基于感性工程-KANO模型与TOPSIS方法的工业遗产生成性设计及其在旅游开发中的应用——以上海力波啤酒厂为例 宋启超，张惠玲

《Information》：Generative Design and Evaluation of Industrial Heritage for Tourism Development Based on Kansei Engineering-KANO Model-TOPSIS Method: The Case of Shanghai Libo Brewery Qichao Song and Huiling Zhang

　　摘要 从旅游角度来看，工业遗产的自适应再利用是一个复杂的设计挑战，需要在遗产保护、功能创新和各方利益相关者的期望之间找到平衡。然而，当前的做法常常面临诸如需求解读模糊以及设计生成与系统评估之间的脱节等问题。为了解决这些局限性，本文提出并阐释了一种人机协作设计范式，该范式将生成式人工智能集成到一个闭环流程中，包括“需求分析-智能生成-全面评估”。该方法首先利用感性工程和KANO模型来定性提取和定量优先考虑异质用户需求，将主观感知转化为结构化的设计约束和优化目标。接下来，这些需求被编码为文本提示，以驱动生成式人工智能工具Nano Banana AI进行有针对性的空间探索。最后，应用TOPSIS方法进行多标准绩效评估和解决方案选择。上海丽波啤酒厂的案例研究表明，这种范式可以提高设计效率，并在历史保护、公众可访问性、生态整合、社会包容性和形式创新等多个维度上超越传统方法。这项研究为工业遗产的更新提供了一种可量化且系统记录的智能设计方法，同时承认生成阶段的探索性质。此外，它为开发工业遗产旅游目的地提供了一种以游客需求为导向的创新路径，从而可能提升遗产地的文化体验和旅游吸引力。这项研究展示了从体验驱动范式向数据驱动和价值驱动方法的转变，为文化旅游与人工智能的交叉领域贡献了理论方法。

1. 引言 全球范围内，城市发展正从扩张转向存量提升[1,2]。工业遗产作为记录工业化进程的重要载体，并承载着集体记忆，已经超越了建筑本身的范畴。其保护与复兴不仅与历史延续性和空间再生成密切相关，也与产业升级和包容性社会发展紧密相连[3]。同时，工业遗产也是文化旅游的核心资源。其复兴设计直接影响游客体验质量、停留时间以及目的地选择，从而影响地区旅游竞争力[4,5]。然而，改造项目常常面临保护与利用、历史价值与当代功能、经济效益与社会福利之间的复杂权衡。这些动态关系对设计方法提出了新的挑战。目前工业遗产更新的设计方法过度依赖个别设计师的经验和判断，这存在诸多局限性[6,7]。在需求分析阶段，包括游客、当地居民和经营者在内的多方利益相关者的多样且往往隐性的需求给传统方法带来了挑战。这些主观的、模糊的情感需求难以系统地捕捉并将其转化为清晰的设计参数[8,9]。在方案生成和评估阶段，设计过程通常是线性的且缓慢的。空间性能指标（如改造可行性、日光照射和能耗）和人类体验指标（如场所感和叙事质量）往往被孤立地评估。缺乏快速生成多个方案并进行综合评估和优化的协作工作流程[10,11]。这些问题意味着最终解决方案在创新性、适应性和有效性方面仍有改进空间[12]。特别是在以旅游为导向的复兴工作中，游客对体验式、互动式和文化真谛体验的需求常常被忽视，导致复兴后的遗产地难以持续吸引游客。为了应对上述挑战，本研究试图建立一种适合自适应再利用项目的人机协作设计范式。该范式结合了系统化的需求分析、人工智能驱动的设计生成和多目标评估[13,14]。其目的不是取代设计师，而是提供智能辅助，以增强创造力和决策能力，从而实现从模糊需求到最优解决方案的飞跃[15]。本研究的核心创新在于跨学科整合和方法论重构，具体体现在以下方面：1. 需求分析的新融合：结合感性工程中的“意象”语义解构与KANO模型中的需求量化分类，该方法建立了将用户情感需求转化为层次化、加权设计目标系统的途径[16]；2. 设计-评估闭环集成：将生成式人工智能（Nano Banana AI）的自动化解决方案探索与基于TOPSIS的多标准评估模型连接起来，形成一个“需求输入→解决方案生成→多维评估→反馈优化”的迭代循环。这使得设计能够通过数据和算法不断优化；3. 明确的旅游价值：通过将游客体验需求（如社会互动、场所记忆、参与）纳入核心评估指标，确保生成的解决方案支持工业遗产旅游的发展和目的地吸引力的提升。本研究旨在开发和验证上述人机协作范式，具体解决三个问题：（1）如何构建一个高效框架，将工业遗产更新中的多样化、非结构化的用户情感需求（特别是游客体验需求）转化为生成式人工智能可以解释的结构化设计参数？（2）生成式人工智能如何在这些参数约束下扩展设计可能性，同时平衡历史保护与功能创新，满足游客对真实性和新颖体验的期望？（3）如何开发一个全面的评估指标系统，以平衡保护价值、空间性能和用户体验，同时纳入旅游吸引力指标？此外，如何利用算法客观比较和排序多个设计方案，帮助设计师做出明智决策？本研究的理论意义在于超越了以往仅关注形式生成或性能模拟的研究。它提供了一个综合性的理论框架，整合了人类感知、智能生成和整体评估，将设计智能研究从简单的工具应用推向系统化方法的发展。这项工作展示了建筑学、人体工程学和计算机科学之间的真正跨学科融合[17]。在实践层面，它开发了一套智能工作流程系统，提高了在城市更新项目中进行深入需求分析、探索多样化解决方案和做出科学决策的能力。生成的解决方案在文化适应性、功能性和公众接受度方面表现出色，同时更好地响应了旅游市场需求。这种方法提升了遗产地的体验价值和吸引力，缩短了开发周期。它为可持续城市更新和遗产复兴提供了技术支持和实用工具[18]。本研究包含以下部分：第二部分（文献综述）、第三部分（方法论和框架）、第四部分（方案和发现）以及第五部分（结论和未来方向）。

2. 文献综述 2.1 相关研究分析 本节从三个维度回顾了相关文献：工业遗产更新范式的演变、生成式人工智能在建筑更新中的应用与挑战，以及需求分析与多标准决策方法的整合。（1）工业遗产更新设计：从保护与修复到协作复兴，最终创建旅游目的地 工业遗产更新的设计理念经历了显著演变。早期方法侧重于物理保护和修复，强调真实性、安全性和外观[19]。随着对遗产价值的认识加深，重点转向了自适应再利用，强调通过改造和重组恢复经济和社会活力[20]。近年来，工业遗产旅游作为文化旅游的一个重要分支，受到了学术界和从业者的广泛关注。研究人员开始探索如何通过设计提升游客体验、促进场所依恋感并提升目的地竞争力[21]。然而，传统设计过程在面对复杂需求时仍严重依赖设计师的经验和线性推理——例如满足多样化用户需求、平衡遗产保护与创新以及考虑可持续性[22]。这种方法难以有效生成解决方案并系统评估其在文化适应性、功能性和旅游吸引力方面的整体表现[22]。因此，当前的研究寻求更智能、更具响应性的方法来平衡相互冲突的目标。（2）生成式人工智能在建筑更新中的潜力与局限 生成式人工智能技术的出现为解决这些挑战提供了新的可能性。通过机器学习模型，生成式人工智能可以根据设计约束快速生成大量的空间布局、形式或外观方案，极大地扩展了设计探索的广度和速度[23,24]。在建筑更新背景下，这类工具因其在释放现有结构潜力、探索结合新旧元素的创新形式以及快速响应场地和环境参数方面的独特价值而受到广泛认可[25]。然而，当前的应用和研究面临一个核心困境：“生成与评估”之间的脱节。大多数研究侧重于验证生成式人工智能产生特定形式或风格的能力，而相对忽视了决定其实际价值的两个关键方面[26]。在前端开发阶段，仍缺乏将复杂的、模糊的任务规范（涵盖功能、文化和社会维度）和用户需求（包括游客对体验参与、互动元素和文化叙事的需求）系统地转化为机器可理解的设计指令或参数化目标的系统方法[27]。关于如何使用整合遗产价值、功能效率、环境性能和游客体验的评估系统客观高效地筛选和排序生成式后端的海量输出的研究仍然不足。这种脱节使得生成过程与具体情境脱节，导致对文化相关性、功能合理性和旅游适应性的不确定性，从而限制了它们在复杂遗产更新项目中的深度应用[28]。（3）需求分析与多标准决策方法的整合 感性工程作为一种将人类感官意象转化为设计元素的技术，被用于产品和空间设计中，以建立用户情感与物理参数之间的映射[29]。KANO模型通过区分基本需求、期望需求和愉悦需求，揭示了用户满意度与需求满足之间的非线性关系，为设定设计优先级提供了定性-半定量的分析框架[30]。在建筑和城市研究中，学者们将情感人体工程学与KANO模型结合，以识别和优先考虑公众空间或建成环境中的用户基本需求。Cai等人提出了基于情感人体工程学和KANO模型的服务设计框架，通过顾客感知指导空间设计[31]。Azzam等人根据游客的情绪状态和需求生成设计建议，从而辅助建筑更新[32]。然而，这些研究通常停留在需求分析阶段，未能将这些发现直接动态地链接到后续的自动化设计生成和评估过程[33]。特别是在旅游背景下，游客满意度与设计元素之间的复杂关系尚未充分融入生成设计过程中。在方案评估和优化领域，TOPSIS方法因其直观的原则和简单的计算而被广泛应用于多属性决策问题中[34]。在建筑领域，TOPSIS常用于材料选择和可持续建筑评估等场景[34]。Mishra和Muhuri使用TOPSIS方法促进建筑遗产保护的客观决策[35]。Pouraghajan等人应用TOPSIS方法对四个具体系统进行排序，验证了该模型的适用性[36]。然而，现有研究很少将TOPSIS与游客体验指标结合起来，也未将其嵌入到人工智能生成的设计过程中以优化以旅游价值为导向的解决方案。总之，现有研究在三个维度上揭示了明确的轨迹和差距：1. 工业遗产更新设计迫切需要更智能、更具协作性的方法；2. 生成式人工智能具有潜力，但仍受“生成与评估”之间脱节的限制；3. 尽管应用了需求分析（如情感人体工程学、KANO）和解决方案评估方法（如TOPSIS），它们通常孤立运作或仅顺序连接，未能与生成式人工智能驱动的动态设计过程深度整合[37]。特别是缺乏一个系统框架，能够将用户（尤其是游客）的多样化情感需求转化为通过科学方法（如情感人体工程学和KANO分析）驱动生成式人工智能的参数，同时在动态生成过程中结合全面绩效评估和反馈机制（如TOPSIS）。本研究旨在通过构建和验证一个封闭循环的人机协作范式来填补这一空白，包括“需求分析-智能生成-多目标评估”，特别强调旅游价值在此框架中的核心作用[38]。**研究方法**
基于文献回顾中发现的研究空白，本研究旨在构建并验证一个结合了“感性工程（Kansei Engineering）、KANO模型、生成式人工智能（Generative AI）和TOPSIS方法”的混合决策与设计框架。该框架将用户的主观需求、智能生成潜力以及多目标综合评估相结合，以应对工业遗产更新中的复杂决策场景[39]。该框架的核心不在于方法的简单顺序排列，而在于形成一个有机协调的闭环反馈系统工程：感性工程和KANO模型协同工作，从前端系统捕捉、语义分解并分类用户（尤其是游客）的多样化和模糊的情感意象，从而将主观偏好转化为层次化的设计目标和约束；生成式人工智能（Nano Banana AI）作为核心引擎，接收这些结构化、参数化的设计指令，快速探索满足多种要求的解决方案空间，极大地扩展了设计可能性；最后，TOPSIS多准则决策方法根据事先建立的评估指标体系和权重对生成的解决方案进行全面的定量评估和排序，从而实现最优解的精确选择。本研究的核心主张是，这个闭环框架有效解决了当前工业遗产更新设计中“需求模糊”和“评估脱节”的问题。它显著提高了设计过程的科学严谨性和目标导向性，以及最终解决方案的综合性能和旅游适应性[40]。为了更清晰地说明这项研究的逻辑进展和迭代性质，本研究采用了设计思维中的“双钻石模型”（Double Diamond Model）范式。整个过程分为两个主要阶段：需求发现和解决方案生成，两者都以可视化的方式呈现（图1）。

**3. 研究方法论**
**3.1. 样本量**
**3.1.1. 情感词汇的收集**
为了确保所选案例研究的代表性和覆盖范围，初始阶段涉及查阅有关工业遗产更新的文献、案例数据库（如UNESCO、DOCOMOMO）和设计奖项平台。这初步形成了包含40个中国各省工业遗产更新项目的样本库，这些项目具有不同的转化模式（如文化展览、商业综合体、创意办公空间）。为了避免过于相似的案例干扰，根据项目位置、原始工业类型、翻新时代、规模和设计策略进行了多维度分类。通过专家研讨会评估代表性，最终选择了12个在翻新理念、空间形态和功能适应性方面存在显著差异的代表性案例作为分析样本。值得注意的是，这种选择策略优先考虑了具有明显风格差异的案例，以最大化不同设计方法的覆盖范围，从而支持广泛感官词汇的提取。因此，所选样本并不一定反映实际翻新风格的分布比例，因为这一阶段的主要目标是捕捉用户感知的全谱，而不是建立统计上具有代表性的项目类型样本。这种方法与研究的探索性质相一致，确保后续的需求分析基于一套全面的感知刺激。它们的基本信息和分布情况见表1（表1. 样本图像）。

为了收集真实且全面反映不同群体对工业遗产更新感知和期望的感官意象数据，本研究招募了120名参与者。为了确保样本的质量和代表性，抽样设计如下：
(1) 为了确保样本准确反映游客的感知，招募的120名参与者中包括30名具有工业遗产旅游经验的游客和20名旅游管理专业的学生，从而增强数据对旅行体验的代表性。
(2) 分层抽样确保了结构的代表性：参与者根据以下维度进行分层：身份背景（普通公众、建筑/规划学生、相关领域专业人士）、年龄组（18–30岁、31–50岁、51岁以上）以及与工业遗产的关联程度（项目附近的居民、类似场所的游客、没有直接经验的个人）。这种设计旨在捕捉多样的感知差异，提高样本结构的科学有效性。
(3) 地理和文化背景的覆盖：样本包括了不同级别的城市（一线城市、二线城市和三线城市）以及具有代表性的工业遗产区域（如中国东北部的老工业基地、长江三角洲工业遗产区和中西部前国家重点建设区）。这反映了区域文化、经济水平和集体记忆对感知的潜在影响，提高了研究结论的外部有效性。
(4) 目标用户聚焦和信息校准：为了提高数据的相关性和可靠性，明确排除了对工业遗产更新缺乏基本理解或明确拒绝的参与者。采用这一排除标准是因为研究旨在捕捉对工业遗产更新的细微感知和情感反应，这假设参与者对主题有基本的理解。如果不包括具有这种基本知识的参与者，他们的回应可能会因理解不足或不准确而缺乏有效性和可靠性。鉴于后续分析（包括感性工程词汇提取和KANO模型分类）需要参与者对设计特征做出有根据的判断，因此确保一定程度的熟悉度对于生成有意义和可操作的数据至关重要。

在调查之前，所有参与者都收到了涵盖工业遗产基本概念、典型更新案例和相关设计术语的标准文本和图像介绍。这确保了他们的感官评估基于相对全面的知识，从而增强了收集词汇的有效性和可靠性。通过这种系统的样本和参与者设计，本研究旨在为后续的情感意象分析、需求层次分类以及设计参数的提取建立坚实的基础。这种方法确保了研究过程和结论具有更强的科学支持和实践指导价值。

**3.1.2. 感官词汇的提取**
情感意象词汇的收集采用了结合在线和离线方法的混合方式。首先根据预定义的抽样标准对参与者进行了筛选。最终的120名参与者具有均衡的性别比例（58%男性，42%女性）。年龄分布如下：35%年龄在18–30岁之间，45%年龄在31–50岁之间，20%年龄在51岁以上。从一线城市、二线城市和三线城市中招募了参与者，包括工业遗产丰富的地区和资源有限的地区，反映了多样的空间感知和文化背景。
然后，参与者被要求从五个维度对12个选定的工业遗产更新案例进行研究性评估：空间形态、历史元素的保存与再利用、功能适应性、材料与结构表现以及环境整合。每个维度至少需要五个描述性词汇或短语，鼓励参与者表达他们即时的空间印象和情感反应。随后，所有收集到的表达被组织和语义分类，并转化为形容词或形容词短语。一个由八位建筑、遗产保护和设计心理学专家组成的焦点小组进行了多轮讨论，以消除明显不适合描述建筑空间体验的术语（如“昂贵”、“高效”）、语义冗余的术语或含义模糊的术语。在此过程中，焦点小组应用了一套明确的标准，以确保提取的术语具有清晰的空间指向性和情感内涵。具体来说，术语需要：
(1) 直接描述空间属性（如形式、材料、规模）或体验质量（如氛围、情感反应）；
(2) 与工业遗产更新的背景相关，避免适用于任何建筑环境的通用描述词；
(3) 显示语义独特性，以最小化最终集合中的冗余；
(4) 在不同用户组中保持一致的含义，确保可解释性和一致性。通过反复讨论和共识构建，小组精简了最初收集的表达，只保留符合所有四个标准的术语。经过精简后，确定了40个具有清晰空间指向性和情感内涵的感官意象术语——每个维度八个。

在此基础上，同一焦点小组被邀请使用7点李克特量表（1 =“完全不适合描述工业遗产更新”，7 =“极其适合”）对这些术语的适用性进行评分。每个维度中得分最高的2-3个术语被选中，最终确定了12个核心感官意象术语作为后续研究的评估基准。这些术语包括“生动的地方记忆”、“新旧融合”、“开放且通透”、“灵活且可适应”、“乡村工业氛围”、“温馨且友好”、“环保”、“视觉上引人注目”、“宁静且坚实”、“互动且参与性强”、“激发创造力”和“社会包容”。

**3.2. KANO需求分析**
**3.2.1. 样本量和问题设计**
为了系统地识别和分类工业遗产更新中的多样化需求，本研究引入了KANO模型作为预设计分析工具[41]。通过分析利益相关者对特定项目特征存在与否的响应模式，KANO模型将需求科学地分类为五个类别：基本需求、期望需求、惊喜需求、中性需求和反需求。这清楚地定义了设计元素的优先级和价值属性，为在保护与创新之间取得平衡提供了决策依据[42,43]。在本研究中，该模型将来自感性工程和文献的工业遗产更新的复杂和模糊的定性需求转化为按不同属性分类的有序需求列表。这为后续生成式人工智能应用中的设计目标设定提供了直接输入（表2）。表2. 工业遗产更新需求清单。为了确保需求的全面性和代表性，本研究采用了分层混合样本策略。参与者包括以下三个关键利益相关者群体：
(1) 专业实践者群体：通过建筑协会、规划机构和大学遗产保护研究小组的网络，邀请了80名具有工业遗产更新项目经验的建筑师、规划师和保护专家。这旨在收集关于技术规范、遗产价值保护、结构翻新可行性以及可持续性的专业要求[44]。
(2) 场地用户群体：招募了120名经常参观工业遗产更新项目（如改造后的博物馆、创意 districts、商业综合体）的游客或来自选定案例城市周边社区的居民，以捕捉真实的空间体验、功能满意度以及情感联系需求。
(3) 一般公众群体：通过在线平台招募了100名对城市更新和历史文化感兴趣但缺乏直接项目经验的人士，以反映更广泛的社会期望、文化认知和象征意义需求。
所有参与者在填写正式问卷之前都要接受背景筛选，以确保其在各自群体内的代表性。总共300个有效样本量满足了KANO分析的要求，充分涵盖了多样的观点，包括专业判断、用户体验和社会感知。

问题设计严格遵循了KANO模型的标准化问卷格式。对于从初步情感意象分析中提取的每个潜在设计需求，都设计了一对正面-负面问题：
正面问题：如果这座工业建筑被翻新以包含这一特征/功能/质量，您会有什么感受？（非常喜欢、应该如此、无所谓、可以接受、不喜欢）
反面问题：如果这座工业建筑在翻新后缺少这一特征/功能/质量，您会有什么感受？（非常喜欢、应该有、无所谓、可以接受、不喜欢）
问卷采用五点李克特量表进行测量[45]。通过交叉分析每个受访者对每个需求的正面和负面问题的回应，并参考标准的KANO评估矩阵，每个需求项可以相应地进行分类。所有问卷数据将进行组织、可靠性和有效性测试，并使用SPSS软件（版本26.0，IBM公司，纽约州阿蒙克）进行统计分类。这一过程将产生一个按属性分类的设计需求列表，反映不同的重要性和对满意度的贡献，为后续生成设计目标和综合评估系统的构建奠定基础[46]。

**3.2.2. 数据分析和结果**
在12天的时间内，该调查收集了292份有效问卷，响应率为97%，符合统计可靠性要求。根据KANO模型分析原则，通过对问卷数据的交叉分析确定了每个需求的属性类别，并计算了相应的满意度系数[47,48]。其中，更好的满意度系数 = (A + O)/(A + O + M + I)，接近1的值表明该特征对提高用户满意度的贡献更大；较差的不满意度系数 = ?(O + M)/(A + O + M + I)，接近?1的值表明不提供该特征对用户不满的影响更大[49]。分析结果总结如下（表3）。表3. 受访者需求满意度系数表。根据KANO模型分析，工业遗产改造的设计要求展现出清晰的层次结构，为明智的设计决策提供了定量基础。主要研究结果表明，“保护和突出原有建筑的标志性结构和历史痕迹”是唯一的基本要求。其极高的不满意系数（最差 = ?78.7%）将遗产保护确立为绝对的设计基准。三个关键的绩效维度——提高公共可及性、整合绿色技术和确保社会包容性——被确定为影响用户满意度的关键因素。这些要求的实现程度与用户满意度呈正相关，因此成为资源配置的核心目标。四个“吸引性需求”，如促进新旧元素之间的对话和营造温馨氛围，代表了超越基本期望的创新方向，显著增强了项目的吸引力和惊喜价值。其余需求被归类为“中性需求”，表明在资源受限的情况下具有灵活优化的潜力。这一分析系统地优先考虑了设计要素，为后续基于TOPSIS综合评估的生成式AI和权重分配奠定了科学基础。

3.3 生成式设计
3.3.1 生成工具和参数驱动机制
为了将先前研究中识别出的分类和量化的用户需求转化为可探索的空间设计解决方案，本研究采用了生成式AI——Nano Banana AI（版本1.2.0，由美国加州旧金山的Nano Interactive Inc.开发，通过其基于云的API在2024年11月访问）作为形式和空间生成的核心引擎。该工具基于先进的生成对抗网络（GANs）或扩散模型架构，能够生成符合文本、图像和参数约束的建筑规模空间解决方案。其优势在于能够在处理多维、非线性设计约束的同时快速生成形式、布局和风格多样化的概念方案。这使其非常适合探索解决工业遗产改造中的复杂设计问题，例如“新旧结合”和“灵活适应性”[50]。

在本研究构建的框架内，生成式AI并非独立运行。其核心功能是从KANO模型分析结果中接收并执行结构化的设计指令，从而实现从“需求”到“形式”的有方向性探索。具体驱动机制如下：
步骤1：设计目标的参数编码。将KANO分析得出的需求属性转换为具体的生成参数或文本提示。
(1) 基本需求作为硬性约束：例如，“保护标志性结构”的需求被设置为输入指令中的不可改变的基本条件，如“保持原始朝北桁架结构的完整性”。
(2) 优化期望的要求作为目标：例如，“创建公共界面”和“采用绿色技术”等要求被转化为明确的空间和性能目标，如“沿街道界面生成至少500平方米的高架公共广场”或“在屋顶上建立三维光伏阵列，其形状必须与屋顶轮廓相融合”。
(3) 将愿望性要求转化为创造性方向：例如，“促进新旧元素之间的对话”和“增强互动参与度”的要求将被转化为开放式指令，以激发形式创新，如“设计一个连接旧工厂建筑和新建筑的透明玻璃走廊，具有动态形式”或“在庭院内创建一个可作为户外剧场或展览空间的阶梯式互动结构”。

步骤2：设置迭代生成过程。共进行了五轮迭代生成。在第一轮中，使用广泛的指令来探索各种可能性（n = 20个输出）。根据初步结果的视觉评估和简单的性能模拟，对指令进行了细化和调整——例如增加特定特征的权重或引入新的空间关系约束——以实现后续轮次（第2-5轮，每轮生成n = 15个输出）中更集中的迭代生成。这一过程体现了人在人机协作中的核心作用。所有轮次共生成了80个设计方案。

步骤3：方案输出和预处理。Nano Banana AI将生成一系列满足定义约束的空间方案图像和简化的3D模型。从80个生成的输出中，研究团队应用了初步筛选规则，保留了一部分纳入详细评估。筛选标准优先考虑：(1)严格遵守所有基本（硬性）约束；(2)形式表达的多样性，以涵盖广泛的设计策略；(3)视觉连贯性和建筑实施的可行性。经过这一筛选后，选择了三个代表性的方案进行深入分析：方案1（反映传统设计方法的基准，来自上海利博啤酒厂项目的现有文档），方案2和方案3（通过AI辅助过程生成的两个不同方案）。这些方案构成了后续TOPSIS多标准评估的“方案池”。在评估之前，所有生成的设计方案都经过标准化预处理，以确保基本的可比性。

值得注意的是，这里描述的生成设计过程具有探索性质，旨在展示所提出的人机协作框架的潜力，而不是建立一个完全自动化和可复制的設計流程。虽然已经尽力记录了提示、参数和筛选标准，但这种方法的本质上是迭代和人为导向的，因此无法保证具体输出的可完全复制。本研究的价值主要在于方法论框架以及在结构化指导下AI辅助生成的显著性能优势，而不仅仅在于任何单个输出的可复制性。

通过这一机制，生成式AI工具在这个框架内充当“概念求解器”。它们系统地将定性的、层次化的用户需求转化为可感知、可比较的空间解决方案集，从而为后续使用TOPSIS方法进行科学评估和决策奠定了坚实的基础。

3.3.2 案例选择和提示转换
为了验证和应用之前建立的人机协作范式，本研究选择了上海利博啤酒厂的原址作为案例研究。

上海利博啤酒厂位于徐汇滨水区，这是上海重要的文化旅游走廊，毗邻西岸艺术博物馆集群和龙博物馆等文化地标。其重新开发被定位为一个文化和创意工业园区，旨在吸引大量当地居民和游客。因此，设计必须包含旅游功能，包括游客中心、导览路线、拍照地点以及文化和创意零售空间。设计任务书特别包括以下要求：“确保公园具有高度辨识度，成为区域旅游枢纽”以及“创造连贯的游客体验流程”。

(1) 基本需求作为不可协商的约束
示例生成命令（硬性条件）：必须完全保留原始筒仓集群的立面轮廓、主酿酒车间的锯齿屋顶结构以及面向黄浦江的工业桁架。所有新的或修改的建筑物不得破坏这些核心历史元素的结构完整性和视觉主导地位。

(2) 期望的要求作为核心优化目标
示例生成指令（目标导向）：
1. 在面向街道的界面和河边的复合体边缘，创建一系列开放、充满活力的地面公共空间，包括一个入口广场、走廊式的商业街和面向河流的观景平台。方案必须清晰地展示从城市进入复合体内部的自然人流。
2. 在保留的工厂屋顶上整合光伏系统或绿色屋顶，与现有的锯齿屋顶设计相协调。同时，利用现有的高生产空间创建促进自然通风和采光的庭院或中庭系统。
3. 设计连接筒仓与新创意办公楼之间的空中走道、观景盒或辅助建筑物。材料应优先选择现代元素，如玻璃幕墙、耐候钢板和预制混凝土，以与现有的红砖和混凝土形成质感和时间上的对比。
4. 在中央广场或庭院内创建一个适合艺术装置、周末创意市场或户外表演的灵活空间。该区域应包含可移动设施、分层绿色座椅和照明系统，以生成多样化的空间配置和活动场景。

基于上海利博啤酒厂的原址，在不改变原有建筑物位置的情况下，将其重新设计为一个充满活力的文化和创意工业园区，并展示其正面立面。必须严格保留原有的烟囱、筒仓集群、锯齿屋顶的工厂建筑和河边的桁架。核心设计目标如下：
1. 在公园周边创建丰富的开放公共界面，无缝连接城市和滨水空间；
2. 在现有建筑物屋顶上整合可见的绿色能源系统。

关键创意探索：
1. 设计引人注目的、新旧对比鲜明的连接设施（例如，天桥）；
2. 规划一个中央的多功能公共互动庭院。
生成的解决方案必须体现工业遗产的厚重特征，同时展现出文化产业的创新和开放性。

通过这一过程，定性的、分层化的用户需求被系统地编码为机器可执行的设计任务。这确保了生成式AI的探索始终以价值为导向，为精确的人机协作和有效结果奠定了基础。

3.4 TOPSIS设计评估
方案1代表现有设计，而方案2和方案3是生成的方案，如表4所示。为了对比生成方案和传统方法的设计逻辑和整体性能，本研究组织了专家评估。邀请了20位评估者参与，其中包括12位具有工业遗产或城市更新项目经验的专业建筑师、4位城乡规划师，以及4位在建筑机构担任副教授或更高职位的研究人员。评估基于KANO分析结果得出的五个核心标准：1. 历史元素保护程度；2. 公共空间渗透性；3. 生态技术整合；4. 功能性社会包容性；5. 形式创新和体验吸引力。这些标准的权重来自KANO分类结果和第3.2.2节获得的更好-更差系数。具体来说，基本需求（历史保护）被赋予最高的权重（0.30），因为它们在用户满意度中起着基础性作用；预期要求（公共渗透性、生态整合、社会包容性）被赋予中等权重（每个0.20）；吸引性需求（形式创新和体验吸引力）被赋予0.10的权重。这些权重反映了通过KANO分析确定的设计优先级的层次重要性，并通过专家咨询进行了验证，以确保与设计实践的一致性。

使用七点李克特量表（1 = 非常差，7 = 优秀），评估者独立地对方案1（现有设计）和方案2及方案3（生成的方案）进行了评分。收集所有有效评分后，计算了每个方案在所有标准下的平均得分，以构建初始决策矩阵（表5）。表6报告了各评估者之间每个标准的标准差，以表明专家小组之间的一致程度。为了评估评分者间的可靠性，计算了Kendall’s W（一致性系数），得到的值为0.832（p < 0.001），表明20位评估者之间存在强烈的一致性。

随后，根据TOPSIS方法的标准操作程序，对数据进行了向量标准化。通过结合标准权重构建了加权决策矩阵。然后确定了正向和负向理想解决方案，并计算了每个方案与这些理想解决方案之间的距离和相对接近度。最后，根据相对接近度值对方案进行了优先级排序，以得出客观和全面的评估结论[51]。

步骤1. 对问卷结果进行均值偏移，得到初始评估矩阵，表示为f。
步骤2. 对初始评估矩阵进行标准化，得到标准化矩阵。
步骤3. 根据每个评估指标的目标权重计算加权标准化矩阵。
步骤4. 确定正向和负向理想解决方案。
步骤5. 使用欧几里得距离计算每个方案与理想解决方案之间的距离。每个方案与正向理想解决方案的距离表示为Si+，与负向理想解决方案的距离表示为Si-。
步骤6. 计算每个方案与理想解决方案Ci的相对接近度。
步骤7. 最后，根据Ci的大小评估每个方案的优先级。较大的值表示更高的优先级[52]。为了评估TOPSIS排名结果的稳健性，我们通过系统地在合理范围内（原始权重的±20%）变化标准权重来进行敏感性分析，同时保持从KANO分析中得出的相对层次关系。测试了十种不同的权重方案，涵盖了单个权重的变化及其组合。在所有方案中，方案3始终排在首位，其次是方案2，而方案1的排名始终最低。这种稳定性表明，排名结果对于合理的权重假设变化是稳健的，并且生成设计方案相对于传统方法的优越性并不依赖于所采用的具体权重集。

3.5 方法论链总结
为了确保所提出框架的透明度和可重复性，表7总结了完整的方法论链，说明了每个步骤是如何建立在前一个步骤之上的，以及每个阶段的输出是如何系统地转化为下一阶段的输入的。这一方法论链确保了用户感知和情感需求能够系统地转化为设计约束、生成参数和评估指标，从而在整个闭环人机协作范式中保持概念上的连贯性。

4. 研究发现
基于TOPSIS多标准决策分析的结果（表8），本研究定量评估并比较了不同设计范式下各方案的综合性能。这验证了所提出的人机协作生成设计范式的有效性，并引发了关于设计价值取向和创新路径的深入讨论[53]。计算结果表明，两种生成设计方案（方案2和方案3）的综合接近度（Ci）超过了传统设计方案（方案1）。值得注意的是，方案3取得了最高的Ci值（0.7274），表明其整体性能更接近理想解决方案。这一结果有力地验证了本研究中建立的人机协作范式的优越性，该范式基于KANO需求分析进行生成式AI，并使用TOPSIS进行闭环评估[54]。
尽管方案3在总分上优于方案2，但它们的性能特点显示出不同的创新重点。与表5中呈现的评分矩阵一致，方案3在两个核心绩效需求上表现出更强的性能：“生态技术整合”和“功能社会包容性”。这表明，在满足基本需求的同时，持续优化以提高整体社会和环境性能对于确定方案的最终竞争力至关重要。相反，方案2在“形式创新和体验吸引力”方面表现更强，对“吸引性需求”有出色的响应，并为项目创造了高度可识别的视觉形象。
传统设计方案（方案1）取得了最低的综合一致性得分（0.3453），在所有方案中排名最后。虽然它在“历史元素保留强度”方面的得分最高，显示出通过体验驱动的方法对单一刚性目标的可靠控制，但在公共可访问性、生态整合、社会包容性和创新体验等动态多维性能目标上表现不佳。这证实了传统的线性、体验驱动的设计过程在平衡多种价值（如保护、发展、社会和环境）时往往难以实现突破性的系统优化。
此外，方案2和方案3的综合得分显著优于传统方法，不仅反映了它们在多目标优化方面的优势，还揭示了它们作为旅游目的地的潜力。方案3在“生态技术整合”和“功能社会包容性”方面取得了最高得分，表明它能够为游客提供更舒适的微气候环境（例如自然通风、绿色屋顶）和更加友好的公共空间（例如无障碍设施、多功能活动区）。这延长了游客的停留时间并提高了满意度。方案2在“形式创新和体验吸引力”方面表现突出。其大胆的新旧连接结构（如空中步道）和动态立面处理很容易成为游客拍照的视觉地标，扩大了在社交媒体上的传播范围并提升了目的地的知名度。相比之下，虽然传统方案保留了历史完整性，但它缺乏吸引游客的互动空间和视觉焦点，因此在竞争激烈的文化旅游市场中难以脱颖而出。
这一结果表明，AI辅助的设计生成不仅满足了基本的保护和功能要求，还积极响应了旅游市场对独特体验和美学价值的需求。通过将游客需求整合到设计生成过程中，我们可以创造出既能体现文化深度又能吸引游客的遗产空间。

5. 结论
关于旅游绩效的评估，需要指出的是，本研究中的TOPSIS评估是由专家小组进行的，而不是由实际游客或旅客完成的。尽管评估标准明确源自以用户为中心的KANO分析，并包括了与旅游相关的指标（如公共可渗透性和形式创新），但这些发现代表了基于专家的设计质量评估，而不是经过验证的游客偏好。因此，这项研究作为一个探索性的试点框架，展示了所提出的人机协作范式在生成符合专家确定的旅游相关设计优先事项的解决方案方面的潜力。未来的研究应纳入基于游客的评估，以验证生成方案的实际旅游绩效。
针对工业遗产更新中“需求模糊”和“生成与评估之间的脱节”这两个核心挑战，本研究提出并系统验证了一个混合决策框架和人机协作设计范式。该框架整合了感性工程学、KANO模型、生成式AI（Nano Banana AI）和TOPSIS多标准决策方法。通过以上海利博 Brewery为案例研究的理论发展和实证研究，该范式首先使用感性工程学和KANO模型系统地识别和科学分类多样化的、模糊的用户感知和需求。然后，将这些分类和量化的需求转化为结构化的提示，以推动AI解决方案的生成。最后，它使用同一需求系统构建的TOPSIS模型进行多维度、全面的评估和最优方案的选定。案例研究表明，这一框架可以指导生成过程。生成的解决方案（方案2和方案3）在关键维度上优于传统设计方法（方案1），其中方案3取得了最高的综合性能（Ci = 0.7274），其次是方案2（Ci = 0.5502），而方案1明显落后（Ci = 0.3453）。这支持了从“需求洞察”到“智能生成”再到“科学评估”的完整闭环过程的潜在有效性，同时认识到生成阶段是探索性的，在没有人类指导的情况下无法完全重现。
本研究的贡献主要体现在两个层面：理论和方法论。
1. 理论贡献：本研究在工业遗产更新和生成设计的跨学科领域中率先系统地整合了感性工程学、KANO和TOPSIS理论。它建立了一个全新的集成理论框架，涵盖了“人文感知-价值量化-智能生成-全面评估”。该框架不仅解决了当前研究中“生成与评估”之间的突出脱节问题，还深化了对“价值驱动的人机协作”范式的理解。它强调了系统需求分析和理性决策在指导AI创造力、确保文化适应性以及实现遗产更新项目全面性能方面的核心导航作用。这为智能技术在遗产保护中的深入应用提供了跨学科的理论基础。
此外，本研究为工业遗产旅游研究提供了新的方法论工具。首先，构建的“情感需求-智能生成-全面评估”框架提供了一种以游客体验为中心的数据驱动方法。其次，通过上海利博 Brewery的实证案例，我们展示了如何将模糊的游客意象转化为可操作的设计参数，并利用AI快速生成符合市场偏好的多样化解决方案。最后，TOPSIS评估系统纳入了与旅游直接相关的指标（如公共可渗透性和形式创新），使得方案排名能够反映其作为旅游产品的潜在价值。
2. 方法论和实证贡献：本研究提供了一个清晰、可操作且系统记录的智能设计辅助工作流程。具体来说，它建立了一种标准化转换方法，通过KANO模型将感官意象词汇转换为层次化的设计需求，然后将其编码为生成式AI提示。使用上海利博 Brewery作为案例的详细比较和定量分析不仅证明了该框架作为探索性方法的可行性，还揭示了生成方法在平衡保护和创新方面的显著优势，同时提高了社会和环境性能。然而，需要指出的是，生成设计过程本质上是迭代的并且需要人类指导；具体输出的确切复制可能无法保证。本研究的价值主要在于方法论框架以及AI辅助生成在结构化指导下的可证明的性能优势，而不仅仅在于任何单一输出的可重复性。这为解决工业遗产更新设计实践中的复杂多目标挑战提供了实证证据和实用工具包。
然而，本研究也存在一些局限性，指出了未来研究的方向：
1. 研究样本和评估维度的局限性：尽管KANO问卷样本力求全面性，但它主要反映了国内背景，并未充分考虑不同全球文化之间的价值感知差异。尽管TOPSIS评估包含了专家评分，但其本质仍然是主观的。未来的研究应进行跨文化比较，并探索将客观性能模拟数据整合到评估系统中，以提高结论的普遍性和客观性。
2. 框架扩展和动态潜力：该框架具有可转移应用于其他类型现有存量更新项目的潜力，例如历史区和现有建筑翻新。未来的研究可以进一步整合关于游客行为的大数据（如手机信号和社交媒体照片）与实时反馈（如在线评论），以动态调整需求权重和评估标准。这将建立一个自适应的、自我优化的旅游导向的遗产更新设计系统。此外，该方法还可以扩展到其他文化旅游场所的更新规划，如历史区和传统村庄，从而推动人工智能在文化旅游领域的更深入应用。此外，未来的工作可以致力于通过标准化提示协议和纳入定量性能反馈循环来提高生成阶段的可重复性，从而从探索性示范迈向更加自动化的设计支持系统。
总之，提出的结合感性工程学、KANO模型、生成式AI和TOPSIS的集成决策框架——以及其人机协作范式——为将工业遗产更新设计从“体验驱动”转变为“数据和价值驱动”的方式提供了关键的方法论支持。尽管存在上述局限性，但其增强设计预见性、系统性和包括旅游吸引力在内的综合效益的潜力，标志着人在文化遗产保护和创新方面的科学化和精炼的人机智能协作迈出了重要一步。