人工智慧：預見建築業新未來

最新 02-09

本文共計2185字數，閱讀約需要7分鐘

2017年10月19日DeepMind團隊在Nature上發表的一篇題為Masteringthe game of Go without human knowledge的文章，引起了學術界的轟動。在沒有任何先驗知識的前提下，阿法元通過完全地自學，發現新知識，發展新策略，不再被人類認知所局限，從而在極具挑戰的領域，達到超人的境界。

人類經驗由於樣本空間大小的限制，往往都收斂於局部最優而不自知。通過擺脫對人類經驗和輔助的依賴，阿法元所依賴的改進後的深度神經網路強大的特徵提取和尋找更優解的能力被發揮得淋漓盡致。

圖1棋力增長與積分比較

圖片來源：Masteringthe game of Go without human knowledge

圖2阿法元自博弈棋局圖

圖片來源：Masteringthe game of Go without human knowledge

人工神經網路是指由大量與生物神經系統的神經細胞相類似的人工神經元互連而成的網路，或由大量象生物神經元的處理單元並聯互連而成，它試圖通過模擬大腦神經網路處理和記憶信息的方式進行信息的處理。

圖3神經元

圖4人工神經元

圖片來源：基於人工神經網路的高層建築施工質量控制研究

1943年，神經生物學家W.McCulloch和青年數學家W.Pitts合作，從數學邏輯的角度，提出了人工神經元的數理模型（McCullch-Pitts，MP模型），為神經網路的研究拉開了序幕[1]。1949年，心理學家D.O.Hebb提出了改變神經元連接強度的Hebb 規則，他認為，大腦的活動是依靠腦細胞的組合連接實現的，如果源神經元和目的神經元均被激活並興奮時，它們之間突觸的連接強度會增強。這一學習規則的提出為神經網路的學習演算法奠定了基礎[2]。1960年，B.widrow和M.hoff針對輸入為線性可分的問題提出了一種連續取值的自適應線性神經元網路模型，可以用於自適應系統，被人們稱為最小均方誤差（LeastMean Square，LMS）學習演算法[3]。此後神經網路的研究迎來了第一次高潮。

1969年，人工智慧創始人之一M.Minsky和S.Papert[4]在《Perceptrons》一書中，從數學角度分析了以單層感知器為代表的簡單神經網路系統的功能及局限性，並且指出簡單的線性感知器只能進行線性分類，對線性不可分的兩類樣本的分類問題，無法實現簡單的「異或」邏輯運算。這一論斷給當時人工神經元網路的研究帶來了沉重的打擊，導致神經網路進入了多年的低潮期。但是，仍有少數的科學家在極端艱難的條件下繼續對這一領域的研究[5]。例如，1972年TeuvoKohonen教授和James Anderson生理學家各自提出了具有記憶的新的神經網路；1976年Grossberg教授提出了著名的自適應性共振理論（AdaptiveResonance Theory,ART)。這些研究成果雖然未能得到重視，但為神經網路理論研究打下了堅實基礎。

神經網路理論研究高潮的又一次到來是美國的物理學家J.Hoppfield教授於1982年提出的Hoppfield模型，這種模型不僅對人工神經網路信息存儲和提取功能進行了非線性數學概括，還對網路演算法提供了重要公式和參數，使得人工神經網路的構造和學習有了理論指導[6]。1984年，Fukushima將單層感知器增加了隱含層，通過抑制性反饋和興奮性前饋作用實現了自適應和自組織學習模式，從而使多層感知器實現了聯想學習和模式分類的識別[7]。

1974年，P.Werbos首先提出了BP演算法思想，同一時期其他的學者也提出了BP演算法，但是該演算法始終未獲得理論界的關注，直至1986年Rumelhert和McClelland編寫的名為《ParallelDistributed Processing: Explorations in the Microstructures of Cognition》書出版，才使之成為最有影響的多層網路學習演算法。BP神經網路模型是利用誤差函數的梯度下降值來不斷地修正網路模型的權值和閥值，直到網路的誤差平方和達到最小為止[8]。由於其具有很強的非線性映射能力、泛化能力以及成熟的訓練演算法，被廣泛應用於故障診斷、過程式控制制、系統辨識、預測、智能檢測等方面，是目前應用最為廣泛和成功的神經網路之一。

圖5 BP神經網路演算法

圖片來源：基於粒子群和BP神經網路的PMV預測模型在智能辦公建築中應用研究

在建築領域中，BP神經網路主要用於建築能耗預測、施工安全評價、工程成本預測、災害風險評估、結構損傷探測等方面[9]-[13]。通過結合粒子群演算法、遺傳演算法、Adaboost演算法的優點，將普適性的BP神經網路改進為適用於特定問題的定製BP神經網路，可以得到更為優化的解決方案。

人工智慧的又一次飛速發展將會帶來各個應用學科智能性的普遍提高。傳統的建築行業依然擺脫不了資源密集、勞動密集的束縛，在落後的生產方式中舉步不前。精益建造、智慧建造等概念的提出體現了研究者們轉變傳統研究範式的覺醒，如香港理工大學教授李恆所提出的Robot-PM正是深度神經網路、卷積神經網路等典型神經網路在施工現場管理過程中不同類型項目管理的集合。更進一步思考，目前基於人類經驗的Robot-PM是否也存在收斂於局部最優而不自知的情況？這些問題值得更加深入的研究。