建筑设计领域人工智能探索* ——从生成式设计到智能决策

周子骞 高 雯 贺秋时 林波荣,3 韩雨乔

(1.同济大学建筑与城市规划学院, 上海 200092； 2.清华大学建筑学院, 北京 100084；3.生态规划与绿色建筑教育部重点实验室, 北京 100084)

0 引 言

20世纪末，建筑学完成了从手工作图到数字化的转型，使得建筑师从繁重的体力劳动中得到解放。数字化设计经过了几十年的发展，相似的问题再次出现。现阶段的建筑设计过程中，仍有很大一部分精力被投入到重复、低效的工作中。这些环节的效率提升之后，才可以使得建筑师有更多的精力进行创作。近些年来，人工智能在建筑设计中的应用潜力开始受到关注。相比于手工绘图的时代，现在的建筑更加多样和复杂，尺度也越来越大，这得益于计算机的帮助。在实际项目中，建筑师总是要统筹各个领域，寻找更优的方案。建筑设计是一个不断试错的过程，建筑师找到一个可行的方案受限于时间和精力。人工智能技术的引入，一方面，能够用程序化的思维描述设计的过程，使其更有逻辑，更容易达到预设的目标；另一方面，计算机能够代替人脑来穷尽大量的可能性，尽可能找到最优的结果。而从长远看来，计算机可能帮助人们找到新的建筑形式。以前被认为过于复杂、人工无法驾驭的概念或思路，很可能在人工智能的帮助下焕发生机。

以往研究中，Zwierzycki等根据1980—2020年发表的176篇论文，对建筑设计中人工智能的应用情况进行了分析[1]。Pellitteri等以60个2017年近期的建筑项目为案例，分析了当前建筑中的数字技术趋势[2]。类似地，Pena等根据1995—2019年发表的74篇文章，分析了概念设计中人工智能的应用[3]。该综述选取的一些研究偏向概念，并不能很好地实际应用。

因此，将对不同人工智能技术在应用过程中输入条件是否足够自由、执行过程是否达到了一定程度的自动化、输出结果能否与主流的设计流程对接等三个方面进行研究，在文献分析时，侧重实际应用的研究，即使用目前较为成熟的技术，同时预想在近未来的实际应用场景，而非偏向概念的尚难以实际应用的研究。在研究时间上，选择近5年的文献，对近期的技术发展进行分析。研究共收集了2016—2020年发表的73篇文献，如表1所示。

表1 文献来源和数量Table 1 Literature sources and quantities

1 人工智能技术

人工智能技术是使机器具有与人类似智能反应和能力的技术，针对目前在建筑设计中常用的人工智能技术，简单介绍其原理、特征以及应用场景，包括优化算法、人工神经网络、形状语法、聚类算法、集群智能、元胞自动机。

1.1 优化算法

优化算法是对一类算法的统称，可以运用该类算法在某个系统中寻找最值。对于可以用函数表达式显示表示的问题，梯度下降法是经典方法之一，可以通过微分计算获得精准的优化结果。但很多实际问题中，系统的函数表达式不可知，且不一定连续可微，这类问题被称为黑盒优化，遗传算法是具有代表性的算法之一，通过自变量构成的基因的交叉变异和种群进化搜索全局最优解。在建筑设计中，遗传算法大多应用于找形这一过程，它是由参数化建模与优化算法组合而成的工作流，应用较为广泛。多目标优化从优化算法发展而来，能够处理多个指标的优化，优化得到的帕累托解集是不同指标下最优解的集合，在遗传算法的基础上发展而来的NSGA-II是具有代表性的多目标优化算法之一。

1.2 人工神经网络

人工神经网络是目前较为热门的人工智能技术，结构上模仿人脑的神经元网络行为特征，能够自发地学习和调整，具有强大的能力，能够解决许多复杂的非线性映射问题，被广泛应用于多个领域。神经网络最早于1943年被提出，即MCP神经元数学模型[4]。2006年Hinton提出了深度信念网络[5]，成为神经网络深度学习的里程碑，自此以后深度学习迅猛发展，成为人工智能领域最前沿最热门的研究领域。徐卫国等总结了深度神经网络在建筑生成设计中的应用[6]。

1.3 形状语法

形状语法是一种生成特定类别的几何图形的方法。该方法被用于研究二维和三维图形，可以按照人们的设计要求，按照一定的规则自动生成图形。除了生成外，该方法也被用于对建筑案例的分析，解析它们的生成规则和生成过程。形状语法历史超过半个世纪，在建筑设计领域，最具代表性的形状语法工作来自Mitchell团队的工作，他们探究了帕拉迪奥式建筑平面布局的形状语法规则[7]。

1.4 聚类算法

聚类算法是一种无监督统计分析方法，可以对多维空间中的点集按特定标准进行分类，在聚合相似样本的同时分离不同类样本。该方法起源于分类学，从依靠经验和专业知识，逐渐引入数学工具，和计算机的辅助，发展为智能的聚类算法，近年来越来越多地被应用于建筑设计的研究。

1.5 集群智能

集群智能[8]是分布式人工智能的一个重要分支，在2002年由Johnson进行了阐述，指的是在群体中存在众多无智能的个体，它们只能相互间进行简单的信息传递和处理，但这种微观上的合作在宏观上体现出复杂的智能行为，可以作为一种指导智能过程的思路。例如自然中的蚁群、鸟群、鱼群等行为等，每个个体遵循简单的规则，在群体中即可产生复杂行为系统。蚁群算法和粒子群算法是两种代表性算法。

1.6 元胞自动机

元胞自动机的概念最初由冯·诺依曼提出，用于模拟生命系统，元胞自动机起源于生命游戏，众多个体被分布在网格上，可以根据相邻个体的状态做出调整。这一简单的规则衍生出了复杂的系统时空演化能力，数学家在其中发现了各种有趣的现象。而后这一方法被设计师用于生成的过程，生成新的空间形态。蒲宏宇等总结概述了元胞自动机多智能体在生成式建筑设计方面的应用，发现其具有应用于复杂建筑方案的潜力[9]。

2 建筑设计研究中的应用

人工智能算法被广泛应用于各种建筑设计任务和场景，按照设计任务的分类，下面分别对建筑形体、平面布局、外表面以及设计分析进行综述。

2.1 形 体

一座建筑的外形是它首先传递给人们的视觉信息，也是人们记忆一座建筑的主要方式。从城市尺度来看，这是建筑与城市交互的主要方式，建筑的形体能够表达它对城市的态度。从建筑尺度来看，建筑师通过对体量的控制，沟通了建筑与周边环境的联系，也建立了外形与内部空间的逻辑关系。人工智能技术的应用使得建筑物理性能等可量化的评价指标得到进一步优化，并探索了新的建筑形式。

二维图像分为矢量图和位图两种，与之类似地，建筑形体的生成也可分为参数控制和单元堆积两种方法。前者可以得到光滑连续的建筑模型，后者的模型则由离散的单元堆积而成，显得较为粗糙。使用参数控制这一方法时，建筑师会按照一定逻辑构建一系列可变的曲线和曲面，即参数化模型，可以通过参数来进行适当调整，但最终得到的形体都较为相似。也就是说，参数化模型可以使得建筑形体在可变范围内保持几何形体特征，但这也限制了建筑形体的变化。因而针对每个具体项目，都需要单独建立参数化模型，很难推广到其他项目上。单元堆积是一种截然不同的形体生成方法，用小的体量单元来堆积成形体。这类方法往往采用空间正交网格，因为一方面，建筑形体的构成逻辑需要被限制在某一坐标系之中，便于程序化的操作控制；另一方面，正交体系适配于目前的大多数建筑，这些建筑的内部空间往往是由若干个方形体块构成。在用单元堆积生成形体前，建筑师很可能对形体特征并没有预期，因而结果具有一定的创造性。通过这种方法得到的形体，由于被限制在正交网格之中，会给人体素感或颗粒感。形体表面光滑程度的不同，是这两种生形方法最直观的区别。在形体控制的自由度上，参数控制的方法相对受限，而单元堆积的方法更为自由。

2.1.1参数控制

通过控制参数来生成形体也被称为找形,是目前应用较为广泛的形体生成方式，使用参数化模型，程序根据预期的目标来调整参数，以求达到最优解。在相关研究中，与之契合的优化算法被大量使用。这些优化目标必须是可以量化的指标，而建筑形体涉及到外部环境，因而多数使用建筑物理指标。

以建筑物理性能为指标的找形方法被应用于建筑单体、组团的优化。Kormaníkov等的研究是基于风环境的建筑组团形体优化[10]。类似地，Zhang等研究了以风环境为目标的高层建筑找形[11]。Agirbas的研究则是根据日照、辐射、面积指标找形[12]。Rahmin Asl等构建了较为详细的建筑参数化模型，根据建筑物的墙、屋顶、地板面积和按方向考虑的窗户面积，分析建筑物的能耗[13]。在优化阶段，运用了人工神经网络和增强型决策树，以能耗为目标对建筑进行了优化。除建筑物理性能外，力学性能也可用于找形和优化。Javidannia等以抗震性能为指标，对高层建筑的结构和外形进行了优化(图1)[14]。

找形并不局限于形体的生成，其参数化的逻辑也可应用于建筑的内部空间。Mughal等运用遗传算法，以室内风速、温度等自然通风性能为目标，对一种具有空中花园的高层建筑模式进行优化。参数化的建模逻辑也可以推广到更大的空间尺度，将周边的建筑都纳入优化的涉及范围[15]。Luca等基于正交网格，在有周边建筑的地块中，用已有的平面类型，生成公寓式住宅的体量模型，以周边建筑的采光为限制，以最大化的建筑面积和房间数量为目标[16]。张倩等主要考虑风环境，他们基于正交网格，对整个街区的参数化建筑模型进行优化，且开始前需要将周边街区内建筑的体量模型信息输入程序[17]。

设计初期的方案决策对建筑能耗和物理环境性能有重要影响[18]，找形的过程中，优化目标需要量化，因此被普遍认可的能耗和建筑物理性能指标是最常见的优化目标，其他自定义的评价方式也作为优化目标进行研究。Sardenberg等则探究了基于美学性能的建筑找形[19]。这一方法会用参数化的方式生成一组建筑的概念模型，把它们发布到网络平台获得评分，并把评分作为下一代模型的优化目标，直到生成评分较高且较稳定的一组模型，局限性在于受到参数化模型的限制，只能生成同一种逻辑的模型。

2.1.2单元堆积

单元堆积被应用于住宅、办公等建筑类型。Jansen等提出了一种独栋住宅的生成方法，由于住宅具有尺度小、房间多、呈正交排布的特点，适合于通过在正交网格中堆积体量来生成形体[20]。Kim提出了一种办公建筑的生成方法，运用进化算法，基于正交网格，生成办公建筑的体量模型。生成过程中有最小庭院阴影、最大办公面积、最小庭院面积三个指标，在冬季以最小庭院阴影为首要优化目标，而在夏季以最大办公面积为首要优化目标[21]。Barczik等研究了引入用户主观偏好的交互式生成过程，基于正交网格，在已有的建筑红线内随机生成三维体量模型，用户可以通过选择来表达偏好。之后程序会运用基因算法，根据用户的偏好生成新的模型。用户继续做出选择，直到生成较为理想的模型[22]。不过该方法生成的模型较为粗糙，只能用于设计的早期阶段(图2)。孙澄等提出建筑体量的AI智能设计系统，基于场地条件生成建筑初始体量，结合设计意向进行设计探索[23]。

相较于参数化找形，基于基本体量单元的生成过程有更大的自由度，研究者尝试引入建造的思想。Tebaldi等基于三个主要操作——置换、加法和减法来生成客车站的体量模型，并通过日照、公共空间面积、体形系数等指标来评价模型，直到得到满意的结果(图3)[24]。Narahara引入集群智能的思想，利用若干个“建造者”，基于正交网络，来生成建筑的体量模型[25]。每个“建造者”可以在局部进行四种基本操作：搭建或移除建筑体量单元，靠近或消灭其他“建造者”，最终获得建筑的整体结构。

通过体量生成方法得到的模型一般较为粗糙，缺少细节，但可以通过提高网格精度来弥补这一缺陷，即引入体素的概念。Swahn运用马尔可夫随机场，基于体素生成带有女儿墙、窗口等细节的建筑形体。体素的尺度远小于建筑尺度，该方法类似于基于像素生成建筑图纸，不过本质上还是基于基本体积单元的生成方法(图4)[26]。

基于正交网格的生成方法不仅限于单元体量堆积。正交网格中的格点相连得到线段，若干线段组成空间网格，也能用来表示建筑的形体。De Miguel等应用了网格的逻辑，用线框来生成公共建筑的体量模型[27]。Yu将三维空间拆解为二维平面的组合，先根据线稿生成平面功能分布图，在此基础上再生成若干剖面图，最后根据平面图、剖面图得到三维建筑组团模型[28]。

2.2 平面布局

在设计建筑内部空间时，建筑师很大一部分精力都投入到平面的空间关系上，竖向的空间关系则处理起来较为简单。平面布局主要考虑的是平面上的房间排布，其中房间的大小、位置关系和使用者的流线等都是研究者关注的内容。作为二维对象，平面布局任务中人工智能技术的应用更为广泛。

2.2.1拓扑关系图

拓扑关系图是表达房间邻接关系的一种图结构，源于图论，由结点和边组成，描述房间的拓扑关系。其中，结点代表房间，可以被附上房间的功能、编号等基本信息，边代表房间的邻接关系，也可以被赋予门连接、开敞连接、竖向连接等邻接信息。通过优化房间的拓扑关系图，可以得到尽可能合理的流线。

Eisenstadt等运用卷积神经网络，根据已有的房间拓扑关系图，模仿并生成新的图[29]。As等运用深度神经网络，通过学习经过人工评分的建筑案例，生成住宅房间的拓扑关系图，评价指标为宜居性和睡眠质量；他们还借助生成对抗网络生成拓扑关系图，可以生成尚未在建筑设计中出现过，但具有高评分的房间排布形式，用于开阔建筑师的眼界，启发设计思维(图5)[30]。目前针对拓扑关系图的研究较少，但在平面图的生成中，该类图起着重要的作用。

2.2.2平面图

建筑平面图生成是一个较为热门的研究方向，通过简单的初始条件设置，生成具有良好性能的平面图。不同生成方法在初始限制条件上具有不同的自由度，如平面图有无确定的外墙轮廓以及外墙轮廓是否包含开窗位置；有无确定的房间拓扑关系图；是否允许出现L形、U形等非矩形房间。除去这些特殊的限制条件，各种方法也有一些共有的初始条件，比如建筑红线，包含面积、功能等信息的房间列表，有时也会将周边城市环境纳入考量。

不限制外墙边界的方法自由度更高，获得的方案多样性更高，但可行性需要进一步评估。Lima等提出运用形状语法和空间句法，基于正交网格生成住宅平面图[31]。它是一种不事先确定外墙的生成方法，其操作逻辑是依次在已有平面图上相邻地添加矩形房间，而已经出现在平面上的房间不再改动，直到所有房间都被添加到平面图上。类似地，Nisztuk等提出运用混合进化算法和多目标优化算法，基于正交网格，不断地添加矩形房间来生成平面图[32]。该种方法会在房间之间形成一些空隙，程序会使空隙周边的房间扩展来将其填满，最终允许L形房间的出现。

一些研究增加了对外墙轮廓的限制。Kwiecinski等运用形状语法和基因算法，基于正交网格，生成木结构定制住宅平面图，除车库外的房间均不能超出边界[33]。具体方法为，一个接一个地生成房间，并对已生成的房间不再改动。每一步都会对已有平面进行评估，若不符合要求，则回溯重试，直到平面被所有房间填满。Nisztuk等运用混合进化算法，根据已有的房间关系图，基于正交网格，生成住宅平面图[34]。虽然没有确定的外墙边界，但是其外墙形状需要尽量为矩形。房间形状均为矩形，不包含走廊,房间之间的邻接关系只能通过相邻房间的门来实现。

一些研究增加了对房间邻接关系的限制。Egor等根据已有的房间拓扑关系图，基于正交网格，生成没有外墙形状限制的住宅平面图(图6)[35]。其中走廊没有被算作房间，且形状和宽度难以控制，而房间关系都依靠走廊连接，导致走廊的面积明显过多。华好等基于先例提取平面元素，通过平面重组、推理和筛选生成满足要求的平面[36]。Veloso等引入了运动的思想，在基地边界不规则、不限制外墙形状的情况下，在正交网格中生成住宅平面图。该方法首先确定房间数量、面积、邻接关系等基本信息，然后将所有房间以1×1单元格的初始面积随机置入网格中(图7)[37]。每个房间可以不断对周边环境进行评分，并变形和移动，但形状始终被限制在一定大小内(该研究中的限制是5×5的方形)，类似于细胞的运动。其中评分的指标包括房间形状是否规则，邻接关系是否得到满足。在移动的过程中允许房间变成不规则形状，但最后的结果中房间都趋于矩形。

综合以上研究，在平面图生成，尤其是住宅平面中，走廊的生成是一个难点。研究者对于是否将走廊归为一种房间类型存在分歧。此外走廊的评价标准与一般房间不同，不一定是矩形，但需要满足各房间的连通性，且各处的宽度应尽量相等。另一个难点，则是如何确保门厅、卧室等需要向外开门窗洞的房间处于平面的外侧。在满足这一点的基础上，需要进一步解决的是，如何调整窗口的南北朝向。

前文提到的都是具有普适性的平面图生成方法，一些研究者提出更具针对性的方法，相应地也增加了一定的限制条件。Das尝试根据用户的偏好生成平面图，运用基因算法，在正交网格中生成。用户每次可以在程序给出的几个平面图中选出最满意的一张，下一次生成的平面图会继承用户的偏好，重复若干次，直到生成的平面图满足用户要求[38]。这种方法能够使设计师的想象力不受到其他现实条件的限制，生成一些平时难以见到的设计。Kwieciński等希望用户能够参与到平面图的设计中。他们构建了一种简单的由一条走廊和两侧房间组成的住宅模型，用户可以调整房间的位置和大小[39]。程序会针对用户的操作做出适当调整，或报告不合理的情况。用户可以接受程序提出的解决方案，或继续寻找符合期望的方案。Kasahara等学习了黑川纪章20世纪60年代“农业城市”项目中的设计思路，在农田等开阔场地中生成建筑平面图[40]。先在某一地块边界中确定好正交网格，再在其中填入预置的建筑单元，从而生成建筑。此研究的用地较大，因而最终方案中的建筑外边缘不整齐，并且单元的排列也不紧密。Newton尝试基于位图生成平面图，运用生成对抗网络，以柯布西耶的住宅为样本，来生成住宅平面的位图图像(图8)[41]。不过将位图转换为矢量图或三维模型等可编辑的文件又是另一个需要解决的问题。

对于不同类型的建筑，平面图样式各不相同。针对特定的建筑类型或应用场景，研究者制定了不同的平面生成方法。Sousa等研究商场平面图的疏散性能，基于正交网格，以走廊数量、走廊宽度、门的宽度、中庭面积等参数，建立了参数化的商场平面图，并以疏散性能为目标对该平面图进行了优化[42]。Das等研究医院平面的生成，基于正交网格，以邻接性、结构性能、可见性为优化目标，生成医院平面图，在此基础上生成合理的结构方案，主要由正交网格中的梁和柱构成[43]。Tan等研究码头平面图的生成，首先通过参数的调整随机生成一系列码头平面图，然后运用聚类算法，根据不同的指标对这些方案进行分类，并把这些类别总结为描述性词汇。用户只需经过简单的选择，就能得到满足需要的平面图[44]。Das等的研究主题是高层建筑服务核的生成，包含电梯、技术用房、楼梯和卫生间。他们基于正交网格来生成服务核，其中电梯会根据垂直分区布置，这样各区之间的电梯布置会有区别，其他组件的布置也随之调整(图9)[45]。高亮等针对高层办公建筑提出基于形状语法核心筒平面布置方法[46]。Mekawy等关注装配式建筑的平面生成，根据用户输入的尺寸、运输限制、采光等参数，基于预设的装配化建筑单元，在设计的早期阶段生成简单的建筑信息模型[47]。模型的各层平面相同，因而此研究聚焦于平面上各装配化单元的组合。一些学者把研究重点放在历史和文化上。Hadighi等为了在伊朗古都设拉子设计符合文化背景的建筑，分析了波斯花园风格和国际风格建筑的形状语法，并生成了建筑[48]。Castro等运用形状语法，来进行历史建筑的保护和翻新[49]。其形状语法中既包含历史建筑的语法，又包含当代建筑的语法，从而在保护历史的同时适应现代的生活环境。

除平面图生成外，既有建筑改造也是一个值得关注的问题。Guerritore等运用形状语法，以米兰的废弃办公楼为例，基于正交网格，将有确定边界的平面改造为住宅平面[50]。Wurzer等运用元胞自动机，基于正交网格，对住宅平面进行翻新。该研究关注的重点并非平面的全局优化，而是翻新时尽量少的改动[51]。

一些研究者将尺度扩大，探索建筑组团平面图的生成方法，这是一种介于建筑与城市之间的尺度，在一些方面表现出与楼层平面图的相似性。组团中的建筑单体和楼层中的房间相比，在功能设置、面积分布、邻接关系满足等问题上均有共性，但在紧密度上相差悬殊，导致组团中的道路布局和楼层中的走廊设置差异很大。Andriasyan等在给定的地块生成阵列式的难民营，主要考虑基础设施的布置和逃生路线的规划[52]。Verniz等以巴西圣玛尔塔贫民窟为案例，进行形状语法的研究，并生成类似的城市平面图[53]。范伟等运用形状语法，基于正交网格，生成村庄的平面图。程序可以移除建筑来创造开放空间，或进行微小位移来让出道路[54]。李飚等运用多智能体对村镇肌理进行地块优化，再运用形状语法完成单体建筑[55]。孙澄等提出基于条件生成对抗网络CGAN的居住区强排生成设计方法[56]。邓巧明等研究了中小学教育建筑组团的平面图生成，基于正交网格，每个建筑在初始时大小和形状确定。首先根据周边环境对红线内的每个网格进行评分，生成一张评价图，然后将建筑置于场地中，它们可以进行平移运动，但是不能改变大小或旋转。建筑会根据评分图向评分更好处运动，同类建筑也会相互吸引。此外也有限制规则，建筑不可超出场地边界，不可相互重叠，并且要满足建筑间距的要求。此方法生成的组团平面图质量不稳定，很大程度上取决于初始状态的选取(图10)[57]。

2.2.3家具和路线

2.3 外表面

外表面是指建筑与外界环境接触的界面，与形体不同，外表面的研究不关注建筑的体积，而是其表面结构所负担的功能和具体实现的措施。建筑的外表面连接了内外环境，是为外界传递视觉信息的媒介，是室内空间接收光线的途径，也是热量、气体交换的通道。

2.3.1立 面

从功能上来讲，立面承担着室内环境调节的职责，因此相关研究大多涉及到建筑物理性能；同时立面应该美观大方，给人良好的视觉体验。清华大学林波荣等梳理总结了近年来国内外建筑遮阳的实践和研究进展，为建筑表皮遮阳系统设计的未来研究方向，尤其是在性能、模拟、控制策略等方面提供了重要支撑[61]。从构成上来讲，立面通常由若干单元组成，具体单元的设计和整体的组合方式都受到学者的关注。

在立面单元设计方面，Ashrafi等运用形状语法，对参数化的双层幕墙单元进行优化，调节其尺寸、开口位置等参数，使其获得最优的温度调节性能[62]。袁栋等基于表皮单元自遮挡的原理，通过四边形单元的角点变形控制表皮形态，进行冬夏日照辐射得热量的多目标优化[63]。Narangerel等基于正交网格将立面分割为等大的正方形单元，为立面单元设计参数化模型，使其可以凹凸变化，并在上面加装太阳能光伏板。以热负荷、发电量、采光性能为目标对立面构件进行多目标优化(图12)[64]。

在单元组成整体方面Nogueira等运用形状语法生成方形瓷砖镶嵌纹样[65]。Engel研究更大的单元尺度，窗洞单元包括阳台、落地窗等，每个单元为一层楼高；基于正交网格，根据已有的几种立面单元生成立面，有三种模式可供选择：完全随机生成、有过滤的随机生成、根据样式的生成(图13)[66]。

立面模式的研究中，涉及的立面系统较为概念化和整体化，通常采用参数化模型描述进行优化。Wageh等建立了五种立面遮阳构件的参数化模型，其形式为简单的条纹或网格。他们基于采光、眩光和视野性能对其进行优化[67]。Gadelhak等运用多目标优化，以能耗、采光、热舒适、视野和眩光、可再生能源为目标，对参数化的立面进行优化[68]。Belém等设计了一种参数化外墙表皮模式，可以调节孔洞的数量和大小来调整采光情况[69]；他们以最大空间有效日光照明为目标，用多种黑盒优化算法来生成表皮，并比较各种算法的性能。Bomfim等的研究则更加概念化，以最大的太阳辐射为目标进行立面优化，通过改变其各处的凹凸状态，使得立面上的太阳能光伏板尽可能多地收集电量[70]。Stein的研究从视觉角度出发，以建筑立面图像为案例，运用立面句法，基于正交网格生成二维立面图案[71]。

2.3.2开 窗

开窗指的是外表面上洞口的布置方案，作为自然光和空气的接收途径，与使用者的体验息息相关。与立面所关注的整体性和统一性不同，开窗关注的是窗洞的位置和大小。De Luca等以日照和能耗为目标对大学会堂的开窗进行优化，考虑了窗的位置、面积、朝向等因素[72]。李煜等根据运动员和观众所需的光舒适性能，对体育建筑天窗的参数化模型进行优化(图14)[73]。丁炜豪等主要关注窗洞的大小，根据光环境和热环境，对地下交通枢纽中庭天窗的参数化模型进行优化，使得各处孔洞的大小不再均匀分布，而是根据优化结果进行调整[74]。

2.3.3屋 顶

屋顶这一概念在相关研究中较为模糊，因为其涉及因素较多，且难以界定。一般平屋顶的建筑并不需要借助人工智能来生成屋顶，而对于更为复杂的建筑，有时屋顶和立面之间的边界并不清晰。不过屋顶有着极具特征的要素，即屋顶结构和天窗采光，这使得它值得被单独研究。前文提到的中庭天窗优化，在某种意义上即可以归为屋顶相关的研究。而关于结构方面，Gerber等设计了一种生成大跨屋顶的规则。该方法通过对初始位置、轮廓等参数的优化，使屋顶能够获得更好的受力和遮阳性能[75]。

2.4 设计分析

2.4.1设计评价

在建筑设计中，人工智能除了在生成方面的重要作用，还能协助进行各类分析，其中评价是一个重要方面。评价指标包括传统的建筑物理指标，以及人为构建的一系列指标，如空间性能等，人工智能在两类指标中的应用都受到了重视。

在建筑物理性能方面，人工智能技术为建筑绿色性能智能优化设计提供了更有利的技术和平台支撑[76]。Sebestyen等运用机器学习，根据外墙的开洞情况预测房间的日照时间和辐射值[77]。Singh等在设计早期阶段，运用机器学习，先预测通过墙壁、窗户、屋顶、底层地面等建筑组件的热流，然后推算建筑的能源需求，包括供暖、制冷、照明等需求，最后计算建筑一年的总能耗[78]。

在建筑空间性能方面，Takizawa运用聚类算法，以大阪梅田地铁站地下商业街一处布满柱网的通行空间为例，预测空间中人们可能停留并发生活动的区域，并生成分析图[79]。Tarabishy等对平面的空间连接性和视觉连接性进行评估。针对这两个指标，可以通过解析方法得出分析图，而研究者运用全卷积网络，学习并生成同样的分析图，比较两者的差异(图15)[80]。

需要指出的是，这里所列举的评价研究仅包括纯粹进行针对指标评价的研究，而前文的生成研究中，也有一些方法包含了人工智能评价的部分，但评价指标往往局限于特定方法。未来研究需要具有通用性的指标，在各类生成方法中能够被频繁应用，最终形成统一标准。

2.4.2图纸识别

建筑设计图纸的识别也是应用人工智能技术的一个重要领域。现有的很多建筑案例都可以作为人工智能生成的学习样本，但这些案例信息的录入是亟待解决的难题。图纸识别技术自动将建筑图纸上的信息提取并存储，能够大大加快相关研究的进程。

Brown等运用卷积神经网络，在平面图中识别并标出房间[81]。Huang等运用生成对抗网络识别住宅平面图，用色块标记，还可以反向生成平面图[82]。Uzun 等运用卷积神经网络，从图集中识别出建筑图纸，分类为平面图和剖面图，可以达到80%的准确率，但是对于高精度的算法预测，必须根据数据集的样本分辨率、样本大小与样本一致性对图像进行排序[83]。图纸识别技术不仅是研究生成方法的工具，其本质是将位图信息转换为矢量图信息，因而还能用作草图识别，或是帮助解决绘图软件之间的兼容问题。

在建筑规范智能审查方面，清华大学张荷花等研发了BIM模型智能审查工具BIM Checker，通过自然语言处理将复杂建筑规范进行结构化描述，将BIM模型转换为语义模型进行查询和推理，实现基于知识图谱的智能检查方法[84-85]。

3 分析和讨论

根据对上述73篇文献的统计和分析，得出了以下结论：针对建筑设计领域的人工智能技术研究，在近5年间数量逐年提升(图16)。其中2020年发表的论文数量占总体的35%，较上一年增长了67%。

从关键词来看，出现次数较多的都是与技术相关的词，而与主题相关的词出现得则较为分散，并没有相对热门的单一研究主题(图17)。最为热门的关键词是“生成式设计”，22%的研究都出现了该关键词。

在各类主题中，最为热门的是平面布局，占总量的42%；其次是形体，占总量的26%(图18)。在列出的10个子主题中，平面布局中平面图是最为热门的子主题，占平面布局相关研究的84%，占总量的36%。排名前4的子主题是平面布局中平面图、形体中单元堆积、外表面中立面、形体中参数控制，占所有研究的75%。

在各项人工智能技术中，出现频率最高的是优化算法，在41%的研究中出现过；其次是神经网络，在22%的研究中出现(图19)。须要注意的是，不同的技术可能在同一项研究中被使用。此外，有11篇论文所使用的技术难以归类，未被统计到此图表。

在各类主题中，平面布局和形体相关研究的数量基本处于每年的第1和第2，且逐年稳步增长(图20)。可以看到，各类主题都逐渐受到研究者的关注，各主题的相关研究数量基本上都在2020年达到峰值。

涉及建筑物理性能的研究在外表面和形体这两个研究主题中占比最多，分别为79%和58%；而在平面布局相关研究中占比最少，仅为10%(图21)。这可能是因为形体和外表面这两个主题经常涉及到建筑外部环境，对建筑物理性能的影响较大；而平面布局主要是研究建筑内部空间组织，与建筑物理性能关联性较弱，但也有例外，如建筑组团的平面布局对室内采光有影响。未来研究中，寻找除物理性能外的通用评价标准，也是重要的研究方向之一。

优化算法和神经网络基本上是每年应用最多的热门技术，其相关研究数量呈现增长趋势(图22)。形状语法作为一项提出较早的技术，在近年也有着一些研究热度。各项技术的相关研究数量都在2020年达到最大值。

从技术和主题的综合分析来看，平面布局是应用人工智能技术最丰富的主题(图23)。优化算法在大多数主题中都有突出表现，其中在形体相关研究中出现得最多，这可能是由于形体研究中参数化模型和优化算法这一工作流的广泛使用，而这也导致形体主题中大部分研究都采用了优化算法。神经网络在形体、平面布局、设计分析这三个主题中的出现次数较为均衡，体现了这一技术的泛用性，但其未在外表面相关研究中出现，可能是由于外表面的研究思路较为单一和传统，未能有效地融合这一较新的技术。形状语法仅在平面布局和外表面这两个主题中出现，可能是因为该技术主要解决的是二维平面上的问题。

4 结束语

从人工智能技术和设计任务的角度进行分类和分析，总结了在建筑形体、布局、外表面和设计应用等方面的研究前沿和热点。主要得到以下结论：

1)建筑设计的数字化为人工智能技术的应用提供了基础，建筑设计领域中应用人工智能技术的研究呈现增长趋势，2020年发表文章数量增长了67%。

2)在不同设计任务中，人工智能技术的应用研究逐年增多，其中，平面布局和形体是研究数量最多的设计任务，分别占比42%和26%。

3)人工智能的新技术和传统技术都能够被广泛应用于各类主题的研究中，解决不同尺度和层级的设计问题，辅助设计并提高工作效率，启发设计思路。其中，优化算法和神经网络是应用最多的人工智能技术，分别占41%和22%。从评价指标来看，建筑物理性能是最常用的公认的客观评价指标。对于其他方面的性能评价，例如空间效率、私密性、视野等，还没有明确的公认的量化评价指标。

目前大部分研究尚未达到能够实际应用的程度，或是只能在单一项目上使用而无法推广，这与建筑领域问题的定义不够清晰、人工智能算法的能力范围有限、数据标准化结构化程度不高等因素有关，这三方面的提升也是未来重要的研究方向。首先，在问题定义方面，建筑设计建造领域问题十分复杂、开放、难于界定，涉及的项目内容维度众多，链条庞大，因此形成分散、各自为政的研究情况，没有形成统一的理论体系，这对人工智能技术的应用形成了阻碍。人工智能算法能够针对定义明确的具体问题给出高效的解决方案，例如在医疗、安防等领域，人工智能主要解决图像识别等具体问题，应用较为广泛。而在建筑领域，问题的定义还不够明确，以平面布局生成为例，如何判断不同平面的好坏和合理性、用统一的数据结构描述平面布局，都没有标准的做法和定义。因此，为增强建筑领域的人工智能技术应用，设计目标和建筑模型描述等问题都需要进一步的研究。其次，在算法能力方面，人工智能算法往往针对特定类型的问题，例如监督学习中的回归、分类问题，而建筑设计中的问题不完全能转化为这类任务，因此针对设计任务中的特定问题，在明确定义的基础上，新模型和新算法的开发是未来研究的重要方向之一。此外，在数据方面，建筑数据的标准化和结构化是亟待解决的问题，一方面，人工智能算法需要结构化数据进行分析和学习，另一方面，建筑形体特征、平面布局等仍没有统一的结构化的几何描述方式和数据结构。各个研究者使用的软件工具平台不尽相同，相互间的对接和兼容也是一大问题，这需要建筑信息模型(BIM)等更大型系统的支持。统一的数据标准是面向未来智能化、数据化建筑设计发展的基础，也是未来一个重要的研究方向。

综上所述，标准性和通用性是目前建筑设计领域人工智能技术发展面临的重要挑战，如何解决它们也是今后研究者的重点之一。