干了二十年楼宇自控，最头疼的就是空调系统。
传统建筑的空调系统，说白了就两个死穴。第一个叫"设定即忘记"——项目经理部署完BAS，设个固定时间表，早上8点开、下午6点关，然后就不管了。碰到昨晚突然降温，或者今天有人加班，啥反应没有，该冷的时候热，该热的时候冷，办公室的投诉电话能把人打爆。第二个更致命——设备老化全靠人发现，等哪天压缩机烧了、风机停了，才急急忙忙找人修。好好的空调系统，硬是变成了"坏了再修"的被动模式。
现在AI进场了，局面开始变了。
AI空调控制怎么玩？
先看架构，分三层。
最底层是BMS和传感器数据采集。温度、湿度、CO2浓度、新风量、室外天气、室内人数——所有能拿到的数据，全部实时往上送。这层的关键是数据质量，传感器不准，后面都是白搭。
中间层是AI引擎。这层干两件事：实时分析和预测。分析啥？看历史数据找规律，看实时数据做判断。预测啥？未来15分钟室外的温度变化、接下来1小时室内的人数波动、设备故障的前兆信号。传统的PID调节只能"反应"，AI能做"预判"。
最顶层是数字孪生模拟推演。在虚拟世界里建一栋一模一样的楼，把AI的调控方案先在数字模型里跑一遍，看看效果再落地。这就好比盖房子先搭模型，错了可以在电脑上改，不用拆墙。
云+边缘，各干各的活
架构清楚了，还有个问题：计算放哪？
答案是不在一个地方。云和边缘各管一摊。
云端负责训练模型，做全局优化。比如一个园区里有三栋楼，哪栋楼今天开会多、人员密集，哪栋楼今天休班、能耗可以压一压——云端拿到全局数据后，统一调配。模型训练完，下发到边缘端。
边缘端在本地，装在楼宇的控制器或者边缘网关里。毫秒级响应，不用等云端指令。比如会议室突然进来50个人，CO2浓度飙升，边缘端立刻加大新风量，这套反应不能等云端的"指令往返"。等云端慢慢算完，人都憋晕了。
混搭架构的好处是：该快的地方快，该聪明的地方聪明。
能省多少？
说数字更直观。国内外已经落地的项目，AI介入后节能在20%到30%之间。这数字怎么来的？不是调低温度省下来的——没人愿意冻着办公。AI节省的是"浪费掉的能耗"：人走了还开着100%风量的区域、天气转凉了还在满负荷运行的冷却塔、因积灰导致效率下降却没人去清洗的盘管。AI把这些漏掉的能源一点一点找回来。
舒适度不降反升。办公楼里最烦的就是"过山车温度"——上午冷要披外套，下午热要开风扇。AI把温度控制在一个窄区间里浮动，波动幅度从常规的±2°C收窄到±0.5°C，人是感觉不到的，但体感舒服多了。
现实落地，没那么玄乎
说了这么多，有人问：我这楼都建成十年了，怎么上AI？
没那么复杂。不需要把整个系统推倒重来。BMS的控制器不动，传感器不动，就在中间加一个AI分析引擎。数据从网关上来，经过引擎处理，再回传给执行器。本质上是个"外挂大脑"。
关键就一点：数据。数据够不够密、够不够准，直接决定了AI效果的上限。先补传感器，把盲区覆盖了，再谈AI。
AI不会让暖通工程师失业，但会淘汰那些还在靠"设定即忘记"混日子的。这个行业，拐点已经到了。