AI 技術在建筑原創設計中的應用研究
——以stable diffusion 的方案創作智能工作流為例

柳旭東

（上海市建工設計研究總院有限公司，上海 200030）

0 引言

科技日新月異智能，AI 技術推動著各個行業不斷的創新與進步，如新基建利用AI 網絡化、數字化與智能化的高能效益，促使各大行業領域的深度合作和轉型升級；在建筑原創設計領域里AI 對歷史建筑、現代建筑大量而復雜的數據處理和分析，自動提取出建筑設計中的規律和特征，從而輔助設計師進行高效的設計。

1 AI 相關文獻綜述與領域現狀

過去幾年中，許多研究者和企業開始探索AI 在建筑設計中的應用，例如，深度學習算法已被用于自動生成建筑設計方案、優化建筑結構等[1]，此外，AI 還可以通過分析大量數據來預測建筑材料性能、能耗等，為設計師提供決策支持。

1.1 國外研究現狀

在國外，AI 技術應用于建筑設計方面的研究起步較早，如哈佛大學的設計學院、Artificial Intelligence Lab研究室以及麻省理工的Medialab 實驗室等，都在深入而廣泛性地探索AI 如何改變建筑設計的方式和流程。此外，一些知名的科技公司如Google、Microsoft、Apple等也在該領域有所布局，推出了一些基于AI 的建筑設計工具和平臺。

1.2 國內研究現狀

近年來，隨著人工智能技術的不斷發展，國內越來越多的學者和企業開始關注AI 在建筑設計領域的應用。國內的研究主要集中在智能化建筑設計、建筑信息模型（BIM）和智能化施工等方面[2]。一些高校和科研機構如清華大學、同濟大學等都在積極開展相關的研究工作，并取得了一定的成果。同時，國內也出現了一些基于AI 的建筑設計平臺，如酷家樂、萬間建筑等，它們利用AI 技術為客戶提供智能化的設計方案和材料選擇。

2 AI 研究背景與意義

近年來，AI 技術逐漸被引入建筑設計領域，不僅提升了設計效率，還為設計師提供了全新的創作手段。然而，如何更有效地將AI 技術應用于建筑原創設計中，仍需深入研究。

對AI 工具的合理運用將有助于把設計師從繁雜重復的工作中解放出來，從而可以更多地思考創新本身，助力于設計流程的變革。AI 與設計師的合作模式將由“設計師輸入意圖-AI 執行”“AI 智能生成-設計師決策”，逐步向“設計師和AI 協同”的模式發展。生成式AI作為創新引擎和極為重要的基礎技術將對各大行業乃至社會產生巨大的影響，從而推動建筑產業轉型升級。

3 建筑生成設計歷史沿革

1972 年麻省理工研究的人對形狀語算法增加了建筑美學生成實現的可能性。繼后20 世紀80—90 年代“LOOS”建筑平面布局系統的開發，東倫敦大學CECA代元胞自動機、代理系統等智能算法研究也為建筑設計提供了更強的概念性設計工具?，F階段AI 技術借助成熟的神經網絡、卓越的計算機性能實現建筑自動生成設計，順應了建筑行業發展的高效性。

建筑生成設計主流方向。胚胎住宅模擬生物胚胎的自由生長，以個性定制化、靈活組裝、表面連續起伏為特征，利用算法，生成建筑形態設計；設計師設置多要素極值的建筑設計目標，元胞自動機生成建筑設計方向，根據建筑性能以迭代類算法優選最佳設計方案，并借助學習類算法生成對抗網絡對設計好的設計作品進行學習，讓算法在統計規律中自動生成建筑設計方向。

4 AI 行業應用現狀

通過建筑結構設計一體化軟件、建筑大語言模型、智能數據庫、建筑給排水智能化、公租房產線的全設計流程和各專業實現數智化協同，促進BIM 生成、PC 深化設計。

建筑工程技術資料對話大模型Construction-GPT，提供了工程資料檢索服務；施工圖紙智能繪制系列插件基于圖紙對象生成算法，一鍵自動生成施工方案CAD 圖紙，同步提高了繪制效率與圖紙質量，實現了空間鋼結構線框模型與異形截面快速構建，節省了大量人工建模時間；基于邊緣檢測與特征擬合算法，如通過拍照可快速生成清水磚墻排版圖，解決了修繕底圖繪制慢的難題，顯著提高了深化設計效率。

5 AI 技術研究內容

順應建筑“數智化”發展趨勢，本研究對AI 技術在建筑原創設計中應用進行了系統性的疏理，對現有AI技術在原創設計中的運用經驗和技巧進行總結，針對AIGC 平臺生成圖像對數據集的要求，通過AI 算法、GANs、強化學習等實驗，驗證了AI 關鍵技術在建筑原創設計中對數據集構建模式和相關模型訓練策略方面的可行性和高效性。

深度學習技術讓機器在建筑設計過程中通過語音識別、圖像識別與處理，方面能夠自我學習和優化，通過建立多層神經元網絡，提高設計的準確性和效率，實現更高級別的認知和決策能力。stable diffusion 基于深度學習在建筑渲染、景觀規劃中將虛擬現實、增強現實生成高質量、高分辨率模型的圖像[3]，在大規模建筑圖紙數據處理過程中，在預設主模型的基礎上添加LORA的功能模塊，通過微調即可提高建筑模型的泛化能力。設計師利用Control Net 插件的增強功能，結合圖片和文字提示（Prompt），通過邊緣映射或分割映射等輸入條件，控制模型生成特定形狀、結構或紋理的更符合預期的建筑外觀圖片。

5.1 挑戰和解決方案

（1）AI 智能插件開發。開發具有自主知識產權的AI智能插件，減少AI 制圖過程中在不同軟件平臺間的轉換次數。

（2）提出智能工作流。結合傳統造型設計的基本工作流程，將AI 智能工具結合到恰當步驟，并通過開發插件，簡化AI 制圖步驟。

（3）LORA 模型訓練技巧。讓AI 按照所提供的視覺或細節參考圖片生成符合設計任務書要求的設計成果[4]。

（4）智能插件設計思路。相比傳統生圖方式，取消了從SU 等建模軟件中導出模型圖片，在PS 軟件中處理圖片，并將處理后圖片上傳到AIGC 平臺中等步驟，提高了效果圖生成效率。

（5）AI 工具平臺云端部署。將AI 工具的平臺轉移至個人電腦客戶端上，而具體的生圖和后臺運作功能可在渲圖主機上遠程運行，讓更多人能使用目前的SD軟件。

（6）stable diffusion 平臺優勢技術生態成熟，可以自主訓練模型，插件豐富，選擇更多樣化。

5.2 工作流方案

工作流特點反饋迅速，在設計師調整SU 模型的同時，將模型截圖加載到AI 生圖平臺，平臺可以在2～3min 內給予結果反饋。通過采用多種類大模型和LORA 模型可以迅速提供不同風格方向的AI 生成結果。根據設計師提供的簡單體量模型就可以生成帶有門窗構件和場地環境特征的最終建成效果圖，并根據設計師提供的方案描述、草圖、模型截圖、參考意向圖等多維輸入方式、多種條件生成方案效果圖。AI 生圖平臺如圖1 所示。

圖1 AI 生圖平臺

5.3 建筑體量組合推敲

在AI 數據庫里輸入建筑風格、參考案例、場景氛圍描述關鍵詞，通過ControlNet 插件形成初步方案，Regional prompter 利用Chat GPT 生成提示詞，通過shuffle+IPadapter 設計師即可對建筑體量模型、建筑風格草圖進行遷移融合、調整修改，分塊控制畫面內容，通過邊緣檢測繪成建筑模型[4]。圖2 為建筑體量組合推敲流程，圖3 為結合手繪風格LORA 將初步方案轉化為手繪圖。

圖2 建筑體量組合推敲流程

圖3 結合手繪風格LORA 將初步方案轉化為手繪圖

利用LORA 找型模型、水平元素造型、垂直元素造型模型等多樣化模型，繪制彩色戶型圖、彩色總平面圖、畫面細節等，優選ZAHAHADID 風格、現代風格、新中式風格等設計風格，營造雪景、夜景、手工模型、手繪風格等畫面氛圍，合理布置如家具、綠化景觀墻、景觀天橋等特殊的物件，呈現更為直觀的建筑效果圖[5]。

5.4 方法與實驗設計

本研究采用混合方法進行研究。根據文獻調研，篩選出成功的AI 建筑設計案例；在實驗設計中，針對建筑學的具體要求選擇和調整算法；實地測試后收集數據做進一步分析。

收集建筑設計案例、設計規范、實驗數據等建立數據庫并進行預處理和清洗，根據研究的具體目標和問題，選擇合適的機器學習遺傳算法、進化算法或神經網絡的算法或深度學習模型。根據數據的訓練集和驗證集來調整參數以提高模型的準確性和意向效果；通過訓練好的模型和給定的約束條件和目標函數，通過遺傳算法、進化算法或其他優化算法進行搜索和優化，促使建筑設計的生成和優化。

評估生成的設計方案?？梢岳媚M和仿真技術對設計方案如能源消耗、照明效果、通風效果等進行性能評估，展示可視化為圖像或動態，以便設計師直觀地了解設計效果；對研究結果進行解讀和分析，對生成的設計方案進行討論和改進，推動AI 技術在原創建筑設計中的實際應用。

6 展望

深入研究與實驗，推進智能插件的研發，完成軟件著作權的登記工作，提升課題成果質量；拓展應用場景，探索更多應用場景，將智能工作流應用于實際項目中，并進一步完善更新；學術交流與合作，積極參加學術會議和研討會，與同行專家進行深入交流和合作，共同推動人工智能領域的發展。

7 結語

目前AI 技術在建筑原創設計中主要用于方案生成、結構優化、材料選擇等方面。其中，GANs 等生成模型表現尤為出色。AI 技術可以提高設計效率、減少設計師的工作量、提供更多創新方案等，但同時存在算法的可解釋性、數據隱私、倫理問題等挑戰。隨著技術的進步，AI 有望在建筑設計中發揮更大的作用，如實現自適應的建筑設計、智能化評估設計方案等。

AI 技術在建筑原創設計中具有廣闊的應用前景。然而，要充分發揮其潛力，需進一步解決技術、倫理和法律等方面的挑戰。未來的研究應關注如何提高AI 技術在建筑設計中的可解釋性、如何更好地結合人類設計師的創意與AI 技術等方面。