arXiv cs.AI· Judah Goldfeder, Ayush Rai, Philippe M. Wyder, Na Li, Victoria Dean, Donna Vakalis, Jiong Lin, Bing Dong, Michael Rossetti, Nathan Kutz, Sohei Arisaka, John Sipple, Hod Lipson, Yoshua Bengio·· 3 天前AI 评分23
智能建筑挑战赛：学习可规模化真实世界优化的基础模型
The Smart Buildings Challenge: Learning Foundation Models for Real-World Optimization at Scale
AI 导读
研究者提出"智能建筑挑战赛"，面向 NeurIPS 2026，征集能跨建筑泛化的建筑基础模型。参赛者需在模拟建筑集上构建控制策略，并在未见过的建筑上评估，这些建筑在规模、布局、天气、材料属性和 HVAC 系统上各不相同。建筑占美国碳排放近 40%，其中 HVAC 占建筑排放约 40-60%，而现有控制策略普遍缺乏策略迁移能力。
正文 · AI 翻译
作者：Judah Goldfeder、Ayush Rai、Philippe M. Wyder、Na Li、Victoria Dean、Donna Vakalis、Jiong Lin、Bing Dong、Michael Rossetti、Nathan Kutz、Sohei Arisaka、John Sipple、Hod Lipson、Yoshua Bengio
摘要：建筑造成了美国近 40\% 的碳排放。在建筑总排放中，HVAC 系统约占 40-60\%，并占全球能源消耗的 15\%。尽管人工智能取得了进展，大多数建筑仍像几十年前一样低效运行。建筑优化或许比任何其他优化问题都更有潜力，让机器学习（ML）在短期和长期对气候变化产生巨大影响。建筑优化最大的障碍之一是缺乏策略迁移。大多数建筑控制系统，无论是基于仿真还是基于学习，都不具备泛化能力：它们只对为其开发的建筑有效，而对其他建筑无效。为解决这一问题，我们提出一项挑战，旨在开发建筑基础模型，使其能够以最小配置轻松适应新建筑，从而让建筑优化在全球范围内推广。参与者将在一组模拟建筑上构建控制策略，并在未见过的建筑集合上评估其策略。这些建筑在规模、布局、天气、材料属性和 HVAC 系统方面各不相同。该计划若取得成功，将有望推动全球可持续发展事业实现巨大飞跃，并展示机器学习应对气候变化的巨大潜力。
| 评论： | 这是为 NeurIPS 2026 竞赛准备的 |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.18511 [cs.AI] |
| （或 arXiv:2610.18511v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.18511 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Judah Goldfeder [查看电子邮件]
[v1]
2026年10月13日星期二 15:06:08 UTC（1,991 KB）
来源：arXiv cs.AI · arxiv.org