周子騫 高 雯 賀秋時 林波榮,3 韓雨喬

(1.同濟大學建筑與城市規(guī)劃學院, 上海 200092； 2.清華大學建筑學院, 北京 100084；3.生態(tài)規(guī)劃與綠色建筑教育部重點實驗室, 北京 100084)

0 引 言

20世紀末，建筑學完成了從手工作圖到數(shù)字化的轉(zhuǎn)型，使得建筑師從繁重的體力勞動中得到解放。數(shù)字化設計經(jīng)過了幾十年的發(fā)展，相似的問題再次出現(xiàn)?，F(xiàn)階段的建筑設計過程中，仍有很大一部分精力被投入到重復、低效的工作中。這些環(huán)節(jié)的效率提升之后，才可以使得建筑師有更多的精力進行創(chuàng)作。近些年來，人工智能在建筑設計中的應用潛力開始受到關注。相比于手工繪圖的時代，現(xiàn)在的建筑更加多樣和復雜，尺度也越來越大，這得益于計算機的幫助。在實際項目中，建筑師總是要統(tǒng)籌各個領域，尋找更優(yōu)的方案。建筑設計是一個不斷試錯的過程，建筑師找到一個可行的方案受限于時間和精力。人工智能技術的引入，一方面，能夠用程序化的思維描述設計的過程，使其更有邏輯，更容易達到預設的目標；另一方面，計算機能夠代替人腦來窮盡大量的可能性，盡可能找到最優(yōu)的結果。而從長遠看來，計算機可能幫助人們找到新的建筑形式。以前被認為過于復雜、人工無法駕馭的概念或思路，很可能在人工智能的幫助下煥發(fā)生機。

以往研究中，Zwierzycki等根據(jù)1980—2020年發(fā)表的176篇論文，對建筑設計中人工智能的應用情況進行了分析[1]。Pellitteri等以60個2017年近期的建筑項目為案例，分析了當前建筑中的數(shù)字技術趨勢[2]。類似地，Pena等根據(jù)1995—2019年發(fā)表的74篇文章，分析了概念設計中人工智能的應用[3]。該綜述選取的一些研究偏向概念，并不能很好地實際應用。

因此，將對不同人工智能技術在應用過程中輸入條件是否足夠自由、執(zhí)行過程是否達到了一定程度的自動化、輸出結果能否與主流的設計流程對接等三個方面進行研究，在文獻分析時，側(cè)重實際應用的研究，即使用目前較為成熟的技術，同時預想在近未來的實際應用場景，而非偏向概念的尚難以實際應用的研究。在研究時間上，選擇近5年的文獻，對近期的技術發(fā)展進行分析。研究共收集了2016—2020年發(fā)表的73篇文獻，如表1所示。

表1 文獻來源和數(shù)量Table 1 Literature sources and quantities

1 人工智能技術

人工智能技術是使機器具有與人類似智能反應和能力的技術，針對目前在建筑設計中常用的人工智能技術，簡單介紹其原理、特征以及應用場景，包括優(yōu)化算法、人工神經(jīng)網(wǎng)絡、形狀語法、聚類算法、集群智能、元胞自動機。

1.1 優(yōu)化算法

優(yōu)化算法是對一類算法的統(tǒng)稱，可以運用該類算法在某個系統(tǒng)中尋找最值。對于可以用函數(shù)表達式顯示表示的問題，梯度下降法是經(jīng)典方法之一，可以通過微分計算獲得精準的優(yōu)化結果。但很多實際問題中，系統(tǒng)的函數(shù)表達式不可知，且不一定連續(xù)可微，這類問題被稱為黑盒優(yōu)化，遺傳算法是具有代表性的算法之一，通過自變量構成的基因的交叉變異和種群進化搜索全局最優(yōu)解。在建筑設計中，遺傳算法大多應用于找形這一過程，它是由參數(shù)化建模與優(yōu)化算法組合而成的工作流，應用較為廣泛。多目標優(yōu)化從優(yōu)化算法發(fā)展而來，能夠處理多個指標的優(yōu)化，優(yōu)化得到的帕累托解集是不同指標下最優(yōu)解的集合，在遺傳算法的基礎上發(fā)展而來的NSGA-II是具有代表性的多目標優(yōu)化算法之一。

1.2 人工神經(jīng)網(wǎng)絡

人工神經(jīng)網(wǎng)絡是目前較為熱門的人工智能技術，結構上模仿人腦的神經(jīng)元網(wǎng)絡行為特征，能夠自發(fā)地學習和調(diào)整，具有強大的能力，能夠解決許多復雜的非線性映射問題，被廣泛應用于多個領域。神經(jīng)網(wǎng)絡最早于1943年被提出，即MCP神經(jīng)元數(shù)學模型[4]。2006年Hinton提出了深度信念網(wǎng)絡[5]，成為神經(jīng)網(wǎng)絡深度學習的里程碑，自此以后深度學習迅猛發(fā)展，成為人工智能領域最前沿最熱門的研究領域。徐衛(wèi)國等總結了深度神經(jīng)網(wǎng)絡在建筑生成設計中的應用[6]。

1.3 形狀語法

形狀語法是一種生成特定類別的幾何圖形的方法。該方法被用于研究二維和三維圖形，可以按照人們的設計要求，按照一定的規(guī)則自動生成圖形。除了生成外，該方法也被用于對建筑案例的分析，解析它們的生成規(guī)則和生成過程。形狀語法歷史超過半個世紀，在建筑設計領域，最具代表性的形狀語法工作來自Mitchell團隊的工作，他們探究了帕拉迪奧式建筑平面布局的形狀語法規(guī)則[7]。

1.4 聚類算法

聚類算法是一種無監(jiān)督統(tǒng)計分析方法，可以對多維空間中的點集按特定標準進行分類，在聚合相似樣本的同時分離不同類樣本。該方法起源于分類學，從依靠經(jīng)驗和專業(yè)知識，逐漸引入數(shù)學工具，和計算機的輔助，發(fā)展為智能的聚類算法，近年來越來越多地被應用于建筑設計的研究。

1.5 集群智能

集群智能[8]是分布式人工智能的一個重要分支，在2002年由Johnson進行了闡述，指的是在群體中存在眾多無智能的個體，它們只能相互間進行簡單的信息傳遞和處理，但這種微觀上的合作在宏觀上體現(xiàn)出復雜的智能行為，可以作為一種指導智能過程的思路。例如自然中的蟻群、鳥群、魚群等行為等，每個個體遵循簡單的規(guī)則，在群體中即可產(chǎn)生復雜行為系統(tǒng)。蟻群算法和粒子群算法是兩種代表性算法。

1.6 元胞自動機

元胞自動機的概念最初由馮·諾依曼提出，用于模擬生命系統(tǒng)，元胞自動機起源于生命游戲，眾多個體被分布在網(wǎng)格上，可以根據(jù)相鄰個體的狀態(tài)做出調(diào)整。這一簡單的規(guī)則衍生出了復雜的系統(tǒng)時空演化能力，數(shù)學家在其中發(fā)現(xiàn)了各種有趣的現(xiàn)象。而后這一方法被設計師用于生成的過程，生成新的空間形態(tài)。蒲宏宇等總結概述了元胞自動機多智能體在生成式建筑設計方面的應用，發(fā)現(xiàn)其具有應用于復雜建筑方案的潛力[9]。

2 建筑設計研究中的應用

人工智能算法被廣泛應用于各種建筑設計任務和場景，按照設計任務的分類，下面分別對建筑形體、平面布局、外表面以及設計分析進行綜述。

2.1 形 體

一座建筑的外形是它首先傳遞給人們的視覺信息，也是人們記憶一座建筑的主要方式。從城市尺度來看，這是建筑與城市交互的主要方式，建筑的形體能夠表達它對城市的態(tài)度。從建筑尺度來看，建筑師通過對體量的控制，溝通了建筑與周邊環(huán)境的聯(lián)系，也建立了外形與內(nèi)部空間的邏輯關系。人工智能技術的應用使得建筑物理性能等可量化的評價指標得到進一步優(yōu)化，并探索了新的建筑形式。

二維圖像分為矢量圖和位圖兩種，與之類似地，建筑形體的生成也可分為參數(shù)控制和單元堆積兩種方法。前者可以得到光滑連續(xù)的建筑模型，后者的模型則由離散的單元堆積而成，顯得較為粗糙。使用參數(shù)控制這一方法時，建筑師會按照一定邏輯構建一系列可變的曲線和曲面，即參數(shù)化模型，可以通過參數(shù)來進行適當調(diào)整，但最終得到的形體都較為相似。也就是說，參數(shù)化模型可以使得建筑形體在可變范圍內(nèi)保持幾何形體特征，但這也限制了建筑形體的變化。因而針對每個具體項目，都需要單獨建立參數(shù)化模型，很難推廣到其他項目上。單元堆積是一種截然不同的形體生成方法，用小的體量單元來堆積成形體。這類方法往往采用空間正交網(wǎng)格，因為一方面，建筑形體的構成邏輯需要被限制在某一坐標系之中，便于程序化的操作控制；另一方面，正交體系適配于目前的大多數(shù)建筑，這些建筑的內(nèi)部空間往往是由若干個方形體塊構成。在用單元堆積生成形體前，建筑師很可能對形體特征并沒有預期，因而結果具有一定的創(chuàng)造性。通過這種方法得到的形體，由于被限制在正交網(wǎng)格之中，會給人體素感或顆粒感。形體表面光滑程度的不同，是這兩種生形方法最直觀的區(qū)別。在形體控制的自由度上，參數(shù)控制的方法相對受限，而單元堆積的方法更為自由。

2.1.1參數(shù)控制

通過控制參數(shù)來生成形體也被稱為找形,是目前應用較為廣泛的形體生成方式，使用參數(shù)化模型，程序根據(jù)預期的目標來調(diào)整參數(shù)，以求達到最優(yōu)解。在相關研究中，與之契合的優(yōu)化算法被大量使用。這些優(yōu)化目標必須是可以量化的指標，而建筑形體涉及到外部環(huán)境，因而多數(shù)使用建筑物理指標。

以建筑物理性能為指標的找形方法被應用于建筑單體、組團的優(yōu)化。Kormaníkov等的研究是基于風環(huán)境的建筑組團形體優(yōu)化[10]。類似地，Zhang等研究了以風環(huán)境為目標的高層建筑找形[11]。Agirbas的研究則是根據(jù)日照、輻射、面積指標找形[12]。Rahmin Asl等構建了較為詳細的建筑參數(shù)化模型，根據(jù)建筑物的墻、屋頂、地板面積和按方向考慮的窗戶面積，分析建筑物的能耗[13]。在優(yōu)化階段，運用了人工神經(jīng)網(wǎng)絡和增強型決策樹，以能耗為目標對建筑進行了優(yōu)化。除建筑物理性能外，力學性能也可用于找形和優(yōu)化。Javidannia等以抗震性能為指標，對高層建筑的結構和外形進行了優(yōu)化(圖1)[14]。

找形并不局限于形體的生成，其參數(shù)化的邏輯也可應用于建筑的內(nèi)部空間。Mughal等運用遺傳算法，以室內(nèi)風速、溫度等自然通風性能為目標，對一種具有空中花園的高層建筑模式進行優(yōu)化。參數(shù)化的建模邏輯也可以推廣到更大的空間尺度，將周邊的建筑都納入優(yōu)化的涉及范圍[15]。Luca等基于正交網(wǎng)格，在有周邊建筑的地塊中，用已有的平面類型，生成公寓式住宅的體量模型，以周邊建筑的采光為限制，以最大化的建筑面積和房間數(shù)量為目標[16]。張倩等主要考慮風環(huán)境，他們基于正交網(wǎng)格，對整個街區(qū)的參數(shù)化建筑模型進行優(yōu)化，且開始前需要將周邊街區(qū)內(nèi)建筑的體量模型信息輸入程序[17]。

設計初期的方案決策對建筑能耗和物理環(huán)境性能有重要影響[18]，找形的過程中，優(yōu)化目標需要量化，因此被普遍認可的能耗和建筑物理性能指標是最常見的優(yōu)化目標，其他自定義的評價方式也作為優(yōu)化目標進行研究。Sardenberg等則探究了基于美學性能的建筑找形[19]。這一方法會用參數(shù)化的方式生成一組建筑的概念模型，把它們發(fā)布到網(wǎng)絡平臺獲得評分，并把評分作為下一代模型的優(yōu)化目標，直到生成評分較高且較穩(wěn)定的一組模型，局限性在于受到參數(shù)化模型的限制，只能生成同一種邏輯的模型。

2.1.2單元堆積

單元堆積被應用于住宅、辦公等建筑類型。Jansen等提出了一種獨棟住宅的生成方法，由于住宅具有尺度小、房間多、呈正交排布的特點，適合于通過在正交網(wǎng)格中堆積體量來生成形體[20]。Kim提出了一種辦公建筑的生成方法，運用進化算法，基于正交網(wǎng)格，生成辦公建筑的體量模型。生成過程中有最小庭院陰影、最大辦公面積、最小庭院面積三個指標，在冬季以最小庭院陰影為首要優(yōu)化目標，而在夏季以最大辦公面積為首要優(yōu)化目標[21]。Barczik等研究了引入用戶主觀偏好的交互式生成過程，基于正交網(wǎng)格，在已有的建筑紅線內(nèi)隨機生成三維體量模型，用戶可以通過選擇來表達偏好。之后程序會運用基因算法，根據(jù)用戶的偏好生成新的模型。用戶繼續(xù)做出選擇，直到生成較為理想的模型[22]。不過該方法生成的模型較為粗糙，只能用于設計的早期階段(圖2)。孫澄等提出建筑體量的AI智能設計系統(tǒng)，基于場地條件生成建筑初始體量，結合設計意向進行設計探索[23]。

相較于參數(shù)化找形，基于基本體量單元的生成過程有更大的自由度，研究者嘗試引入建造的思想。Tebaldi等基于三個主要操作——置換、加法和減法來生成客車站的體量模型，并通過日照、公共空間面積、體形系數(shù)等指標來評價模型，直到得到滿意的結果(圖3)[24]。Narahara引入集群智能的思想，利用若干個“建造者”，基于正交網(wǎng)絡，來生成建筑的體量模型[25]。每個“建造者”可以在局部進行四種基本操作：搭建或移除建筑體量單元，靠近或消滅其他“建造者”，最終獲得建筑的整體結構。

通過體量生成方法得到的模型一般較為粗糙，缺少細節(jié)，但可以通過提高網(wǎng)格精度來彌補這一缺陷，即引入體素的概念。Swahn運用馬爾可夫隨機場，基于體素生成帶有女兒墻、窗口等細節(jié)的建筑形體。體素的尺度遠小于建筑尺度，該方法類似于基于像素生成建筑圖紙，不過本質(zhì)上還是基于基本體積單元的生成方法(圖4)[26]。

基于正交網(wǎng)格的生成方法不僅限于單元體量堆積。正交網(wǎng)格中的格點相連得到線段，若干線段組成空間網(wǎng)格，也能用來表示建筑的形體。De Miguel等應用了網(wǎng)格的邏輯，用線框來生成公共建筑的體量模型[27]。Yu將三維空間拆解為二維平面的組合，先根據(jù)線稿生成平面功能分布圖，在此基礎上再生成若干剖面圖，最后根據(jù)平面圖、剖面圖得到三維建筑組團模型[28]。

2.2 平面布局

在設計建筑內(nèi)部空間時，建筑師很大一部分精力都投入到平面的空間關系上，豎向的空間關系則處理起來較為簡單。平面布局主要考慮的是平面上的房間排布，其中房間的大小、位置關系和使用者的流線等都是研究者關注的內(nèi)容。作為二維對象，平面布局任務中人工智能技術的應用更為廣泛。

2.2.1拓撲關系圖

拓撲關系圖是表達房間鄰接關系的一種圖結構，源于圖論，由結點和邊組成，描述房間的拓撲關系。其中，結點代表房間，可以被附上房間的功能、編號等基本信息，邊代表房間的鄰接關系，也可以被賦予門連接、開敞連接、豎向連接等鄰接信息。通過優(yōu)化房間的拓撲關系圖，可以得到盡可能合理的流線。

Eisenstadt等運用卷積神經(jīng)網(wǎng)絡，根據(jù)已有的房間拓撲關系圖，模仿并生成新的圖[29]。As等運用深度神經(jīng)網(wǎng)絡，通過學習經(jīng)過人工評分的建筑案例，生成住宅房間的拓撲關系圖，評價指標為宜居性和睡眠質(zhì)量；他們還借助生成對抗網(wǎng)絡生成拓撲關系圖，可以生成尚未在建筑設計中出現(xiàn)過，但具有高評分的房間排布形式，用于開闊建筑師的眼界，啟發(fā)設計思維(圖5)[30]。目前針對拓撲關系圖的研究較少，但在平面圖的生成中，該類圖起著重要的作用。

2.2.2平面圖

建筑平面圖生成是一個較為熱門的研究方向，通過簡單的初始條件設置，生成具有良好性能的平面圖。不同生成方法在初始限制條件上具有不同的自由度，如平面圖有無確定的外墻輪廓以及外墻輪廓是否包含開窗位置；有無確定的房間拓撲關系圖；是否允許出現(xiàn)L形、U形等非矩形房間。除去這些特殊的限制條件，各種方法也有一些共有的初始條件，比如建筑紅線，包含面積、功能等信息的房間列表，有時也會將周邊城市環(huán)境納入考量。

不限制外墻邊界的方法自由度更高，獲得的方案多樣性更高，但可行性需要進一步評估。Lima等提出運用形狀語法和空間句法，基于正交網(wǎng)格生成住宅平面圖[31]。它是一種不事先確定外墻的生成方法，其操作邏輯是依次在已有平面圖上相鄰地添加矩形房間，而已經(jīng)出現(xiàn)在平面上的房間不再改動，直到所有房間都被添加到平面圖上。類似地，Nisztuk等提出運用混合進化算法和多目標優(yōu)化算法，基于正交網(wǎng)格，不斷地添加矩形房間來生成平面圖[32]。該種方法會在房間之間形成一些空隙，程序會使空隙周邊的房間擴展來將其填滿，最終允許L形房間的出現(xiàn)。

一些研究增加了對外墻輪廓的限制。Kwiecinski等運用形狀語法和基因算法，基于正交網(wǎng)格，生成木結構定制住宅平面圖，除車庫外的房間均不能超出邊界[33]。具體方法為，一個接一個地生成房間，并對已生成的房間不再改動。每一步都會對已有平面進行評估，若不符合要求，則回溯重試，直到平面被所有房間填滿。Nisztuk等運用混合進化算法，根據(jù)已有的房間關系圖，基于正交網(wǎng)格，生成住宅平面圖[34]。雖然沒有確定的外墻邊界，但是其外墻形狀需要盡量為矩形。房間形狀均為矩形，不包含走廊,房間之間的鄰接關系只能通過相鄰房間的門來實現(xiàn)。

一些研究增加了對房間鄰接關系的限制。Egor等根據(jù)已有的房間拓撲關系圖，基于正交網(wǎng)格，生成沒有外墻形狀限制的住宅平面圖(圖6)[35]。其中走廊沒有被算作房間，且形狀和寬度難以控制，而房間關系都依靠走廊連接，導致走廊的面積明顯過多。華好等基于先例提取平面元素，通過平面重組、推理和篩選生成滿足要求的平面[36]。Veloso等引入了運動的思想，在基地邊界不規(guī)則、不限制外墻形狀的情況下，在正交網(wǎng)格中生成住宅平面圖。該方法首先確定房間數(shù)量、面積、鄰接關系等基本信息，然后將所有房間以1×1單元格的初始面積隨機置入網(wǎng)格中(圖7)[37]。每個房間可以不斷對周邊環(huán)境進行評分，并變形和移動，但形狀始終被限制在一定大小內(nèi)(該研究中的限制是5×5的方形)，類似于細胞的運動。其中評分的指標包括房間形狀是否規(guī)則，鄰接關系是否得到滿足。在移動的過程中允許房間變成不規(guī)則形狀，但最后的結果中房間都趨于矩形。

綜合以上研究，在平面圖生成，尤其是住宅平面中，走廊的生成是一個難點。研究者對于是否將走廊歸為一種房間類型存在分歧。此外走廊的評價標準與一般房間不同，不一定是矩形，但需要滿足各房間的連通性，且各處的寬度應盡量相等。另一個難點，則是如何確保門廳、臥室等需要向外開門窗洞的房間處于平面的外側(cè)。在滿足這一點的基礎上，需要進一步解決的是，如何調(diào)整窗口的南北朝向。

前文提到的都是具有普適性的平面圖生成方法，一些研究者提出更具針對性的方法，相應地也增加了一定的限制條件。Das嘗試根據(jù)用戶的偏好生成平面圖，運用基因算法，在正交網(wǎng)格中生成。用戶每次可以在程序給出的幾個平面圖中選出最滿意的一張，下一次生成的平面圖會繼承用戶的偏好，重復若干次，直到生成的平面圖滿足用戶要求[38]。這種方法能夠使設計師的想象力不受到其他現(xiàn)實條件的限制，生成一些平時難以見到的設計。Kwieciński等希望用戶能夠參與到平面圖的設計中。他們構建了一種簡單的由一條走廊和兩側(cè)房間組成的住宅模型，用戶可以調(diào)整房間的位置和大小[39]。程序會針對用戶的操作做出適當調(diào)整，或報告不合理的情況。用戶可以接受程序提出的解決方案，或繼續(xù)尋找符合期望的方案。Kasahara等學習了黑川紀章20世紀60年代“農(nóng)業(yè)城市”項目中的設計思路，在農(nóng)田等開闊場地中生成建筑平面圖[40]。先在某一地塊邊界中確定好正交網(wǎng)格，再在其中填入預置的建筑單元，從而生成建筑。此研究的用地較大，因而最終方案中的建筑外邊緣不整齊，并且單元的排列也不緊密。Newton嘗試基于位圖生成平面圖，運用生成對抗網(wǎng)絡，以柯布西耶的住宅為樣本，來生成住宅平面的位圖圖像(圖8)[41]。不過將位圖轉(zhuǎn)換為矢量圖或三維模型等可編輯的文件又是另一個需要解決的問題。

對于不同類型的建筑，平面圖樣式各不相同。針對特定的建筑類型或應用場景，研究者制定了不同的平面生成方法。Sousa等研究商場平面圖的疏散性能，基于正交網(wǎng)格，以走廊數(shù)量、走廊寬度、門的寬度、中庭面積等參數(shù)，建立了參數(shù)化的商場平面圖，并以疏散性能為目標對該平面圖進行了優(yōu)化[42]。Das等研究醫(yī)院平面的生成，基于正交網(wǎng)格，以鄰接性、結構性能、可見性為優(yōu)化目標，生成醫(yī)院平面圖，在此基礎上生成合理的結構方案，主要由正交網(wǎng)格中的梁和柱構成[43]。Tan等研究碼頭平面圖的生成，首先通過參數(shù)的調(diào)整隨機生成一系列碼頭平面圖，然后運用聚類算法，根據(jù)不同的指標對這些方案進行分類，并把這些類別總結為描述性詞匯。用戶只需經(jīng)過簡單的選擇，就能得到滿足需要的平面圖[44]。Das等的研究主題是高層建筑服務核的生成，包含電梯、技術用房、樓梯和衛(wèi)生間。他們基于正交網(wǎng)格來生成服務核，其中電梯會根據(jù)垂直分區(qū)布置，這樣各區(qū)之間的電梯布置會有區(qū)別，其他組件的布置也隨之調(diào)整(圖9)[45]。高亮等針對高層辦公建筑提出基于形狀語法核心筒平面布置方法[46]。Mekawy等關注裝配式建筑的平面生成，根據(jù)用戶輸入的尺寸、運輸限制、采光等參數(shù)，基于預設的裝配化建筑單元，在設計的早期階段生成簡單的建筑信息模型[47]。模型的各層平面相同，因而此研究聚焦于平面上各裝配化單元的組合。一些學者把研究重點放在歷史和文化上。Hadighi等為了在伊朗古都設拉子設計符合文化背景的建筑，分析了波斯花園風格和國際風格建筑的形狀語法，并生成了建筑[48]。Castro等運用形狀語法，來進行歷史建筑的保護和翻新[49]。其形狀語法中既包含歷史建筑的語法，又包含當代建筑的語法，從而在保護歷史的同時適應現(xiàn)代的生活環(huán)境。

除平面圖生成外，既有建筑改造也是一個值得關注的問題。Guerritore等運用形狀語法，以米蘭的廢棄辦公樓為例，基于正交網(wǎng)格，將有確定邊界的平面改造為住宅平面[50]。Wurzer等運用元胞自動機，基于正交網(wǎng)格，對住宅平面進行翻新。該研究關注的重點并非平面的全局優(yōu)化，而是翻新時盡量少的改動[51]。

一些研究者將尺度擴大，探索建筑組團平面圖的生成方法，這是一種介于建筑與城市之間的尺度，在一些方面表現(xiàn)出與樓層平面圖的相似性。組團中的建筑單體和樓層中的房間相比，在功能設置、面積分布、鄰接關系滿足等問題上均有共性，但在緊密度上相差懸殊，導致組團中的道路布局和樓層中的走廊設置差異很大。Andriasyan等在給定的地塊生成陣列式的難民營，主要考慮基礎設施的布置和逃生路線的規(guī)劃[52]。Verniz等以巴西圣瑪爾塔貧民窟為案例，進行形狀語法的研究，并生成類似的城市平面圖[53]。范偉等運用形狀語法，基于正交網(wǎng)格，生成村莊的平面圖。程序可以移除建筑來創(chuàng)造開放空間，或進行微小位移來讓出道路[54]。李飚等運用多智能體對村鎮(zhèn)肌理進行地塊優(yōu)化，再運用形狀語法完成單體建筑[55]。孫澄等提出基于條件生成對抗網(wǎng)絡CGAN的居住區(qū)強排生成設計方法[56]。鄧巧明等研究了中小學教育建筑組團的平面圖生成，基于正交網(wǎng)格，每個建筑在初始時大小和形狀確定。首先根據(jù)周邊環(huán)境對紅線內(nèi)的每個網(wǎng)格進行評分，生成一張評價圖，然后將建筑置于場地中，它們可以進行平移運動，但是不能改變大小或旋轉(zhuǎn)。建筑會根據(jù)評分圖向評分更好處運動，同類建筑也會相互吸引。此外也有限制規(guī)則，建筑不可超出場地邊界，不可相互重疊，并且要滿足建筑間距的要求。此方法生成的組團平面圖質(zhì)量不穩(wěn)定，很大程度上取決于初始狀態(tài)的選取(圖10)[57]。

2.2.3家具和路線

2.3 外表面

外表面是指建筑與外界環(huán)境接觸的界面，與形體不同，外表面的研究不關注建筑的體積，而是其表面結構所負擔的功能和具體實現(xiàn)的措施。建筑的外表面連接了內(nèi)外環(huán)境，是為外界傳遞視覺信息的媒介，是室內(nèi)空間接收光線的途徑，也是熱量、氣體交換的通道。

2.3.1立 面

從功能上來講，立面承擔著室內(nèi)環(huán)境調(diào)節(jié)的職責，因此相關研究大多涉及到建筑物理性能；同時立面應該美觀大方，給人良好的視覺體驗。清華大學林波榮等梳理總結了近年來國內(nèi)外建筑遮陽的實踐和研究進展，為建筑表皮遮陽系統(tǒng)設計的未來研究方向，尤其是在性能、模擬、控制策略等方面提供了重要支撐[61]。從構成上來講，立面通常由若干單元組成，具體單元的設計和整體的組合方式都受到學者的關注。

在立面單元設計方面，Ashrafi等運用形狀語法，對參數(shù)化的雙層幕墻單元進行優(yōu)化，調(diào)節(jié)其尺寸、開口位置等參數(shù)，使其獲得最優(yōu)的溫度調(diào)節(jié)性能[62]。袁棟等基于表皮單元自遮擋的原理，通過四邊形單元的角點變形控制表皮形態(tài)，進行冬夏日照輻射得熱量的多目標優(yōu)化[63]。Narangerel等基于正交網(wǎng)格將立面分割為等大的正方形單元，為立面單元設計參數(shù)化模型，使其可以凹凸變化，并在上面加裝太陽能光伏板。以熱負荷、發(fā)電量、采光性能為目標對立面構件進行多目標優(yōu)化(圖12)[64]。

在單元組成整體方面Nogueira等運用形狀語法生成方形瓷磚鑲嵌紋樣[65]。Engel研究更大的單元尺度，窗洞單元包括陽臺、落地窗等，每個單元為一層樓高；基于正交網(wǎng)格，根據(jù)已有的幾種立面單元生成立面，有三種模式可供選擇：完全隨機生成、有過濾的隨機生成、根據(jù)樣式的生成(圖13)[66]。

立面模式的研究中，涉及的立面系統(tǒng)較為概念化和整體化，通常采用參數(shù)化模型描述進行優(yōu)化。Wageh等建立了五種立面遮陽構件的參數(shù)化模型，其形式為簡單的條紋或網(wǎng)格。他們基于采光、眩光和視野性能對其進行優(yōu)化[67]。Gadelhak等運用多目標優(yōu)化，以能耗、采光、熱舒適、視野和眩光、可再生能源為目標，對參數(shù)化的立面進行優(yōu)化[68]。Belém等設計了一種參數(shù)化外墻表皮模式，可以調(diào)節(jié)孔洞的數(shù)量和大小來調(diào)整采光情況[69]；他們以最大空間有效日光照明為目標，用多種黑盒優(yōu)化算法來生成表皮，并比較各種算法的性能。Bomfim等的研究則更加概念化，以最大的太陽輻射為目標進行立面優(yōu)化，通過改變其各處的凹凸狀態(tài)，使得立面上的太陽能光伏板盡可能多地收集電量[70]。Stein的研究從視覺角度出發(fā)，以建筑立面圖像為案例，運用立面句法，基于正交網(wǎng)格生成二維立面圖案[71]。

2.3.2開 窗

開窗指的是外表面上洞口的布置方案，作為自然光和空氣的接收途徑，與使用者的體驗息息相關。與立面所關注的整體性和統(tǒng)一性不同，開窗關注的是窗洞的位置和大小。De Luca等以日照和能耗為目標對大學會堂的開窗進行優(yōu)化，考慮了窗的位置、面積、朝向等因素[72]。李煜等根據(jù)運動員和觀眾所需的光舒適性能，對體育建筑天窗的參數(shù)化模型進行優(yōu)化(圖14)[73]。丁煒豪等主要關注窗洞的大小，根據(jù)光環(huán)境和熱環(huán)境，對地下交通樞紐中庭天窗的參數(shù)化模型進行優(yōu)化，使得各處孔洞的大小不再均勻分布，而是根據(jù)優(yōu)化結果進行調(diào)整[74]。

2.3.3屋 頂

屋頂這一概念在相關研究中較為模糊，因為其涉及因素較多，且難以界定。一般平屋頂?shù)慕ㄖ⒉恍枰柚斯ぶ悄軄砩晌蓓?，而對于更為復雜的建筑，有時屋頂和立面之間的邊界并不清晰。不過屋頂有著極具特征的要素，即屋頂結構和天窗采光，這使得它值得被單獨研究。前文提到的中庭天窗優(yōu)化，在某種意義上即可以歸為屋頂相關的研究。而關于結構方面，Gerber等設計了一種生成大跨屋頂?shù)囊?guī)則。該方法通過對初始位置、輪廓等參數(shù)的優(yōu)化，使屋頂能夠獲得更好的受力和遮陽性能[75]。

2.4 設計分析

2.4.1設計評價

在建筑設計中，人工智能除了在生成方面的重要作用，還能協(xié)助進行各類分析，其中評價是一個重要方面。評價指標包括傳統(tǒng)的建筑物理指標，以及人為構建的一系列指標，如空間性能等，人工智能在兩類指標中的應用都受到了重視。

在建筑物理性能方面，人工智能技術為建筑綠色性能智能優(yōu)化設計提供了更有利的技術和平臺支撐[76]。Sebestyen等運用機器學習，根據(jù)外墻的開洞情況預測房間的日照時間和輻射值[77]。Singh等在設計早期階段，運用機器學習，先預測通過墻壁、窗戶、屋頂、底層地面等建筑組件的熱流，然后推算建筑的能源需求，包括供暖、制冷、照明等需求，最后計算建筑一年的總能耗[78]。

在建筑空間性能方面，Takizawa運用聚類算法，以大阪梅田地鐵站地下商業(yè)街一處布滿柱網(wǎng)的通行空間為例，預測空間中人們可能停留并發(fā)生活動的區(qū)域，并生成分析圖[79]。Tarabishy等對平面的空間連接性和視覺連接性進行評估。針對這兩個指標，可以通過解析方法得出分析圖，而研究者運用全卷積網(wǎng)絡，學習并生成同樣的分析圖，比較兩者的差異(圖15)[80]。

需要指出的是，這里所列舉的評價研究僅包括純粹進行針對指標評價的研究，而前文的生成研究中，也有一些方法包含了人工智能評價的部分，但評價指標往往局限于特定方法。未來研究需要具有通用性的指標，在各類生成方法中能夠被頻繁應用，最終形成統(tǒng)一標準。

2.4.2圖紙識別

建筑設計圖紙的識別也是應用人工智能技術的一個重要領域?，F(xiàn)有的很多建筑案例都可以作為人工智能生成的學習樣本，但這些案例信息的錄入是亟待解決的難題。圖紙識別技術自動將建筑圖紙上的信息提取并存儲，能夠大大加快相關研究的進程。

Brown等運用卷積神經(jīng)網(wǎng)絡，在平面圖中識別并標出房間[81]。Huang等運用生成對抗網(wǎng)絡識別住宅平面圖，用色塊標記，還可以反向生成平面圖[82]。Uzun 等運用卷積神經(jīng)網(wǎng)絡，從圖集中識別出建筑圖紙，分類為平面圖和剖面圖，可以達到80%的準確率，但是對于高精度的算法預測，必須根據(jù)數(shù)據(jù)集的樣本分辨率、樣本大小與樣本一致性對圖像進行排序[83]。圖紙識別技術不僅是研究生成方法的工具，其本質(zhì)是將位圖信息轉(zhuǎn)換為矢量圖信息，因而還能用作草圖識別，或是幫助解決繪圖軟件之間的兼容問題。

在建筑規(guī)范智能審查方面，清華大學張荷花等研發(fā)了BIM模型智能審查工具BIM Checker，通過自然語言處理將復雜建筑規(guī)范進行結構化描述，將BIM模型轉(zhuǎn)換為語義模型進行查詢和推理，實現(xiàn)基于知識圖譜的智能檢查方法[84-85]。

3 分析和討論

根據(jù)對上述73篇文獻的統(tǒng)計和分析，得出了以下結論：針對建筑設計領域的人工智能技術研究，在近5年間數(shù)量逐年提升(圖16)。其中2020年發(fā)表的論文數(shù)量占總體的35%，較上一年增長了67%。

從關鍵詞來看，出現(xiàn)次數(shù)較多的都是與技術相關的詞，而與主題相關的詞出現(xiàn)得則較為分散，并沒有相對熱門的單一研究主題(圖17)。最為熱門的關鍵詞是“生成式設計”，22%的研究都出現(xiàn)了該關鍵詞。

在各類主題中，最為熱門的是平面布局，占總量的42%；其次是形體，占總量的26%(圖18)。在列出的10個子主題中，平面布局中平面圖是最為熱門的子主題，占平面布局相關研究的84%，占總量的36%。排名前4的子主題是平面布局中平面圖、形體中單元堆積、外表面中立面、形體中參數(shù)控制，占所有研究的75%。

在各項人工智能技術中，出現(xiàn)頻率最高的是優(yōu)化算法，在41%的研究中出現(xiàn)過；其次是神經(jīng)網(wǎng)絡，在22%的研究中出現(xiàn)(圖19)。須要注意的是，不同的技術可能在同一項研究中被使用。此外，有11篇論文所使用的技術難以歸類，未被統(tǒng)計到此圖表。

在各類主題中，平面布局和形體相關研究的數(shù)量基本處于每年的第1和第2，且逐年穩(wěn)步增長(圖20)?？梢钥吹剑黝愔黝}都逐漸受到研究者的關注，各主題的相關研究數(shù)量基本上都在2020年達到峰值。

涉及建筑物理性能的研究在外表面和形體這兩個研究主題中占比最多，分別為79%和58%；而在平面布局相關研究中占比最少，僅為10%(圖21)。這可能是因為形體和外表面這兩個主題經(jīng)常涉及到建筑外部環(huán)境，對建筑物理性能的影響較大；而平面布局主要是研究建筑內(nèi)部空間組織，與建筑物理性能關聯(lián)性較弱，但也有例外，如建筑組團的平面布局對室內(nèi)采光有影響。未來研究中，尋找除物理性能外的通用評價標準，也是重要的研究方向之一。

優(yōu)化算法和神經(jīng)網(wǎng)絡基本上是每年應用最多的熱門技術，其相關研究數(shù)量呈現(xiàn)增長趨勢(圖22)。形狀語法作為一項提出較早的技術，在近年也有著一些研究熱度。各項技術的相關研究數(shù)量都在2020年達到最大值。

從技術和主題的綜合分析來看，平面布局是應用人工智能技術最豐富的主題(圖23)。優(yōu)化算法在大多數(shù)主題中都有突出表現(xiàn)，其中在形體相關研究中出現(xiàn)得最多，這可能是由于形體研究中參數(shù)化模型和優(yōu)化算法這一工作流的廣泛使用，而這也導致形體主題中大部分研究都采用了優(yōu)化算法。神經(jīng)網(wǎng)絡在形體、平面布局、設計分析這三個主題中的出現(xiàn)次數(shù)較為均衡，體現(xiàn)了這一技術的泛用性，但其未在外表面相關研究中出現(xiàn)，可能是由于外表面的研究思路較為單一和傳統(tǒng)，未能有效地融合這一較新的技術。形狀語法僅在平面布局和外表面這兩個主題中出現(xiàn)，可能是因為該技術主要解決的是二維平面上的問題。

4 結束語

從人工智能技術和設計任務的角度進行分類和分析，總結了在建筑形體、布局、外表面和設計應用等方面的研究前沿和熱點。主要得到以下結論：

1)建筑設計的數(shù)字化為人工智能技術的應用提供了基礎，建筑設計領域中應用人工智能技術的研究呈現(xiàn)增長趨勢，2020年發(fā)表文章數(shù)量增長了67%。

2)在不同設計任務中，人工智能技術的應用研究逐年增多，其中，平面布局和形體是研究數(shù)量最多的設計任務，分別占比42%和26%。

3)人工智能的新技術和傳統(tǒng)技術都能夠被廣泛應用于各類主題的研究中，解決不同尺度和層級的設計問題，輔助設計并提高工作效率，啟發(fā)設計思路。其中，優(yōu)化算法和神經(jīng)網(wǎng)絡是應用最多的人工智能技術，分別占41%和22%。從評價指標來看，建筑物理性能是最常用的公認的客觀評價指標。對于其他方面的性能評價，例如空間效率、私密性、視野等，還沒有明確的公認的量化評價指標。

目前大部分研究尚未達到能夠?qū)嶋H應用的程度，或是只能在單一項目上使用而無法推廣，這與建筑領域問題的定義不夠清晰、人工智能算法的能力范圍有限、數(shù)據(jù)標準化結構化程度不高等因素有關，這三方面的提升也是未來重要的研究方向。首先，在問題定義方面，建筑設計建造領域問題十分復雜、開放、難于界定，涉及的項目內(nèi)容維度眾多，鏈條龐大，因此形成分散、各自為政的研究情況，沒有形成統(tǒng)一的理論體系，這對人工智能技術的應用形成了阻礙。人工智能算法能夠針對定義明確的具體問題給出高效的解決方案，例如在醫(yī)療、安防等領域，人工智能主要解決圖像識別等具體問題，應用較為廣泛。而在建筑領域，問題的定義還不夠明確，以平面布局生成為例，如何判斷不同平面的好壞和合理性、用統(tǒng)一的數(shù)據(jù)結構描述平面布局，都沒有標準的做法和定義。因此，為增強建筑領域的人工智能技術應用，設計目標和建筑模型描述等問題都需要進一步的研究。其次，在算法能力方面，人工智能算法往往針對特定類型的問題，例如監(jiān)督學習中的回歸、分類問題，而建筑設計中的問題不完全能轉(zhuǎn)化為這類任務，因此針對設計任務中的特定問題，在明確定義的基礎上，新模型和新算法的開發(fā)是未來研究的重要方向之一。此外，在數(shù)據(jù)方面，建筑數(shù)據(jù)的標準化和結構化是亟待解決的問題，一方面，人工智能算法需要結構化數(shù)據(jù)進行分析和學習，另一方面，建筑形體特征、平面布局等仍沒有統(tǒng)一的結構化的幾何描述方式和數(shù)據(jù)結構。各個研究者使用的軟件工具平臺不盡相同，相互間的對接和兼容也是一大問題，這需要建筑信息模型(BIM)等更大型系統(tǒng)的支持。統(tǒng)一的數(shù)據(jù)標準是面向未來智能化、數(shù)據(jù)化建筑設計發(fā)展的基礎，也是未來一個重要的研究方向。

綜上所述，標準性和通用性是目前建筑設計領域人工智能技術發(fā)展面臨的重要挑戰(zhàn)，如何解決它們也是今后研究者的重點之一。