那個用 AI 抓漏的水電師傅

第三步是「測」。常見做法包括：關閉所有水龍頭看水錶有沒有轉動（判斷有無漏水）、分區加壓測試（把給水管和排水管分開加壓，看壓力有沒有下降）、色水測試（在排水管倒入色素水，看樓下漏水顏色有沒有變化）、紅外線熱顯像（看牆面溫度差異）。

這些方法都有效，但各有盲點。水錶測試只能告訴你「有漏」，不能告訴你「漏在哪」。加壓測試需要斷水、接管、等壓力變化，耗時且可能影響住戶。色水測試要等色素流到漏水點，有時要等好幾個小時。熱顯像儀則受環境溫度、牆面材質、太陽曝曬影響，不是萬靈丹。

換句話說，傳統抓漏不是不科學，而是「資訊量不夠」。師傅手上只有幾個間接訊號，卻要推斷一個藏在結構裡的立體問題。經驗可以彌補一部分，但經驗無法克服物理限制。

二、AI 進場：它到底在「算」什麼？

阿宏師第一次接觸 AI 工具，是四年前的事。當時他買了一台新款的熱顯像儀，廠商附贈一套分析軟體，說可以「自動辨識異常區域」。他半信半疑地用了一次，發現軟體會把熱圖中溫差較大的區域框起來，並標註「可能滲水」。雖然標註不一定準，但至少給了他一個「先從這裡看」的起點。

後來他開始研究，才慢慢理解：AI 在抓漏裡扮演的角色，不是「取代師傅的判斷」，而是「把原本看不見的訊號變得可讀」。具體來說，主要有三條技術路線。

1. 熱顯像 × AI 影像辨識：溫差就是線索

漏水通常會造成局部溫度異常。給水管漏水，水溫可能比環境高或低；排水管漏水，水蒸發會帶走熱量，讓牆面局部降溫；外牆滲水，水分在混凝土裡會改變熱傳導特性。熱顯像儀能把這些溫差拍成一張「熱圖」，但熱圖上同時存在很多雜訊：窗戶邊緣、冷氣出風口、電線走火風險、陽光直射的牆面，都會產生溫度差異。

AI 影像辨識的工作，就是從這張熱圖裡「找出像漏水的那一塊」。它透過大量標註過的熱圖資料訓練，學會辨認某些紋理特徵：不規則的冷斑、沿著管線走向的帶狀溫差、與結構裂縫方向一致的異常區。有些系統還會結合可見光照片，比對磁磚縫、壁癌位置，提高判斷準確度。

阿宏師的說法是：「以前我看熱圖，紅紅藍藍一片，要靠經驗猜。現在它會幫我圈幾個點，我再去現場確認。有點像 Google 地圖幫你標『可能塞車路段』，你還是要自己開過去才知道。」

2. 聲學頻譜 × 機器學習：讓漏水聲「視覺化」

另一條路線是聲音分析。傳統聽漏棒靠人耳，AI 則是把麥克風或加速度計貼在管壁或牆面上，錄下聲波，轉成頻譜圖，再用機器學習模型判斷「這段聲音像不像漏水」。漏水聲通常有特定頻段特徵：加壓水從裂縫噴出，會產生高頻寬頻噪音；管內水流撞擊氣泡，會產生低頻脈動。不同管材、不同壓力、不同漏水孔徑，會留下不同的「聲紋」。

機器學習的好處是，它可以同時分析人耳聽不到的頻段，也可以從背景噪音中分離出微弱訊號。有些系統甚至能做到「即時顯示漏水機率」，師傅沿著牆面移動感測器，螢幕上的數值會隨位置變化，數值最高的地方就是最可能的漏水點。

不過，這類系統的準確度高度依賴訓練資料。台灣的管線環境複雜：老舊公寓鐵管、新大樓 PVC 管、不鏽鋼壓接、埋設深度不一、水壓不同，同一套模型搬到不同現場，表現可能差很多。阿宏師就遇過一次，AI 判斷某處「漏水機率 92%」，他敲開後發現是管內空氣造成的假訊號。「模型沒見過這種情況，就會誤判。所以還是要人去驗證。」

3. 濕度感測 × IoT 監測：24 小時的抓漏哨兵

第三條路線比較低調，但對某些案件特別有用：在疑似漏水區域放置無線濕度感測器，長時間監測濕度變化，再把資料傳到雲端，由 AI 分析濕度上升趨勢、與天氣、用水習慣的關聯。這種做法不適合「已經在滴水」的緊急案件，但很適合「還不確定有沒有漏」的灰色地帶，例如頂樓防水層老化、外牆微滲、地下室牆面潮濕。

它的價值在於「時間軸」。傳統抓漏只能看當下，IoT 監測可以看到「過去兩週濕度慢慢上升」，從而判斷是持續滲水，而不是一次性的冷凝水。有些社區管委會會在大樓公共區域裝設這類感測器，作為預防性維護的一部分。

三、三個真實場景：AI 抓漏怎麼運作？

技術講完了，來看實際案例。以下三個場景，是阿宏師近年常遇到的類型，也是 AI 工具最能發揮的地方。

1. 樓下天花板滴水，源頭卻在兩公尺外

這個案例就是文章開頭陳太太家的情況。表面線索很單純：廚房天花板滴水，正上方是樓上廚房。傳統做法會先懷疑樓上廚房排水管，但阿宏師先用熱顯像儀掃描樓上廚房地面和牆面，發現熱圖異常區不在排水管附近，而是在隔壁浴室洗手台下方。再用聲學感測器貼在熱點附近的牆面，錄到持續的高頻訊號，AI 分析後標記為「加壓給水管微漏」。

他關閉該戶給水總開關，確認水錶停止轉動，再打開加壓馬達，聲學訊號明顯增強，位置更確定。最後敲開三塊磁磚，找到一支熱水管三通接頭的鏽蝕裂縫。整個過程從進場到定位，大約九十分鐘。如果沒有熱顯像和聲學輔助，可能要先敲樓上廚房排水管附近，找不到再敲浴室，運氣不好要敲兩三個地方。

這個案例的關鍵不是 AI 有多聰明，而是它把「可能的範圍」從一整間廚房縮小到半面牆。對屋主來說，少敲幾塊磁磚，就是少幾千塊修復費，也少幾天噪音和灰塵。

2. 頂樓防水層的「隱形破口」

另一個常見情境是頂樓住戶天花板滲水，但下雨天才漏，晴天就停。這種案件最麻煩，因為漏水與天氣高度相關，師傅很難在晴天重現。傳統做法是等下雨天再來看，或者直接整片重做防水，但整片重做成本高，而且不一定能找到真正的破口。

阿宏師的做法是：先在下雨前用熱顯像儀拍一輪頂樓樓板，記錄常溫下的熱圖；下雨時再拍一輪，比對兩張圖的差異。水滲入混凝土後，會改變局部熱傳導，讓某些區域在雨後較長時間保持低溫。AI 影像比對會把這些「雨後異常冷區」框出來，再對照頂樓排水孔、女兒牆接縫、管路穿越處，通常就能鎖定幾個可疑位置。

他曾遇過一個案例，AI 標出三個可疑點，其中兩個是排水孔周邊的正常潮濕，第三個在女兒牆與樓板交接處，位置很不起眼。他局部鑿開後，發現防水層在施工時就有一個小氣泡，日久破裂，水從那裡滲進去。修補面積不到一坪，卻解決了拖了兩年的漏水問題。

3. 熱水管微漏：水錶沒動，牆壁卻濕了

第三種情況更隱蔽：住戶牆面出現壁癌，但水錶沒動、地板沒積水、樓下也沒滴水。這種「沒有明顯漏水症狀」的案件，傳統抓漏常常卡關，因為不知道從哪裡開始找。有些師傅會直接建議「整面牆打掉重做」，但這對住戶來說是最後手段。

AI 工具在這裡的價值是「建立假設」。阿宏師會先做一次全戶熱顯像掃描，找出牆面溫度異常區；再用聲學感測器在異常區附近聽，確認有無持續水流聲；最後用濕度計量測牆面含水率，畫出濕度分佈圖。三種資料疊在一起，AI 會給出一個「可能漏水路徑」的建議，通常是沿著給水管走向的帶狀區域。

他有個客戶就是這樣找到問題：熱水管的保溫層破損，管壁長期接觸混凝土，慢慢鏽蝕出一個針孔大的裂縫。因為漏水量極小，水被混凝土吸收，沒有滴到樓下，但牆面含水率持續偏高，最後長出壁癌。修繕方式只是換掉一小段管線，外加牆面防水處理，費用遠低於整面牆重建。

四、AI 抓漏的標準流程：工具之外，還是流程

看完案例，可以發現一件事：AI 工具再厲害，也不是「按一個鍵就告訴你漏水點」。它必須被放進一套完整的流程裡，才能發揮作用。阿宏師的作法大致可以分成四個階段。

1. 前置訪談與水錶靜止測試

任何抓漏都從「問」開始。什麼時候開始漏？下雨天更嚴重嗎？白天還是晚上？最近有沒有裝修、換管、加壓馬達？樓上住戶的用水習慣？這些資訊可以大幅縮小範圍。接著做最基本的水錶靜止測試：關閉全戶水龍頭、馬桶進水、洗衣機進水，觀察水錶是否轉動。如果有轉動，代表給水管有漏水；如果沒有，問題可能出在排水管、外牆、防水層或冷凝水。

這一步不需要 AI，卻是最重要的過濾器。阿宏師說：「很多糾紛是這樣來的：師傅一進門就開始敲，敲了半天沒找到，才發現是樓上排水管。先做水錶測試，可以少走很多冤枉路。」

2. 儀器掃描與資料蒐集

確認方向後，才進入儀器掃描。給水管漏水，優先使用聲學感測器和熱顯像儀；排水管漏水，常用色水測試和內視鏡；外牆或頂樓滲水，則以熱顯像、濕度計、雨後比對為主。掃描過程不是「拍一張照就結束」，而是要系統性地記錄：每個位置的熱圖、聲譜、濕度值，以及對應的現場照片。

這些資料越完整，後面 AI 判讀越可靠。阿宏師會用手機 App 把資料按房間、按牆面編號建檔，方便事後比對。「有時候第一次掃描沒找到，過幾天再來，資料一比對，問題就浮出來了。」

3. AI 判讀與師傅複核

資料蒐集完，AI 會給出幾個「可疑區域」和「可能原因」。但阿宏師強調，這只是「參考答案」，不是「標準答案」。他一定會回到現場，用傳統方法複核：聽漏棒再聽一次、用手摸牆面溫度、用濕度計確認、必要時做局部加壓測試。如果 AI 的判斷與現場證據不符，他會相信現場。

「AI 很會找『像漏水』的特徵，但它不知道這棟房子以前發生過什麼。比如說，有些牆面之前補過防水，熱圖看起來怪怪的，其實是舊修補痕跡，不是新漏水。這種事只有問屋主、看現場才知道。」

4. 修繕、驗收與追蹤

找到漏水點後，修繕方式還是回歸傳統工法：換管、補裂縫、重做局部防水、打針灌注。AI 不負責修，只負責「讓修繕更精準」。修完之後，阿宏師會建議住戶觀察一到兩週，必要時放置濕度感測器追蹤，確認含水率下降，而不是只有表面乾燥。

有些案件他會拍照建檔，記錄修繕前後的熱圖和濕度變化，一來給屋主當保固依據，二來累積自己的資料庫。「下次遇到類似情況，我就知道這套工法有沒有效。」

五、老師傅會被取代嗎？AI 與水電工的協作模式

這是很多人關心的問題，也是阿宏師最常被問到的。他的答案很直接：「AI 不會爬梯子，也不會跟樓下鄰居溝通。抓漏有一半的時間是在處理人，不是處理水。」

1. AI 不會爬梯子，也不會協調鄰居

抓漏現場有很多「非技術」工作：要跟樓上住戶約時間、要解釋為什麼要敲牆、要協調管委會、要安撫被漏水吵到睡不著的屋主、要在施工後清理現場。這些事 AI 完全幫不上忙。更何況，台灣老屋的管線圖常常缺失，牆裡有什麼東西沒人知道，師傅必須靠經驗判斷「這面牆能不能敲」、「這支管是不是共用管」、「敲下去會不會影響結構」。這些判斷，目前沒有 AI 能取代。

2. 經驗是 AI 的「訓練資料」，不是它的對手

更有意思的是，AI 其實需要老師傅的經驗才能進步。熱圖長什麼樣子叫「異常」、聲譜哪個頻段代表「漏水」、濕度多高算「偏高」，這些標註工作，最終還是要由有經驗的師傅來做。AI 模型是從大量「師傅判斷過的案例」裡學習，而不是從天上掉下來。

所以與其說 AI 取代師傅，不如說它改變了師傅的工作方式：以前靠感覺，現在多了數據；以前靠記憶，現在多了紀錄；以前一個人悶著頭找，現在可以帶著一套工具一起找。阿宏師的比喻很傳神：「就像現在的木工有電鋸、有雷射水平儀，但還是要有人知道怎麼組一個櫃子。工具變好了，師傅的門檻不是降低，是換了一種。」

六、給消費者的五個提醒：找 AI 抓漏前先看清楚

隨著「AI 抓漏」成為行銷關鍵字，市面上出現不少打著 AI 名號的服務。有些確實有料，有些只是把熱顯像儀說成 AI。以下五點，是一般住戶在找抓漏師傅時可以注意的地方。

1. 「AI 抓漏」不是萬靈丹

AI 工具擅長「縮小範圍」，不保證「一次命中」。任何師傅如果說「用 AI 就一定不用敲牆」、「百分之百找到」，都要保持懷疑。真實情況是：AI 可以提高效率，但還是可能需要局部破壞、可能需要二次檢查、可能遇到模型沒見過的罕見情況。

2. 報價、保固、責任歸屬要白紙黑字

抓漏費用通常包含「檢測費」和「修繕費」兩部分。要問清楚：檢測沒找到漏水點，怎麼收費？找到之後，修繕是否另計？修完保固多久？如果修完還是漏，責任怎麼算？這些最好在施工前寫清楚，避免事後爭議。

3. 儀器只是輔助，判斷還是看人

可以觀察師傅是否願意解釋「為什麼判斷這裡是漏水點」，而不是只說「機器顯示的」。好的師傅會把熱圖、聲音、水錶測試結果綜合起來說明，也會告訴你哪些是「確定」、哪些是「推測」。如果從頭到尾只強調 AI 多神，卻說不出現場證據，可能要多問幾句。

4. 別忽略最基本的水錶測試

再先进的 AI，也取代不了關水龍頭看水錶這個動作。如果有人一進門就架儀器、完全不問用水狀況，反而奇怪。好的流程一定是「先基本測試，再儀器輔助」。

5. 事前事後照片留存

建議要求師傅在檢測和修繕前後拍照，特別是熱圖、濕度數值、敲開後的實際狀況。這些照片不只是保固依據，也能幫你理解問題在哪裡。如果師傅不願意提供，至少自己用手機記錄一下。

七、結語：工具會進化，信任還是人給的

回到阿宏師的那句話：「AI 沒有幫我抓漏，它只是幫我少敲幾塊磁磚。」這句話聽起來謙虛，其實點出了 AI 在傳統工藝裡最真實的位置。它不是魔法，也不是威脅，而是一套讓師傅「看得更多、猜得更準」的工具。它讓熱圖有了意義，讓聲波有了形狀，讓濕度有了時間軸，但最終決定要不要敲下那塊磁磚的，還是人。

對消費者來說，AI 抓漏的價值不在於「有沒有 AI」這四個字，而在於它能不能幫你更快找到問題、更少破壞、更清楚知道錢花在哪裡。對水電師傅來說，AI 的價值不在於取代經驗，而在於讓經驗可以被記錄、被驗證、被傳承。對整個產業來說，這或許才是最重要的改變：抓漏這門靠耳朵和直覺的行業，開始有了可以被討論、被學習的數據語言。

下次你家天花板又開始滴水，來了一位帶著熱顯像儀和手機 App 的師傅，不妨多問他一句：「這個畫面代表什麼？」如果他講得清楚，那你遇到的不只是「用 AI 的師傅」，而是一位願意把工具用對地方的老師傅。至於 AI，它大概還是會安靜地待在手機裡，等著幫他少敲幾塊磁磚。

而這，或許就是傳統工藝與人工智慧最舒服的距離。

🏠 返回首頁