


Bagaimana kecerdasan buatan boleh menjadikan bangunan pintar lebih hijau dan lebih mampan
Semasa CIO dan eksekutif lain mencari cara untuk mengembangkan inisiatif kemampanan, terdapat kesedaran yang semakin meningkat bahawa inisiatif ini tidak boleh berhenti di dinding pusat data atau dinding bangunan pejabat. Struktur hari ini mungkin mengandungi ratusan ribu komponen yang menggunakan tenaga dan meningkatkan jejak karbon organisasi.
Malah, menurut Institut Sumber Dunia, bangunan menggunakan satu pertiga daripada tenaga dunia dan menghasilkan satu perempat daripada pelepasan gas rumah hijau (GHG). Selain itu, pemimpin perniagaan dan IT sering menumpukan semata-mata pada meningkatkan kemampanan pusat data dan membeli sistem pengkomputeran yang lebih hijau. Walau bagaimanapun, mereka terlepas pandang cara utama teknologi boleh mengurangkan jejak karbon kita.
"Terdapat kesedaran yang semakin meningkat bahawa bangunan dan ruang kerja merupakan bahagian penting dalam rancangan kemampanan," kata Bryon Carlock, peneraju amalan hartanah negara di perundingan PwC. “Memahami dan mengurus penggunaan tenaga dan karbon terbenam dalam bangunan memainkan peranan penting dalam mengehadkan skop 1 dan skop 2 pelepasan CO2.”
Yang pasti, kuasa sistem digital Kemajuan utama — Internet Perkara (IoT), perisian analitik, kecerdasan buatan (AI), pembelajaran mesin (ML), pencetakan 3D dan banyak lagi — memungkinkan untuk membina dan menyesuaikan semula bangunan pejabat, pusat data, kilang, hotel dan struktur lain , untuk menyokong kemampanan maksimum.
Carlock berkata: “Teknologi kini mempunyai kuasa untuk mengubah cara kami membina dan mengurus sistem tenaga dalam bangunan Kami dapat memanfaatkan data dan memacu peningkatan besar dalam penggunaan tenaga dan kemampanan keseluruhan ”
Peranan IT dalam penyelenggaraan bangunan hijau
Memikirkan peranan IT dalam mempromosikan pembangunan mampan dalam bangunan jelas berlaku . Inisiatif alam sekitar, sosial dan tadbir urus (ESG) bertanggungjawab sebahagiannya untuk trend ini, tetapi juga jelas bahawa idealisme "hijau" berubah menjadi realiti pragmatik. Kebimbangan tentang perubahan iklim semakin meningkat dan terdapat kesedaran yang semakin meningkat bahawa bangunan pintar boleh memberikan penjimatan kos yang ketara. Nasib baik, penderia dan sistem yang dahulunya sukar untuk dipasang, diurus dan digunakan telah menjadi lebih mudah dan lebih berkuasa.
“Pada masa lalu, tidak ada banyak momentum di belakang dan sekitar perubahan, walaupun perubahan dilihat secara meluas sebagai perkara yang baik,” kata Jennifer Layke, pengarah tenaga global di Institut Sumber Dunia. "Kini Teknologi, ekonomi dan pemikiran jauh lebih menguntungkan, jadi kami melihat peningkatan tumpuan pada pembinaan dan pengubahsuaian bangunan untuk menyokong usaha kemampanan," katanya.
Malah, PwC mendapati bahawa 82% pengurus kanan melihat perubahan iklim dan pengurangan karbon sebagai isu utama dalam pembangunan dan pembelian hartanah. Walaupun konkrit rendah karbon baharu dan bahan binaan yang lebih mampan memainkan peranan penting dalam kemajuan, keuntungan terbesar terletak pada penyepaduan teknologi dengan infrastruktur fizikal dan sistem analisis yang boleh mengesan corak dan mengenal pasti laluan untuk penambahbaikan, kata Carlock.
"Penumpuan teknologi digital, termasuk Internet of Things, adalah pengubah permainan," kata Gunnar Hubbard, ketua kemampanan dan peneraju amalan global di firma kejuruteraan Thornton Tomasetti. "Teknologi pintar memberi kesan kepada cara struktur dibina dan cara ia digunakan." CIO, CTO dan lain-lain juga mesti memahami cara mengintegrasikan sumber tenaga alternatif seperti angin dan solar, katanya, sambil menggunakan perisian dan sistem untuk menyepadukan komponen yang berbeza, sama ada dalam data Pusat ini masih dalam bangunan tinggi.
Sistem pasang siap dan cetakan 3D boleh mengurangkan lagi jejak karbon. Syarikat Kanada DIRTT, sebagai contoh, membangunkan sistem pra-kejuruteraan, dibuat tersuai yang memerlukan sedikit atau tiada pembinaan di tapak. Komponen modular—mengandungi bahan kitar semula dan termasuk penderia gerakan dan teknologi lain—hanya bergolek ke pejabat atau ruang pembuatan dan digunakan. Syarikat itu berkata penyelesaiannya boleh mengurangkan penggunaan tenaga secara purata sebanyak 12% dan mengurangkan kesan keseluruhan sebanyak 25%.
Walau bagaimanapun, setakat ini keuntungan terbesar adalah dalam bidang pemantauan tenaga. Memandangkan sistem HVAC tradisional memperoleh keupayaan digital dan IoT, adalah mungkin untuk mendapatkan cerapan tentang bangunan dan ruang serta memahami penggunaan tenaga dengan cara baharu, kata Carlock. GE, Honeywell, Johnson Controls dan lain-lain sedang melancarkan sistem yang boleh mencerna sejumlah besar data dan menggunakan pembelajaran mesin untuk menyesuaikan dan menyesuaikan diri secara berterusan.
“Kami melihat penderia tertanam di lantai, dinding dan siling Penglihatan mesin, penderia haba dan peranti lain boleh menentukan beban penghunian lantai atau sebahagian daripada lantai dan melaraskan pencahayaan. , pemanasan atau penyejukan dalam masa nyata ” Kawalan iklim boleh dioptimumkan lagi apabila sistem ini digunakan dengan teknologi pintar lain, seperti tingkap elektrokromik (sering dipanggil kaca pintar yang menyesuaikan diri dengan keadaan luaran dan dalaman).
Cara analitis data boleh membantu pembinaan mampan
Tidak menghairankan, analitis ialah gam yang menyatukan segala-galanya. Kawalan dan perisian yang semakin canggih bukan sahaja boleh mengurus HVAC dan sistem digital lain, tetapi juga memberikan pandangan tentang arah aliran dan menyalurkan maklumat ke dalam perisian ESG dan rangka kerja pengumpulan data. Contohnya, platform analitik bangunan daripada syarikat perisian UK CIM memaut dan menyegerakkan sistem risikan bangunan, pembelajaran mesin dan titik data lain untuk melihat campuran tenaga, mengukur prestasi sebenar berbanding sasaran dan memahami pengurangan kos operasi (OPEX). Selain itu, semasa sistem mempelajari mod, ia melaraskan sistem secara automatik untuk memaksimumkan keselesaan sambil meminimumkan jejak karbon.
Platform analitik lain, seperti Envizi IBM, boleh menjejaki kecekapan tenaga, termasuk cara aset boleh diperbaharui dibandingkan dengan bentuk tenaga tradisional, prestasi HVAC terperinci dan analisis kemampanan keseluruhan. Banyak penyelesaian termasuk papan pemuka dan laporan terperinci serta bersambung ke ESG dan sistem pelaporan kemampanan. Ada juga yang menawarkan pemodelan lanjutan, simulasi, dan juga kembar digital.
Laporan Pertubuhan Bangsa-Bangsa Bersatu, The Global State of Construction Report 2020, menyatakan bahawa dengan teknologi hari ini, adalah mungkin untuk mencapai pelepasan karbon bersih-sifar dalam industri pembinaan. Laporan itu juga menyatakan bahawa inovasi dan penambahbaikan boleh membawa kepada pengurangan 40% dalam karbon terwujud menjelang 2030. Walau bagaimanapun, penggunaan yang lebih cepat dan lebih mendalam diperlukan. Sistem pengukuran yang lebih baik, penggunaan tenaga boleh diperbaharui yang lebih besar, dan penggunaan analisis dan pembelajaran mesin yang lebih baik juga diperlukan untuk mengurangkan permintaan tenaga dan seterusnya mengoptimumkan bangunan.
PwC's Carlock percaya bahawa mencapai matlamat kemampanan yang semakin bercita-cita tinggi tidak akan mudah, tetapi ia boleh dilakukan. CIO, CTO dan lain-lain mesti memainkan peranan utama dalam menetapkan hala tuju strategik, menyepadukan sistem dan perisian dan memastikan data dalam semua bentuknya menyumbang kepada keuntungan kemampanan yang berterusan, katanya. "Kami melihat lebih banyak perubahan dalam bangunan pintar," katanya membuat kesimpulan. "Cara bangunan direka bentuk dan prestasinya adalah bahagian penting dalam teka-teki kemampanan."
Atas ialah kandungan terperinci Bagaimana kecerdasan buatan boleh menjadikan bangunan pintar lebih hijau dan lebih mampan. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

AI Hentai Generator
Menjana ai hentai secara percuma.

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas



Laman web ini melaporkan pada 27 Jun bahawa Jianying ialah perisian penyuntingan video yang dibangunkan oleh FaceMeng Technology, anak syarikat ByteDance Ia bergantung pada platform Douyin dan pada asasnya menghasilkan kandungan video pendek untuk pengguna platform tersebut Windows , MacOS dan sistem pengendalian lain. Jianying secara rasmi mengumumkan peningkatan sistem keahliannya dan melancarkan SVIP baharu, yang merangkumi pelbagai teknologi hitam AI, seperti terjemahan pintar, penonjolan pintar, pembungkusan pintar, sintesis manusia digital, dsb. Dari segi harga, yuran bulanan untuk keratan SVIP ialah 79 yuan, yuran tahunan ialah 599 yuan (nota di laman web ini: bersamaan dengan 49.9 yuan sebulan), langganan bulanan berterusan ialah 59 yuan sebulan, dan langganan tahunan berterusan ialah 499 yuan setahun (bersamaan dengan 41.6 yuan sebulan) . Di samping itu, pegawai yang dipotong juga menyatakan bahawa untuk meningkatkan pengalaman pengguna, mereka yang telah melanggan VIP asal

Tingkatkan produktiviti, kecekapan dan ketepatan pembangun dengan menggabungkan penjanaan dipertingkatkan semula dan memori semantik ke dalam pembantu pengekodan AI. Diterjemah daripada EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, pengarang JanakiramMSV. Walaupun pembantu pengaturcaraan AI asas secara semulajadi membantu, mereka sering gagal memberikan cadangan kod yang paling relevan dan betul kerana mereka bergantung pada pemahaman umum bahasa perisian dan corak penulisan perisian yang paling biasa. Kod yang dijana oleh pembantu pengekodan ini sesuai untuk menyelesaikan masalah yang mereka bertanggungjawab untuk menyelesaikannya, tetapi selalunya tidak mematuhi piawaian pengekodan, konvensyen dan gaya pasukan individu. Ini selalunya menghasilkan cadangan yang perlu diubah suai atau diperhalusi agar kod itu diterima ke dalam aplikasi

Model Bahasa Besar (LLM) dilatih pada pangkalan data teks yang besar, di mana mereka memperoleh sejumlah besar pengetahuan dunia sebenar. Pengetahuan ini dibenamkan ke dalam parameter mereka dan kemudiannya boleh digunakan apabila diperlukan. Pengetahuan tentang model ini "diperbaharui" pada akhir latihan. Pada akhir pra-latihan, model sebenarnya berhenti belajar. Selaraskan atau perhalusi model untuk mempelajari cara memanfaatkan pengetahuan ini dan bertindak balas dengan lebih semula jadi kepada soalan pengguna. Tetapi kadangkala pengetahuan model tidak mencukupi, dan walaupun model boleh mengakses kandungan luaran melalui RAG, ia dianggap berfaedah untuk menyesuaikan model kepada domain baharu melalui penalaan halus. Penalaan halus ini dilakukan menggunakan input daripada anotasi manusia atau ciptaan LLM lain, di mana model menemui pengetahuan dunia sebenar tambahan dan menyepadukannya

Untuk mengetahui lebih lanjut tentang AIGC, sila layari: 51CTOAI.x Komuniti https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou berbeza daripada bank soalan tradisional yang boleh dilihat di mana-mana sahaja di Internet memerlukan pemikiran di luar kotak. Model Bahasa Besar (LLM) semakin penting dalam bidang sains data, kecerdasan buatan generatif (GenAI) dan kecerdasan buatan. Algoritma kompleks ini meningkatkan kemahiran manusia dan memacu kecekapan dan inovasi dalam banyak industri, menjadi kunci kepada syarikat untuk kekal berdaya saing. LLM mempunyai pelbagai aplikasi Ia boleh digunakan dalam bidang seperti pemprosesan bahasa semula jadi, penjanaan teks, pengecaman pertuturan dan sistem pengesyoran. Dengan belajar daripada sejumlah besar data, LLM dapat menjana teks

Pembelajaran mesin ialah cabang penting kecerdasan buatan yang memberikan komputer keupayaan untuk belajar daripada data dan meningkatkan keupayaan mereka tanpa diprogramkan secara eksplisit. Pembelajaran mesin mempunyai pelbagai aplikasi dalam pelbagai bidang, daripada pengecaman imej dan pemprosesan bahasa semula jadi kepada sistem pengesyoran dan pengesanan penipuan, dan ia mengubah cara hidup kita. Terdapat banyak kaedah dan teori yang berbeza dalam bidang pembelajaran mesin, antaranya lima kaedah yang paling berpengaruh dipanggil "Lima Sekolah Pembelajaran Mesin". Lima sekolah utama ialah sekolah simbolik, sekolah sambungan, sekolah evolusi, sekolah Bayesian dan sekolah analogi. 1. Simbolisme, juga dikenali sebagai simbolisme, menekankan penggunaan simbol untuk penaakulan logik dan ekspresi pengetahuan. Aliran pemikiran ini percaya bahawa pembelajaran adalah proses penolakan terbalik, melalui sedia ada

Editor |ScienceAI Question Answering (QA) set data memainkan peranan penting dalam mempromosikan penyelidikan pemprosesan bahasa semula jadi (NLP). Set data QA berkualiti tinggi bukan sahaja boleh digunakan untuk memperhalusi model, tetapi juga menilai dengan berkesan keupayaan model bahasa besar (LLM), terutamanya keupayaan untuk memahami dan menaakul tentang pengetahuan saintifik. Walaupun pada masa ini terdapat banyak set data QA saintifik yang meliputi bidang perubatan, kimia, biologi dan bidang lain, set data ini masih mempunyai beberapa kekurangan. Pertama, borang data adalah agak mudah, kebanyakannya adalah soalan aneka pilihan. Ia mudah dinilai, tetapi mengehadkan julat pemilihan jawapan model dan tidak dapat menguji sepenuhnya keupayaan model untuk menjawab soalan saintifik. Sebaliknya, Soal Jawab terbuka

Editor |. KX Dalam bidang penyelidikan dan pembangunan ubat, meramalkan pertalian pengikatan protein dan ligan dengan tepat dan berkesan adalah penting untuk pemeriksaan dan pengoptimuman ubat. Walau bagaimanapun, kajian semasa tidak mengambil kira peranan penting maklumat permukaan molekul dalam interaksi protein-ligan. Berdasarkan ini, penyelidik dari Universiti Xiamen mencadangkan rangka kerja pengekstrakan ciri berbilang mod (MFE) novel, yang buat pertama kalinya menggabungkan maklumat mengenai permukaan protein, struktur dan jujukan 3D, dan menggunakan mekanisme perhatian silang untuk membandingkan ciri modaliti yang berbeza penjajaran. Keputusan eksperimen menunjukkan bahawa kaedah ini mencapai prestasi terkini dalam meramalkan pertalian mengikat protein-ligan. Tambahan pula, kajian ablasi menunjukkan keberkesanan dan keperluan maklumat permukaan protein dan penjajaran ciri multimodal dalam rangka kerja ini. Penyelidikan berkaitan bermula dengan "S

Menurut berita dari laman web ini pada 1 Ogos, SK Hynix mengeluarkan catatan blog hari ini (1 Ogos), mengumumkan bahawa ia akan menghadiri Global Semiconductor Memory Summit FMS2024 yang akan diadakan di Santa Clara, California, Amerika Syarikat dari 6 hingga 8 Ogos, mempamerkan banyak produk penjanaan teknologi baru. Pengenalan kepada Sidang Kemuncak Memori dan Penyimpanan Masa Depan (FutureMemoryandStorage), dahulunya Sidang Kemuncak Memori Flash (FlashMemorySummit) terutamanya untuk pembekal NAND, dalam konteks peningkatan perhatian kepada teknologi kecerdasan buatan, tahun ini dinamakan semula sebagai Sidang Kemuncak Memori dan Penyimpanan Masa Depan (FutureMemoryandStorage) kepada jemput vendor DRAM dan storan serta ramai lagi pemain. Produk baharu SK hynix dilancarkan tahun lepas
