申請之後，仍然不夠。

AI 最大的突破，就是把協調時間點往前移。

二、第一個 AI 應用：預測「這條路未來誰可能要挖」

道路管理若只能等工程單位提出申請，再去詢問其他管線單位是否有施工需求，管理仍屬被動。

AI 可以做的第一件事，是建立「道路挖掘需求預測」。

例如某一路段的自來水管已使用三十多年，最近兩年又發生多次漏水；附近瓦斯管也逐漸接近汰換年限；市府已排定明年度道路刨鋪；同一街廓又有大型建案即將完工。

今天這些資料很可能分散在四、五個不同單位。

如果把管線年齡、材質、歷史故障、維修次數、年度工程計畫、都市更新、建案開發、道路刨鋪計畫等資料匯入同一個資料平台，AI 就可以分析：

這條路未來 3 個月、6 個月、12 個月再度施工的可能性。

系統可能在任何一家單位正式申請以前，就提出：

本路段未來九個月有多項計畫性工程可能重疊，建議提前召開跨管線協調。

這裡 AI 並不需要百分之百猜中誰一定會施工。

真正的價值是：原本沒有人注意到的施工衝突，可以提前半年被看見。

三、第二個 AI 應用：不是排誰先做，而是計算「怎麼一起做最好」

知道三個單位都可能施工後，下一個問題更複雜。

誰先挖？誰能一起進場？哪些管線施工有前後工序？日間施工還是夜間施工？封一線還是兩線？一次做完還是分區做？

這是一個非常典型的「多目標最佳化」問題。

傳統協調可能依照工程急迫性、預算年度與人工經驗來排程；AI 則可以同時計算交通流量、上下班尖峰、學校作息、醫院救護動線、商圈營業時段、大型活動、工程工序、施工人力、機具調度、天候，以及不同管線施工之間的相互影響。

假設三個工程若各做各的，必須封路三次；若其中兩項整合，可減為兩次；若施工條件允許，把三項工程排進同一個施工窗口，就可能只需一次主要開挖。

於是道路施工決策就不再只是：「哪一天可以施工？」

而會變成：「哪一種組合，對整個城市造成的總成本最低？」

這個成本不只是工程費。

還包括塞車造成的時間損失、店家營業影響、居民生活干擾、施工碳排，以及道路重新鋪設後又被打開的浪費。

四、第三個 AI 應用：讓地下管線不只「有圖」，而是真的看得準

道路開挖的另一個風險，是地下實際狀況可能和圖資有所差異。

早期埋設的管線未必具有今日的高精度座標；歷次改管、搶修，也可能造成位置改變。一旦施工現場挖到原本沒有預期的地下設施，就可能停工、改線，甚至發生管線損壞。

臺北已建置地下管線 3D-GIS，讓施工單位在開挖前查閱地下管線位置，也曾將 AR 應用於現場管線圖資瀏覽。

未來再往前一步，可以結合：

GIS、透地雷達 GPR、GNSS/RTK 精準定位、3D LiDAR，以及 AI 辨識。

施工前先對地下進行掃描；AI 將掃描結果與既有 GIS 比對，如果發現疑似管線位置、深度或數量不吻合，就先標記異常，再由工程人員確認。

施工完成後，再把實際位置回寫到資料庫。

如此一來，每挖一次道路，就不只是完成一件工程，也等於幫城市更新一次「地下履歷」。

資料愈完整，下一次開挖就愈安全、愈準確。

五、第四個 AI 應用：開工以前，先模擬「到底會塞成什麼樣」

市民對道路施工的不滿，很多時候不是反對工程本身，而是施工時段與交通維持方式不佳。

同一個工程，如果上午七點半封閉主要幹道兩個車道，可能造成周邊路網嚴重壅塞；如果改到夜間、假日，或改成分段施工，影響可能完全不同。

因此未來的 AI 道路管理平台，應進一步串接交通資料。

包括歷史與即時車流、路口號誌、公車路線、停車資訊、學校、醫院、大型活動及天氣等。

施工許可核准以前，可以先跑一次交通衝擊模擬。

例如：

方案 A 上午施工，尖峰車流受到明顯影響；

方案 B 夜間施工，工程成本略增，但交通干擾大幅降低；

方案 C 採兩階段封路，施工時間稍長，但維持主要車流。

這會把過去的「交通維持計畫」，升級成可以比較不同方案的交通影響最佳化。

政府最後仍由人做決策，但 AI 可以先把後果算給管理者看。

六、第五個 AI 應用：路填平了，不代表工程真正完成

很多人更在意的是：路挖完以後為什麼變得更難走？

道路回填品質不佳，可能造成高低差、龜裂、下陷、人孔蓋突出，甚至幾個月後又需要重新修補。

因此 AI 道路治理不應在「工程結案」就停止。

工程完成後，可利用工程車搭載影像設備、3D LiDAR 或道路平整量測設備，建立完工後的道路數位紀錄，再由 AI 判斷道路高低差、修補範圍、裂縫、下陷等異常。

更重要的是，系統可以持續追蹤。

一個月後、三個月後、半年後，同一施工區域是否比周邊道路更容易產生問題？

如果再把結果與承包商、施工方法、材料、天候、施工時間等資料連結，就能逐漸建立「施工品質模型」。

未來政府考核的不只是：這一家廠商一年做完多少工程。

而是：它做完的道路，半年後還剩多少品質。

七、第六個 AI 應用：把市民從「最後才知道」變成「事前就知道」

道路施工帶來民怨，還有一個重要因素：資訊不透明。

居民通常只看到道路突然架起圍籬，告示牌上寫著施工日期與「造成不便敬請見諒」。

但真正有用的資訊應該是：為什麼要挖？有哪些單位一起做？如果不一起做，本來要挖幾次？這次施工完成後，多久內原則上不再進行計畫性開挖？

AI 可以把原本專業又複雜的施工資料，自動整理成一般人看得懂的說明，透過市民 APP、LINE、簡訊或網站推播給受影響的住戶與商家。

例如：

「本次工程整合自來水與瓦斯管線更新，原預計分兩次施工，目前集中在同一施工期間完成。」

這一句話就能讓市民理解：眼前雖然正在塞車，但至少不是過兩個月再來一次。

智慧城市不只是政府知道更多，也必須讓市民知道政府為什麼這樣做。

八、從「道路挖掘系統」升級成「城市施工協同大腦」

AI 要真正落地，並不是在既有道路挖掘系統旁邊加一個聊天機器人，而是要重新設計資料架構。

管理環節	傳統道路挖掘管理	AI 協同式管理	產生的價值
工程需求	有申請才知道	預測 3／6／12 個月需求	提前協調
地下管線	GIS 查詢	GIS＋3D＋現場掃描＋AI	降低誤挖
工程整合	人工通知、開會	AI 自動找出潛在重疊工程	減少重複開挖
排程	各工程個別安排	多目標最佳化	縮短封路時間
交通管理	靜態交維計畫	AI 模擬不同施工方案	降低交通衝擊
施工管理	巡查與人工回報	IoT、定位、數位履歷	即時掌握
完工驗收	完工檢查	AI 長期追蹤道路品質	延長道路壽命
民眾溝通	施工告示	主動說明工程原因與整合成果	降低民怨