从工程领域角度探讨人工智能

近年来国家互联网新基建快速发展，各种形式的宣传和展示，BIM近年来在建筑工程领域蓬勃发展，加速了建筑信息化过程，结合着更多的信息化方法，工程行业信息化也势不可挡。

“人工智能”作为计算机领域最先进的技术之一，不可避免的与建筑工程行业信息化过程产生交集，在提取到有用数据的基础上，辅助用户做管理决策。

1.“人工智能”应用现状

目前广泛来看，“人工智能”应用场景有机器视觉，指纹识别，人脸识别，视网膜识别，虹膜识别，掌纹识别，专家系统，自动规划，智能搜索等方面，在移动互联网、金融、公共安全、教育、医疗健康、建筑业等领域已经取得了较多成就。

尽管人工智能在建筑业的应用起步较晚，但到目前为止，人工智能技术在建筑设计、建筑结构、建筑施工和建筑管理等多个方面获得了广泛的应用，如小库科技强排阶段的方案自动生成，众图互联的“AI建筑师”，智慧工地中人脸识别技术应用。在前段时间，“人工智能审图”也更是走入公众大视野。

2.“人工智能”是什么

在想要从在“人工智能”的帮助下，从繁琐的劳动工作中解放出来之前，我们还是需要来理解一下“人工智能”定义。

“人工智能”英文名“ARTIFICIAL INTELLIGENCE”，简称“AI”。

人工智能是研究使计算机来模拟人的某些思维过程和智能行为（如学习、推理、思考、规划等）的学科，主要包括计算机实现智能的原理、制造类似于人脑智能的计算机，使计算机能实现更高层次的应用，涉及到计算机科学、心理学、哲学和语言学等几乎所有学科，简单来说，人工智能就是集成了目前所有研究学科一门综合科学，是建立在计算机基础之上的。几乎每个学科都可以说自己在做人工智能，这也是现在很多企业和研究机构一个“刚需”方向。由于专业代沟的存在，所以“全”人工智能很难实现，上述人工智能定义，更像是一个泛型概念，更是人类对于“接班者”的美好畅想，这也对应于“强人工智能”的概念，这更倾向于让“人工智能”载体或者产物需要像“人”一样完成有逻辑的“思考”或者“推理”。

这里有两个概念，“强人工智能”和“弱人工智能”。“强人工智能”认为有可能制造出真正能推理和解决问题的智能机器，即机器是有知觉和意识的。“弱人工智能”是指，在某一方面表现出智能，但是不具有与人类相当的智力水平和思维模式，如图像识别、语音识别，但是只能程式化地部分替代人类处理某部分信息。虽然机器们逐渐具备了所谓的自我学习能力，但它们只会在各自的领域内学习。根据这两个概念，我们可以回顾一下现实世界，一般都是“弱人工智能”的广泛应用，而“强人工智能”总是会让我们眼前一亮。

3.“人工智能”发展历程

人工智能的发展主要经历了各阶段

（1）起步发展期：1956年—20世纪60年代初

1956年，为期一个月的达特茅斯会议举行，数学教授麦卡锡首次正式提出人工智能一词，Artificial Intelligence，AI，一直被沿用至今。人工智能概念提出后，相继取得了一批令人瞩目的研究成果，如机器定理证明、跳棋程序等，机器学习之父亚瑟塞缪尔开发的西洋跳棋程序打败了当时的西洋棋大师，并开发了用于人工智能领域编程LISP语言。这段时间掀起人工智能发展的第一个小高潮，计算机发明时间是1946年，此时刚刚过去10年。

（2）反思发展期：20世纪60年代—70年代初

人工智能发展初期的突破性进展大大提升了人们对人工智能期望，人们开始尝试更具挑战性的任务，麻省理工学院的人工智能学院开发了世界第一个聊天程序ELIZA，并通过了图灵测试。

从对话内容可以看出这是一段关于感情探索的对话

1968年经典科幻电影《2001太空漫游》上映，搭载的人工智能电脑HAL9000让所有观众印象深刻。

科幻电影《2001太空漫游》海报

然而，由于提出了一些不切实际的研发目标，接二连三的失败和预期目标落空使人工智能发展走入低谷，最直接的事件就是DAPRA（美国国防部高级研究计划局）切断了人工智能研究领域项目的资金供应。

（3）应用发展期：20世纪70年代初—80年代中

20世纪70年代出现的专家系统模拟人类专家的知识和经验解决特定领域的问题，实现了人工智能从理论研究走向实际应用、从一般推理策略探讨转向运用专门知识的重大突破。专家系统在医疗、化学、地质等领域取得成功，推动人工智能走入应用发展的新高潮。日本早稻田大学1972年完成了第一代双手双脚，有摄像头视觉和听觉装置原型机器人产品WABOT-1。

机器人产品WABOT-1

（4）低迷发展期：20世纪80年代中—90年代中

随着人工智能的应用规模不断扩大，专家系统存在的应用领域狭窄、缺乏常识性知识、知识获取困难、推理方法单一、缺乏分布式功能、难以与现有数据库兼容等问题逐渐暴露出来，并且专家系统需要昂贵的专用硬件支持，当时，Sun Microsystems的工作站、Apple和IBM的个人电脑都拥有近似的能力，但价格却更低。“人工智能”一词再次成为研究领域的禁忌。为了避免被视为不切实际、渴求资助的“梦想家”，科研人员开始为人工智能相关的研究冠上不同的名称——比如“信息学”、“机器学习”和“分析学”。

（5）稳步发展期：20世纪90年代中—2010年

1997年，IBM的深蓝国际象棋（Deep Blue chess）电脑在国际象棋比赛中击败了当时的世界冠军加里卡斯帕罗夫，“人工智能”再一次活跃在大众视野里。接下来的时间由于网络技术特别是互联网技术的发展，加速了人工智能的创新研究，促使人工智能技术进一步走向实用化。

IBM的深蓝国际象棋电脑在国际象棋比赛中击败了当时的世界冠军加里卡斯帕罗夫

（6）蓬勃发展期：2011年至今

2011年是人工智能进一步发展的关键一年，这段时间世界各地科学家都在讨论神经网络，谷歌工程师迪恩和斯坦福大学计算机教授吴恩达将1000万张没有标记的YouTube截图上传到服务器上的神经网络，三天后神经网络给出了在无监督学习的分类结果，这是人工智能的一个重大突破，也是谷歌大脑项目”的开端。随着大数据、云计算、互联网、物联网等信息技术的发展，感知数据和图形处理器等计算平台推动以深度神经网络为代表的人工智能技术飞速发展，大幅跨越了科学与应用之间的“技术鸿沟”，诸如图像分类、语音识别、知识问答、人机对弈、无人驾驶等人工智能技术取得了重大技术突破，迎来爆发式增长新高潮。

人工智能的发展受限于各个时期的理论极限和计算机硬件极限，也幸亏不少科学家在遭遇发展冬天期间坚持人工智能的理论研究，不断推动这门科学螺旋式上升，才有了今天互联网基础上更加智能的社会。

4.“人工智能”实现形式

这里我们不会描述人工智能的具体实现方法，而从概念是进行描述。

在这个时代，诸多词汇时刻萦绕在我们耳边：人工智能（Artificial Intelligence）、机器学习（Machine Learning）、深度学习（Deep Learning），不少人对这些高频词汇的含义及其背后的关系总是似懂非懂、一知半解。引用BIM学习心得23—机器学习算法在土木工程应用前景.note中的图片，辅助阐述人工智能、机器学习、深度学习之间的关系。

（1）人工智能

包含机器学习、深度学习，强化学习、联邦学习、元学习。机器学习有监督学习和无监督学习；深度学习叫深层神经网络可以帮助机器人模拟人脑的机制来解释数据；联邦学习是一种加密的分布式机器学习技术；元学习是要“学会如何学习”，利用以往的知识经验来指导新任务的学习。

（2）机器学习

是实现人工智能目的的手段，是人工智能的核心，是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。在有监督条件下主要完成回归（预测）和分类，无监督条件下主要完成聚类。所有基于数据的算法都可以归纳为机器学习，常见的机器学习算法有8种，包括：朴素贝叶斯、逻辑回归、线性回归、最近邻算法、决策树、随机森林，支持向量机、人工神经网络、K-Means聚类。深度学习是机器学习的一种，利用的是深度神经网络。

（3）深度学习

深度学习是机器学习领域中一个新的研究方向，比较前沿部分是强化学习和对抗学习，它被引入机器学习使其更接近于最初的目标——人工智能，在搜索技术、数据挖掘、机器学习、机器翻译、自然语言处理、多媒体学习、语音、推荐和个性化技术，以及其他相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动，解决了很多复杂的模式识别难题。

5.人工智能优缺点

（1）优点

①更高的精准率

一个合格的人工智能产品，同种工作条件下，绝大部分时候都比人的判断有更高的精确率，对于可能的结果给出不同的判断概率，这也提高了做决策的正确率。

②部分替代人工

流水线工作等横向工程终将可能被完全取代，只会有很少设备监管人员。建筑行业属于纵向工程，且动态性大，被完全取代可能性不大，需要人工作为指引。

③连续工作

应该很少有生产人员能够朝九晚五，机器人可以连续工作。

（2）缺点

①复杂且昂贵

目前来看，与我们直接相关的应该是机器学习，而机器学习算法前期需要大量的训练数据，动辄上百万级别才能保证精确度，训练集的创建过程是一个长期且复杂的工作。此外，一般还要搭配适当的设备来作为人工智能产品的载体，这些设备一般都是相当精密才能有充足的运算能力，对应的也是昂贵的价格。

②结果可能会“撒谎”

目前机器学习给出的结果，是基于概率的，比如在需要将一组数据分为三类，算法只会给出属于某一类的概率值，通过设置阈值，当属于某一类概率达到阈值时就是需要的分类结果，这就意味着算法给出来的结果不是100%准确的。

6.“人工智能”在工程领域应用前景

目前来看，市场上的绝大部分人工智能应用都属于“弱人工智能”，而“弱人工智能”的应用需要具备一定的应用条件，那就是大量的训练数据，以下举出几个目前可行的应用案例。

建筑工地施工机器人

建筑能耗（kWh）的线性回归模型估计

将建筑物聚类为高效（绿色）和低效（红色）组

对未来的展望在这里就不再赘述，网络上已经有很多对未来的展望，但是还是需各个企业根据企业自身特点和业务需求来进行有控制的投入。还有做人工智能目前来看还是需要大量的数据积累，选择合适的结构将数据进行储存，以方便以后的数据调用，也是一个值得思考的问题。