Page 241 - 建筑结构设计理论及实践研究

第六章 建筑设计智能化技术 ◆

人工智能赋能建筑设计，首要目标是根据不同的任务和场景，从模型架构中调用
和组合多个模型及算法，构建适应建筑任务的整体解决方案。然而，在人工智能
走向整体化、集成化的过程中，不可避免地会黑箱化；尽可能保留人工智能的可
解释性、可理解性、可靠性与可控性，成为建筑智能的重中之重。其解决方式在

于，随着人工智能被逐步发展，不断引入解释机制，构成动态变化的循环认知过
程。安东尼·皮孔（Antoine Picon）强调，建筑师需要谨慎地调整技术变化策略，
而非固守一成不变的原则。
（四）面向人机共生的智能生成设计平台

探索人工智能增强建筑设计与建造新范式，需要搭建以人工智能工具为核心
的启发式设计平台。根植于同济大学 AI 性能化建构设计课，智能建筑设计平台
FUGenerator 应运而生。课程的智能链路是“生成 - 模拟 - 优化 - 迭代 - 建造”，
要求学生通过人工智能技术生成建筑方案，并在参数化设计工具中优化和迭代，

最终完成建造过程。该平台旨在发掘人工智能技术如何应用于设计到建造一体化
过程，如何与建筑师共生协作，如何增强创作思维与方法、建筑理论与实践。
FUGenerator 主要由 3 部分构成：社区、生成及训练。其核心架构则是基
于通用模型、专业模型、细分模型的数据和算法。作为智能生成设计平台，

FUGenerator 注重 3 个板块间的联动，建筑师训练个性化模型后，能在生成界面
处被快速调用；生成的成果也能分享至社区，或传递给训练板块作为数据输入。
社区板块为建筑师提供开源共享的建筑创作平台。在数字时代的开源文化背景中，
工具、算法、模型、数据被集成在平台中，每个人都可以在其中分享个性化流程、

模型、成果和知识。通过这种方式，建筑师与建筑设计机构将共同构成分散式的
知识生产节点，成为生成式 AI 增强建筑设计网络中的重要主体。生成板块以稳
定扩散模型为主要算法，对比语言 - 图像预训练（CLIP）、引导语言图像预训练
（BLIP）实现语义和图像的转换。稳定扩散模型主要由两种模块组成：扩散模

型（diffusion model）通过添加噪声再去噪，将结果逐步转换为目标域的数据样本，
实现强大的生成能力；深度自注意力网络（transformer）用于处理和编码文本进
行词嵌入，将文本插入模型中，从而实现从语义到图像的转换。扩散模型与多模
态转译算法的结合实现了语义生成图像、图像生成图像、语义指导图像、图像识

别生成语义等多种方法，具备了更加灵活和多样化的生成能力，满足不同建筑场
景下的需求。训练板块针对扩散模型和生成对抗网络模型（generative adversarial

·229·