Page 240 - 建筑结构设计理论及实践研究

Theoretical and Practical Research on Architectural Structural Design
建筑结构设计理论及实践研究

式的交互，人工智能可以接收来自建筑师的反馈，包括对生成结果的评价、指导、
改进和建议。利用人类反馈强化学习反馈行为本身可以被用作评价模型的训练数
据，进一步改进人工智能的生成能力和设计质量。对建筑智能的评价过程正是人
机协作的趣味所在，同样的工具在不同人手中，经过不同的评价进行优化，会展

现出不同的匠心。
（三）增强设计
建筑知识体系下的智能架构生成式 AI 增强设计并非泛专业算法和模型的移
植，更需要系统性地认知建筑知识体系。数字化时代，人工智能算法及模型对建

筑知识知之甚少。建筑师用功能、美学、风格、主义、场域等词汇描述建筑，用
经济指标、碳排放、结构荷载等指标定义建筑，这些常识性、隐匿性、抽象性的
概念如何被人工智能感知？各维度间的不可见关联是否能被学习？机器智能是否
能针对建筑知识体系下的特定问题进行回答？由此，人工智能增强建筑设计要求

同时满足“通用性”（整体性、系统性地理解建筑学科体系及内部关联）和“知
识性”（细分化、颗粒化地分解建筑领域问题）。实现通用性，需要建立认知策
略，通过类比构筑底层问题，搭建与建筑师思维相同的信息处理方法；建立共性
训练方法，将材料、环境、构造等建筑学知识转变为可计算的数据图谱；通过大

规模建筑数据，人工智能将理解建筑学的经验和知识。实现知识性，需要建立细
分模型，将环境性能化、结构性能化、行为性能化引入算法技术，使得创作可以
被度量和分析。
另外，对泛化模型进行迁移学习，在建筑知识体系的源域中提取参数信息，

针对特定建筑形式、性能、建造等问题进行决策。“通用模型、专业模型、细分模型”
三位一体，成为在建筑知识体系下的人工智能标准范式。通用模型具有强泛化能
力，在被引入建筑设计领域时，模型的权重可被复用和迁移，人工智能广泛地学
习建筑体系知识。专业模型是通过局部冻结、低秩适应方法（low-rank adaptation

of large language models，LoRA）等微调技术，对通用模型进行调整，以适应建
筑设计的特殊需求。细分模型，基于单一目标或多目标，将复杂的非线性设计过
程进行公式化、模型化，优化建筑设计的特定部分。例如，建筑师通过搭建人
工神经网络（artificial neural network，ANN），模拟有限元分析（finite element

analysis，FEA），加速了结构分析速度，通过精细化、精准化的方法寻找效能最
大的结构形式。人工智能在建筑设计领域的增强应用，需要平衡整体性和透明性。

·228·