从草图到数字未来：人机共生视阈下的建筑教学创新实践

摘要：在教育领域，尤其是在建筑学教育中，深度学习与生成设计的融合已成为推动教学改革的重要方向。本文探索了机器学习与潜在形态学结合在建筑学教育中的应用，目的在于：超越传统教学模式，激发学生的创造力和深度认知能力；通过碎片化感知、结构化关联和抽象化迁移，促进学生深度理解建筑设计原理；结合生成性任务，激发学生从二维到三维的创造性转换，培养创新能力和深度认知。实践表明，此教学模式不仅提升了学生对知识的掌握程度，更推动了建筑学教育的创新发展。

关键词：机器学习；潜在形态学；建筑学教育；教学创新

中图分类号：G434" 文献标识码：A" 论文编号：1674-2117（2025）04-0053-04

随着人工智能技术的迅猛发展，数字建筑学作为应对全球技术与文化快速变化的重要方式，给人们带来了新的挑战与机遇。以“建筑智能”视角探索“再人文”，成为建筑师和学者们的回应路径。因此，笔者深入探讨了机器学习与潜在形态学在建筑学教育中的创新应用，并通过具体的教学实践，展示深度学习与生成设计融合的教学模式如何有效推动建筑学教育的创新发展。

深度学习与生成设计在建筑学教育中的融合背景

政策层面：世界各国都已认识到AI在教育领域的潜力，并通过政策推动其发展。《关于加快场景创新以人工智能高水平应用促进经济高质量发展的指导意见》等文件强调了AI对教育和社会的推动作用。同时，雷尼教育研究与政策中心在2024年的《反思教育》报告中倡导重新构想学习方式以适应21世纪需求。[1]

学术研究：在建筑学教育领域，生成式AI正重塑教学与实践。杨宗凯等的研究显示，AI增强教学互动，促进从知识传递到能力培养的转变。通过AI，学生能在实时反馈中深入探索建筑设计复杂性。

在辅助工具开发上，Steinfeld[2]和Cutellic[3]等为设计师提供了理解和应用机器学习的框架。这些研究不仅推动AI在建筑设计中的普及，还增强了建筑师在数字工具中的创造力。生成式AI为建筑学教育带来深刻变革，要求教育者和学者在保留传统精粹的同时，有效融入现代技术，培养应对未来挑战的新一代建筑师。

教学实践与案例分析

1.从知识学习到设计的综合运用：构建建筑教育新体系

为了有效地将人工智能技术融入建筑学教育，笔者首先对教学需求进行了深入分析。主要需求如下。

提高设计创新能力：学生需要掌握将传统设计理念与新兴技术相结合的能力，以创造出独特和前瞻性的建筑作品。通过引入深度学习和生成设计技术，学生可以利用这些工具从大量设计数据中提取创新元素，生成多种设计方案，并在此基础上进行优化和创新。

增强实践操作技能：学生需要通过实际操作，将理论知识转化为具体的设计方案和建筑模型。生成设计工具和深度学习算法的应用，使学生能够在虚拟环境中进行设计实验，快速迭代和验证设计想法，从而提高实践能力和解决实际问题的能力。

提升研究和批判思维：学生需要培养深入探索建筑设计原理和结构形成的能力，以及对设计方案的批判性思考。通过AI技术的辅助，学生可以进行复杂的设计分析和模拟，理解不同设计方案的优缺点，培养批判性思维和科学研究能力。

2.从人际协作到人技协同：打造建筑教育的共生合成体

针对上述需求，笔者开展了以下技术研发和个性化定制工作。

（1）开发基于机器学习的设计辅助工具

笔者深入研究了西南少数民族的传统纹样，通过使用机器学习中的STABLE DIFFUSION技术和LORA算法，训练模型来识别这些纹样的布局规则（如下图）。接下来，在Grasshopper环境中，利用这些规则进行参数化设计，生成了一系列基于传统纹样的现代建筑设计方案。这个过程结合了规则主导和规律主导两种范式：首先使用规则主导的方法，将传统纹样的设计规则输入到机器学习模型中，然后通过规律主导的方法，让模型学习并生成新的设计方案。

丹尼尔·博勒简（Daniel Bolojan）通过生成对抗网络（GANs）找到圣家堂的设计规律，结合森林的视频，探索了两种意象的结合，这一研究为项目提供了重要的参考。在笔者设计的案例中，学生不仅能够理解和掌握传统元素的精髓，还学会了如何在现代设计中创新性地应用这些元素。通过这种方式，既提升了学生的设计创新能力，又增强了他们对传统文化的理解和传承。

（2）定制潜在形态学课程

结合机器学习技术和三维建模软件，结合相应的课程，教授学生如何从人工智能生成的二维图像中提取设计原则，并将其应用于三维建筑模型的创造。

例如，在教学实践中，笔者开发了一个基于潜在形态学的《人体工程学》生成式互动课堂，通过结合机器学习技术和三维建模软件，为学生提供一个全新的学习平台。这个课程不仅注重理论知识的传授，更通过实际操作和互动体验，帮助学生全面掌握人体工程学的应用。

具体来说，课程包括以下几个关键环节。

数据集收集与处理：学生学习如何收集和处理大量人体工程学数据，包括姿势、动作和结构图像。通过数据清洗和标注，学生掌握了数据预处理的基本技能。

机器学习模型训练：学生利用深度学习算法，特别是潜在形态学模型，训练机器学习系统，使其能够识别人类动作图像并生成相应的机器人模拟。在此过程中，对模型的参数和超参数进行定制化训练，使其能够更准确地反映建筑领域的设计特征和规律。

三维建模与应用：在三维建模软件如Rhino和Revit的辅助下，学生将从机器学习中生成的设计原则应用到三维建筑模型的创建中。通过这一过程，学生不仅提升了三维建模的技能，而且学会了如何将数据分析结果转化为实际设计方案。

生成式互动课堂：整个课程采用互动式教学模式，学生可以实时与机器学习系统进行互动，调整和优化他们的设计方案。通过这种方式，学生的学习体验得到了极大的增强，实践能力和创新能力也得到了全面提升。

这种基于潜在形态学的生成式互动课堂，既提供了一个高效的学习环境，也为未来的创新设计工作奠定了坚实的基础。通过这种方法，学生能够在掌握理论知识的同时，提升实践应用能力，并为未来的职业发展做好充分准备。

（3）引入“拼贴”技术

教授学生如何使用现成的模型或部件进行创意拼接，以激发创新思维和提高设计效率。

例如，在多模态机器学习在园林设计中的应用的教学实践中，将多模态机器学习技术应用于宋代园林设计教学。通过这种方式，学生不仅掌握了先进的技术手段，更深入理解了传统文化与现代技术的结合如何为景观建筑领域带来新的设计思路。

在这一项目中，笔者采用了StyleGAN和LoRA技术，将宋代诗歌中的意境与情感融合到园林设计中，创造出高质量且符合传统美学的园林图像。多模态机器学习技术的应用，使得学生能够通过“数据-模型-互动-评价”四个方面的流程，重塑建筑设计过程，实现定制化的建筑设计智能生成范式。具体的教学步骤包括以下几个关键环节。

①数据收集。

建立个性化数据库：建立一个包含大量与宋代园林相关的文本、图片和模型的数据集。这个数据库不仅包括宋代诗歌和绘画作品，还包含现代研究资料和相关图像数据。

数据清洗与整合：通过数据清洗、集成、变换和归约，提升人工智能模型的训练效率，使其能够更好地理解建筑细分领域下的语义和特征。

②模型训练。

参数与超参数定制化：对模型的参数和超参数进行订制化训练，使人工智能能够准确捕捉宋代园林设计的特征和规律，从而生成高质量的设计方案。

人机协作下的工作流程范式：通过订制化的人机交互形式，学生可以在模型训练过程中实时调整参数，增强对模型和数据的理解。

③拼贴技术的引入。

创意拼接：教授学生如何使用现成的模型或部件进行创意拼接，以激发创新思维和提高设计效率。学生通过探索不同的拼接方式，创造出既体现宋代审美又具有现代设计元素的园林作品。

通过这些技术步骤，学生成功地将宋代诗歌中的意境与情感融入园林设计中，创造出了一系列高质量的园林图像和视频。这些图像和影像不仅符合传统美学，同时也融入了现代设计元素，展示了传统文化与现代技术的完美结合。

④围绕深度学习模型设计生成式课堂。

在教学实践中，笔者不仅采用了深度学习模型来设计生成式课堂，而且运用人工智能技术来模拟建筑师与学生的互动。为了使学习更加生动和直观，笔者利用AI技术，让知名建筑师通过虚拟形象直接向学生讲解经典建筑案例。

3.从知识本位到能力本位：探索建筑创新人才培养模式

在“建筑学概论”课程中，笔者致力于从知识本位教育模式转型为能力本位，特别强调培养具备创新才能和解决实际问题能力的建筑专业人才。这一转型得益于人工智能技术的赋能，它使得教育技术能够渗透到建筑教育的每一个环节，建立起一个多维度的相互促进的创意和创新能力评估体系。

4.从同质发展到独特成长：架设建筑学生的个性化成长路径

在关于构建“人工智能背景下建筑学教育新生态体系”的研究中，笔者发现通过引入AI技术，学生能够获得针对性的学习体验，在个性化环境中形成自主决策能力。

生成式AI增强设计不仅仅是专业算法和模型的简单移植，更需要系统性地认知建筑知识体系。AI算法是否能理解建筑学中抽象的概念、各维度间的不可见关联以及回答特定的问题仍是未知数。因此，人工智能增强建筑设计要求同时满足“通用性”和“知识性”两方面的需求。通用性：整体性、系统性地理解建筑学科体系及内部关联。这需要建立认知策略，将建筑学知识转化为可计算的数据图谱，并通过大规模建筑数据让人工智能学习建筑的经验和知识。知识性：细分化、颗粒化地分解建筑领域问题。这需要建立细分模型，引入环境性能化、结构性能化、行为性能化等元素到算法技术中，优化特定建筑设计的各个方面。

教学效果与学生反馈

整合深度学习的理念与生成性教学的策略在建筑和设计教育中的实施，取得了一定的教学效果：

一是，借助仿真和模拟工具，不仅加强了学生的互动学习体验，而且通过碎片化感知、结构化关联以及抽象化迁移的深度学习模型，促进了学生从直观理解到创新实践的全方位发展。

二是，通过引入AI定制的学习路径和课后虚拟实验室，学生能够在虚拟环境中进行多次设计实验和迭代。这种实践操作使学生能够将理论知识转化为具体的设计方案和建筑模型，提升了他们的实践操作技能。

三是，AI技术在课程中的应用使学生能够进行复杂的设计分析和模拟，理解不同设计方案的优缺点。通过这些技术，优化了传统的教育方法，将学生在课堂上获得的碎片化知识结构化，并引导他们将这些知识迁移到具体的设计实践中。

四是，个性化学习路径和智能化自我评价工具使学生能够自主规划和跟踪自己的学习进度，培养了学生自主决策能力。

五是，跨学科整合的教学方法使学生能够将建筑学、环境科学和工程学等领域的知识融会贯通。

参考文献：

[1]Rennie Center for Education Research amp; Policy.（2024）.Rethinking education：Reimagining when，where，and how learning happens. Boston，MA：Rennie Center for Education Research amp; Policy.

[2]Steinfeld.K.（2017）.Machine Learning Frameworks for Designers.In Proceedings of the 37th Annual Conference of the Association for Computer Aided Design in Architecture（ACADIA 2017）：Disciplines amp; Disruption（pp.234-243）.Cambridge，MA：ACADIA.

[3]Cutellic，M.（2018）.Integrating AI Tools into Architectural Design Processes.In Proceedings of the Design Modelling Symposium Paris 2018 （pp.112-121）.Paris，France.

作者简介：陈虹屹，国家一级注册建筑师，高级工程师，研究生导师，高级人工智能训练师。

基金项目：重庆市教委科学技术研究计划项目“西南住区参数化节能设计与碳排放优化路径探索”（KJON202401805）；重庆市教育科学“十四五”规划项目“共生理论视角下新工科现代化思维教育创新策略与实践研究”（K23YG2180454）。