《可持续发展》杂志最近发表的一篇文章提出了一个基于人工智能 (AI) 的框架,该框架涉及 OpenAI ChatGPT-3 和 Google Bard 的大型语言模型 (LLM),以检查代表五个智慧城市 (SC) 基础设施领域(移动性、能源、水、废物管理和安全)的智能建筑 (SB) 服务的 26 项标准。
背景
SB 和 SC 非常复杂,有多种不同的技术和系统和谐运行。SB 评估采用了多种方法,包括智能就绪指标和 SPIRETM SB 评级计划。这些框架帮助利益相关者使用社会福利、经济效率和环境卓越等评估参数来理解和提高弹性和城市可持续性。
然而,现有框架存在诸如标准化困难、数据访问、数据管理和数据正确性等局限性。此外,只有少数研究分析了 SB 和 SC 性能之间的相互联系。克服这些挑战需要不断改进数据基础设施和评估流程。
基于深度学习方法的 LLM 提供有效的情感和上下文分析。这种复杂的人工智能工具可以更好地洞察 SB 对智慧城市性能的影响。因此,本研究开发并验证了一种全面的方法来评估 SB 服务与更大的 SC 生态系统和基础设施的整合。
方法
选择了三个主要方面——效率、弹性和环境可持续性——来评估 SC 的表现。此外,还研究了 SB 和 SC 之间复杂的相互依赖关系,涉及五个领域:能源、移动性、水资源、废物管理和安全。此外,还使用了这五个 SC 领域的 26 个智能服务变量来描述 SB 的智能特性。
两个著名的LLM,谷歌的Bard和OpenAI ChatGPT-3,被考虑用于开发评估框架,该框架评估了选定的SB服务对SC性能的影响。因此,对一个领域中的每个因素进行了效率、弹性和环境可持续性评估。
每个 SB 因素的影响都按 0(无影响)到 2(显著影响)的等级进行量化。或者,使用 5 点李克特量表为每个 SC 基础设施域分配从 1(不重要)到 5(非常重要)的权重。
为了减轻偏见,每个 AI 模型在相同任务的五个会话中反复测试,每个会话有五次试验。然后分析每个会话平均值的响应生成分布,以确定可能的影响分数。此外,通过德尔菲法对结果进行了验证,验证过程分为两轮(初步审查和重新评估)。
最后,通过对五个复杂的 SB 项目的案例研究证明了所开发的 AI 框架的适用性:阿姆斯特丹的 The Edge、曼彻斯特的 One Angel Square、新加坡国立大学 (NUS)、纳米比亚的 Ongos Valley 和印度的 Reliance 现代经济乡镇 (MET) 城市。
结果与讨论
ChatGPT-3 始终为 SC 基础设施因素的效率和弹性分配 2 分。然而,环境可持续性的得分在这些 SC 领域中有所不同。相反,Google Bard 在所有三个 SC 性能参数中展示了更广泛的得分范围,这归因于它通过 Google 搜索进行的实时训练。
在第 1 轮结果验证中,26 个属性中的 17 个和两个域中只有 17 个达成了 80% 的共识。相反,在第 2 轮之后,其余 9 个变量及其各自的重要性域达成了 80% 的共识水平。因此,Delphi 技术通过利用迭代专家共识改进了 AI 生成的评估框架。
SC 能源基础设施领域的 SB 服务是该框架中最重要的,最大影响为 32.67%。第二个最优先的领域是智能水管理服务,对 SB 融入 SC 的影响为 23.96%,其次是安全领域,影响为 19.96%。另外,智能移动服务对缓解南卡罗来纳州交通拥堵至关重要,其影响为 17.42%。最后,智能废物管理服务对南卡罗来纳州整体整合的影响至少为 5.99%。
南卡罗来纳州 SB 整合的选定案例研究显示,阿姆斯特丹的 The Edge 得分最高,尤其是在能源、水和安全领域。另外,Ongos Valley 在废物管理和安全领域表现优异。然而,尽管整合程度显著,但 NUS、One Angel Square 和 Reliance MET City 与理想模型相比仍存在一些不足。
结论
总体而言,研究人员使用先进的 AI 工具全面评估了 SB 服务对 SC 性能的影响。除了确定不同 SB 服务影响的权重外,所提出的框架还通过五个案例研究成功应用于分析 SB 服务如何与 SC 的效率、弹性和环境可持续性目标相一致。
然而,这项研究仅关注将 SB 集成到 SC 的技术方面。人为因素、长期可持续性、用户接受度和 SB 解决方案的成本效益对于成功集成 SC 非常重要。因此,研究人员建议将该框架的应用扩展到更广泛的 SB 计划,以改善基础设施开发、资源分配和可持续性措施的决策。
作者:Nidhi Dhull
参与评论 (0)