0 引言
自 AlphaGo 人工智能程序击败了围棋顶尖选手柯洁后，人工智能渐渐成为了社会热词和舆论关注的焦点，可以肯定的是，人工智能技术的应用，会在今后影响我们生活的方方面面，从我们的家居、娱乐、各种服务体验等一切，将会发生颠覆性改变。建筑行业作为我国传统的体量巨大的支柱型行业，也将必然会参与到这股浪潮之中，进行产业的进步与升级。
1 人工智能概述
人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及系统的一门新的技术科学。它是在计算机科学、控制论、信息论、神经心理学、哲学、语言学等学科的研究基础上发展起来的，因此又可把它看作是一门综合性的边缘学科。人工智能学科借用数学工具，比如数学分析，线性代数、概率论、数理统计、数理逻辑、运筹学、优化等，数学进入人工智能学科，它们互相促进而更快地发展。目前人工智能的研究重心主要集中在专家系统、模式识别、自然语言理解、自动定理证明、自动程序设计、机器人学、博弈、智能决策支持系统及人工神经网络等方面。
人工智能技术的实现方法有三种。
1.1 传统人工智能方法
传统的人工智能方法基于逻辑推理与演绎，将问题表述为命题逻辑和一阶逻辑，然后使用经典的逻辑学方法，进行推导，进而选择策略，该方法还被用于规划问题，在状态空间中运用搜索规划算法。由于使用逻辑运算和符号操作，它适合模拟人的逻辑思维过程，解决需要进行逻辑推理的复杂问题，并用一定的符号表示知识，在已知基本规则的情况下，无需输入大量的细节知识，该方法可对推理结论进行解释，便于对各种可能性进行选择。
1.2 机器学习方法
机器学习致力于研究如何通过计算的手段，利用经验来改善系统自身的性能。在计算机系统中，“经验”以“数据”的形式存在，因此，机器学习是关于计算机上从数据中产生模型的算法。
常用的机器学习方法包括决策树方法、支持向量机方法、贝叶斯分类方法、聚类方法、集成学习方法、强化学习方法等。机器学习是一种新的编程方式，它不像基于逻辑和规则的方法需要人输入逻辑和规则，它只要把大量数据输入给计算机，然后计算机就可以自己总结经验归纳逻辑，这个过程叫做训练，训练过后得到一个模型，我们称之为机器学习模型。
1.3 深度学习方法
深度学习源于人工神经网络。它是含多隐层多感知器的一种神经网络。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。
深度学习是目前人工智能技术中新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音、文本和决策。
2 人工智能技术在建筑行业中的研究和应用人工智能技术与建筑行业各专业相结合必将取得很好的经济与社会效益。目前，其已在建筑设计与规划、建筑结构、施工及建筑工程管理等建筑行业中的各专业子领域取得一些成功的尝试、研究与应用。
2.1 人工智能技术在建筑设计与规划中的研究和应用
建筑的设计与规划凝结着建筑师与规划师的专业知识、智慧和创造力，这不仅是专业问题的解决，同时也是一种艺术上的创作过程。目前，人工智能技术已初步应用于建筑设计选型、建筑风格样式的学习与模范等方面。2017 年 5 月 31 号，被称为"世界上第一个人工智能建筑师"的小库 XKool，结合了机器学习、大数据与云端智能显示等技术，将多种先进算法融入到最简易的操作中。它是第一款在实际建筑应用层面上实现了人工智能的建筑设计 SaaS 系统。能够帮助建筑师和开发商极大效率的完规的分析、规划和建筑设计前期工作。在产品发布会上的介绍中，小库 XKool 可以介入整个设计阶段的前 40%，包括拿地强排与概念设计。Rabee M. Reffat 在其研究中阐述了 AI 的概念和技术用以在建筑设计的过程，提出了三种利用 AI 技术丰富建筑设计工件质量的例子，包括基于案例的建筑设计，建筑
风格学习的模式识别和建筑风格多样性和复杂性的机器学习。徐州工程学院的党向盈等学者，采用遗传算法对建筑设计进行优化，为了降低算法的复杂性，提出一种神经网络结合遗传算法的建筑优化设计方法。结果表明：与传统遗传算法对比，该方法可以有效降低算法的迭代次数和运行时间，提高建筑优化设计的效率。
2.2 人工智能技术在建筑结构中的研究和应用
不论是前期的结构设计还是建成后，建筑物在长期使用中都会产生的裂缝、破损，或者建筑物经过震动、地震后的破损情况，都是影响建筑安全的重要因素，而关于这方面的评估一直是该领域有关专家、学者关注的焦点。人工智能技术的引入为解决该领域的问题提供了许多新的思路与高效的工具。加拿大曼尼托巴大学的 Young -Jin Cha 和 WooramChoi 教授，以及麻省理工的 Oral Buyukozturk 教授所做的
工作，被称为深度学习在土木工程领域的首此尝试，该研究基于视觉识别的结构损伤识别技术，使用深度学习方法，利用已有的不少研究成果得出结构外观状态（裂缝分布与形态、变形变位等）与结构损伤之间的联系，对图像进行高效地识别。该方法可以有效的改变过去常用的在桥梁上布置大量的传感器的手段。复杂工程结构的可靠度的较精确的计算问题，一直是一个有待被解决的问题，关于如何借鉴人工智能机器学习方法，在广西大学的赵伟在他的博士论文研究中，提出了基于高斯过程分类-M动态响应面的结构可靠度分方法，为含有隐式功能函数的复杂工程结构可靠度的高速求解提供一个新的选择，并基于 Breitung 法的高斯过程进行回归动态响应面法研究。该研究所做成果在应用于实际的大型复杂结构进行结构可靠度计算后,取得了较好的成绩，与传统响应面法相比较，具有较高的计算精度与计算效率。苏国韶等学者，针对边坡工程是复杂的非线性系统，提出一种对处理非线性复杂问题具有很好的适应性一种有概率意义的核学习机———高斯过程机器学习方法，来解决边坡稳定性的合理评价问题，建立了相应的边坡稳定性预测模型。研究表明，其方法能够很好地表达边坡稳定性与各影响因素之间的非线性映射关系，能方便快捷地给出合理可靠且具有概率意义的边坡稳定状态评价结果。除此之外，美国卡内基梅隆大学开发了高层建筑结构初步设计的专家系统，对十层以上民用建筑进行结构的初步设计，该系统使用了人工智能技术中的启发式算法。普渡大学开发了对地震后房屋破损评估的专家系统，它利用各种观测数据和现场记录进行不确定性推理，解释房屋的破损程度，以帮助工程师做出决策。
2.3 人工智能技术在建筑施工中的研究和应用
麻省理工学院的 S. AbouRizk 对建筑模拟理论进展的进行了详细概述概述，并结合作者在 2008 年 10 月的Peurifoy 地址项目对模拟在建筑工程和管理中的作用总结了他的观点，总结出了成功部署模拟的关键因素，对下一代建筑计算机建模系统的有着积极促进作用，并阐述了模拟在自动化项目的规划和控制上的未来愿景中起着不可或缺的作用。
美国密歇根大学的 Amir H.Behzadan 等人使用了增强现实技术，利用了无线局域网 WLAN 以及 RFID 和蓝牙技术进行室内跟踪，并利用全球定位系统 GPS 进行户外空间情景跟踪，提供现场人员对项目的计划，图表，进度和预算等信息的访问，同时该系统配合以用户角色的偏好，在特定的任务和现有项目条件下提供即时的帮助。英国拉夫堡大学的 Sarah Bowden 等学者分析了智能化的信息通信技术（ICT）在施工中应用的愿景，通过案例研究，说明了通过使用该技术对施工时间缩短、降低施工资金成本、减少缺陷、减少事故、增加可预测性、减少浪费、提高生产率、降低运行和维护成本上面的作用。国立成功大学 S.-M. Chen 等学者提出了一种智能调度系统（ISS），可以帮助项目经理根据项目目标和项目约束，来决定人力、物力、设备和空间的近似最佳分布，以找到近似最优的进度计划。尝试使用基于对真实数据的分析改变以往传统的调度方法导致的“座椅式”的管理风格。该系统在一个现实世界的建设项目中得以验证有效性。
Y. Cui 等学者讨论了在钢桥施工中矩形二维切割问题，该问题需要从供应商指定范围内的任意尺寸的板材切割一组矩形物品的问题，使得板面积最小化。YaodongCui等学者结合了人工智能中的启发式算法，提出了一种使用递归和动态编程技术来生成解的算法。 22 个实例的计算结果表明，该算法可以产生接近最优的解，计算的时间对实际使用也是合理的。日本长冈科学技术大学的 L.D. Long 等学者使用一种基于遗传算法的施工项目调度方法，来解决考虑了活动的不同属性之间的不同关系的相互影响，来达到时间最小化的方法。使用该方法在一桥梁建设实例种得以有效而成功的验证。
马来西亚 Kebangsaan 大学的 Leila Ooshaksaraie 等学者创造性的设计一个施工现场雨水管理计划专家系统RP3CA，该专家系统涉及环境保护，水土流失和接收水保护等方面的大量信息，以及领域内的专家知识和经验。RP3CA 有其独特的用户界面，它利用地理信息系统功能作为支持组件来显示空间地图，使用确定性因子用于衡量专家信念或不信任系统规则，通过应用 Expert Choice 软件提供了各种替代方案。国立新加坡大学的 H. Zhang 等学者介绍了模糊逻辑在离散事件模拟中的应用，以处理施工作业的不确定性，该方法使用了传统人工智能技术中的逻辑推理方法。激活活动所需的资源数量的不确定性用语言术语中的模糊集建模，建立模糊逻辑 if-then 规则来控制活动的激活。并通过基于模糊逻辑规则的模型确定活动的持续时间随着所涉及的资源量而变化，以实现施工作业模糊仿真系统。
2.4 人工智能技术在建筑管理中的研究和应用
加拿大里贾纳大学的 Varanon Uraikul 等学者为了协助工厂经营者，采用了人工智能决策支持系统，用于监控，控制和诊断任务。对复杂过程涉及的过程变量进行过程的监控和诊断，以分析当前状态，检测和诊断过程异常，或采取适当的措施控制过程。该研究还介绍了一个全程监控，控制和诊断的智能系统，并介绍麻省理工学院的过程工程智能系统实验室，普渡大学智能过程系统实验室，阿尔伯塔大学智能工程实验室，以及利兹大学化学工程系的研究工作。加拿大南艾伯塔省理工学院的 Faisal Manzoor Arain等学者提出了一种基于知识的系统（KBS），用于管理新加坡教育建筑项目的变化。 KBS 能够通过为决策提供准确和及时的信息来协助专业人士，是一个用户友好的工具，用于分析和进行变量控制。KBS 是通过收集 80 个教育项目的源文件，问卷调查，文献回顾和与专业人士进行深入访谈的数据而开发。该系统提供有关项目变化的详细信息。
东地中海大学的 Yousef Baalousha 等学者提出了一种基于网络的综合数据仓库和用于单价分析的人工神经网络模型，通过称为“DANUP”的通货膨胀调整系统。使用Web 工具和数据库管理功能创建数据仓库，集成多个异构数据库和其他信息源的数据，综合成本指数，以调整估算过程中通货膨胀的影响。新加坡国立大学 M.-Y. Cheng 等学者开发了一种进化模糊混合神经网络来加强项目现金流量管理。作者开发并应用了这种进化模糊混合神经网络，通过融合 HNN、FL和 GA 等算法技术来评估建筑行业项目的成功。制成的项目绩效持续评估（CAPP）软件可以用于动态地研究影响项目绩效的重要因素。结果表明，提出的进化模糊混合神经网可以有效部署，实现输入因子和项目成功输出的最佳映射，以用于建筑行业动态项目成功评估。香港理工大学 H. Guo 等学者基于游戏技术进行施工企业员工的安全培训，以解决目前业界在安全培训方法与工具上无法为学员提供所需的实践操作训练学习的问题。该平台有其特有的特点，通过对三个主要建筑工厂的案例研究开发和测试，成功地证明其有效性。S. Jiang 等学者使用模糊决策模型跟踪建筑材料的无线技术，对随着施工项目规模和规模的扩大，而目前使用现场数据手工操作效率低下的问题进行的了探索。该项研究对新兴无线技术在大型建筑行业的计算和传感器网络提供可行的参考，以选择合适的跟踪建筑材料的技术，有助于施工工程师在施工现场等模糊环境中对选择应用（RFID，GPS，Wi-Fi，Zigbee 和 UWB）技术进行合理的排序。
3 结语
本文介绍了当今国内外人工智能技术在建筑行业各专业子领域中的研究和应用现状。目前在施工与工程管理方面已经取得了较大的进展，相应的专家系统和决策系统取得较好的实际应用效果。在关于有所偏向主观的设计方面，在现阶段也已经取得的一定成绩，对于这方面，构造更合理的算法模型，仍有待进一步的研究。同时我们应该正确的看待人工智能。它将会把人类的大脑解放出来，去从事那些更具挑战性，更具创造性的工作。目前全世界的建筑行业都还在为实现了自动化，信息化和智能化而努力。不论是广大的从业人员，还是学生、
教师和研究者，都应该抱着开放的心态去了解与学习人工智能。
立即询价
