3.2 AI建筑云脑及类脑计算

本书所述智慧建筑云脑的概念起源于智能机器人领域。近两年，麻省理工学院计算机科学和人工智能实验室与波士顿大学一起研制出了通过人脑直觉控制的手眼协调的智能机器人，如图3-2-1所示。

国内阿里巴巴公司提出的ET城市大脑的基本架构如图3-2-2所示。

本书提出的智慧建筑云脑的基本架构如图3-2-3所示。

智慧建筑云脑PaaS层的一般解决方案（技术方案）如图3-2-4所示。

智慧建筑云脑SaaS层针对建筑后生命周期提供服务的一般解决方案（技术方案）如图3-2-5所示。

智慧建筑云脑内涵的要点一：自主智能控制，强调人的干预尽可能少。

智慧建筑云脑内涵的要点二：数据智能。具备大数据智能挖掘分析及利用能力，如图3-2-6所示。

智慧建筑云脑内涵的要点三：云端远程管理与控制。云管理与控制器架构如图3-2-7所示，其特点是可编程、可组态、智能化。

智慧建筑云脑的实际落地方式是“云+AI”，即在原有建筑云平台基础上再增加AI功能。典型的“云+AI”实现如阿里云机器学习和深度学习平台PAI。阿里云机器学习和深度学习平台PAI（Platform of Artificial Intelligence），为传统机器学习提供上百种算法和大规模分布式计算的服务；为深度学习客户提供单机多卡、多机多卡的高性价比资源服务，支持最新的深度学习开源框架；帮助开发者和企业客户弹性扩缩计算资源，轻松实现在线预测服务。PAI提供的AI功能模块如图3-2-8所示。

其深度学习GPU支持TensorFlow、MXNet、Caffe行业主流深度学习框架及底层的GPU集群计算。

建筑现场接入智慧建筑云脑的技术方案如图3-2-9所示。

智慧建筑云脑内涵的要点如下：

要点一：自主智能控制，强调人的干预尽可能少。

要点二：数据智能，具备大数据智能挖掘分析及利用能力。

要点三：远程云管控，具有云端管理与控制器，强调其可编程、可组态能力。

AI建筑的产业化应用框架如图3-2-10所示。

类脑计算是仿真、模拟和借鉴大脑生理结构和信息处理过程的装置、模型和方法，其目标是制造类脑计算机和类脑智能，相关研究已经有二十多年的历史。类脑计算采用的技术路线为：结构层次模仿脑（非冯·诺依曼体系结构），器件层次逼近脑（神经形态器件替代晶体管），智能层次超越脑（主要靠自主学习训练而不是人工编程）。从医学角度看，大多数神经学家都同意大脑也会进行某种计算的说法，但认为大脑是通过改变脑细胞或神经元之间的连接来实现计算的，即大脑输入一堆无序的信息，帮助大脑改变结构，进而产生更加适应环境需要的行为。这个观点是由Locke、Hume、Berkeley等经验主义哲学家提出来的。简单来说，就是经验对大脑产生影响，再影响大脑之后的经验。从数学模型、软硬件角度模拟、开发具备人类大脑智能化功能的器件和产品是人工智能领域近年来的热点方向。

深度学习（Deep Learning）是当今类脑计算中正在蓬勃发展的一类新兴算法，在图像、语音、文本等各种应用领域中正在取得令人振奋的结果。深度学习的快速发展和它的复杂非线性结构与人脑天然神经网络深层结构具有高度吻合性密切相关，深度学习对提取到的深度特征的处理机制有效地模仿了人脑对信息的分层过滤与处理机制。2006年人工智能学家Hinton曾提出观点：多隐层神经网络具有优异的学习能力，学习到的特征能对数据进行更本质的表示。在互联网+和大数据时代真正到来的今天看来，我们需要充分挖掘利用深度学习、多隐层神经网络的优势，对数据进行优化与处理，让数据发挥更大的应用价值。

基于类脑计算的建筑云脑采用强化学习算法架构，智慧建筑AI闭环认知计算系统架构如图3-2-11所示。

这种系统架构是一种基于“环境检测——状态驱动——直接反馈控制”AI闭环机理的全新型架构，与传统的分布式控制系统架构具有本质区别。分布式控制系统架构更多强调的是分子系统进行逐层逐级控制和管理，对子系统的边界及控制管理层级的边界具有较为严格的约束。AI闭环认知计算系统架构的特点是：

（1）并不强调子系统和层级的概念，弱化甚至消除边界约束，以建筑智慧化统一管理需求为依据，遴选并标注“元智能体”（Data Agent，简称DA）。

（2）用建筑云脑智能体（Building Cloud Brain Agent，简称BCBA）统一直接管理各“元智能体”，是制定并发出管理策略（Policy）的机构。

（3）以建筑系统状态（Building State，简称BS）变化作为系统反馈动作（Building Action，简称BA）的驱动力，是一种系统内部自组织、自适应的直接驱动，而非人工干预的驱动。

（4）通过建筑环境空间反馈给建筑云脑的奖惩变量（Building Error，简称BE）来不断修正控制和管理偏差，并做奖惩累计，依据累计结果再给出动作输出修正。使系统在不断地探索尝试和循环迭代中实现人类“经验”的模拟，并进行“记忆”，从而实现自主学习和进化。

智慧建筑人工智能闭环认知计算系统核心要素的符号表示方法如下：

（1）元智能体：DA={Data，AI}，一个“元智能体”包含两个维度——数据、人工智能算法。

（2）建筑云脑智能体：BCBA={BigData，Policy，AI}，包含三个维度——大数据、策略、人工智能算法。

（3）状态：BS={ S ₁ ， S ₂ ，…， S _n }， S _i 为状态变量， i =1，2，…， n 。

（4）动作：BA={ A ₁ ， A ₂ ，…， A _n }， A _i 为动作变量， i =1，2，…， n 。

（5）奖惩：BE={ E ₁ ， E ₂ ，…， E _n }， E _i 为奖惩变量， i =1，2，…， n 。

智慧建筑云脑类脑计算中的视觉计算实现途径——仿生视觉系统如图3-2-12所示。

仿生视觉系统中图像深度学习采用的卷积神经网络（CNNs）算法系统架构如图3-2-13所示。

可实现上述仿生视觉系统的卷积神经网络架构如图3-2-14所示。

目前深度学习中最广泛使用的神经网络是卷积神经网络（CNNs），它能够将非结构化的图像数据转换成结构化的对象标签数据。CNNs的工作流程如下：第一步，卷积层扫描输入图像以生成特征向量；第二步，激活层确定在图像推理过程中哪些特征向量应该被激活使用；第三步，使用池化层降低特征向量的大小；第四步，使用全连接层将池化层的所有输出和输出层相连。

训练速度和算法的执行速度是制约深度学习产业化应用的一个重要瓶颈。深度学习加速器目前有三种：①图形处理器GPU；②专用神经网络计算芯片；③大规模运算核集联。一片GPU通过编程可以加速各种各样的神经网络算法。神经网络芯片的加速效果更好，往往能达到同品级GPU的1.5倍左右，但是其通用性较差，一般一款神经网络芯片只能加速一种或几种神经网络算法。例如：PuDianNao加速器能够加速若干机器学习算法，加速效果是NVIDIA K20 GPU的1.2倍。

目前，自主学习落地应用较好的算法是：神经网络、深度学习。其典型算法架构如图3-2-15和图3-2-13所示。

另外一类在智慧建筑领域非常有应用潜力和发展前景的机器学习算法是强化学习。在连接主义学习中，学习算法分为三种类型：非监督学习（Unsupervised Learning），监督学习（Supervised Leaning），强化学习（Reinforcement Learning）。

智慧建筑云脑的发展主要依赖于机器学习的发展。深度学习快速发展和广泛应用取决于3方面：一是理论和算法的提出与完善；二是计算能力（主要是GPU并行计算）的提高；三是大数据的采集与分析。

智慧建筑类脑计算机的研制方法如图3-2-16所示。

智慧建筑类脑智能计算的发展依赖软件和硬件两个方面。软件方面包含两个角度：①使智能计算模型在结构上更加类脑；②在认知和学习行为上更加类人。模型和方法的探索和改善是关键，如：模拟人的少样本和自适应学习，可以使智能系统具有更强的小样本泛化能力和自适应性。硬件方面主要是要研发新型类脑计算芯片，如：神经网络计算芯片，目标是相比当前的CPU和GPU计算架构提高计算效率和降低能耗。