核心观点
智能建筑承诺带来更健康的空气。传感器可检测二氧化碳、颗粒物和挥发性化合物,人工智能则在使用者察觉问题之前调节通风。GhaffarianHoseini 教授的论证始于一个令人不安的推论:同样的数据也会大量揭示建筑内人员的信息。二氧化碳浓度可显示房间何时有人使用、有多少人;长期形成的模式则会揭示日常作息、缺席情况和个人习惯。空气质量系统可能悄然变成监控系统。在办公室和住宅中,尤其是在空气质量与信息保密都关乎切实风险的医疗环境中,以预测与控制为目标进行设计,却将隐私置于次要地位,是不可接受的。
核心观点是:信任本身就是一项性能要求。认为自己受到监视的使用者会关闭传感器,而无法感知的建筑也就无法作出响应。按照这一观点,隐私并非外部强加给智能建筑的约束,而是其正常运行的前提。随着人工智能在建成环境中日益普及,问题不在于建筑是否收集数据,而在于按照谁的规则收集。GhaffarianHoseini 教授给出的答案是“隐私始于设计”,即把这一决定权留在使用者手中,而不是交给为他们服务的系统。
资料依据
该短文基于Quang, T. V., Doan, D. T., Ngarambe, J., GhaffarianHoseini, A., Ghaffarianhoseini, AH., and Zhang, T.所著的AI management platform for privacy-preserving indoor air quality control: Review and future directions,该文于2025年以开放获取形式发表于Journal of Building Engineering(Elsevier),100, 111712。该综述梳理了十年来人工智能驱动的室内空气质量管理研究,发现大多数研究以预测与控制为优化目标,隐私问题即便有所考虑,也往往只是事后补充。其中两位作者 Dat Tien Doan 博士和 Tongrui Zhang 博士于2019年在 GhaffarianHoseini 教授担任第一导师的指导下获得博士学位,后者的论文研究了新西兰一栋教学建筑中BIM与建筑管理系统的集成。
该论文提出了一个基于边缘计算和联邦学习的隐私保护平台。数据在靠近采集地点处进行处理,模型在多栋建筑之间进行学习,而原始数据不会离开各个站点。其核心是 SITA 模型,该模型在任何建模开始之前,从空间、身份、时间和活动四个维度调节所共享的内容。设施管理者可以看到某一楼层需要更多通风,却无法看到谁在何时坐在何处。该研究提出了一套可与现有楼宇管理系统集成的架构和工作流程,使隐私能够在设计之初即被纳入,而非在部署后再行附加。
界定智能建筑的十年
这篇论文延续了一条帮助界定智能建筑内涵的研究脉络。What is an intelligent building? Analysis of recent interpretations from an international perspective(2016年)是Architectural Science Review创刊以来阅读量最高的文章,在出版商网站上的浏览量达51,627次;Intelligent or smart cities and buildings: A critical exposition and a way forward(Intelligent Buildings International,2018年)已被引用100次。2026年,GhaffarianHoseini 教授加入一个国际作者团队,在Building and Environment上发表Ten questions concerning the future of intelligent buildings。贯穿这些研究的是一个一以贯之的观点:只有当建筑的系统服务于其中的人时,建筑才称得上智能,而这正是隐私论证用以检验人工智能的标准。
该提案也是早前楼宇管理研究的合理延伸。被引用231次的Application of nD BIM integrated knowledge-based building management system (BIM-IKBMS) for inspecting post-construction energy efficiency及其发表于 Automation in Construction 的后续研究(2019年)表明,建筑信息与运营数据可以结合起来,用于交付后的性能检查。隐私平台则为这种集成增加了一个治理层。它不仅追问如何结合运营数据来改进建筑,还追问哪些数据根本就应当被结合,以及由谁来结合。
室内空气多年来一直是这一研究脉络中的健康议题。Sick building syndrome: Are we doing enough?(Architectural Science Review,2018)被引用373次,揭示了只追求效率而忽视使用者所呼吸空气的建筑所付出的代价;Healthcare in asymmetrically smart future environments(Electronics,2023)则考察了智能环境在医疗领域的应用、挑战与未决问题,而隐私论证正是将医疗视为风险最高的场景。同一团队还将机器学习直接应用于室内环境条件,利用 LSTM 网络预测热带气候下自然通风办公室的室内温度与湿度,相关成果于2025年发表。
GhaffarianHoseini 教授在国家人工智能政策领域的工作为这一论点提供了支撑。自2023年起,他担任总理首席科学顾问办公室人工智能参考小组成员,贡献设计、建造与建成环境领域的视角;自2021年起,他还担任AUT人工智能研究中心副研究员。他的博士生培养工作也延续了这一方向:一项校长博士奖学金正资助面向建筑暖通空调(HVAC)控制、可部署且以使用者为中心的强化学习研究,这恰恰回应了该论文提出的问题,即建筑如何在不暴露使用者隐私的前提下向其学习。
对业主、运营方与监管机构的启示
对建筑业主和设施管理者而言,这意味着要严格把好采购关:在安装传感器之前,而不是等使用者提出异议之后,就明确数据在何处处理、哪些数据以何种形式离开建筑。对保密要求最高的医疗和教育机构而言,这意味着必须坚持采用能够将通风系统所需信号与产生信号者身份相分离的系统架构。对监管机构和标准制定机构而言,性能要求应在空气质量之外同时涵盖数据处理,使传感系统有损使用者信任的建筑无法获得健康建筑认证。
更深层的意义在于行业的发展方向。智能建筑技术的普及速度快于相关规范的建立,风险在于其效益尚未显现,公众信任就已流失。GhaffarianHoseini 教授与同事在 RG UBE Lab 形成的观点提供了一条出路:将隐私保护融入系统架构本身,而不是事后以政策形式附加。同样以人为本、而非以基础设施为本的理念,也体现在数字孪生应当代表人,而不仅是地点这一主张中。两者衡量智能环境的标准是一致的:身处其中的人能否信任它。