陳然 趙晶＊

人工智能如何理解設計特征？這是一個關(guān)鍵而亟待解決的新問題。近年來，人工智能技術(shù)在圖像處理、語音處理、自然語言處理（natural language progressing, NLP）等領(lǐng)域取得了突破，為風景園林設計領(lǐng)域提供了新的可能性。尤其是一些基于深度學習技術(shù)的圖像生成模型（如Midjourney、Dall-E、Stable Diffusion 等新應用工具），可以根據(jù)用戶簡單輸入生成具有創(chuàng)造力的圖像，似乎能產(chǎn)出令人滿意的設計結(jié)果。然而它們能否捕捉到設計作品的本質(zhì)、規(guī)律和邏輯？還是僅能基于圖形生成圖形？這些問題具有重要的理論和實踐意義，也面臨著巨大的挑戰(zhàn)，涉及諸多方面問題。

1）“AI 算法驅(qū)動的設計循證”——當今技術(shù)背景下產(chǎn)生的新問題。大多數(shù)傳統(tǒng)數(shù)字景觀技術(shù)是用人工邏輯進行正向推導，從而產(chǎn)生可“循證”的設計結(jié)果。深度學習與傳統(tǒng)方法不同，它不是用人工邏輯進行正向推導，而是利用海量數(shù)據(jù)訓練，從中發(fā)現(xiàn)隱式規(guī)律，并用它們進行再創(chuàng)造。但由于“黑盒”效應，神經(jīng)網(wǎng)絡所習得的“隱式規(guī)律”可解釋性較低，也難以循證，這是關(guān)乎技術(shù)落地的重要問題。

2）“AI 算法驅(qū)動的人機協(xié)同方式”——敏感且尖銳的行業(yè)問題。神經(jīng)網(wǎng)絡在生成設計方案時，本質(zhì)上是通過海量數(shù)據(jù)訓練，擬合從條件到設計結(jié)果之間的“映射關(guān)系”。這個“映射關(guān)系”就是設計師最核心的工作——生成方案。探究算法理解并生成方案的邏輯是重要的科學問題，這關(guān)系到算法可以從什么方面、什么角度輔助設計師工作。

3）“算法可解釋性”——富有挑戰(zhàn)性的高難度技術(shù)問題。從設計師的角度，風景園林設計本身就是一項難以量化的工作，設計工作往往依賴于直覺、經(jīng)驗、情感等難以表達和傳遞的因素，其思維過程也不一定是線性和邏輯性的，很難用量化和標準化的方式來定義和評價；從算法的角度，算法可解釋性研究是目前學界無法完全解決的問題，也是持續(xù)的研究熱點。

1 相關(guān)研究

1.1 從深度學習到AI 生成設計

人工智能技術(shù)的快速發(fā)展對設計領(lǐng)域產(chǎn)生極大沖擊，得益于深度學習技術(shù)特殊的學習能力。深度學習是人工智能的關(guān)鍵技術(shù)，可以通過大量數(shù)據(jù)訓練擬合事物間的映射關(guān)系，挖掘事物規(guī)律。

深度學習于20 世紀60 年代被提出，但近10 年來才開始迅速發(fā)展，逐漸被社會各界所認識。2012 年，AlexNet 由Alex Krizhevsky[1]提出，在ImageNet 視覺識別比賽中獲得第一名，自此深度學習開啟了新的紀元。2015 年，微軟ResNet 系統(tǒng)在ImageNet 圖像分類競賽中刷新了紀錄，實現(xiàn)3.6%的錯誤率，首度超過人類表現(xiàn)[2]。2016 年，AlphaGo 算法以深度學習和強化學習為核心，擊敗了圍棋世界冠軍，人工智能開始走進公眾視野[3]。僅隔一年，AlphaZero 在2017 年被提出。它無需人類的數(shù)據(jù)和指導，用自我博弈強化學習的方式，在40 天內(nèi)打敗AlphaGo，證明了強化學習的特殊能力[4]。同年，Pytorch[5]、Tensorflow[6]等框架相繼發(fā)布，方便了更多的研究者快速調(diào)用成熟的深度學習算法。自此，深度學習在各個領(lǐng)域百花齊放。

深度學習主要應用領(lǐng)域包括NLP、計算機視覺（computer vision, CV）。在NLP 領(lǐng)域中：2017 年，Vaswani、Ashish 等提出了框架Transformer[7]，2018 年，openAI 公司在其基礎(chǔ)上提出了GPT 系列模型，從此GPT 系列每年一更新，從GPT-3、Embeddings、GPT-3.5，到現(xiàn)在的ChatGPT[8]。在CV 領(lǐng)域中：2017 年，循環(huán)生成對抗網(wǎng)絡（CycleGAN）[9]、圖到圖翻譯的條件生成對抗網(wǎng)絡（Pix2Pix）[10]等算法開始進入設計領(lǐng)域，奠定了AI 生成內(nèi)容（artificial intelligence generated content, AIGC）[11]的基礎(chǔ)，隨后，在2018 年，英偉達公司提出了樣式生成對抗網(wǎng)絡（StyleGAN）[12]，又于2019 年 提 出 了GauGAN[13]，直 到2021 年，openAI 公司提出CLIP 多模態(tài)圖文處理模型[14]、DALLE 圖像生成工具[15]，2022 年Midjourney公司、Stability AI 公司、Adobe 公司等相繼推出Midjourney、Stable Diffusion、Adobe Firefly等商用級產(chǎn)品，AIGC 開始進入高速發(fā)展期，與設計領(lǐng)域產(chǎn)生越來越多的交互。

也正是在近幾年，風景園林智能化革命逐步從參數(shù)化時代走向人工智能時代，AI 技術(shù)與設計行業(yè)走向交匯處[16-17]。人工智能算法類型眾多，分類方法眾多，在風景園林中的應用可以分為人工生命類、智能隨機優(yōu)化類和機器學習類[18]。其中機器學習是最為關(guān)鍵的分支之一，它具有強大的學習能力，可以通過大量數(shù)據(jù)訓練擬合事物間的映射關(guān)系。機器學習在風景園林中的應用又包括景觀評價[19]、景觀格局模擬預測、生成設計（generative design）[20]。其中深度學習比其他機器學習算法的學習能力更強，神經(jīng)網(wǎng)絡的深度更深，有更強的擬合能力，更加適配生成設計問題。

1.2 深度學習在生成設計中的應用

生成設計是一種由設計師和計算機協(xié)同工作的設計流程[21]，即在設計師給定設計空間的基礎(chǔ)上，借助計算機的數(shù)據(jù)計算高效生成大量設計方案，其次基于用戶限定篩選出符合要求的高質(zhì)量方案。生成設計的發(fā)展大致經(jīng)歷了參數(shù)化、智能化、深度學習3 個階段[16-17]。參數(shù)化設計方法擴展了傳統(tǒng)設計方法的可能性，推動了計算機輔助設計在設計過程中的位置[22]；智能化時代，生成設計領(lǐng)域產(chǎn)生了元胞自動機應用、遺傳算法應用、多智能體系統(tǒng)應用等多種技術(shù)手段[23]。近年來，深度學習的快速發(fā)展為生成設計優(yōu)化和廣泛應用提供了可能性，也成為當前風景園林智能化改革的主要技術(shù)路線之一。

生成設計主要應用深度學習中的生成算法，包括生成對抗網(wǎng)絡（generative adversarial network, GAN）系列、擴散模型（diffusion models）系列、流形模型（flow models）系列、自編碼器（auto encoder, AE）系列。GAN 系列通過多個神經(jīng)網(wǎng)絡之間相互對抗約束，而不是單純逼近最優(yōu)解，生成結(jié)果既能約束，也富有多樣性，在生成設計中應用較多[16,24]。

基于GAN 的場景效果圖生成領(lǐng)域的研究涉及的專業(yè)較多。由于效果圖與自然場景圖像較為相似，數(shù)據(jù)量較大，主要研究問題不僅是規(guī)劃設計的專業(yè)問題，更多集中于基于GAN 的城市場景及城市要素分析，比如城市建筑足跡提取及變化檢測[25-29]、城市建筑細部分析[30-32]、城市車輛軌跡預測[30,33-37]、城市擴張分析[34,38]、城市遙感影像分析[39-45]等。

基于GAN 的平面圖生成包括了大量空間規(guī)劃的設計專業(yè)性問題，相關(guān)研究主要集中于規(guī)劃設計行業(yè)。該領(lǐng)域從建筑室內(nèi)方案生成開始[46-54]，逐漸拓展到規(guī)律性較強的室外空間生成，如住區(qū)、校園等[24,55-60]，近年開始往風景園林等復雜空間對象發(fā)展[61-65]。該領(lǐng)域研究問題主要集中于如何約束算法進行空間規(guī)劃和優(yōu)化。

可見，基于深度學習的平面圖生成相關(guān)研究更加契合規(guī)劃設計本質(zhì)，是“人工智能理解設計”的核心部分。

1.3 從設計理解到高維特征識別

如前文所述，平面圖生成的研究是“人工智能理解設計”的核心部分，但目前還較少有“人工智能理解設計”相關(guān)的探索，主要研究問題集中于如何構(gòu)建生成設計技術(shù)流程，以及如何將該流程遷移到更復雜的空間規(guī)劃工作。

在基于深度學習的生成設計技術(shù)中，設計條件和結(jié)果間的映射關(guān)系由算法訓練習得，可解釋性較低，“人工智能理解設計”的研究就集中在如何構(gòu)建、提取、分析這個映射關(guān)系。目前已有研究主要集中在基于圖（graph）的建筑室內(nèi)生成設計，圖是一種可以凝練大量實體和實體間關(guān)系的數(shù)據(jù)結(jié)構(gòu)，該細分方向主要的技術(shù)方法是將設計要素（如建筑室內(nèi)的功能布局、建筑室內(nèi)設計要素）凝練于圖中，用于約束算法進行可解釋的生成任務[47,49]。

但由于風景園林設計工作過于復雜，包含了大量非線性邏輯的推理過程，以及大量難以界定的模糊邊界、多種復合功能的空間，甚至難以確定設計要素、要素關(guān)系分類（例如，拓寬的園路屬于廣場還是園路？應該以實體要素還是以視覺感知為分割界限限定圍合空間？）這種難以量化的評價邏輯限制了圖神經(jīng)網(wǎng)絡（graph neural network, GNN）在風景園林生成設計中的應用。

從算法的角度，該問題本質(zhì)上是因為風景園林方案包含大量難以解釋的抽象特征，而且特征之間存在大量的特征耦合性（feature coupling，是Tero Karras 在StyleGAN 算法原文中提出的概念，指不同數(shù)據(jù)特征之間的影響程度）[12]，因此“如何解開風景園林特征耦合性、探究高維抽象設計特征”是在研究“人工智能理解設計”之前的必要步驟，也是筆者研究的關(guān)鍵科學問題。

因此本研究擬借助StyleGAN 技術(shù)，通過大量的設計方案訓練算法，抓取算法內(nèi)部隱空間特征，分析算法能否識別風景園林方案抽象設計特征，可以識別哪些特征，以及能否解開特征耦合性。

2 研究方法

本研究首先運用設計方案數(shù)據(jù)集進行StyleGAN 的算法訓練，令算法生成多樣化的設計方案；然后利用主成分分析（principal component analysis, PCA）降維方法可視化算法內(nèi)部隱空間，分析算法以何種特征指引多樣化的設計方案生成，以探究神經(jīng)網(wǎng)絡如何理解設計特征。

2.1 StyleGAN 原理

StyleGAN 可以通過控制不同層次的風格特征實現(xiàn)對生成圖像的細粒度編輯。該算法主要由映射網(wǎng)絡（mapping network）、生成網(wǎng)絡（synthesis network）2 個部分組成。整個正向傳播過程如下。

1）隨機噪聲向量z（一種服從標準正態(tài)分布的隨機向量，無規(guī)律的隨機噪聲可以增加生成圖像的多樣性）通過8 個全連接網(wǎng)絡層得到w 向量。w 向量是一種經(jīng)過特征解耦的隱空間向量，難以直接可視化，其中包含了不同層次的風格特征，這也是本研究關(guān)鍵的研究內(nèi)容。

2）w 向量再控制生成網(wǎng)絡進行多樣化圖像生成。在生成網(wǎng)絡中，常數(shù)向量（一種服從標準正態(tài)分布的固定向量，無規(guī)律的固定噪聲可以作為生成圖像的初始狀態(tài)）通過類似于漸進式增長生成對抗網(wǎng)絡（progressive growing of GANs, ProGAN）的架構(gòu)，從4×4到8×8 逐步生成高分辨率圖像，生成內(nèi)容從低分辨率逐漸到高分辨率。在這個過程中，不同深度層（風格特征層）上的w 向量分別控制生成方案的不同尺度信息。w 向量就在這個過程中，傳到與每個層次相對應的部分，通過自適應實例歸一化（adaptive instance normalization, AdaIN）操作控制不同尺度的特征，不同深度層（風格特征層）上的w 向量分別控制生成的設計方案的不同尺度信息，如從空間布局，到路網(wǎng)結(jié)構(gòu)，再到細部紋理、樹種等。這種架構(gòu)使得StyleGAN 能夠?qū)崿F(xiàn)風格特征和生成網(wǎng)絡之間的解耦，即不同風格特征層上的w 向量可以獨立地影響生成方案的不同尺度信息，而不會相互干擾。此外，為增加圖像多樣化，w 向量與隨機噪聲通過加法操作同時控制每個層次的細節(jié)信息（此處的隨機噪聲與向量z 不同，是另一個服從標準正態(tài)分布的隨機向量，目的是增加生成圖像的細節(jié)變化）。

2.2 StyleGAN 應用方法

該算法通過大量數(shù)據(jù)訓練習得不同的設計特征，生成不同的方案。其中，w 向量包含了每個生成方案的特征。因此本研究的關(guān)鍵部分是探究w 向量，包括“w 向量數(shù)據(jù)特征分析”“w 向量語義信息分析”。

2.2.1 w 向量數(shù)據(jù)特征分析方法

在本研究中，我們使用了2 個概念來描述和分析StyleGAN 生成的圖像：風格特征和設計特征。風格特征是指w 向量在不同深度層（風格特征層）上控制圖像生成的不同尺度信息，是算法的概念，包含了部分設計特征，也包含了其他圖像特征。它反映了StyleGAN 如何將隨機噪聲向量z 映射到具有不同風格特征的向量w，并且如何將w 注入合成網(wǎng)絡中生成高質(zhì)量的圖像。設計特征是我們對圖像進行研究和分析所使用的概念，它反映了我們?nèi)绾螐膱D像中識別或提取具有語義的特征，如風景園林方案抽象設計特征。w 向量包含了風格特征（算法概念）；風格特征中既包含了設計方案中的設計特征，也包含了非設計特征的其他特征。本研究目標是研究w 向量中能提取什么設計特征。

w 向量存在于高維空間，難以可視化，因此筆者通過降維、聚類與圖像嵌入2 個步驟完成w 向量的分析。

1）降維：由于w 向量（設計特征）由z向量（隨機噪聲）經(jīng)過映射網(wǎng)絡得來。因此將w 向量與z 向量同時降維并可視化，通過數(shù)據(jù)分布初步分析算法能否提取有規(guī)律的特征信息。

2）聚類與圖像嵌入：僅根據(jù)數(shù)據(jù)分布難以分析算法習得的特征是否為設計特征，因此進一步將多個w 向量進行聚類，并將每個對應的生成方案嵌入w 向量的數(shù)據(jù)分布中，通過生成方案的設計特征差異進一步分析算法能否有效提取設計特征。

2.2.2 w 向量語義信息分析方法

在本研究中，我們假設存在一個所有方案的“平均方案”（即抹除了特定設計特征的方案），來分析每一個生成方案與“平均方案”的差異，從而得到該生成方案對應的w 向量包含的最重要的設計特征信息。

為了實現(xiàn)這一目標，我們需要借鑒StyleGAN 框架中的截斷（truncation）技巧。這種技巧可以通過調(diào)節(jié)不同層次的特征影響強度，觀察在同一w 向量影響下，生成結(jié)果的連續(xù)變化。這與本研究的假設有相似之處，即不同層次的特征對風格遷移的影響程度不同。截斷后的特征向量 的計算式如下：

式中，w 為每個生成方案對應的原始特征w向量；為平均特征w 向量，是W 空間中分布的所有特征點的平均點；φ為截斷系數(shù)，是可人為調(diào)整的超參數(shù)，一般情況下0 ≤φ≤1（但實際操作中φ也可以在這個范圍之外）。該方法通過計算到所有點的距離，再進行統(tǒng)一壓縮，將所有數(shù)據(jù)點聚攏。

因此，當φ為1 時，截斷后的特征向量為原始特征，對應的生成方案保留特定設計特征：

當φ為0 時，截斷后的特征向量為平均特征，對應的生成方案即“平均方案”：

因此，通過截斷技巧，調(diào)節(jié)φ從0 到1，可以分析方案在同一w 向量不同強度影響下，從抹除所有特征信息的“平均方案”，到包含該w 向量完整特征的“特定生成方案”的連續(xù)變化。以此回應前述假設，分析每一個w 向量所內(nèi)含的設計特征語義。

2.3 數(shù)據(jù)來源

本研究數(shù)據(jù)來源包括2 個部分：4 047 個多樣化設計方案（下稱通用數(shù)據(jù)集）、105 個針對同一場地的“一題多解”方案（下稱定向數(shù)據(jù)集）。其中通用數(shù)據(jù)集來源于公開資料，由27 個風景園林專業(yè)本科生、研究生在設計網(wǎng)站上搜集、處理，包含了多種類型綠地空間設計方案；定向數(shù)據(jù)集來源于北京林業(yè)大學園林專業(yè)學生作業(yè)，包括針對同一場地（北京市海淀區(qū)西北旺一處10 hm2綠地空間）的105 種不同風格的設計方案。

這2 套數(shù)據(jù)集分別用于探究不同內(nèi)容。數(shù)據(jù)集的選擇會影響StyleGAN 擬合映射關(guān)系和提煉通用設計特征的難度和效果。如果數(shù)據(jù)集風格過少，即數(shù)據(jù)集中包含的設計特征過于單一或相似，那么StyleGAN 可能無法學習到足夠多樣或豐富的設計特征，也無法反映出不同設計特征之間的差異或聯(lián)系。如果數(shù)據(jù)集風格過多，即數(shù)據(jù)集中包含的設計特征過于多樣或復雜，那么StyleGAN 可能難以擬合映射關(guān)系，也難以提煉出通用的設計特征，因為不同設計特征之間可能存在沖突或干擾。

2.4 算法訓練

StyleGAN3 多用于多角度動圖的訓練生成，而風景園林設計方案是靜態(tài)的平面圖圖像數(shù)據(jù)，因此StyleGAN3 不適用于本研究。本研究采用StyleGAN2 模型，訓練采用512×512 分辨率，在雙卡NVIDIA 3090 GPU上運行，顯存為64 GB。其中，為更好習得設計規(guī)律，針對通用數(shù)據(jù)集的訓練開啟數(shù)據(jù)鏡像增強功能；而針對定向數(shù)據(jù)集的訓練中，為保持場地紅線不變，不開啟數(shù)據(jù)鏡像增強功能。

3 結(jié)果分析

本研究針對2 個數(shù)據(jù)集訓練了2 個生成器（下稱通用生成器和定向生成器），通用生成器生成的方案風格多樣，包括了多尺度、多類型方案，其生成結(jié)果多樣性高，但由于數(shù)據(jù)風格差距過大，方案局部細節(jié)效果較差（圖1）。定向生成器生成了同一場地的不同風格設計方案，整體設計內(nèi)容穩(wěn)定，細節(jié)豐富，但多樣性較差（圖2）。

1 通用生成器生成方案結(jié)果Results of scheme generation by universal generator

生成結(jié)果并不是本研究的主要目的，拆解算法并理解算法才是關(guān)鍵問題，因此下一步進行算法內(nèi)部的向量推理，以理解算法如何習得設計特征。

3.1 w 向量數(shù)據(jù)特征分析結(jié)果

設計方案由w 向量控制，w 向量中包含了設計方案的所有特征，每一個w 向量控制一張圖像。下面將從“w 向量降維分析”和“w 向量聚類和圖像嵌入”2 個方面進行分析。

3.1.1 w 向量降維分析

w 向量的降維分析包括2 個步驟：1）單w 向量分析：將單個生成方案的w 向量拆解分析，初步分析w 向量是否有習得特征；2）多w 向量分析：將多個生成方案的w 向量展平到二維空間，從整體分布上驗證是否有習得特征。

w 向量（設計特征）由z 向量（隨機噪聲）經(jīng)過映射網(wǎng)絡得來。在同一個生成器中，所有的生成結(jié)果都來自同一分布，但不同的z 向量會對應不同的w 向量，w 向量決定了圖像的風格特征。因此筆者采用PCA 將2 種向量分別降到二維，并可視化，以分析z 向量和w 向量之間的變換關(guān)系。

在單w 向量分析中，我們選取最有代表性的平均特征w 向量（）進行分析。該特征向量為16×512 的數(shù)據(jù)矩陣，即16 行，每行512 個數(shù)據(jù)。由于w 向量進入生成網(wǎng)絡前未逐層經(jīng)過AdalN，所以16 層信息是均布的，即16 行數(shù)據(jù)是相同的。因此只取w 向量中的第一行進行數(shù)據(jù)分布統(tǒng)計，并與輸入的z 向量對比，可見w 向量經(jīng)過映射網(wǎng)絡之后已經(jīng)將趨近于標準正態(tài)分布的z 向量轉(zhuǎn)換為帶有特征的w 向量（圖3）。這證明了映射網(wǎng)絡可以將隨機噪聲z 向量轉(zhuǎn)換為帶有特征的新的向量，初步證明了映射網(wǎng)絡已經(jīng)習得某種特征。

3 z 向量和w 向量數(shù)據(jù)特征對比Comparison between the data features of z vectors and those of w vectors

平均特征只證明了算法可以習得特征，而多樣化的特征需要隨機輸入大量z 向量測試。因此進一步輸入多個隨機z 向量，通過映射網(wǎng)絡轉(zhuǎn)換為多個w 向量，對比多個z 向量分布和多個w 向量的分布，分析算法能否生成不同的設計方案特征。

w 向量與z 向量都是高維數(shù)據(jù)，無法直接可視化。因此將所有向量展平、合并、降維到二維平面。這些z 向量代表了多個抹除所有信息的隨機噪聲，w 向量代表了生成器生成的多個多樣化設計方案的特征信息。

對比多個z 向量和多個w 向量分布結(jié)果（圖4），發(fā)現(xiàn)輸入的多個z 隨機向量是完全隨機分布的，而輸出的w 向量帶有明顯的特征，初步證明映射網(wǎng)絡可以習得多樣化設計方案特征，且可以猜測特征中心即設計方案中的特征均值。

4 多個z 向量和w 向量分布的對比Comparison between the distribution of multiple z vectors and that of multiple w vectors

3.1.2 w 向量聚類和圖像嵌入

經(jīng)過分析，發(fā)現(xiàn)w 向量帶有一定的特征信息，而這些信息能否反映設計方案信息，則需要進一步進行聚類和圖像嵌入可視化。

1）采用K 均值聚類方法，根據(jù)特征相似度對w 向量進行聚類。對通用生成器和定向生成器的100 個生成方案進行測試，不同分類用坐標點顏色表示，包含3 個要素以上的類別用連線框選。

2）將圖像嵌入不同的w 向量，分析算法習得的設計方案特征。每張圖像對應一個w向量（圖5）。生成結(jié)果顯示，通用生成器所生成的w 向量中，算法可以大致提煉并歸類特征，但分類邏輯不同，有根據(jù)形態(tài)、根據(jù)水體面積、根據(jù)軟硬質(zhì)比例、根據(jù)路網(wǎng)結(jié)構(gòu)、根據(jù)公園類型等多種分類邏輯，甚至有的類別是根據(jù)同一設計節(jié)點出現(xiàn)的頻率分類。

5 通用生成器w 向量聚類與圖像嵌入w vector clustering and image embedding of universal generator

算法根據(jù)w 向量特征相似度分類，因此聚為一類的圖像中，w 向量特征是較為相似的。而w 向量代表了方案的特征，因而可以推斷算法將聚為一類的圖紙視為同一類型設計特征。通用生成器的生成結(jié)果表明，該生成器難以提煉出準確的分類邏輯。在分類結(jié)果中，同一類別設計方案差距較大，可以初步推斷是數(shù)據(jù)集風格差異過大導致的。該數(shù)據(jù)集包含的數(shù)據(jù)內(nèi)容涵蓋了風景園林大多數(shù)設計風格，差異極大，相對于如此復雜的設計特征，數(shù)據(jù)集樣本數(shù)據(jù)量小、網(wǎng)絡體量參數(shù)量少、訓練時間短，因此難以擬合如此復雜的設計規(guī)律。

定向生成器的生成結(jié)果表明，當數(shù)據(jù)集里的圖像相似度較高時，分類邏輯更清晰，特征解耦程度較高。從整體上分析，類別間差異較大，多樣性高，可以生成不同類型的設計方案。從聚類圖像局部分析，每個類別中的設計方案較為相似，但設計細節(jié)存在差異（圖6）。

6 定向生成器w 向量聚類與圖像嵌入w vector clustering and image embedding of directional generator

3.2 w 向量語義信息分析結(jié)果

本節(jié)采用截斷技巧截斷w 向量：設置截斷系數(shù) 為0～0.9 的10 個連續(xù)浮點數(shù)（步長為0.1），基于前文100 個隨機z 向量，共同約束算法生成1 000 個w 向量。

進一步嵌入圖像分析，可以可視化生成器生成的平均方案。定向生成器可以從多種方案中總結(jié)通用的設計框架，該設計方案可以代表最適宜該場地的設計方案，其他的多樣性方案都是基于此框架進行設計內(nèi)容上的微調(diào)（圖7）。

7 平均w 向量及平均方案Average w vector and the average scheme

將定向生成器的完整w 向量（為1）標紅、聚類、嵌入生成結(jié)果，得到100 個帶有完整設計特征的多樣化設計方案（圖8），從中選取5 個方案（圖9～13）深入分析。從0 到0.9 調(diào)節(jié) ，分析w 向量在不同的截斷系數(shù)影響下的變化。受到截斷系數(shù)的影響，方案特征向特定方向變化，可基于方案特征變化的方向分析該w 向量所包含的語義特征。

8 多樣化設計方案聚類及圖像嵌入Clustering and image embedding of diversified design schemes

9 案例一：特征連續(xù)變化影響下的植被郁閉度變化Case 1: Change in vegetation depression under the influence of continuous change in features

10 案例二：特征連續(xù)變化影響下的水體面積連續(xù)變化Case 2: Continuous change in water body area underthe influence of continuous change in features

11 案例三：特征連續(xù)變化影響下的硬質(zhì)鋪裝面積與分布連續(xù)變化Case 3: Continuous change in area and distribution of hard paving under the influence of continuous change in features

12 案例四：特征連續(xù)變化影響下的活動廣場分布、植被連續(xù)變化Case 4: Continuous change in the distribution of active squares and vegetation under the influence of continuous change in features

13 案例五：特征連續(xù)變化影響下的水體形態(tài)變化Case 5: Changes in water body morphology under the influence of continuous changes in features

在案例一、案例二中，w 向量代表的意義分別是植物郁閉度、水體面積。從結(jié)果可見，算法可以在完全沒有其他信息的情況下，僅通過大量設計方案習得植物郁閉度與水體面積等抽象指標含義。在截斷系數(shù)的影響下，案例一的方案基本結(jié)構(gòu)保持不變，植物郁閉度整體增加，植物圍合的草坪空間減少。算法能考慮植物群落邊緣豐富靈活的點狀種植，創(chuàng)造多樣植物空間。案例二在截斷系數(shù)的影響下，方案基本結(jié)構(gòu)保持不變，水體面積整體減少。算法能靈活地降低水域深度，從湖面逐漸變?yōu)闈竦刈詈笤僮優(yōu)椴莸?，將整個河道變?yōu)樾∠?/p>

案例三、案例四都是針對鋪裝廣場相關(guān)指標的變化，但由于鋪裝廣場分布變化會影響整個方案結(jié)構(gòu)布局，因此在案例三中硬質(zhì)鋪裝面積與分布持續(xù)變化，與此同時，整體的植物、水體都有細微的變化。同樣問題出現(xiàn)在案例四中，方案在保持硬質(zhì)廣場總體面積基本不變的情況下，硬質(zhì)鋪裝位置分布連續(xù)變化，也會影響部分植物種植的布局。這種問題是特征纏繞引起的，說明算法無法完全解耦特征，但由于設計工作的特殊性，這種特征纏繞一定會出現(xiàn)。例如鋪裝廣場的布局變化會導致空間視域方向的變化，必然會導致植物種植群落的改變。

案例五則出現(xiàn)了更嚴重的特征纏繞，算法在修改水體布局的時候，整個方案的多種特征同時變化。甚至在方案變化過程中，不同階段的截斷系數(shù)變化主要影響的特征不同，如 取值0～0.4 的時候主要修改方案鋪裝廣場分布和路網(wǎng)結(jié)構(gòu)，取值0.5～0.9 的時候主要修改水體形態(tài)和種植群落分布。可見，如果再對w 向量進行微調(diào)，可以挖掘同一個w 向量中的不同設計特征。基于此，本研究最后進行了4 個w 向量的截斷系數(shù)微調(diào)測試。結(jié)果表明：通過微調(diào)截斷系數(shù)，算法可以區(qū)分出植物郁閉度、路網(wǎng)密度、駁岸硬化程度、路網(wǎng)結(jié)構(gòu)4 種高級設計屬性（圖14）。

14 w 向量截斷系數(shù)微調(diào)Fine-tuning of vector w truncation coefficients

4 結(jié)論與展望

本研究應用StyleGAN2 算法挖掘風景園林設計方案設計特征，通過數(shù)據(jù)分布可視化、聚類、圖像嵌入等技術(shù)方法探究神經(jīng)網(wǎng)絡中人類不可解的部分，以探究人工智能算法如何理解風景園林設計特征，推進智能設計循證研究。筆者發(fā)現(xiàn)，人工智能算法可以識別、提取設計方案中部分高維設計特征。算法識別的特征中，不僅包含了圖像形態(tài)特征，也包含了富含設計語義的高維設計特征。

但目前算法識別的大部分特征還是難以解耦：一方面是因為風景園林設計工作的復雜性，評價指標難以量化；另一方面是因為算法本身的不可解釋性，從神經(jīng)網(wǎng)絡黑盒中提取出有效信息難度較大。但即便難度大，算法驅(qū)動下的設計循證依然是一個非常重要的研究問題，因為算法正在逐步介入真實設計工作，可解釋性研究與算法開發(fā)研究是同等重要的?？山忉屝匝芯坑兄诩s束算法以滿足設計師需求，目前本研究暫未涉及該問題，這也是未來可以繼續(xù)深入的研究方向。

圖片來源(Sources of Figures)：

圖1～14 由作者繪制。