《Architecture》:Architect’s Role Between Data-Driven and Artificial Intelligence-Enhanced Design
编辑推荐:
在当代科学学科中,采用人工智能(AI)作为数据驱动智能(DDI)基石的兴趣日益增长。尽管DDI尚未完全融入建筑设计,但AI已开始对设计实践产生显著影响。当前数字时代建筑设计的讨论为建筑师角色的演变提供了关键见解。这种转变超越了新工具和技术的采用,重新配置了建筑
在当代科学学科中,采用人工智能(AI)作为数据驱动智能(DDI)基石的兴趣日益增长。尽管DDI尚未完全融入建筑设计,但AI已开始对设计实践产生显著影响。当前数字时代建筑设计的讨论为建筑师角色的演变提供了关键见解。这种转变超越了新工具和技术的采用,重新配置了建筑知识、决策和作者身份的组织。论文的方法论围绕两个主要概念线索构建,通过比较视角进行分析。研究人员采用“数字链”(digital chain)(第一线索)模型作为概念框架来整合DDI,并将其与新兴的基于AI的方法进行比较。与近期eCAADe 2024和2025会议的主题焦点(第二线索)一致,该研究识别了当代建筑实践中的关键转变。来自分析样本的研究结果表明,从结构化、基于规则的工作流程向更具适应性的AI支持设计过渡。这一转变与建筑师在混合人机环境中角色的重新配置相关,研究人员仍负责定义核心设计。研究目的是开发一个解释AI在建筑设计中潜在整合的框架,强调建筑师在引导计算过程和保持建筑意图中的作用。它为DDI与AI之间的关系提供了结构化视角,支持对建筑师在新兴数字范式和当代建筑文化中地位的批判性重新评估。
### 论文解读:数据驱动与人工智能增强设计之间建筑师的角色
#### 1. 研究背景、问题与意义
在当代科学学科中,采用人工智能(AI)作为数据驱动智能(DDI)基石的趋势日益增强。尽管DDI尚未完全融入建筑设计,但AI已开始对设计实践产生显著影响。当前数字时代建筑设计的讨论为建筑师角色的演变提供了关键见解,但这一转变不仅涉及新工具和技术的采用,更深刻重构了建筑知识、决策和作者身份的组织。现有研究多聚焦于技术层面,缺乏系统框架来理解DDI与AI在建筑设计中的关系及其对建筑师角色的影响。因此,研究人员提出以“数字链”(digital chain)为概念框架,结合eCAADe 2024与2025会议论文样本,旨在揭示从结构化、规则化工作流到适应性、AI支持设计的转变,并重新评估建筑师在混合人机环境中的定位。该研究发表在《Architecture》期刊,为理解DDI与AI的整合提供了结构化视角,支持对建筑师在新兴数字范式中地位的批判性反思。
#### 2. 关键技术方法
本研究采用定性、探索性、基于实践的比较分析框架。方法围绕两个概念线索:一是“数字链”模型,作为分析DDI与AI的设计过程框架;二是eCAADe 2024(74篇+72篇论文)和eCAADe 2025(94篇+73篇论文)会议论文样本。通过有目的抽样策略,经过关键词过滤(如AI、机器学习、生成设计等)和定性筛选(基于过程结构、自动化程度、生成能力、作者身份分布四个维度),最终选定13篇论文(5篇来自2024,8篇来自2025)。分析框架将“数字链”分为四个阶段:数字表示(Phase 1)、参数化与数据驱动设计(Phase 2)、AI增强设计(Phase 3)、混合人机设计环境(Phase 4),每篇论文按主导阶段归类,并评估四个标准。
#### 3. 研究结果
##### 3.1 过程结构(Process Structure)
通过对比分析,研究人员发现DDI方法以结构化设计工作流为特征,通过参数、工具和建筑师输入在计算环境中定义流程。而AI增强方法引入更大变异性,建筑师角色从定义固定参数转向导航和解释自适应计算输出。数字链后期阶段(如实现与后生产)整合了设计、评估与呈现的反馈机制,表明从顺序、参数驱动工作流向适应性、迭代过程结构的转变,凸显创造力、灵活性和知识的关键性。
##### 3.2 自动化程度(Level of Automation)
DDI中的自动化主要支持重复计算任务、优化和性能模拟,依赖于人类定义的参数。AI方法将自动化扩展到设计探索、概念生成、预测和模式识别,使自动化成为协作性而非程序性组件,要求建筑师与智能系统持续交互。研究指出,自动化从支持机制演变为设计过程的主动部分,强调沟通、协作、效率和知识的重要性。
##### 3.3 生成能力(Generative Capacity)
数据驱动方法在预设参数空间内生成替代方案,创造探索受初始框架约束。AI增强方法通过机器学习和生成模型显著扩展生成能力,产生新颖设计替代方案,实现先前不可预见的可能性。分析表明,数字链内设计过程通过参数定义、测试和精炼的迭代循环组织,DDI强调优化,AI聚焦于生成设计,产生非预期创新结果,凸显创造力、灵活性和知识的提升。
##### 3.4 作者身份分布与建筑师定位(Distribution of Authorship and the Positioning of the Architect)
在数据驱动方法中,建筑师主要作为系统设计者,设定参数、约束和评估标准,保持直接作者身份。在AI增强环境中,作者身份在人机之间重新分配,建筑师成为调解者、策展人和关键决策者,负责引导计算过程、解释输出并保持建筑意图。研究显示,建筑师仍处于监督和指导过程的中心位置,角色从直接形式生成转向调解、评估和决策,但核心设计方向定义权不变。
##### 3.5 比较综合(Comparative Synthesis)
比较分析表明,从DDI到AI的过渡并非替代,而是建筑实践的转型。数字链从结构化计算工作流演变为适应性的迭代框架,整合人类判断与智能计算。eCAADe 2024论文显示从结构化数据驱动方法向AI集成(参数化模型、生成系统、机器学习)的过渡,eCAADe 2025则强调混合人机设计环境,生成AI在早期构思中作用增强。四阶段映射(Phase 1数字表示,Phase 2参数化设计,Phase 3 AI增强,Phase 4混合人机)揭示了从数据驱动结构化到AI增强适应性的进展,建筑师角色随之演变。
#### 4. 讨论与结论
**讨论总结**:研究发现DDI与AI是互补但不同的当代数字建筑线索。DDI框架(基于参数化模型和规则系统)通过优化和组织设计逻辑结构化流程,但限制了解释性决策和创造性探索。AI方法引入自适应学习系统,动态生成和评估设计替代方案,支持早期构思、预测建模和迭代优化。建筑师角色从受控参数系统内的设计者转变为混合人机环境中的调解者、策展人和过程导向决策者,作者身份重新分配,但建筑师仍负责定义核心设计意图。数字链作为连续非线性结构,连接设计构思、编码、原型和实现,强化了建筑师在意图与实现之间的连续性。同时,AI的引入带来挑战,如数据依赖可能忽略文化、背景维度,算法不透明性影响透明度和伦理责任。研究强调最有效的方法是将数字和AI工具置于建筑师指导下,而非自主运行。教育上需重新定义培训,培养计算思维、数据解释和批判性评估能力。
**研究结论翻译**:本研究通过解释“数字链”(第一线索)作为概念框架,考察了DDI与AI整合对建筑设计过程的转变。在eCAADe会议论文样本(第二线索)中,研究结果表明从结构化、基于规则的工作流向适应性、迭代和协作的人机设计环境的转变。在这一转变中,建筑师的角色并未被削弱,而是被重新配置。如分析样本所示,建筑师越来越多地承担调解者和过程导向决策者的角色,负责引导计算系统、解释输出并保持建筑意图。所审阅的论文表明,AI并未取代建筑机构,而是通过引入人类专业知识与计算过程之间的新关系,促成了其转型。重要的是,这种角色重新分配并未将建筑师从概念作者身份中移除,而是强化了其在定义和保持核心设计理念方面的责任。研究结果进一步表明,最有效的设计方法是那些将数字和AI工具置于建筑师指导下的方法。在此背景下,“数字链”作为概念框架,用于解释设计构思、计算生成、原型制作和实现之间的连续性,同时容纳AI系统引入的日益增加的变异性和非线性。同时,本研究强调了保持批判性视角的重要性。虽然AI可能扩展生成能力和处理复杂数据集的能力,但它也可能引入与作者身份、透明度以及语境和文化敏感性降低相关的挑战。这些方面表明需要仔细考虑技术系统如何整合到建筑实践中。从教育和专业角度看,这些发现表明建筑实践需要扩展能力。未来的建筑师可能受益于发展计算思维、数据解释和AI辅助设计技能,同时保持创造力、批判性思维和空间理解等核心学科优势。本研究存在若干局限性。分析基于从eCAADe 2024和2025中选出的有目的样本,并不旨在提供统计上可概括的结论。相反,它提供了一个概念驱动的解释,可通过更广泛的数据集和实证研究进一步测试和精炼。目前,研究结果可被理解为定义了一套初步原则,通过四阶段框架(表1)构建了DDI与AI之间的关系,阐述了建筑过程的转变,同时将建筑师置于作者身份、控制和决策变化的条件下。在此背景下,作为概念基础,提出了两个互补的研究方向:一是基于实践的应用,通过真实设计过程测试和精炼这些原则;二是系统探索其可能的组合,以定义连贯的设计模型,识别DDI和AI驱动的建筑实践中的重复模式、工作流和方法论框架。未来研究可通过更大规模研究、跨语境比较和基于从业者的调查来扩展这一框架。特别是,本研究提出的四阶段模型(表1)和试点问卷可作为进一步实证验证的基础,包括案例研究和基于调查的研究。总之,DDI和AI的整合为建筑设计提出了新范式,其中数字方法扩展而非取代传统方法。通过保持对工具和过程的控制同时拥抱技术创新,建筑师可以积极塑造建筑的未来,确保其保持响应性、有意义,并以人本设计原则为基础。