引言
随着信息化技术的发展，如今的城市已经步入了一个“大智移云”（大数据、智能化、移动互联网、云计算）的时代[1]，各种技术紧密结合在一起，不仅大大改变着城市居民的传统生活方式，而且有望掀起新一轮产业变革（图1）。当前，结合数字化的相关技术，城市设计方法呈现出了不同于以往发展阶段的新特点[2]。智能化使得城市的数据库与多源大数据挖掘紧密结合，进一步支撑和发展了人工智能在城市设计中的方法运用与技术创新。通过物联网与移动互联网的紧密结合，产生了更多的城市大数据。在城市设计过程中深入分析、挖掘多源大数据，可帮助城市设计者更好地分析判断城市发展问题，指导城市设计[3]。
图1 创新周期和技术潮涌波次
通过人工智能技术与城市设计技术的结合，能够更加高效迅速地模拟并计算不同城市设计方案可能产生的经济效益、社会效益和生态效益[4]。以往的城市效益优化分析，往往需要设计者构建模型，并根据反馈结构进一步优化方案。通过人工智能神经网络结构的系统构建[5]，能够将效益分析与设计优化一体化，大大提高设计的效率。
人工智能技术的运用现已广泛涉及空间、生态[6]、交通[7]、公共管理[8]等多个方面。在城市空间方面，目前的研究在结合计算机视觉技术的城市影像方面成果较为成熟[9]，通过图像学习生成各类建筑、城市街景乃至更大尺度的城市形态平面方案[10]。1980 年代初，国外相关研究尝试将人工智能技术应用于建筑设计领域，苏黎世联邦理工学院（ETH）教授施密特（Gerhard Schmitt）提出将“计算机创造力”与“用户交互”相结合[11]，在建筑尺度层面引发了“数字链”建筑生成[12]等众多理论与技术探索，为人工智能在城市设计领域的研究探索提供了思路和基础。此外，关于城市形象智能算法[13]、大规模程序化自动建模[14]等计算机领域的技术方法的突破创新，也为人工智能与城市设计结合提供了技术支撑。
中国城镇化进程正在经历“从数量增长到质量提升”的新阶段①2017 年住房和城乡建设部发布《城市设计管理办法》，提出城市设计需贯穿于城市规划建设管理全过程。，在城市设计中，常需要在片区开发总量既定的情况下推敲各个街区的多种三维形态可能性，以配合开发总量及指标在多街区之间的分布设定与调整。同时，需要推敲各种开发强度分布设定下所对应的具象三维建筑群体体量，以谋求整个规划范围内的城市形态控制。长久以来，这项从指标到形态的生成工作都是由设计单位的大量设计助理手动完成，当需要调整各街坊的指标设定时，上述过程需要重新来过，工作量巨大，直接影响设计推敲调整的积极性，最终影响设计质量。在人工智能与设计领域结合的第二次机会的时代背景下，人工智能在街区尺度的城市设计领域已有一定研究，目前主要包括以下四个方向。（1）针对功能单一街区基本规范的方案强排设计。目前大部分既有研究集中在居住区为主的生成式设计，依托住区设计中体系化的规则参数生成强排方案[15]，并结合日照、消防等指标予以优化评价[16]。此外，该类方法在规则约束明确的高层建筑群生成中也有一定研究[17]。（2）针对模数明确的历史街区肌理设计。依托传统建筑聚落和街巷肌理特色模数，通过数据挖掘和机器学习技术建立数字化生成设计工具，生成历史街区形态肌理[18]。（3）基于案例库学习的住区建筑群落形态设计。通过非结构化数据库的搜索技术，找到可适当变形的案例模型，以实现自动生成符合各项专业要求的高层居住街坊[19]。（4）基于邻近街区特征识别的机器辅助设计。通过附近街区建筑和社会经济特征来识别特定类型的城市环境和主要街道，从而指导城市设计[20]。
随着人工智能技术逐步被应用于城市设计领域，实现了从确定抽象开发量指标到自动生成具象三维建筑群体体量，但仍存在以下问题。（1）现有图像学习等方法在城市设计领域应用不足。虽然来自人工智能领域的计算机视觉技术经过40 余年的发展取得了长足的进展，但由于现有图像学习等智能生成手段的不可控性不易解释，单纯的图像学习方法难以实现非居住类用地的街区形态与建筑尺度的内在机理学习，导致人工智能生成方案仅适用于空间规划较为简单的居住用地，而难以满足不同用地性质混合情况下对空间组合的特定要求。（2）街区层面设计思维逻辑难以体现多尺度城市设计决策要求。从建筑出发的“自下而上”的设计思维适用于小尺度、功能单一的地段，而城市设计更注重对城市空间形态和风貌的整体控制，需要强调不同街区间的功能、空间、景观、交通、步行等联系，也需要采取“自上而下”的设计思路，但目前存在对应不同尺度的设计方案信息难以传递的问题。（3）应对不同功能地块的街区尺度城市设计方法缺失。目前街区尺度的人工智能城市设计主要面向功能单一的居住区、历史街区等，而不同功能街区的建筑排列组合的设计思路，与居住区、历史街区等生成方法不尽相同，在设计规范方面也存在较多差异，因此需要寻找一种更加共融的智能设计思路。（4）“黑箱”整体生成模式缺少逐级交互优化机制。图像学习生成住区强排方案等方法更多的是采取对抗网络直接生成方案，并采取基本规则规范进行校验，但不同街区的功能并不像住区在道路及步行体系上偏向自洽封闭的设计思路，传统的设计流程会综合不同街区的道路、步行路径乃至建筑进行多轮方案设计，而目前“黑箱”这种整体生成的方式阻隔了设计师逐级交互优化的机会。
综上，本研究在梳理了国内外人工智能在城市规划与设计技术应用研究脉络的基础上，重点聚焦于街区尺度城市设计与人工智能相关技术方法的结合，希望能在既有研究的基础上进一步拓展：（1）在研究对象上，从居住等单一功能街区拓展到不同功能地块组成的街区；（2）在生成逻辑上，将“黑箱式”的一键生成方法思路拓展到“道路—步行—建筑”等自上而下思路；（3）在生成算法上，将图像学习、贝叶斯参数化等传统单一方法拓展到与街区内的道路、建筑等不同要素相组合的生成算法库；（4）在设计交互上，将最终结果导向的选择式交互拓展为逐级生成的过程式交互。
1 街区三维形态智能化设计的总体架构
本文按照自上而下的城市设计逻辑来架构街区三维形态智能化设计，主要包括以下四个模块：街区三维空间—基底计算模块、方案规范转译—智能控制模块、整体智能设计—逐级生成模块、人机协调设计—逐级优化模块（图2）。
图2 街区三维形态智能化设计模块总体架构图
（1）街区三维空间—基底计算模块。获取目标街区及其周围街区的地理信息数据，构建三维空间沙盘。由测绘无人机采集目标街区及以目标街区为中心向外扩展一个街区的地理空间信息，通过内置数据采集模块，将栅格格式的图像信息转换为矢量数据，并录入地理信息平台。在地理信息平台中，将街区的地理空间矢量数据转换至统一坐标系进行空间地理坐标与投影坐标对位，并制成高精度的三维空间沙盘。其中地理空间信息包括街区道路、街区建筑、街区公共空间和街区地形地貌。
（2）方案规范转译—智能控制模块。转译提取各类上位规划文件和各级规范标准中的设计条件并进行空间信息配准，将前置设计条件以属性表形式嵌入目标街区。采集涉及目标街区的专项规划、控规文本和相关规范标准①相关法定规范包括《商店建筑设计规范》《建筑设计防火规范》和《城市道路交叉口规划规范》。，并通过加载数据库组件提取街区设计条件，组件中预先设定街区设计条件的提取内容。将采集的街区设计条件进行标准化处理，统一数据格式，与三维空间沙盘进行空间匹配，并以属性表的形式链接至目标街区。
（3）整体智能设计—逐级生成模块。基于所提取的设计条件，生成街区三维体块，同时基于对建筑组合的机器学习，生成三维的建筑模型，并对建筑形态进行优化。在街区尺度上采取逐级生成方案并逐级优化的路线，包括街区二维平面、街区三维空间体块、街区公共空间、街区人行出入口、街区塔楼建筑和裙房建筑、街区建筑体块方案。同时构建街区三维轮廓线训练样本库，通过加载机器学习模型生成街区三维模型，并对裙房建筑形态进行优化，生成多个街区建筑体块方案。
（4）人机协调设计—逐级优化模块。用全息沙盘显示生成的街区设计方案，并构建交互反馈的指令库，选择和识别指令，指令处理与结果反馈显示。通过构建城市设计方案的全息沙盘和虚拟现实即时交互系统，可实现设计师对城市设计方案即时、准确、高效地反馈调整，解决传统方案展示和调整存在的视角单一、互动性差、调整延时、后续工作周期长等问题。
2 街区智能化设计的四种方法
在街区三维形态智能化设计总体架构的基础上，通过进化算法、适应性算法和有监督深度学习、逐级交互设计等人工智能方法，构建街区三维形态的智能化设计模块。
2.1 进化算法：映射设计内在规律与机理
进化算法包括遗传算法、遗传规划、进化规划和进化策略等，指从任一初始的群体出发，通过有限随机选择、变异和重组过程，使群体进化到搜索空间中越来越好的区域（图3）。遗传算法在建筑群落布局中已有应用[21]，而进化算法中的适应函数，可以置入大量城市规划与设计的规范、技术标准和经验值域，进一步限定随机选择的方向，并能针对线性网络的不同原型模式进行进化约束，较适合道路和步行网络的生成。
图3 基于进化算法的街区步行体系N 轮生长图
注：研究对象以（0,0）为原点，在抽象的矩形理想街区中生长。坐标中的数字单位为m，负值表示生长方向相反。
2.2 适应性算法：学习现有经验与知识
适应性算法利用现有城市建筑、路网等矢量大数据构建街区案例学习库，并结合设计目标地块的指标，构建案例匹配决策树。本研究课题组近年来在中心区实地调研的基础上，结合大数据相关技术，采集了国内外主要城市的空间数据成果，包括建筑、道路、水系、绿地等，并在此技术上针对主要城市的空间数据进行多轮清洗，剔除搭建地和棕地等建筑较少、质量较差的街区空间数据，筛选出代表性较高的六大类不同功能街区数据。将目标地块中对应指标和规范的相似案例选出，并基于街区用地性质、形态指数、街区面积等不同影响要素，构建参数化适应性设计操作谱系（旋转、缩放、拉拽、删除等），将现有的具有不同风格和处于不同环境的城市街区方案适应到目标场地中，从而形成满足不同地区特色需求的方案数据库（图4）。
图4 适应性算法在建筑群落中的应用思路
2.3 有监督深度学习：方案控制与风格选择
监督学习方法是目前研究较为广泛的一种机器学习方法，例如神经网络传播算法、决策树学习算法等已在许多领域得到成功应用。在传统城市设计分形视角下，对不同功能细分的街区形态量化指标已有研究[22]，结合不同功能的街区形态特征指标并连接街区已有控制性详细规划的各类管控指标，可构建街区决策树[23]。通过有监督学习算法分析训练数据，城市设计的智能方案允许确定各类标签，并用已知某种方案的控制要求或某些风格特性的样本作为训练集，以建立一个确定风格的方案库，再用已建立的方案库生成新的城市设计方案（图5）。
图5 有监督学习下对智能生成方案的空间错落度优化调整
2.4 逐级交互设计：沉浸式方案场景设计
交互式设计技术最特殊的地方在于人机高度交互。应用于设计中，主要表现为虚拟交互，通过手势、点击等动作的识别来实现交互技术，将虚拟的设备、产品展示给设计者。例如：在麻省理工学院（MIT）媒体实验室（MediaLab）开发的CityScope 等项目中，通过光学标记的乐高对象阵列、计算机视觉和3D 投影映射协作组成有形交互矩阵（TIM），城市设计师可以复制、移动对象来改变数字屏幕上的三维方案模型，而东南大学建筑学院则将VR 交互沙盘、城市立方等技术工具运用在科研与实践中（图6）。
图6 基于沉浸式虚拟现实场景的方案交互式设计应用
3 “匹配—生成—反馈”逐级智能化设计技术流程
3.1 案例库智能决策：多因子决策树逐级匹配
采集设计地块周边一定范围内建筑、道路信息的矢量二维数据和周边建筑倾斜摄影三维空间信息；获取上位规划中设计地块控制性详细规划里围合该地块的道路的CAD 格式数据，以及设计地块内部的地块控规指标数据，统一矢量数据坐标并将控规指标与设计地块的建筑—道路空间模型建立连接关系；获取城市设计现状建设方案案例库，提取城市设计方案案例特征指标体系，对特征参数优先级排序，并构建特征指标体系决策树（图7），根据决策树优选出相似案例，形成特征学习案例库。
图7 空间基地构建和多因子决策树逐级匹配图
3.2 整体性智能设计：“道路—步行—建筑”逐级生成
本研究通过街区三维形态的智能化设计方法模块，整合了进化算法等既有研究中较为成熟的生成方法，并重点针对不同功能的街区建筑群落设计做进一步的方法探索，试图构建“道路—步行—建筑”逐级生成的整体性智能设计流程。
（1）街区道路网络智能化设计。根据控制性详细规划中确定的各街区出入口位置，将格栅法与最短路径法相结合，智能生成多个地块道路网络方案，并结合道路规则检验模型对方案进行验证，输出满足规则的道路网络方案及各方案特征参数。
（2）街区公共空间智能化设计。根据控制性详细规划中确定的各街区土地利用性质与智能生成的道路网络方案，将步行基本单元参数控制与进化算法相结合，智能生成多个地块步行体系方案，并结合步行体系规则检验模型对方案进行验证，输出满足规则的步行体系方案和各方案特征参数。
（3）街区建筑群落智能化设计。构建建筑组合样本数据库，根据设计地块的建筑组合样本库特征指标，将其与建筑组合案例数据库智能匹配，进一步通过进化算法和自适应算法生成不同功能的建筑组合方案，并结合地块控规空间参数和日照间距对方案进行验证，输出满足规则的建筑组合方案和各方案特征参数（图8）。
图8 “道路—步行—建筑”逐级生成图
3.3 交互式智能设计：人机协同优化逐级反馈
采用虚拟现实即时交互平台和设备，通过全息沙盘展示三维模型，设计师穿戴VR 眼镜并使用数据手套可以更好地融入三维虚拟场景，提前感知方案设计的预期效果（图9）。在实时的空间感知中，设计师可以根据不同需求对设计方案进行即时调整：语音识别设备可以捕捉识别语音指令信息，数据手套可以通过传感器捕捉识别手势动作指令信息。根据设计师的指令，智能三维沙盘即时调整设计方案，并计算调整后的设计指标，使方案设计调整更高效，也使方案更贴近真实效果（表1）。
表1 人机协同优化即时调整指令集（部分）
图9 全息沙盘展示三维模型交互机理
4 人机交互下街廓三维形态智能化设计的实践应用
4.1 基底搭建：设计师对场地现状认知规则转译
在实践案例中，选取了五个目标地块作为方案生成的基本街区（图10）。统一矢量数据坐标，将设计地块周边的建筑、道路矢量二维数据、设计地块控规围合道路、地块周边建筑三维倾斜摄影信息加载入智能城市设计平台，在DGX-1 V100超深度学习工作站上运行。并采集设计地块内部的地块控规指标数据，包括各街区用地属性、街区出入口位置、街区开发强度（建筑密度、建筑高度、容积率）、建筑贴线率、建筑退线等。
图10 五个目标地块选取图
注：容积率、建筑密度、建筑高度均为控制上限。
4.2 方案生成：逐级智能生成设计方案初步探索
对街区道路网络进行智能化设计，结合《城市道路交通规划设计规范》（GB 50220-95）中对街区尺度和道路密度的规范，限定道路生成的规则。在两个确定的出入口之间形成隐格栅，在格栅上自动寻找两个路口间的最短路径并相连，画出设计方案道路中心线，并根据城市支路道路规范自动拓宽道路。
在道路多方案的基础上，进一步智能生成街区公共空间。采用进化算法L-System，以步行体系生成的起点进化生长基本单元。基本单元按照预设的步行体系适应函数进行生长，在生长过程中通过函数约束不同街区间的步行体系连通性，并避免步行体系与上一轮已生成的道路网络出现过多的平行重叠，实现人车分行的良好步行空间。
在步行体系多方案的基础上，进一步智能生成街区建筑群落。建筑组合案例数据库进行智能匹配：以目标地块4 为例，将各街坊交互指标与案例库进行比对，将匹配度达到90%的样本建筑组合按照匹配度大小进行排列，选取匹配度前1 000 个建筑组合生成案例学习数据库；归拢前1 000 个建筑组合，以此作为CVAE-GAN 补图算法和建筑自适应算法的数据库进行机器学习，生成各街坊不同功能的建筑组合的海量方案（图11），并与地块控规空间参数（各街区开发强度、密度、建筑高度、建筑贴线率、建筑退线）和居住建筑日照间距等技术规范进行校核，剔除不符合规范的方案。将规划指标库与城市设计方案库连接，通过规划指标计算公式测算出智能系统生成的每个方案的各项规划指标数值。将城市设计各项规划指标数值与规划指标库内规划指标值限定区间比对，判定多方案规划指标是否在规划指标值限定区间内。若结果为否，则判定为废弃方案；若结果为是，则将该方案加载至符合规划指标的方案库（图12）。
图11 目标地块4 的街坊建筑组合多方案智能生成过程图
图12 目标地块4 经过控规指标和规范校验后的优选方案之一
4.3 人机逐级交互：沉浸式虚拟现实的互动优化设计
在方案逐级交互阶段，将符合规划指标的设计成果导入全息沙盘，将场地底盘三维模型与建筑三维空间模型叠加，生成城市设计智能交互平台。将设计师的眼睛视角与三维全息沙盘的相对空间位置进行定位，在全息沙盘平台四周、设计师穿戴的VR 眼镜上、数据手套的手心分别设置可探测距离的传感器，使全息沙盘、VR 眼镜和数据手套可以相互探测到对方位置。构建全息沙盘智能指令库，包括指令名称、手势动作指令信息或语音指令信息，以及智能三维沙盘修改调整。
在人机交互过程中，将指令对应的全息沙盘智能修改调整输入工作站，所述指令对应的修改调整包括建筑形体的拉伸、缩放、旋转、建筑布局的调整等，调整后可即时计算出新方案各项规划指标，并依次逐级优化生成并显示修改调整后的交互式人工智能城市设计成果（图13）。
图13 交互式人工智能城市设计平台构架构想图
5 结语
如今，随着数字技术在城市规划领域的应用越来越广泛，城市设计与人工智能的结合也面临着一场变革。在建筑设计等领域运用人工智能方法虽然已有一段时间，也为城市设计相关方法和技术的创新提供了启发与借鉴，但城市设计领域包含多尺度空间的内在机理，有着更为多元的人文与社会内容的“显隐互鉴”[24]，因此在人工智能城市设计过程中，不仅需要满足建筑尺度、日照等规范校验，也要考虑多尺度、多要素的逐级设计与逐轮优化。本文提出的人工智能城市设计在街区尺度的逐级交互式设计模式，作为一种街区尺度的人工智能城市设计探索，希望为建筑单体的智能生成拓展到街区，城市形态的智能生成细分到街区构建一条纽带，在百花齐放的人工智能与城市设计相结合的变革中提供一种新思路与新探索。
注：文中图表均为作者绘制或拍摄。
[1] 吴志强.人工智能辅助城市规划[J].时代建筑,2018(1): 6-11.
[2] 王建国.基于人机互动的数字化城市设计——城市设计第四代范型刍议[J].国际城市规划,2018,33(1): 1-6.DOI: 10.22217/upi.2017.558.
[3] 王建国.从理性规划的视角看城市设计发展的四代范型[J].城市规划,2018,42(1): 9-19,73.
[4] 杨俊宴.全数字化城市设计的理论范式探索[J].国际城市规划,2018,33(1): 7-21.DOI: 10.22217/upi.2017.556.
[5] 龙瀛,毛其智,杨东峰,等.城市形态、交通能耗和环境影响集成的多智能体模型[J].地理学报,2011,66(8): 1033-1044.
[6] LIU L,SILVA E A,WU C,et al.A machine learning-based method for the large-scale evaluation of the qualities of the urban environment[J].Computers,environment and urban systems,2017,65: 113-125.
[7] ASCHWANDEN G D,WIJNANDS J S,THOMPSON J,et al.Learning to walk: modeling transportation mode choice distribution through neural networks[J].Environment and planning b: urban analytics and city science,2019: 239980831986257.
[8] GEORGIOS N K.The application of artificial intelligence in public administration for forecasting high crime risk transportation areas in urban environment[J].Transportation research procedia,2017,24: 467-473.
[9] 刘伦,王辉.城市研究中的计算机视觉应用进展与展望[J].城市规划,2019,43(1): 117-124.
[10] WIJNANDS J S,NICE K A,THOMPSON J,et al.Streetscape augmentation using generative adversarial networks: insights related to health and wellbeing[J].Sustainable cities and society,2019,49.
[11] 格哈德·施密特.人工智能在建筑与城市设计中的第二次机会[J].时代建筑,2018(1): 32-37.
[12] 李飚,郭梓峰,李荣.“数字链”建筑生成的技术间隙填充[J].建筑学报,2014(8): 20-25.
[13] FILOMENA G,VERSTEGEN J A,MANLEY E.A computational approach to ‘the image of the city’[J].Cities,2019,89: 14-25.
[14] PARISH Y I H,MÜLLER P.Procedural modeling of cities[C]// Processing of ACM SIGGRAPHL,2001: 301-308.
[15] 宋靖华.基于生成式设计的居住区生成强排方案研究[C]// 全国高等学校建筑学专业教育指导委员会建筑数字技术教学工作委员会.数字技术·建筑全生命周期——2018 年全国建筑院系建筑数字技术教学与研究学术研讨会论文集,2018: 6.
[16] 张林军,吴志强.居住区规划设计中计算机生态模拟软件运用的评价与优化[C]// 中国城市科学研究会.第六届国际绿色建筑与建筑节能大会论文集,2010: 9.
[17] 孙澄宇,宋小冬.深度强化学习：高层建筑群自动布局新途径[J].城市规划学刊,2019(4): 102-108.
[18] 唐芃,李鸿渐,王笑,等.基于机器学习的传统建筑聚落历史风貌保护生成设计方法——以罗马Termini 火车站周边地块城市更新设计为例[J].建筑师,2019(1): 100-105.
[19] 孙澄宇,罗启明,涂鹏,等.街坊尺度下建筑群体三维体量的自动生成方法初探[J].城市建筑,2016(1): 114-117.
[20] OH J,HWANG J-E,SMITH S F,et al.Learning from main streetsa machine learning approach identifying neighborhood commercial districts[M]// VAN LEEUWEN J P,TIMMERMANS H J P,eds.Innovations in design &decision support systems in architecture and urban planning.Dordrecht: Springer,2006: 325-340.
[21] 黄陈瑶,吉国华.产业园区建筑的自动布局实验——基于遗传算法优化[J].安徽建筑,2019,26(4): 6-8.
[22] 季惠敏,丁沃沃.基于量化的城市街廓空间形态分类研究[J].新建筑,2019(6): 4-8.
[23] NADERI J R,RAMAN B.Capturing impressions of pedestrian landscapes used for healing purposes with decision tree learning[J].Landscape and urban planning,2005,73(2/3): 155-166.
[24] 王建国.包容共享、显隐互鉴、宜居可期——城市活力的历史图景和当代营造[J].城市规划,2019,43(12): 9-16.