Nearmap
一套全球 AI 模型生成 130 多層物業語意圖層，十大產險公司全在用
Nearmap 是物業情資平台，把高解析度空拍影像、AI 分析與工作流應用綁在一起。它的招牌數字是「One global AI model that generates 130+ semantic property layers」——用單一全球模型從影像自動生出 130 多層語意圖層，例如屋頂材質、樹冠覆蓋、泳池、太陽能板、鋪面材質、建物輪廓。這跟純粹賣影像的公司差別很大：影像是原料，語意圖層才是能直接進系統做決策的資料。
客群三大塊：保險（官網稱「所有前十大 P&C 產險公司」都採用）、AECO（建築、工程、營建）、政府（全球 1,500 個機關）。產品線包含 MapBrowser、Betterview、itel NOW、ImpactResponse，影像則用自家 HyperCamera3 系統拍攝，並提供災害與定價洞察。
功能特色與適用場景：語意圖層的價值在自動化核保。產險公司要核保一間房子，需要知道屋齡、屋頂材質、周邊樹木距離、有沒有泳池——這些過去靠屋主自己申報（常常不準）或派人去看（很貴）。有了自動生成的圖層，核保系統可以直接讀：這間房子屋頂是瓦片、東側有一棵樹距離屋簷兩公尺、後院有泳池，風險係數與保費當場算完。ImpactResponse 針對災後：颶風或野火過後快速產出受影響區域的影像與評估，讓保險公司主動聯絡受災客戶而不是等對方報案。台灣的直接使用同樣受限於影像覆蓋（Nearmap 主要覆蓋美、澳、紐、加），但「語意圖層」這個概念對台灣的產險與都市規劃很有啟發——台灣有相當完整的國土測繪影像，缺的是把影像轉成可用圖層的那一層。
TheAI學院 編輯建議
編輯實測後的真心話Nearmap 讓我印象最深的是它自我定位的方式——不賣影像，賣「130 層可以給程式讀的圖層」。這個轉換聽起來只是加工，實際上決定了它能不能進到保險公司的核保引擎裡。台灣不在它的覆蓋範圍，但這個思路值得產險業想一想：我們有影像，為什麼還在靠屋主自己申報屋頂材質？
主要功能
- 單一全球 AI 模型生成 130+ 物業語意圖層
- HyperCamera3 自有空拍系統
- MapBrowser 影像與圖層瀏覽
- Betterview 物業風險管理
- itel NOW 屋頂材質與理賠支援
- ImpactResponse 災後快速影響評估
- 災害與定價洞察分析
適用場景
- 產險自動化核保的物業風險資料
- 災後受影響區域的快速評估與主動理賠
- 屋頂材質與屋齡的遠端判定
- 都市規劃的建物與植被變遷分析
- 營建專案的現地條件前期調查
Nearmap 的優點與缺點
優點
- 語意圖層可直接進核保系統，不只是給人看的圖片
- 前十大產險公司全數採用，資料可信度有市場驗證
- 自有拍攝系統，影像更新頻率與品質可控
- 同時服務保險、營建與政府，圖層設計經過多場域打磨
缺點
- 影像覆蓋以美、澳、紐、加為主，台灣不在範圍內
- 不公開定價，屬企業級授權
- AI 圖層的準確度在特殊建築型態上會下降
- 官網未明確載明公司所在國家
價格方案
官網未公開價格，依覆蓋區域、圖層與授權席次詢價。
Nearmap 常見問題
語意圖層跟一般空拍圖差在哪？
差在能不能給機器讀。空拍圖是像素，人看得懂但程式看不懂；語意圖層是結構化資料——這塊多邊形是「瓦片屋頂」、面積 180 平方公尺、這個點是「泳池」。有了後者，核保系統才能自動算風險。這也是為什麼 Nearmap 強調自己是物業情資公司而不是影像公司，價值在轉換那一層。
AI 判斷屋頂材質會不會錯？錯了誰負責？
會錯，尤其在混合材質、加蓋、或被遮蔽的屋頂上。實務上保險公司的做法是把 AI 圖層當「初判」，高保額或有爭議的案子仍派人複核，並在流程裡留下人工覆核的紀錄。責任歸屬通常寫在授權合約裡——資料商提供的是資訊而非保證，最終核保決定還是保險公司的。這點採購時要看清楚條款。
台灣的產險業能做類似的事嗎？
資料其實不缺——國土測繪中心有相當完整的正射影像與建物圖資，農業部也有航照。缺的是把影像轉成語意圖層的那一層工程，以及產業願不願意共同建置。我覺得這是台灣保險科技很明顯的一個空缺：不是沒有影像，是沒有人把影像變成核保系統讀得懂的東西。
使用者評價
還沒有足夠評價，搶先分享你的使用心得！
