AI分野最高峰の国際会議NeurIPSにおけるコンペティション部門で、鹿島らの建物ごとの調整を不要とする空調制御AIの研究課題が採択
鹿島（社長：桐生雅文）は、米国およびカナダの大学・研究機関や企業に所属する研究者らと共同で、AI・機械学習分野における最高峰の国際会議のひとつであるNeurIPS（ニューリプス）※1 2026のコンペティション部門※2に、建物空調のAI制御に関する研究課題「The Smart Buildings Challenge: Learning Foundation Models for Real-World Optimization at Scale」（スマートビルチャレンジ：実世界の多様な建物を最適化する基盤モデルの学習、以下「本課題」）※3を提案し、採択※4されました。本課題では、規模や設備仕様を問わず、建物ごとの調整が不要な空調制御AIモデルの実現を目指します。採択を受け、鹿島らは、本課題に対する解決手法の性能を参加者が競うAIコンペティション（以下、本コンペティション）を共同で主催し、世界中の研究者・技術者から優れたAIモデルを募ります。
建物空調のAI制御における、従来方法（左）と本コンペティションで目指す解決策（右）のイメージ
本コンペティションは、昨年鹿島が参加者として取り組み、3位入賞した類似のコンペティション※5の続編にあたります。今回、鹿島は主催チームの一員として、コロンビア大学（米国）、ハーバード大学（米国）、プリンストン大学（米国）、シラキュース大学（米国）、ワシントン大学（米国）、Mila (Quebec Artificial Intelligence Institute、カナダ)、Google（米国）および Distyl AI（米国）に所属する研究者らと共同で本コンペティションを企画・運営します。
鹿島は、建築・設備分野が抱える課題を世界のAI研究コミュニティに共有し、多様な専門性を持つ研究者・技術者の知見を結集することで、新たな研究アプローチや解決手法の創出を目指します。こうしたオープンイノベーションを通じて、AIを活用した空調制御技術の開発を加速し、技術の高度化を図ります。また、本コンペティションで高い評価を得たAIモデルについては、シンガポールに開業した鹿島のグローバル研究開発拠点である建物The GEARをはじめとする実建物への試験適用を予定しており、その有効性を検証してまいります。
近年、環境負荷の低減、建物の快適性・利便性の向上、運用管理の効率化を実現するスマートビルへの関心が高まっています。建物利用者の快適性を維持しながら、エネルギー消費量やCO2排出量を削減する空調制御は建築・設備分野の重要課題の一つです。一方、AIを活用した空調制御技術の研究開発が広く進んでいますが、その多くは建物ごとにAIモデルの構築・調整を必要とするため、多様な建物へ展開するうえで課題となっています。
この課題を解決するため、本コンペティションでは、建物ごとの個別モデルに代わり、建物規模や空調設備仕様を問わず、多様な建物に適用可能な単一の空調制御AIモデル「建物制御基盤モデル」※6の実現を目指します。
本コンペティション参加者は、複数の建物を再現したシミュレーション環境を用いて、建物制御基盤モデルを開発します。開発されたモデルは、規模や間取り、気象条件、空調設備仕様などが異なる複数の未知の架空建物に適用され、建物利用者の快適性、エネルギー消費量およびCO2排出量の削減性能について、同一条件のもとで比較・評価されます。本コンペティション後は、高い評価を得たモデルを複数の実建物に試験適用し、実用化に向けた有効性の検証を進める計画です。
※1 Conference on Neural Information Processing Systems
※2 Competition Track：世界中の研究者から公募された課題をNeurIPSが審査し、AI・機械学習分野の重要な研究課題として採択したものについて、参加者が共通の評価基準のもとで解決手法を競う
※3 The Smart Buildings Challenge：https://smart-buildings-2026.github.io/competition/index.html
※4 2026年7月28日NeurIPS発表資料：https://blog.neurips.cc/2026/07/28/neurips-2026-competitions-announced/
※5 The International Conference on Machine Learning, Workshop on Computational Optimization of Buildings, Smart Buildings Challenge：https://sites.uw.edu/co-build/common-task-framework-challenge/
※6 基盤モデルとは、多種かつ大量のデータを用いて訓練され、さまざまな問題に適応できる大規模モデル