AI驱动建筑运营中的软件工程挑战

建筑运营能耗高，AI驱动控制系统虽有优化潜力，但在实际建筑部署中面临软件工程（SE）挑战。论文基于两个跨学科项目，指出SE4AI现有视角缺失，提出建立针对物理后果失败系统的SE4AI基础。

此前SE4AI实践假设数字环境，失败仅影响用户体验。但建筑运营中，AI决策失误会导致能源浪费、舒适度下降或设备磨损，物理后果改变工程要求。该研究首次系统探讨此差异，为物理系统AI部署提供指导。

建筑自动化系统固有容错，实际安全关键失败罕见，但即使是小失败也具有物理持久性，不可逆转。这要求SE4AI关注物理约束、安全性和生命周期管理，而非仅追求UX。

对于AI建筑控制产品，研发需强化物理模拟和验证流程，部署时考虑容错设计，并建立长期监测机制以评估设备磨损。可能增加开发成本，但可降低实际部署风险，提升系统可靠性。

• 开发支持物理模拟的AI控制测试平台，验证决策影响。
• 设计针对建筑运营的AI失败恢复机制，减少设备磨损。
• 建立AI控制决策的长期影响监测服务，提供数据反馈。

• 论文中提出的SE4AI基础是否已在实际项目中验证？
• 物理后果的具体量化标准是什么？
• 该框架是否适用于其他网络物理系统？