《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)