人工智能在建筑行業的應用分析

鄭杰 吳世永 畢小青

[摘 要]2017年國務院印發了《新一代人工智能發展規劃》（以下簡稱《規劃》），《規劃》中明確提到要加快人工智能與各個行業的融合，作為國民經濟的重要物質生產部門的建筑業，更應加快推進智能化升級。工信部預測2020年人工智能帶動產業規模將突破萬億，對人工智能在建筑業的應用進行分析，可為人工智能企業的各項活動提供決策和實施的依據。通過問卷調查，將數據進行主成分分析法，提取出“實用性需求”“經濟性需求”和“安全性需求”三個因子，最終得出人工智能企業產品開發時應該注意產品的實用性、經濟性和安全性，并且應該將市場瞄準為房屋建筑、市政公用和水利水電工程。

[關鍵詞]人工智能;建筑業;主成分分析

[DOI]10.13939/j.cnki.zgsc.2019.35.054

1 緒論

1956年，McCarthy最早提出了人工智能（Artificial Intelligence， AI）這一概念 。[1]盡管人工智能至今尚無統一的定義，但是通常把它理解為是計算機科學或智能科學中涉及研究、設計和應用智能機器的一個分支。[2]

隨著人工智能技術的發展和廣泛的應用，人工智能產業已經初具雛形，人工智能產業鏈包括了基礎技術支撐、人工智能技術及人工智能應用幾個基本環節。其中基礎技術支撐包括運算中心和數據庫組;人工智能技術主要包括專家技術、人工神經網絡、模式識別、深度學習;[3]人工智能應用是指人工智能技術的應用。目前，人工智能應用遍及在移動互聯網、金融、公共安全、教育、醫療健康、建筑業等領域。

目前，人工智能在國內進入了快速發展的階段。根據中國信息通信研究院發布的信息，2015年我國人工智能市場規模為112.3億元，2016年為141.9億元，2017年為216.9億元。根據《北京人工智能產業發展白皮書》，[4]截至2018年5月，我國從事人工智能研發的企業超過4000家，其中從事計算機視覺研究的企業最多，占到總企業數的20.8%，詳見圖1。

相較于醫療、金融、互聯網等傳統行業來說，建筑業人工智能的應用起步較晚，但已經取得了顯著的進展。

2 人工智能產品在建筑行業的應用現狀

盡管人工智能在建筑業的應用起步較晚，但到目前為止，人工智能技術在建筑設計、建筑結構、建筑施工和建筑管理等多個方面獲得了廣泛的應用，取得了明顯的成效。

2.1 人工智能的應用領域

2.1.1 人工智能在建筑設計與規劃中的研究和應用

在建筑行業設計的過程中，Reffat提出了三種利用人工智能技術來提高工程設計質量實踐案例的方法，其中囊括了建筑設計基礎上建筑風格的豐富性。[5]為了降低算法的復雜程度，黨向盈等利用遺傳算法對建筑設計進行改進，提出了一種神經網絡與遺傳算法的建筑優化設計方案。這種新的算法能快速地運算出結果，提高結構優化設計的效率。[6]廣聯達研發的系列BIM軟件可以對建筑設計進行碰撞檢查，讓設計文件更具有可行性。

2.1.2 人工智能在建筑結構中的研究和應用

麻省理工的Oral Buyukozturk教授等相關專家通過大量已有的研究結論，利用深度學習方法，對圖像進行了有效的識別，得到了裂紋分布與形狀、變形與位移、結構損傷之間的關系。這一技術極大地解決了之前橋梁上需要安裝大量傳感器的難題。[7]蘇國韶等提出了一種機器學習方法，解決邊坡穩定性的合理評價問題，并且建立相應的預測模型。該方法能夠精確地反映出邊坡穩定性與各種影響因素之間的非線性映射關系，能準確、可靠地給出邊坡穩定狀態的評價結果。[8]美國卡內基-梅隆大學開發了名叫HT-RISE的專家系統，可對建筑初步結構設計進行大量啟發式決策。

2.1.3 人工智能在建筑施工中的研究和應用

H·Behzadan等人充分的使用AR技術，使用WLAN和RFID無線局域網和藍牙的室內和室外的跟蹤技術，在現場使用GPS全球定位系統跟蹤，提供現場人員對項目的計劃方案，在同一時間進度和預算信息，向用戶角色提供對現有項目的具體任務和條件實時幫助系統的偏好。[9]重慶江北機場T3A航站樓項目施工環境發生了改變，應用BIM-4D平臺發現土建施工工作面和鋼結構滑移施工的沖突，優化了大跨鋼結構滑移施工方案。

科大訊飛的“城市超腦計劃”、小智科技的AI智能審圖工具“小智審圖”，都涉及采用最新AI技術協助建筑行業審圖人員進行施工圖審查。強大的計算機運算能力會逐漸承擔起簡單、重復性工作，讓行業設計師把更多的時間用在創意性和體驗性工作中。

“智慧工地”是人工智能在建筑施工領域的具體體現，通過運用大數據、云計算實現精準化管理和風險預警，加強建筑企業數字化、智能化、移動化施工管理，切實解決施工現場的痛點及防范風險，使城鄉規劃更加科學，城市建設更加有序，從而推動智慧城市的順利發展。

碧桂園已經在安排生產適合機器人使用的鋁模、頂架、爬架、墻板，正在全力以赴用機器人建房子。

2.1.4 人工智能在建筑管理中的研究和應用

M - Y. Cheng等學者開發了一種進化模糊混合神經網絡，以加強項目工程的現金流管理。進化模糊混合神經網絡能夠進行有效地部署，實現輸入因子和項目成功輸出的最佳映射，可用于建筑業動態項目的成功評價。[10]H·郭等學者以游戲技術為基礎，為解決目前行業安全培訓方法和工具不能提供學生實際培訓的問題，對施工企業員工進行安全培訓。[11]Autodesk推出了BIM 360 Project IQ這一款人工智能軟件，通過采集現場的各種影音，并結合建筑管理數據形成數據文件。該軟件可以通過對這些數據的分析與機械學習，對工地做風險管理。

2.2 人工智能的效益

在建筑設計階段中應用人工智能產品，可以提高設計效率、降低設計費用。人工智能技術不僅在建筑設計環節可以提高效率，而且能提高整體項目的設計效率。比如，開發商在土地競買時，必須事先完成項目總體設計方案，才能形成土地報價。設計師一般需要10天左右的時間完成項目總體方案，而利用人工智能軟件小庫（xkool），只需要輸入用地指標等相關信息之后，就可以自動生成多種設計方案以供選擇，但是小庫（xkool）只需要一天的時間就能完成項目總體方案。而且隨著云計算的不斷發展，在設計階段還能降低90%設計所需的硬件費用。

在施工中，人工智能產品的應用可保障施工安全、節約施工成本、縮短工期。廣州GE生物科技園首期項目中運用了多種智能化手段，通過無人機+BIM技術建立模型，減少測量成本，使用其自主研發的BIM族庫，嚴格控制臨時建設的費用;應用各種可視化監控系統，智能把控混凝土現澆等施工作業的安全;利用公司自行開發的管理系統，對進度計劃進行參數分析優化，通過大數據對工程的各項數據的處理，精準預測進度的誤差，對施工的各個環節進行模擬施工較大程度上縮短了工期。

2.3 人工智能在國內建筑業應用的普及情況

雖然人工智能發展迅速，但在建筑行業的應用目前還處于起步階段。

截至2017年年底，中國建筑股份有限公司在超過3000個項目上運用各種人工智能技術。近年來國內較大的工程也普遍使用人工智能產品。濟南地鐵項目上推行BIM系統，全面運用各種自動化設備，可確保產品信息精確性和可追溯性，對各項信息實行全方位信息化的管理。在建的“新疆三峽”阿爾塔什大壩工程借助多種高科技含量的方法，正通過現代化技術的運用，讓大壩的建設充滿人工智能的氣息。

但是，人工智能技術在建筑行業的應用并不均衡。通過對中國各個不同規模的建筑企業進行走訪調查發現：大型建筑企業較多地采用了人工智能產品，這些企業基本上已經建立了基于大數據的建筑信息平臺，中小型企業在工程項目上相對來說較少涉及使用人工智能技術，詳見表1。

3 人工智能在建筑業的應用前景分析

埃森哲咨詢公司埃森哲通過研究AI（人工智能）在 12 個發達經濟體中所產生的影響，預測AI （人工智能）可將勞動生產率提高40%。[12]這意味著人工智能對提升建筑業的效率有巨大的潛能。

3.1 建筑行業使用人工智能產品應用的必要性

建筑業屬于資金密集和勞動密集行業，生產過程中常常需要占用大量的勞動力。根據相關數據分析[7]，除2008年外，1999—2012年，我國建筑業企業勞動生產率增長率都在10%以上（2008年為9.25%），平均值為13.92%，而2013—2017年建筑業企業勞動生產率增長率全都在10%以下，平均值為3.76%。數據說明我國的建筑行業經過多年的發展，管理的不斷完善，技術的不斷成熟，已經進入了一個階段峰值，需要一種新的技術去推動建筑業向更高的階段發展。人工智能是解決這個難題較好的手段，因為人工智能最大的特點，就是高效快速地完成一些復雜的工作。所以說建筑業運用人工智能產品之后，不僅能很大程度上提高建筑業勞動生產率，而且能緩解我國老齡化的問題。

深圳當代藝術館及規劃展覽館，第一次采用BIM技術加上機械智能完成了整個工程的建造。如果依靠原有的施工工藝，需要約200個工人工作一年才能完成，而使用這項技術之后，僅僅只用了8名工人3個月就完成了全部建造。

因為建筑行業特有的作業方式，所以建筑行業事故多發。建設工程發生安全事故，不僅給從事建筑工程的工作人員帶來人身傷害，影響建筑工程工期，而且給社會帶來了不可估量的經濟損失。根據住建部公布的信息，在過去的15年間，因為工程安全事故而死亡的人數達到了13280之多，所帶來的經濟損失超過百億元。各類智能可視化檢測與建筑工地分析及預警等應用，如Smartvid.io，能夠不間斷全方位的識別人眼難以識別的不安全因素，提高項目過程的安全性。

3.2 建筑行業各個細分市場的成長性

建筑行業體系龐大，其內部不斷細化，形成多種子產業，也就是建筑行業細分產業。根據住建部公布的文件，其將建筑企業特、一級資質企業細分為12類。根據中國建筑業協會發布的2012—2016年建筑業發展統計分析，整理了如下資料，見表2。從數據中可以得出房屋建筑工程、公路工程、市政公用工程和鐵路工程是歷年來排在前四位的建筑業總產值專業類別。這4個類別特、一級施工總承包企業完成的2012—2016年建筑業總產值之和占到所有12個類別特、一級施工總承包企業建筑業總產值的平均比重為86.1%。因為國家近年來的各項環保政策和供給側結構性改革，礦山工程、冶煉工程、化工石油工程發展緩慢，甚至有倒退的形勢。2013—2016年的平均增速最高的為市政公用工程，平均增速為16.4%，其次是電力工程，平均增速為15.7%。

為了更加直觀的了解建筑業細分市場的成長性和規模大小，筆者將以上數據進行統計處理后得到以下成長性—規模圖，見圖2。

根據上面的分析，筆者認為在成長性好、規模較大的細分市場率先推廣人工智能技術，會取得更好的效益。從圖中可以看出，處于高速發展，同時市場規模大的細分市場是房屋建筑工程、市政公用工程和水利水電工程。

3.3 建筑業對人工智能產品的需求分析——基于SPSS主成分分析法

筆者通過建筑業對人工智能產品需求進行分析時，首先訪談了5名從事相關研究的專家學者，以訪談內容為大綱，提取訪談核心內容，制定并多次修改調查問卷。最后確定了9個測量指標，分別是：能否兼容其他人工智能產品的需求、人工智能產品是否能重復多次使用的需求、使用人工智能的可視化動態監控的需求、人工智能產品能分級管理的需求、人工智能產品較廉價的需求、對操作使用方式簡單明了的需求、使用人工智能產品方案優化的需求、對人工智能產品適用于各種設備的需求、使用人工智能后能帶來較好的經濟效益的需求。采用Likert 5級量表，分別賦值1～5分，隨著分數增加，程度依次加深。依據之前分析的建筑業細分市場的成長性，向增速高同時規模大的三類建筑企業，共計13個。發放160份調查問卷，回收有效問卷151份。

本文采用SPSS20.0軟件對數據進行主成分分析。首先對問卷信度和效度檢驗，見表3。總問卷Cronbach'sα系數為0.787，Cronbach'sα系數>0.7說明問卷信度較高。進行KMO檢驗和巴特萊特球形檢驗。問卷的KMO值為0.915， KMO值大于0.6時， 說明各題項之間相關性則較高。巴特萊特球形檢驗的Sig統計值的顯著性為0.000， 否定了相關矩陣為單位矩陣。由這些檢驗可以得出， 本問卷可以進行主成分析法。

采用主成分分析法提取因子進行探索性因子分析 （最大方差旋轉法） 。對特征值大于1的因子進行多次正交旋轉， 剔除不合理的指標， 最終得到8個指標。提取出3個因子， 累積方差貢獻率為83.333%。這3個因子的特征值、方差百分比和累計方差貢獻率， 旋轉后的因子載荷見表4。

因子1包含的信息量最多，能解釋總變異的32.929%， 包含的3個條目反映的是對人工智能產品適用于各種設備、操作使用方式簡單明了、能否兼容其他人工智能產品的需求，故將其命名為“實用性需求”。因子2包含的信息量能解釋總變異的30.245%， 包含的3個條目反映的是對人工智能產品是否能重復多次使用、人工智能產品較廉價、使用人工智能后能帶來較好的經濟效益的需求，故將其命名為“經濟性需求”。 因子3所包含的信息量能解釋總變異的20.159%， 包含的2個條目反映的是對使用人工智能的可視化動態監控，方案優化的需求， 故將其命名為“安全性需求”。

4 結語——建筑業人工智能產品開發的建議

本文通過對建筑行業細分市場的成長性分析，可以得出房屋建筑工程、市政公用工程和水利水電工程這3個類別，特、一級施工總承包企業的規模和增速都非常高。人工智能企業在產品開發時所重點關注的對象應該是這五類細分市場。通過對建筑業相關人員進行人工智能的需求問卷調查，對收集的數據進行主成分分析法，提取出“實用性需求”和“經濟性需求”兩個因子。最終得出人工智能企業產品開發時應該注意產品的實用性，設計的人工智能產品要適用于各種設備，操作界面和使用方式不要過于復雜，能兼容其他人工智能產品;還要著重于產品經濟性，節約開發人工智能產品的成本，降低使用人工智能的費用，讓建筑企業使用后能夠明顯感受到降低了成本，還要使產品能夠重復使用;最后人工智能企業應該開發可視化動態監控和方案優化方面的產品。

參考文獻：

[1]尼克.人工智能簡史[M]. 北京：人民郵電出版社，2017.

[2]蔡自興.人工智能及其應用[M].5版.北京：清華大學出版社，2016.

[3]郭成濤，李檬.人工智能發展中的問題思考及其研究現狀[J].科技視界，2017（3）：71-72.

[4]《北京人工智能產業發展白皮書（2018年）》發布[J].中國建設信息化，2018（13）：4.

[5]REFFAT R M. Utilization of artificial intelligence concepts and techniques for enriching the quality of architectural design artifacts[EB].https：//www.researchgate.net/publication/239928346.

[6]黨向盈，姜代紅.神經網絡結合遺傳算法在建筑優化設計中的應用[J].徐州工程學院學報（自然科學版），2017，32（2）：66-71.

[7]CHA Y J， CHOI W， Büyükoztürk O. Deep learning based crack damage detection using convolutional neural networks [J]. Computer-aided Civil & Infrastructure Engineering， 2017， 32 （5）：361-378.

[8]蘇國韶，宋詠春，燕柳斌.高斯過程機器學習在邊坡穩定性評價中的應用[J].巖土力學，2009，30（3）：675-679.

[9]A H BEHZADAN，Z AZIZ，C J ANUMBA，et al.Ubiquitous location tracking for context -specific information delivery on construction sites [J].Automation in Construction， 2008（17 ）：737-748.

[10]CHENG M Y， TSAI H C，SUDJOONO E.Evolutionary fuzzy hybrid neural network for dynamic project success assessment in construction industry[J].Automation in Construction，2012，21（1）：46-51.

[11]GUO H，LI H，CHAN G， et al.Using game technologies to improve the safety of construction plant operations[J].Accident Analysis & Prevention，2012， 48（3）：204-213.

[12]埃森哲官網.Insight AI artificial intelligence future growth[EB].https：//www.accenture.com/cn-zh/insight-ai-artificial-intelligence-future-growth.

[基金項目]大學生創新創業訓練計劃項目“建筑業人工智能應用的市場供給分析”（項目編號：201810060158）。

[作者簡介]鄭杰（1998—），男，漢族，重慶人，天津理工大學管理學院工程管理系本科生，研究方向：工程管理、建筑技術創新;吳世永（1999—），男，江蘇南京人，天津理工大學管理學院工程管理系本科生，研究方向：工程管理;指導老師：畢小青（1965—），男，漢族，天津人，天津理工大學管理學院市場營銷系教授，研究方向：戰略管理、產業經濟。