劉宇波，胡 凱 ，鄧巧明

1 引言

1.1 “基于案例設(shè)計”的發(fā)展簡介

關(guān)于程序化設(shè)計方法或者設(shè)計助手的研究可以追溯到20 世紀(jì)60 年代的“設(shè)計方法運(yùn)動”，當(dāng)時整個社會洋溢著“科學(xué)將創(chuàng)造美好生活”的樂觀主義，在這種樂觀主義的影響下，來自不同領(lǐng)域的學(xué)者和教育家試圖使設(shè)計過程變得更加“科學(xué)”[1-3]。這一階段的研究，明顯受到了系統(tǒng)論、控制論的影響，都試圖將設(shè)計過程轉(zhuǎn)化為使用規(guī)則、標(biāo)準(zhǔn)、分類的程序化設(shè)計系統(tǒng)[4]。20 世紀(jì)60 年代中期之后，技術(shù)樂觀主義逐漸消退，研究者們也意識到設(shè)計問題無法簡單地通過理性的科學(xué)系統(tǒng)來解決，開始反思重視規(guī)則和邏輯、缺少人文關(guān)懷的設(shè)計方法。在此背景下，霍斯特·里特爾提出了“第二代設(shè)計方法”研究，他認(rèn)為不同于基于規(guī)則和理性的第一代設(shè)計方法，第二代設(shè)計方法應(yīng)該通過互相博弈的、可參與式的進(jìn)程來識別和搜尋一個滿意的解決方案[5]。但是由于當(dāng)時對設(shè)計方法研究的普遍質(zhì)疑，里特爾的第二代設(shè)計方法并沒有得到重視，設(shè)計方法運(yùn)動也幾乎消亡。直到20 世紀(jì)80 年代，隨著人工智能第三次浪潮的興起，基于案例推理系統(tǒng)（Cased-based Reasoning,CBR）[6，7]在軍事、醫(yī)療、法律等領(lǐng)域迅速發(fā)展，也很快成為設(shè)計方法研究的熱點。

基于案例推理是人類的一種認(rèn)知行為，即基于過去積累的經(jīng)驗知識來解決遇到的新問題。這種模式在許多建筑學(xué)的理論中也有所提及，例如類型學(xué)的設(shè)計方法，便是從歷史文脈中提取原型再加以轉(zhuǎn)化和演繹創(chuàng)造出新的設(shè)計。不同于第一代基于規(guī)則和邏輯的系統(tǒng)設(shè)計方法，“基于案例設(shè)計”是里特爾的“第二代設(shè)計方法”的延伸，“基于案例設(shè)計（Case-based Design,CBD）”通過對歷史案例特征的結(jié)構(gòu)化提取，構(gòu)建案例數(shù)據(jù)庫，當(dāng)遇到新的設(shè)計問題時，通過結(jié)構(gòu)化的特征搜尋和匹配適合的解決方案。這種案例特征可以是案例的量化指標(biāo)特征，也可以是符號學(xué)中的符號關(guān)系、句法規(guī)則等。Archie-II是最早的CBD 系統(tǒng)之一，Archie-II 通過建筑平面圖和建筑不同方面的使用后評價構(gòu)建案例數(shù)據(jù)庫，它將案例數(shù)據(jù)的使用后評價分成5 個不同的維度，用戶可以通過輸入對這個5 個維度的描述性語句來檢索相關(guān)案例[8]。與Archie-II 不同，CADRE 是一個更加關(guān)注案例修改的CBD 工具，但是CADRE 僅僅通過簡單的旋轉(zhuǎn)、復(fù)制、刪減等操作修改案例，無法真正適應(yīng)復(fù)雜的實際條件[9]，此外FABEL[10]，JANUS[11]，SEED[12]等工具都是在建筑領(lǐng)域應(yīng)用的CBD 系統(tǒng)。隨著人工智能技術(shù)的發(fā)展，國內(nèi)也有部分學(xué)者開始研究CBD 工具，魏力愷結(jié)合HTML5和CBD 技術(shù)構(gòu)建了Architable 平臺[13]，唐芃等人將CBD工具應(yīng)用在了羅馬火車站周邊地塊城市更新設(shè)計[14]。

早期的CBD 工具更加偏向設(shè)計案例的檢索，對歷史案例的自動適應(yīng)與調(diào)整缺乏真正意義上的智能化和自動化。近年來，隨著深度學(xué)習(xí)技術(shù)的突破，特別是生成對抗網(wǎng)絡(luò)模型（Generative Adversarial Networks,GAN）的提出，讓計算機(jī)自動學(xué)習(xí)案例數(shù)據(jù)集中的形態(tài)特征，并根據(jù)用戶輸入條件應(yīng)用這些特征生成新的相似案例成為可能，許多學(xué)者也開始結(jié)合GAN 設(shè)計新的CBD 工具。2018 年，黃蔚欣和鄭豪首次將pix2pixHD 模型應(yīng)用在了公寓建筑平面圖的識別和自動生成[15]。此后，Chaillou Stanislas 提出ArchiGAN，實現(xiàn)了從用地到建筑輪廓，再到平面布局、家具布置的全過程自動化生成[16]。劉宇波等人將GAN 的應(yīng)用擴(kuò)展到了中等規(guī)模的園區(qū)生成，實現(xiàn)了基于小樣本數(shù)據(jù)的小學(xué)、大學(xué)校園和江南園林的自動化生成[17-19]。在城市肌理生成方面，現(xiàn)有基于GAN的CBD 方法多關(guān)注于整體式生成，如Jiaqi Shen 等人的研究，利用生成對抗網(wǎng)絡(luò)實現(xiàn)輸入路網(wǎng)生成城市肌理[20]。Stanislava Fedorova 訓(xùn)練了不同的GAN 模型，分別生成米蘭、阿姆斯特丹、塔林、圖靈、班加羅爾的城市肌理[21]。Yuzhe Pan 等人利用GauGAN 實現(xiàn)了中國北方社區(qū)形態(tài)的多樣化生成[22]。Steven Jige Quan 提出了一個Urban-GAN 的CBD 框架，并將其應(yīng)用于曼哈頓地區(qū)的形態(tài)生成[23]。這些研究只考慮不同城市的最具代表性的形態(tài)區(qū)域，并未同一城市的形態(tài)進(jìn)行研究劃分。

1.2 研究目標(biāo)

綜上所述，結(jié)合GAN 的CBD 工具表現(xiàn)出了作為智能設(shè)計助手的巨大潛力，但是在城市尺度，現(xiàn)有工作方法多為“整體式生成”。然而一個城市的城市形態(tài)是復(fù)雜多樣的，整體式生成方法只能實現(xiàn)城市肌理的“整體挪移”，不能有效實現(xiàn)特定類型城市形態(tài)的修復(fù)與填補(bǔ)。此外，對于GAN 模型的生成結(jié)果，大多數(shù)現(xiàn)有工作方法缺乏進(jìn)一步的評估和篩選。GAN 模型已經(jīng)展現(xiàn)了短時間生成大量備選方案的能力，而如何評估這些生成結(jié)果，篩選出符合設(shè)計要求的高品質(zhì)方案，也是研究者亟需考慮的問題。再者，由于GAN 只能處理和生成圖片數(shù)據(jù)，建筑師需要通過降維和標(biāo)注的方式將設(shè)計案例轉(zhuǎn)化為圖像數(shù)據(jù)集，在得到生成結(jié)果之后，再將圖片轉(zhuǎn)換為矢量模型進(jìn)一步深化。這些處理過程都需要有經(jīng)驗的設(shè)計師操作，且需要花費(fèi)大量的時間。

針對這些問題，研究目標(biāo)可概括為如下三個方面：

（1）探索人工智能輔助的城市形態(tài)類型學(xué)研究，結(jié)合GAN 模型實現(xiàn)指定城市形態(tài)類型的肌理織補(bǔ)。

利用圖像聚類算法對城市形態(tài)類型進(jìn)行自動識別與分析，并通過掩膜的訓(xùn)練技巧，讓GAN 學(xué)會特定類型的形態(tài)模式，從而實現(xiàn)指定城市形態(tài)類型的肌理織補(bǔ)，推進(jìn)人工智能輔助設(shè)計與實踐應(yīng)用的進(jìn)一步結(jié)合。

（2）探索對人工智能生成結(jié)果的快速評估方法。

使用GAN 根據(jù)城市形態(tài)圖像特征輸出網(wǎng)格化的性能指標(biāo)，在生成城市肌理織補(bǔ)圖像之后，可以直接對生成結(jié)果的物理性能指標(biāo)進(jìn)行快速評估，輔助設(shè)計師對方案進(jìn)行篩選和修改深化。

（3）構(gòu)建一個設(shè)計師友好，易于操作的設(shè)計系統(tǒng)。

通過將python 程序結(jié)合設(shè)計師廣為使用的grasshopper（GH）平臺，構(gòu)建一套自動化的城市形態(tài)生成系統(tǒng)DeepCity，實現(xiàn)了案例篩選，數(shù)據(jù)標(biāo)注，模型訓(xùn)練和生成，設(shè)計評估，數(shù)據(jù)矢量化的全流程自動化，用戶只需操作GH 對部分初始參數(shù)進(jìn)行調(diào)整，便能構(gòu)建自己的人工智能輔助CBD 工具，降低設(shè)計師的使用門檻和時間成本。

2 DeepCity: 人工智能輔助的城市形態(tài)生成系統(tǒng)

南頭古城是深圳市現(xiàn)存最大、保存最完整的古建筑群，在城市建設(shè)過程中，古城的肌理也逐漸被現(xiàn)代化建筑蠶食，如何統(tǒng)籌周邊城市更新，繼承保護(hù)舊城肌理，避免城市歷史環(huán)境碎片化是設(shè)計師必須考量的問題。以深圳南頭古城周邊地區(qū)為例，DeepCity 系統(tǒng)輔助城市形態(tài)的生成過程主要可以分為3 個步驟：設(shè)計認(rèn)知、設(shè)計生成和設(shè)計評估。設(shè)計認(rèn)知部分通過圖像聚類算法輔助設(shè)計師對城市形態(tài)進(jìn)行類型學(xué)分析，以更加客觀而全面的了解城市區(qū)域的形態(tài)特征、幫助設(shè)計師識別和評估舊城肌理。設(shè)計生成部分通過生成對抗網(wǎng)絡(luò)學(xué)習(xí)舊城肌理的形態(tài)模式，實現(xiàn)對舊城肌理的織補(bǔ)，為設(shè)計師提供形態(tài)參考。設(shè)計評估部分通過生成對抗網(wǎng)絡(luò)實現(xiàn)對生成結(jié)果建筑熱環(huán)境的快速評估，為設(shè)計師提供篩選和優(yōu)化參考。DeepCity系統(tǒng)依托GH平臺，其核心功能組件如圖1所示，本文所展示的所有功能組件的代碼與GH 電池均已開源，開源地址詳見文末注釋1）。

圖1 DeepCity 系統(tǒng)工作流程圖

2.1 設(shè)計認(rèn)知：基于圖像聚類的城市形態(tài)類型學(xué)分析

在“基于案例設(shè)計”的系統(tǒng)中，案例的選擇直接決定了系統(tǒng)輸出設(shè)計成果的類型和質(zhì)量。在傳統(tǒng)工作流程中，對城市形態(tài)進(jìn)行類型學(xué)分析，往往依靠有經(jīng)驗設(shè)計師的感性判斷，難以進(jìn)行客觀而全面的評估，DeepCity系統(tǒng)通過圖像聚類算法對城市肌理進(jìn)行自動聚類，同時對聚類結(jié)果以形態(tài)量化指標(biāo)進(jìn)行量化評估，輔助設(shè)計師對城市形態(tài)進(jìn)行類型學(xué)的分析。

2.1.1 聚類數(shù)據(jù)集的制作

DeepCity 系統(tǒng)使用預(yù)訓(xùn)練的VGG19 模型與KMEANS 結(jié)合的圖像聚類算法，對城市形態(tài)進(jìn)行自動分類與評估。VGG19 是常用的圖像特征提取模型，多用于圖像識別與分類任務(wù)中。KMEANS 是一種自動聚類算法，用戶只需輸入聚類數(shù)，算法即可自動將數(shù)據(jù)分為相應(yīng)的類別。由于VGG19 提取的圖像特征較為復(fù)雜，DeepCity系統(tǒng)還使用了PCA 主成分分析技術(shù)提取圖像的主要特征用于自動聚類，以減少計算量。圖像聚類算法只能處理柵格數(shù)據(jù)，因此首先需要將三維矢量的城市數(shù)據(jù)轉(zhuǎn)換為柵格圖像數(shù)據(jù)，參考Jinmo[24]等人的研究，首先計算數(shù)據(jù)集中所有建筑基底面積的平均面積，以其平方根取整后作為基本長度，然后在上下左右分別擴(kuò)展3個基本長度，以此確定合適的柵格化的范圍。經(jīng)計算，最終以建筑為中心105m x 105m 矩形范圍的建成環(huán)境作為判斷該建筑形態(tài)類型的依據(jù)，并將建筑高度映射為不同的顏色。為了保證圖像的清晰度，柵格化之后的圖片大小為256 像素x 256 像素，其轉(zhuǎn)換過程如圖2 所示。為了方便建筑師的使用，DeepCity 系統(tǒng)結(jié)合GH 平臺實現(xiàn)了自動化數(shù)據(jù)處理，用戶只需準(zhǔn)備帶有高度信息的CAD 數(shù)據(jù)，輸入GH 平臺并設(shè)定好相關(guān)參數(shù)，即可自動制作聚類數(shù)據(jù)集。

圖2 聚類數(shù)據(jù)集的標(biāo)注（左）與自動聚類流程（右）

2.1.2 城市形態(tài)聚類與量化評估

DeepCity 系統(tǒng)會根據(jù)用戶輸入的聚類數(shù)，自動將周邊建成環(huán)境相近的建筑分為同一個類別，并以不同顏色標(biāo)記不同類別的建筑以直觀呈現(xiàn)形態(tài)分析結(jié)果，同時系統(tǒng)根據(jù)平均建筑基底面積、平均建筑面積、平均建筑層數(shù)等指標(biāo)對各類別城市形態(tài)進(jìn)行量化分析。圖3 對比了南頭古城建筑年代分布[25]與聚類數(shù)為3 時人工智能的自動聚類結(jié)果，從圖中可以看出，在沒有建筑年代信息，僅依據(jù)建筑肌理圖底關(guān)系與高度信息的情況下，人工智能的分類結(jié)果有較為明顯的圈層關(guān)系，較好地區(qū)分了外圍肌理差異較大的新建建筑肌理與內(nèi)部的老城肌理，但對于內(nèi)部肌理差異較小的50～80 年代建筑與90 年代建筑則并未進(jìn)行有效區(qū)分。

圖4 展示了深圳南頭古城周邊地區(qū)聚類數(shù)分為別3、6、9 的城市形態(tài)自動聚類結(jié)果，以及各類別的形態(tài)量化評估結(jié)果。從自動聚類結(jié)果可以看到，當(dāng)聚類數(shù)為6 和9時，算法對不同形態(tài)的區(qū)分更加細(xì)致，當(dāng)聚類數(shù)為6 時，古城形態(tài)的圈層結(jié)構(gòu)更為明顯，當(dāng)聚類數(shù)為9 時，現(xiàn)代建筑形態(tài)也出現(xiàn)了規(guī)整形態(tài)和不規(guī)整形態(tài)的區(qū)分。基于圖像的形態(tài)聚類算法，綜合考慮了建筑輪廓，周邊建筑分布，建筑高度等信息，可以輔助建筑師在方案前期對設(shè)計區(qū)域了解較少的情況下，輔助建筑師對城市形態(tài)進(jìn)行類型學(xué)分析研究，最終類型的確定需要用戶根據(jù)建筑風(fēng)貌，建造時間等實際情況結(jié)合自動聚類結(jié)果進(jìn)一步研究，以適應(yīng)不同的設(shè)計需求。

圖4 深圳南頭古城周邊地區(qū)城市形態(tài)自動聚類與量化分析結(jié)果

2.2 設(shè)計生成：基于生成對抗網(wǎng)絡(luò)的城市形態(tài)生成

2.2.1 生成數(shù)據(jù)集的制作

DeepCity 系統(tǒng)使用pix2pix 模型訓(xùn)練和生成城市形態(tài)，掩膜的訓(xùn)練技巧被用來讓模型學(xué)會指定類型的城市形態(tài)特征，即在制作數(shù)據(jù)集時，用掩膜將需學(xué)習(xí)的形態(tài)區(qū)域進(jìn)行遮蓋作為輸入條件，完整的城市形態(tài)圖像作為輸出圖像，讓模型學(xué)會根據(jù)周邊建筑分布生成指定形態(tài)填補(bǔ)肌理。為了增加樣本數(shù)量，提高生成結(jié)果的清晰度與多樣性，采取隨機(jī)采樣框的方式制作數(shù)據(jù)樣本，在研究范圍內(nèi)隨機(jī)布置105m x 105m 的采樣框制作數(shù)據(jù)集，采樣框之間允許局部重疊，以此增強(qiáng)數(shù)據(jù)。人工標(biāo)記需學(xué)習(xí)的形態(tài)區(qū)域?qū)⒑馁M(fèi)大量的人力和時間，DeepCity 系統(tǒng)通過GH 平臺實現(xiàn)了生成數(shù)據(jù)集制作的自動化，用戶只需根據(jù)形態(tài)聚類分析的結(jié)果，輸入需學(xué)習(xí)的形態(tài)類別，便可自動制作生成數(shù)據(jù)集。以深圳南頭古城為例，選取聚類數(shù)為3 的分類結(jié)果中的舊城肌理制作數(shù)據(jù)集，數(shù)據(jù)集的采樣及制作過程如圖5所示，最終獲取128 個有效訓(xùn)練樣本。

圖5 隨機(jī)采樣框（左）與生成數(shù)據(jù)集的標(biāo)注（右）

2.2.2 生成模型的訓(xùn)練

DeepCity 系統(tǒng)結(jié)合GH 平臺制作了控制pix2pix 模型的訓(xùn)練和生成的電池，用戶只需在GH 平臺中調(diào)整訓(xùn)練參數(shù)，即可完成模型的訓(xùn)練和生成。除了正常訓(xùn)練次數(shù)（n_epochs）和學(xué)習(xí)率訓(xùn)練次數(shù)（n_epochs_decay）外，DeepCity 固定了pix2pix 模型的其他超參數(shù)，以減少復(fù)雜的超參數(shù)設(shè)定過程（圖6），方便建筑師的使用。圖6也展示了深圳南頭古城肌理數(shù)據(jù)集的訓(xùn)練參數(shù)和訓(xùn)練過程，在總共迭代了300 次之后，模型已經(jīng)能生成較為清晰的圖像。

圖6 深圳南頭古城肌理的訓(xùn)練參數(shù)（左）與訓(xùn)練損失變化曲線（右）

2.2.3 城市形態(tài)的生成與矢量化

DeepCity 系統(tǒng)輔助的城市形態(tài)的生成過程可分為四步：第一步設(shè)計師評估并劃分需要織補(bǔ)肌理的更新范圍；第二步DeepCity 系統(tǒng)用訓(xùn)練好的生成模型生成織補(bǔ)圖像；第三步系統(tǒng)利用OpenCV（一種常用的圖像處理工具庫）和GH 將二維圖像轉(zhuǎn)換為三維模型；第四步設(shè)計師根據(jù)生成結(jié)果進(jìn)行調(diào)節(jié)和深化。以南頭古城周邊地區(qū)為例，可利用DeepCity 系統(tǒng)織補(bǔ)城市肌理的能力，連接碎片式的古城肌理，將南頭古城及其周邊地區(qū)打造成更加完整，更具文化特色的歷史文化步行街。圖7 展示了DeepCity 的生成與矢量化過程，出于展示目的，其生成與矢量化結(jié)果并未經(jīng)過設(shè)計師的深化加工。

2.3 設(shè)計評估：基于生成對抗網(wǎng)絡(luò)的熱環(huán)境快速評估

2.3.1 模型架構(gòu)

在得到智能生成的備選方案之后，結(jié)合物理性能的模擬，可以有效評估設(shè)計方案的合理性，輔助設(shè)計師進(jìn)行方案篩選及優(yōu)化。DeepCity 系統(tǒng)將城市形態(tài)轉(zhuǎn)換為圖像數(shù)據(jù)，使用生成對抗網(wǎng)絡(luò)提取圖像特征作為輸入并輸出網(wǎng)格化的性能指標(biāo)。DeepCity 評估模型的架構(gòu)如圖8 所示，其基本結(jié)構(gòu)與pix2pix 模型一致，但為了提高模型預(yù)測精度，輸出部分不再以圖像顏色來標(biāo)記不同數(shù)值，而直接以保存為Json 文件的單通道模擬數(shù)值矩陣作為輸出。

圖8 DeepCity 系統(tǒng)評估模型架構(gòu)圖

2.3.2 預(yù)測結(jié)果評估

評估模型的有效訓(xùn)練樣本為300 個，為了驗證模型的準(zhǔn)確性，采取回歸模型常用的評價指標(biāo)平均絕對誤差（MAE），平均加權(quán)百分比誤差（wMAPE）和擬合度（R2）對模型進(jìn)行評估，其計算公式如下所示：

50 個測試樣本被用來統(tǒng)計DeepCity 預(yù)測結(jié)果與ladybug 模擬結(jié)果的誤差值。如表1 所示，在經(jīng)過恰當(dāng)?shù)挠?xùn)練之后，DeepCity 對太陽日照輻射強(qiáng)度的預(yù)測取得了不錯的效果。在這50 個樣本中，DeepCity 預(yù)測的平均絕對誤差（MAE）為0.1018，平均加權(quán)百分比誤差（wMAPE）為7.08%，擬合度（R2）為0.975。圖9 對比了DeepCity 對太陽日照輻射強(qiáng)度的預(yù)測與利用Ladybug 軟件模擬的空間分布結(jié)果，結(jié)果顯示模型預(yù)測結(jié)果在空間分布上也較為準(zhǔn)確，盡管使用人工智能算法進(jìn)行性能預(yù)測的誤差不可避免，但對比計算時間（Ladybug軟件的模擬時間大約為30s 左右，而DeepCity 僅需2～3s），DeepCity 評估模型在方案前期輔助設(shè)計師進(jìn)行方案篩選與評估優(yōu)化仍擁有巨大潛力，且基于生成對抗網(wǎng)絡(luò)的快速評估方法可以擴(kuò)展到更加復(fù)雜的性能模擬計算上，如室外熱舒適、能耗計算等，為設(shè)計師提供更加綜合的評估結(jié)果。

表1 DeepCity 太陽輻射強(qiáng)度評估模型準(zhǔn)確度評估

3 討論和結(jié)論

文章提出了一個人工智能輔助的基于案例設(shè)計系統(tǒng)DeepCity，這個系統(tǒng)主要有三大功能模塊：設(shè)計認(rèn)知部分可以評估并量化不同城市形態(tài)，輔助設(shè)計師對城市形態(tài)進(jìn)行類型學(xué)研究；設(shè)計生成部分可以自動學(xué)習(xí)設(shè)計師指定城市肌理類型的形態(tài)模式，并應(yīng)用到新的城市環(huán)境，幫助設(shè)計師對特定類型的城市形態(tài)進(jìn)行織補(bǔ)；設(shè)計評估部分可以對設(shè)計方案的物理性能進(jìn)行快速評估，輔助設(shè)計師在設(shè)計前期進(jìn)行方案修改和深化。DeepCity 系統(tǒng)為設(shè)計師提供了額外的視角認(rèn)知和理解城市，相比第一代基于邏輯和理性的設(shè)計系統(tǒng)，DeepCity 系統(tǒng)從歷史案例中自動提取形態(tài)原型供建筑師參考，其生成形態(tài)的復(fù)雜性和有機(jī)性更勝一籌，生成的形態(tài)肌理可以很好的繼承歷史案例的特征，避免了第一代設(shè)計系統(tǒng)與歷史文脈的割裂，展現(xiàn)了人工智能作為自動化設(shè)計助手的巨大潛力。同時與GH 平臺結(jié)合的使用方式，也讓該系統(tǒng)的可操作性更強(qiáng)，便于設(shè)計師在實踐中的使用。但是人工智能輔助的設(shè)計系統(tǒng)目前仍處于研究的初期，受技術(shù)條件限制，仍存在很多不足之處：

（1）基于圖像聚類的城市形態(tài)類型學(xué)研究，由于深度學(xué)習(xí)算法的黑箱機(jī)制，自動聚類結(jié)果的精準(zhǔn)性與可解釋性不足，只能輔助建筑師對城市形態(tài)的類型進(jìn)行初步判斷，實踐應(yīng)用中，仍需建筑師基于實地調(diào)研與自身經(jīng)驗進(jìn)行判斷。

（2）基于人工智能設(shè)計生成方法，生成結(jié)果的質(zhì)量嚴(yán)重依賴案例數(shù)據(jù)集的數(shù)量和質(zhì)量，盡管本文采取隨機(jī)采樣框的方式擴(kuò)充數(shù)據(jù)，取得了不錯的效果，但是其應(yīng)用也有一定的局限性，并不適用于研究范圍太小或者肌理分布不集中的情況。

（3）生成對抗網(wǎng)絡(luò)只能處理圖像數(shù)據(jù)，城市數(shù)據(jù)降維處理和矢量化過程中均會導(dǎo)致數(shù)據(jù)的丟失，例如柵格化的建筑高度使得建筑高度信息離散化，而矢量化過程中，圖像的毫厘之差可能導(dǎo)致真實環(huán)境的巨大差異，亟待更加強(qiáng)大的矢量數(shù)據(jù)處理的人工智能算法的突破。

（4）人工智能算法只能為設(shè)計師提供形態(tài)參考，并不能真正做到創(chuàng)新。最近興起的文生圖大模型，雖已能產(chǎn)生令人驚奇的藝術(shù)效果，但其本質(zhì)仍是現(xiàn)有圖像模式的組合。人工智能輔助設(shè)計工具的初衷是導(dǎo)向更加科學(xué)，更加智能的設(shè)計，然而濫用人工智能的模仿學(xué)習(xí)能力，很可能導(dǎo)致個性、創(chuàng)新的缺失，智能設(shè)計與個性、創(chuàng)新的邊界，需要使用者仔細(xì)把握。

從歷史的視角看，當(dāng)今時代與20 世紀(jì)60 年代非常相似，技術(shù)的進(jìn)步給人們生活的方方面面帶來了巨大的改變，社會上都洋溢著對技術(shù)將會創(chuàng)造美好生活的樂觀主義，20 世紀(jì)60 年代建筑方法運(yùn)動的先驅(qū)們試圖讓設(shè)計過程變得更加“科學(xué)”，而我們正試圖讓設(shè)計過程變得更加“智能”。盡管如今對設(shè)計方法的研究仍舊沒有達(dá)到人們所期望的“科學(xué)”或者“智能”，但這些探索的過程，也在不斷地改變設(shè)計師的工作方法，為設(shè)計師創(chuàng)造更多可能性。希望本文的研究，能為此領(lǐng)域的研究者帶來些許啟發(fā)，促使人工智能輔助設(shè)計往實踐應(yīng)用的方向更進(jìn)一步。

圖、表來源

圖3（左）：作者基于對參考文獻(xiàn)[25]的信息進(jìn)行整理繪制；其余圖、表均由作者繪制。

注釋

1）DEEPCITY 開源地址：https://github.com/kekehurry/DeepCity。