導讀

2024年9月7日-9日，2024中國城市規劃年會在合肥舉辦。在專題會議十四“新技術賦能規劃分析評價”上，鈕心毅教授作了題為《從知識維度認識人工智能與城市規劃》的報告，從歷史角度回顧了人工智能在城市規劃領域的三個發展階段，并談及了大模型的發展，尤其是近年來在城市規劃中的應用。

本文字數：6280字

閱讀時間：19分鐘

鈕心毅

中國城市規劃學會城市規劃新技術應用專業委員會副主任委員，同濟大學數字城市研究院副院長，同濟大學建筑與城市規劃學院教授

城市規劃中的人工智能

在去年下半年開始，我認識到生成式人工智能在規劃研究領域應用潛力。我開始關注此議題，為此做了不少的工作，大概到今年上半年有一些心得和收獲。在7月下旬的廣州規劃信息化年會上，我跟各位匯報了怎么用生成式人工智能傳遞規劃中的隱形知識。我這段時間工作最大的收獲就是認識了到城市規劃人工智能的核心可以用“知識”來歸納。今天來回歸一下城市規劃人工智能中的歷程是什么，各個歷程的重大事件，看能不能用規劃知識的角度來解釋其中的關系。

我們經常說到人工智能在我們學科行業，大致會遇到兩個方面的題目，第一是數字技術的人工智能。現在用大模型做文字處理，比如大模型語言論述一下報告，生成一個總結，這樣的工作大家正在做，而且技術在迅速發展。大家以后馬上會用到或者正在用到，我不把這些當作規劃技術，因為是各行各業通用的，跟其他學科沒有差別。

把人工智能技術用到規劃的技術調查、規劃的現狀分析、規劃的建模、規劃的方案制定、規劃選擇、規劃實施全生命周期當中。這里用到的人工智能的技術跟方法是學科特有、行業特有的。今天主要跟各位交流我們應該怎么看這里面人工智能。

城市規劃中人工智能的歷程

二十幾年前，我曾有幸在葉嘉安院士指導下進行了一段時間的學術訪問，這段經歷對我影響深遠。其中之一，就是城市規劃人工智能成為了我持續關注領域之一。在不久前，即7月26日的廣州規劃信息化年會上，葉院士再次啟迪眾人，深入探討了人工智能在城市規劃領域的起源與演變，這不禁讓我思緒萬千。

人工智能技術的演進歷程，大致可以劃分為四至五個鮮明的階段。從1960年至1980年代，專家系統橫空出世，引領了人工智能的首次熱潮，它標志著機器開始模擬人類專家的智慧與決策過程。隨后，1980年至2000年代，神經網絡技術的興起，則開啟了人工智能的第二次浪潮，為機器學習領域注入了新的活力。進入21世紀，統計機器學習方法逐漸成熟，從2000年至2010年代，這一技術分支取得了顯著進展。而自2010年起，深度學習方法的迅猛發展，不僅推動了人工智能技術的第三次飛躍，更引領我們步入了生成式人工智能的新紀元。尤其是2022年以來，大模型的崛起，更是給人工智能領域帶來了前所未有的震撼與變革，生成式人工智能與大模型的結合，正引領著新一輪的技術熱潮。

將這一技術脈絡映射到城市規劃學科的研究中，我們同樣可以清晰地看到城市規劃人工智能三個主要階段的發展軌跡。首先，是專家系統時代，大約興起于1980年代，這一時期的研究成果與嘗試，雖因時間久遠而未能廣泛為人所知，但其對城市規劃智能化的初步探索具有重要意義。其次，是近十年來的機器學習方法應用階段，這一時期的城市規劃研究開始深入探索并實踐機器學習技術，為城市規劃的科學性與精準性提供了有力支持。而今，我們正站在第三個階段的門檻上——“規劃專業大模型”的探索與實踐。

人工智能與城市規劃：

知識（knowledge）

這三個階段深刻揭示了人工智能的多維視角，首要探討的便是“知識”這一核心要素。當我們思考人工智能的本質時，實質上是在探索如何讓機器掌握并應用人類的知識體系。這不僅僅是一個簡單的知識傳遞過程，更涉及到機器如何理解、分類及應用這些知識的復雜機制。我們大致可以將知識劃分為三類：事實性知識，如“地球是個橢球體”，這是基礎且客觀存在的事實；程序性知識，比如“如何燒菜”的步驟，它指導我們完成一系列有序的操作；此外，還有一類知識可以稱之為“啟發性知識”，涉及復雜的決策與判斷。

將這些知識分類應用于城市規劃領域，我們的目標是讓機器能夠獲取并內化規劃工作的專業知識。這些專業知識是城市規劃研究與實踐中不可或缺的基礎，它們指導著從規劃構思到實施的全過程。通過將我們的專業知識有效傳遞給機器，我們可以借助人工智能的力量來輔助甚至部分替代人工完成規劃工作，這已成為當前城市規劃領域應用人工智能的基本范式。

回顧人工智能發展的歷程，特別是與城市規劃相結合的三個階段，第一個階段便是專家系統時代，可追溯至20世紀60年代，而在城市規劃領域則大約興起于1980年代。

1

專家系統——基于知識的系統

為何這一理念易于理解呢？原因在于技術背后所依托的，實質上是一個龐大的規則化知識系統。簡而言之，這種技術根植于知識之中，其核心在于將專家的知識提煉、編纂成知識庫，隨后用戶通過推理引擎與這一知識庫進行交互，最終經由解釋系統滿足其特定需求。這一過程的首要步驟，便是將特定領域的專家知識轉化為明確的規則體系，這些規則如同指引，引導系統對問題進行邏輯推理，從而給出答案。這一過程在醫學領域尤為典型，如1970年代MYCLN診斷系統通過預設的數百條規則，模擬醫學專家的診斷流程診斷具有傳染性的血液病，并給出治療建議。這個系統的診斷準確率介于全科與專科醫生之間，但它無疑已掌握了醫學專家的知識。

在規劃領域，我們同樣遵循著這一路徑。回溯至1980年代末至1990年代初，即有先驅者將這一思想引入規劃研究，尤其是在設施選址等領域，通過構建規則集，讓機器輔助決策。這些嘗試雖顯古老，卻標志著人工智能在城市規劃研究中的早期萌芽。然而，隨著探索的深入，我們很快遇到了兩大難題：一是知識獲取與提取的艱巨性，專家的隱性知識難以轉化為明確的書面規則；二是知識表達的局限性，規劃學科中大量的空間關系與經驗智慧難以用簡單的等式或公式來概括。正是這些特性，使得早期的探索雖具開創性，卻難以跨越某些障礙，導致1990年代后該領域的研究一度陷入沉寂。

2

機器學習——從數據中學習知識

自2015年起，規劃學科領域迎來了機器學習的蓬勃發展期，眾多學者紛紛投身其中，共同推動了這一領域的繁榮。與早期的專家系統相比，機器學習在知識理解與應用的路徑上展現出了截然不同的風貌。它不再依賴于人工總結與提煉的專家知識，而是轉向了一種更為動態與自適應的學習方式——通過構建龐大的訓練數據集，讓機器在海量數據中學習而掌握知識。

這一轉變的契機，正是大數據時代的全面到來。自2010年代中期以來，隨著數據量的爆炸性增長，機器學習技術得以在規劃學科中迅速崛起。它不再受限于知識的顯式表達與規則制定，而是能夠從復雜多變的數據中挖掘出隱藏的模式與規律，進而形成具有預測與決策能力的模型。這些模型在面對新情境時，能夠迅速給出判斷，其背后所蘊含是機器通過大量學習所積累的知識。

從這一視角來看，機器學習巧妙地繞過了知識提取與規則制定的兩大難題。它不再要求研究者將專業知識轉化為機器可讀的規則集，而是讓機器在數據的海洋中自由航行，自行發現與構建知識體系。這種轉變不僅極大地降低了知識傳遞的門檻與成本，還使得機器學習技術在規劃研究中得以迅速普及與應用。

以同濟大學葉宇教授的研究為例，他通過機器學習技術，對上海中環以內道路的街景圖片進行了大規模的訓練與評估。這一過程中，建筑系的研究生們作為“導師”，對每張圖片進行了細致的環境質量評價。隨后，機器便能夠基于這些訓練數據，自動完成對上海整個中環以內道路沿線景觀的建設環境品質評估。這一案例不僅展示了機器學習在處理大規模、重復性任務上的巨大潛力，還揭示了其在提升規劃研究效率與精度方面的獨特優勢。

3

大模型的“再學習”：

從知識維度理解專業大模型與通用大模型

我們當前正處于一個備受矚目的大模型時代，這一時代的來臨促使我們重新審視并調整我們的思維方式。盡管大模型的概念看似復雜，但實質上，其核心依然可以歸結為“知識”二字。從廣為人知的GPT語言模型，到規劃界新興的圖像生成大模型，這些通用大模型通過大規模的學習與預訓練，已經積累了海量的通用知識。這些知識雖不專注于某一特定領域，卻為跨領域應用奠定了堅實的基礎。

然而，當我們將這些通用大模型引入專業領域時，便需要進行一次針對性的訓練，即所謂的“微調”或“專題訓練”。這一過程旨在將特定領域的專業知識融入通用模型之中，使其能夠勝任更為專業、復雜的工作。正如病理圖像分析領域的多模態模型所展示的那樣，經過專題訓練的通用模型能夠模擬醫生閱片的過程，準確判斷病情與病灶，這正是專業知識與通用模型深度融合的典范。

受此啟發，我們也嘗試將這一方法引入規劃領域。通過構建通用的圖像模型，并探索其掌握規劃專業知識的程度，我們發現了一些有趣但也值得深思的現象。例如，在嘗試使用圖像模型對照片進行局部重繪時，雖然生成的圖像在視覺上可能頗具吸引力，但從專業角度來看，卻存在明顯的尺度與用途不符的問題。這些問題提醒我們，通用大模型在未經專業訓練之前，尚難以直接應用于規劃專業領域。

因此，我們不應輕視預訓練的通用大模型，而應充分認識到其潛力與局限性。通過針對性的再訓練與再學習，我們可以有效地將規劃專業知識傳遞給這些模型，使其在專業領域內發揮更大的作用。

專業大模型案例一

規劃設計總平面渲染圖生成模型

首先，我們來講第一個案例。在座的各位或許都曾親手繪制過那些總平面渲染圖，尤其在規劃設計院中，這類工作更是家常便飯。從線稿到色彩填充，無論是為了評審、投標還是其他目的，這一步驟都不可或缺，且往往耗時數十小時。我的愿景是顛覆這一傳統流程——將線稿直接交由機器，僅需短短十幾分鐘，便能完成高質量的渲染圖，極大地縮短后期處理時間。若專業人員在此環節耗費超過半小時，那無疑是低效的，因為這本質上已接近于機械化操作。但渲染圖的重要性不言而喻，因此，我們嘗試將渲染圖的繪制技巧融入通用大模型中，使用常用的開源Stable diffusion模型進行專題訓練，旨在實現這一目標。

我們的初衷是將總平面渲染圖的繪制知識整合進通用的大模型中，通過程序化的輸入指導如何繪制渲染圖。但這一過程并非一帆風順，經過多次嘗試與反思，我們意識到，要讓機器學會如何像人類一樣繪制渲染圖，首先需要明確圖稿的類型（如居住區、工業區或商業區），因為不同的類型決定了表達的重點與方式。緊接著，是識別并強調設計中的亮點，無論是軸線、濱水特色還是其他設計元素，都應成為渲染的焦點。同時，選擇何種色彩風格（水彩、油畫、對比強烈或單色系）也是至關重要的。

為了將人類繪制渲染圖的知識體系化，我們訓練模型的研究生同學首先總結了渲染圖繪圖方法，構建出色彩體系的知識圖譜，涵蓋整體效果、色彩關系及細節處理等多個方面。隨后，我們精選了少量優質的設計圖作為訓練素材，這些圖稿在色彩搭配、空間關系等方面均符合我們的設計判斷標準。通過功能結構、要素細節、色彩基調及關系等多維度的訓練，我們提煉出關鍵提示詞，讓大模型能夠捕捉并學習這些核心要素。

值得一提的是，盡管我們在陰影處理、文字注記等方面仍面臨挑戰，但通過微調訓練與后期處理，我們取得了令人滿意的初步成果。當輸入一張線稿圖并配以簡潔的提示詞（如“清潔明亮”、“鄰近色部分著色”）時，機器能夠迅速生成風格各異的渲染圖，無需再逐一指定設計要素。這種以思路驅動模型的方式，不僅提高了工作效率，更使得渲染圖更加貼近設計者的意圖與審美。

尤為驚喜的是，大模型在渲染過程中還能自動識別并添加一些隱性設計元素，如樹木、豐富的濱水細節等，這些都是基于它對優質圖稿的學習與理解。這充分展示了大模型在捕捉設計隱性知識方面的潛力。

專業大模型案例二

融入空間形態設計知識的圖像生成模型

第二個案例是街道空間更新專業模型，我們想法是用在設計前的交流。輸入幾個提示詞，展示今后的特定更新傾向之后場景以供討論，并不是指想讓模型做完設計，而是需要模型按提示生成對應建成環境效果。

我們著重深化了設計理念訓練。例如，其中一個核心理念是聚焦于營造濃厚的商業氛圍，旨在將訓練環境轉化為一個充滿商業活力的社區街道范本。首要目標即是確立并強化這一商業氛圍，進而探索其如何在具體場景，如步行商業街與混合功能街區中得以體現。我們不再僅僅依賴羅列眾多元素來構建場景，而是聚焦于關鍵要素的精準布局與效果呈現，力求通過少量而精準的訓練實現最終愿景。在此過程中，我們收集并分析了大量優質設計案例，這些案例不僅展示了理想商業街的具象形態，還深入剖析了設施配置、空間組合以及活動流線。通過約八十幅商業街道場景微調訓練，實現了輸入不同設計導向提示詞，模型生成不同商業氛圍下的街道空間。

此外，我們還探討了街道改造的另一重要方向——無障礙設計。在此訓練中，我們梳理了無障礙設計的基本概念，著重于如何將這一理念運用到訓練專業模型之中。訓練后的專業模型具備了理解無障礙設計要求的能力，例如在與花壇、臺階等元素的結合處理上兼顧無障礙需求。

“知識”：

人工智能規劃技術“關鍵詞”

今天，我的主旨并非深入探討訓練模型的技術細節，而是聚焦于知識本身，特別是人工智能規劃技術中不可或缺的關鍵知識。回望專家系統的發展歷程，其核心在于人類主動提取并明確化知識，隨后將這些知識轉化為規則，以供機器遵循進行決策。而機器學習則開辟了一條新途徑，它使機器能夠從海量數據中自主提煉知識。

那么，面對當前炙手可熱的大模型，我們應如何審視其角色與潛力？通用大模型通過大規模的預訓練，已積累了廣博的通用知識。然而，值得注意的是，這些模型在踏入特定專業領域時，往往顯得力不從心，因為它們尚缺乏該領域的專業知識。因此，對于大模型而言，再學習成為了必經之路，而再學習的內容，正是我們專業領域內的知識。

在進行任何形式的模型微調時，我們應明確想要傳遞的知識類型，并沿著這一知識傳遞的路徑去精心訓練模型。切勿陷入盲目訓練的誤區，即僅僅針對模型本身或追求特定效果而進行訓練。無論是讓機器繪制圖紙，還是輔助設計，其本質都是在一個傳遞專業知識的過程。

在這個過程中，作為訓練模型的人，首先必須是一位專業領域專家，對你所在領域的專業知識有深入的理解和掌握。換句話說，你需要精通規劃領域的專業知識，才能有效地將這些知識傳遞給模型，讓它成為你專業智慧的延伸。

“知識”：

AI for Science

在過去的一年里，“AI Science”這一概念頻繁出現在我的討論與思考中。直至兩周前，我細讀了《Nature》上一篇論文，其中明確提出了“人工智能時代的科學發現”，即“AI for Science”。這并非旨在取代科學家，“AI for Science”這一理念是人工智能驅動科學進步的體現。它意味著AI在科學研究中承擔數據的收集與管理，數據的表達、科學假設的生成，乃至實驗與模擬驅動。在我們所專注的城市規劃領域，城市科學同樣需要這一轉變。我們的學科若要真正融入人工智能的浪潮，就必須邁向“AI for Urban Science”的道路，讓AI成為我們規劃研究的有力助手，從數據采集、數據解讀到假設構建，再到實驗與模擬的每一個環節。

我的研究生和博士生們有時會疑惑，我們的學科似乎并不以實驗為主導。但我堅信真正的科學探索離不開實驗的驗證與檢驗。因此，我們的“AI for Science”之旅還任重道遠。我們期待有一天，人工智能能夠深度挖掘并揭示城市發展與運行的內在規律與知識，為城市規劃提供更加精準、科學的指導。這一過程，實則是AI在科學探索中的深度應用，是AI驅動學科進步的關鍵步驟。從更宏觀的視角來看，無論我們處于城市規劃人工智能發展的哪個階段，知識始終是核心要素。

我總結為四句話：從知識維度審視人工智能，其發展歷程可劃分為三個階段，而知識始終是貫穿其中的關鍵詞。即便在未來“AI for Science”的高級階段，知識的重要性依然不言而喻。因此，推動城市規劃領域的人工智能發展，必須緊密圍繞規劃專業知識展開，以專業知識為指引，不斷探索與實踐。

供稿單位：中國城市規劃學會城市規劃新技術應用專業委員會、廣州市規劃和自然資源自動化中心

【免責聲明】本公眾號發布的內容僅供學習交流使用，不以任何形式進行牟利。內容版權歸原作者所有。如有侵犯您的權益，請及時與我們聯系，我們將于第一時間協商版權問題或刪除內容。內容為作者個人觀點，不代表本公眾號立場和對其真實性負責。

學術研討會五：城市感知技術與治理實踐 | 規劃年會

點擊圖片閱讀全文

學術研討會二十一：人工智能賦能城市規劃 | 規劃年會

點擊圖片閱讀全文

要聞 | 四部門發文，深化智慧城市發展，推進城市全域數字化轉型

點擊圖片閱讀全文