Page 67 - VOL.53

TSMC/ Facility Published

圖 6：室內多元類型數據的即時回饋與整體趨勢預測

3.5 第五部_AI建築的分享與商業化

依據我們過去的經驗，開發一個可以成功應用的 AI 模 我們從研究中發現新建的建築設計中環境溫熱模擬的
型需要耗費 3 至 6 個月的時間，但如果是同質性的科 方式，可以預估出樓層所需耗費的冷卻能力，輸入內
技廠辦公大樓，想要產生一個相同功能的 AI 模型是否 外部環境與空調設備參數經過計算後，恰好相似於蒐
有機會能夠加快時程。一般標準做法是先進行蒐集數 集的室內溫度數據。因此，針對沒有歷年運轉資料的
據，再開始數據訓練出 AI 模型，最後將模型進行需要 建築物案場，以開源軟體(Open source software)為
的驗證，所需時間至少也要 1 個月以上。這樣冗長繁 基礎，重新整理建築的隔間空間與裝修材質，並置入
瑣的過程，讓推廣 AI 模型應用的難度提升，成功的 真實的行動排程、氣象資訊、機電系統設定，及輸入
模型經驗也不易累積。在複製轉移 AI 模型的經驗中， 以前的氣候條件與控制習慣等，即可建立一個數字雙
除了開發者需要整理並分析資料外，資料蒐集往往是 生(Digital Twin)的模型環境。數字雙生模型可以產出
相當耗時而費力的工程，資料的短缺與遺漏則相當普 類似於案場的擬真運轉數據，由這些數據訓練出虛擬
遍。若是辦公大樓無過去運轉資料可蒐集參考，那所 環境的 AI 模型，再應用遷移學習的技術，轉移回到真
需耗費的時間可能更長，因此我們不斷地思考，如何 實建築物上使用。這個過程除能夠加速數據的取得速
努力克服種種挑戰，讓同質性的辦公大樓有機會直接 度外，且因其相關輸入參數皆可調整，因而提高數據
應用並導入已成功開發的 AI 模型。首先，為達到降 的可變化率，造就了未來新 AI 模型的開發測試使用，
低對數據的依賴，我們必須改變或加速數據的取得方 實現已開發 AI 模型可以分享與商業化，目前應用上
式，而遷移學習(Transfer Learning)是業界普遍的一 述技術，已將中科辦公大樓應用中的 AI 模型，成功
種 AI 複製手法，直接利用較容易獲取的資源，將原本 複製轉移到竹科的辦公大樓使用。( 圖7、圖8、圖9)
需蒐集３個月以上的數據資料，減量蒐集僅１週左右
的數據資料(會依資料複雜度而有所差異)，便可開始
執行遷移學習，以解決目標建築因資料稀少或缺漏，
而無法讓 AI 模型完整學習到該環境溫熱變化運作模
式，進而達到理想控制空調箱出風溫度的情況。另外，

��
��