《可持續發展》雜志最近發表的一篇文章提出了一個基於人工智能 (AI) 的框架，該框架涉及 OpenAI ChatGPT-3 和 Google Bard 的大型語言模型 (LLM)，以檢查代表五個智慧城市 (SC) 基礎設施領域（移動性、能源、水、廢物管理和安全）的智能建築 (SB) 服務的 26 項標准。

背景

SB 和 SC 非常復雜，有多種不同的技術和系統和諧運行。SB 評估採用了多種方法，包括智能就緒指標和 SPIRETM SB 評級計劃。這些框架幫助利益相關者使用社會福利、經濟效率和環境卓越等評估參數來理解和提高彈性和城市可持續性。

然而，現有框架存在諸如標准化困難、數據訪問、數據管理和數據正確性等局限性。此外，只有少數研究分析了 SB 和 SC 性能之間的相互聯系。克服這些挑战需要不斷改進數據基礎設施和評估流程。

基於深度學習方法的 LLM 提供有效的情感和上下文分析。這種復雜的人工智能工具可以更好地洞察 SB 對智慧城市性能的影響。因此，本研究开發並驗證了一種全面的方法來評估 SB 服務與更大的 SC 生態系統和基礎設施的整合。

方法

選擇了三個主要方面——效率、彈性和環境可持續性——來評估 SC 的表現。此外，還研究了 SB 和 SC 之間復雜的相互依賴關系，涉及五個領域：能源、移動性、水資源、廢物管理和安全。此外，還使用了這五個 SC 領域的 26 個智能服務變量來描述 SB 的智能特性。

兩個著名的LLM，谷歌的Bard和OpenAI ChatGPT-3，被考慮用於开發評估框架，該框架評估了選定的SB服務對SC性能的影響。因此，對一個領域中的每個因素進行了效率、彈性和環境可持續性評估。

每個 SB 因素的影響都按 0（無影響）到 2（顯著影響）的等級進行量化。或者，使用 5 點李克特量表爲每個 SC 基礎設施域分配從 1（不重要）到 5（非常重要）的權重。

爲了減輕偏見，每個 AI 模型在相同任務的五個會話中反復測試，每個會話有五次試驗。然後分析每個會話平均值的響應生成分布，以確定可能的影響分數。此外，通過德爾菲法對結果進行了驗證，驗證過程分爲兩輪（初步審查和重新評估）。

最後，通過對五個復雜的 SB 項目的案例研究證明了所开發的 AI 框架的適用性：阿姆斯特丹的 The Edge、曼徹斯特的 One Angel Square、新加坡國立大學 (NUS)、納米比亞的 Ongos Valley 和印度的 Reliance 現代經濟鄉鎮 (MET) 城市。

結果與討論

ChatGPT-3 始終爲 SC 基礎設施因素的效率和彈性分配 2 分。然而，環境可持續性的得分在這些 SC 領域中有所不同。相反，Google Bard 在所有三個 SC 性能參數中展示了更廣泛的得分範圍，這歸因於它通過 Google 搜索進行的實時訓練。

在第 1 輪結果驗證中，26 個屬性中的 17 個和兩個域中只有 17 個達成了 80% 的共識。相反，在第 2 輪之後，其余 9 個變量及其各自的重要性域達成了 80% 的共識水平。因此，Delphi 技術通過利用迭代專家共識改進了 AI 生成的評估框架。

SC 能源基礎設施領域的 SB 服務是該框架中最重要的，最大影響爲 32.67%。第二個最優先的領域是智能水管理服務，對 SB 融入 SC 的影響爲 23.96%，其次是安全領域，影響爲 19.96%。另外，智能移動服務對緩解南卡羅來納州交通擁堵至關重要，其影響爲 17.42%。最後，智能廢物管理服務對南卡羅來納州整體整合的影響至少爲 5.99%。

南卡羅來納州 SB 整合的選定案例研究顯示，阿姆斯特丹的 The Edge 得分最高，尤其是在能源、水和安全領域。另外，Ongos Valley 在廢物管理和安全領域表現優異。然而，盡管整合程度顯著，但 NUS、One Angel Square 和 Reliance MET City 與理想模型相比仍存在一些不足。

結論

總體而言，研究人員使用先進的 AI 工具全面評估了 SB 服務對 SC 性能的影響。除了確定不同 SB 服務影響的權重外，所提出的框架還通過五個案例研究成功應用於分析 SB 服務如何與 SC 的效率、彈性和環境可持續性目標相一致。

然而，這項研究僅關注將 SB 集成到 SC 的技術方面。人爲因素、長期可持續性、用戶接受度和 SB 解決方案的成本效益對於成功集成 SC 非常重要。因此，研究人員建議將該框架的應用擴展到更廣泛的 SB 計劃，以改善基礎設施开發、資源分配和可持續性措施的決策。

作者：Nidhi Dhull

標題：人工智能改變城市智能建築一體化

地址：https://www.utechfun.com/post/425678.html