《Sustainable Cities and Society》：Artificial Intelligence for Generative Urban Design: A Systematic Literature Review and Multi-Dimensional Framework using Large Language Models
编辑推荐：
快速城市化正在改变人工智能（AI）增强城市设计流程的方式，通过重塑空间规划、参数化建模和生成式设计等技术，带来了更高的效率、可扩展性和适应性。本系统文献综述（SLR）的主要目标是为研究人员和从业者开发一个多维度框架，并通过提取和分析多个维度的数据，审视基于人工
快速城市化正在改变人工智能（AI）增强城市设计流程的方式，通过重塑空间规划、参数化建模和生成式设计等技术，带来了更高的效率、可扩展性和适应性。本系统文献综述（SLR）的主要目标是为研究人员和从业者开发一个多维度框架，并通过提取和分析多个维度的数据，审视基于人工智能的生成式城市设计（GUD）的最新技术水平。遵循PRISMA（系统综述和元分析优选报告项目）指南，本综述采用了一种新颖的混合筛选方法，其中大语言模型（GPT-5和DeepSeek V3.2）协助对612篇文献进行初步摘要筛选，随后由研究人员进行人工交叉验证以确保准确性并减轻算法偏差。研究人员对选定的108篇文献进行了手动全文数据提取，涵盖五个分析维度，以进行趋势和频率分析。研究结果描绘了当前的GUD生态系统，揭示了人工智能技术与城市设计流程之间的关键对齐。本综述的主要贡献是一个稳健的多维度框架，用于指导基于人工智能的GUD数字解决方案的开发。它还识别了现有文献中的重大研究空白和局限性，为未来的技术创新以及伦理考量奠定了基础。
**1. 引言**
快速城市化和数字化使城市成为复杂适应系统。城市设计学科不仅关注建筑、街道和开放空间，还涉及自然环境保护、公共空间营造和社会互动支持。传统城市设计过程依赖人工调查和专家判断，设计阶段由直觉驱动，过程缓慢且劳动密集，难以整合复杂的实时数据。生成式设计通过计算机辅助生成方法改进传统设计流程，而生成式城市设计（GUD）作为新研究领域，利用智能生成系统探索广泛的设计方案，弥补个体专家知识局限，并通过人机协作机制增强早期设计阶段的利益相关者参与。AI越来越多地用于模拟城市行为、分析大数据并优化空间布局，生成式AI在规划工作流和公众参与中得到应用。本系统文献综述旨在开发一个多维度框架，回答主要研究问题：“使用哪些方法论、工具和应用来开发基于AI的生成式城市设计数字解决方案？”并进一步分解为6个子问题，涵盖数据来源、利益相关者参与、数字工具、AI算法、城市元素和指标。
**2. 方法论**
本AI辅助系统文献综述遵循PRISMA框架，分为三个阶段。阶段I：识别，在SCOPUS和Web of Science数据库中手动检索，使用涵盖生成设计、AI相关算法和城市术语的搜索字符串，限定2020至2026年英文文献。阶段II：筛选，包括三个步骤。第一步为验证，随机选择61篇文档，由研究人员、GPT-5和DeepSeek V3.2分别进行筛选，结果显示DeepSeek的准确率达90.2%，优于GPT-5（82.0%），且两模型在85.2%的案例上一致。第二步为AI辅助筛选，使用同一提示对612篇文档进行“是/否”判断和置信度评分，根据预设规则自动决定是否进入人工筛选，最终316篇进入下一步。第三步为人工筛选，研究人员手动审查标题、摘要和关键词，排除208篇不相关文献，留下108篇进行全文审查。阶段III：选择，对108篇全文进行手动深度审查，包括趋势分析和频率分析。趋势分析考察出版年份、地理分布、主要来源和高被引文献；频率分析沿五个维度（D1数据收集、D2数字工具、D3 AI算法、D4城市元素、D5指标）对每篇文档进行系统编码，并据此构建多维度框架和回答研究问题。
**3. 结果**
**3.1 趋势分析**：年度出版物显示，2020至2021年仅有6篇，2024年激增至38篇（占35.2%），呈现加速增长。地理分布中，中国以68篇居首，美国19篇，英国13篇，欧洲其他国家贡献有限。主要来源中，CAADRIA会议论文集发表9篇居首，Building and Environment（7篇）、Buildings（6篇）等期刊紧随其后，表明该领域以会议驱动为特征。高被引文献包括Wu等（2022）对生成对抗网络应用的全面综述、Jiang等（2024）对生成式城市设计的系统综述，以及Huang等（2024）关于城市形态元连通性的研究，反映出当前方法论优先关注GAN和系统综述。
**3.2 频率分析**：在108篇文档中，定量方法占72.2%，混合方法占21.3%，定性方法占6.5%。所有研究均遵循一个共同流程：数据收集、3D建模环境定义、AI模型开发、城市元素输出生成、测试工具验证。该流程构成五个维度提取的实证基础。
**3.2.1 D1-数据收集**：输入数据方面，栅格图像（PNG/JPG）是最主要输入格式（57%），来自矢量GIS或参数化几何的栅格化；矢量/Shapefile和.csv/.xlsx表格数据各占28.7%；点云仅占8.3%；3D模型/网格/BIM数据占5.6%。存在一个矢量-栅格-生成-重建的往返问题：原始矢量几何经栅格化后丢失精确边界、拓扑和语义属性，生成模型输出栅格后需重建为矢量，导致误差累积，且绝大多数研究未自动化该重建步骤。
**3.2.2 参与式方法**：25篇文档（23%）在输入阶段采用参与式数据收集，涉及城市规划师（n=9）、专家与研究人员（n=5）、公众或居民（n=5）。参与主要发生在评估与反馈阶段，且集中在概念设计阶段。其余77%的研究完全依赖计算数据源，不涉及任何利益相关者。这表明社区参与多为评估式，而非真正的共同设计。
**3.2.3 D2-数字工具**：Rhino（n=46）和Grasshopper（n=23）是最常用的3D建模平台，ArcGIS、AutoCAD和CityEngine次之。生成工具包括Wallacei NSGA-II插件（n=15）、Galapagos、Kangaroo以及CityEngine和Autodesk Generative Design。测试工具如Ladybug用于环境性能模拟。Rhino/Grasshopper生态系统在三个功能组中占据主导，而BIM原生工作流（Revit）仅出现在4项研究中，显示其被边缘化。
**3.2.4 D3-AI算法**：共识别129种算法，分为生成、优化、预测和新兴四大范式。生成对抗网络（GAN）出现在34.26%的文档中，扩散模型占15.74%。多数算法应用（87.96%）集中在概念设计阶段。GAN通过生成器与判别器的对抗训练生成真实数据，条件GAN（如Pix2pix、CycleGAN）各有优劣。扩散模型（如Stable Diffusion）自2022年后快速增长，通常与ControlNet和LoRA插件配合使用。优化范式包括遗传算法（13.89%）和NSGA-II，用于多目标优化。预测范式包括深度学习（如CNN），用于分类和特征提取。
**3.2.5 D4-城市元素**：研究集中于绿色基础设施、街道网络和建筑体量，主要
