闭环人机智能决策支持用于生物启发式建筑概念生成

《Biomimetics》：Closed-Loop Human–AI Decision Support for Bio-Inspired Architectural Concept Generation

　　

生物启发式建筑设计日益依赖生成式人工智能来扩展早期概念探索，然而当前工作流程常常面临需求定义模糊、方案选择主观，以及用户期望、视觉生成与设计评估之间联系薄弱等问题。本研究提出一种用于仿生建筑概念生成的闭环人机智能决策支持框架。该框架首先使用感性工学（Kansei）导向的需求分析和KANO模型来识别并分类利益相关者关于形态、结构合理性、环境整合、文化叙事、视觉新颖性、交互性和可持续性的期望。基于282份有效问卷回复，最具影响力的需求类别被进一步转化为层次分析法（Analytic Hierarchy Process, AHP）层级结构，由五名专家组成的小组提供专家判断以得出准则和子准则权重。随后，这些权重通过一种形式化的权重到语言转换策略转换为结构化提示词，以引导基于扩散模型的图像生成系统生成更具针对性的仿生概念。最后，应用TOPSIS方法（Technique for Order Preference by Similarity to Ideal Solution）根据相同的加权准则对生成的设计方案进行排序，从而建立从需求发现到生成与决策的可追溯联系。涉及鹰、蝠鲼和猎豹启发式建筑概念的案例研究表明，该框架提高了设计目标的明确性，支持方案间更一致的比较，并减少了对纯粹直觉审美判断的依赖。消融对比证实，框架的每个阶段都对最终结果质量有递增贡献。本研究提出了一种集成需求建模、多准则评价和人工智能辅助视觉设计的整体工作流程。

生物启发式建筑作为一种可持续设计方法，通过模仿自然界的结构效率、环境适应性和材料智能来应对可持续性挑战。生成式人工智能，尤其是基于扩散模型的图像生成技术，为早期设计探索提供了新工具，但现有工作流存在三个关键局限：需求定义模糊，缺乏系统方法；方案评估主观，依赖个人经验；工作流脱节，需求分析、生成、评估相互孤立。因此，研究人员提出一种闭环人机智能决策支持框架，将KANO需求分析、层次分析法（AHP）权重计算、权重到提示词转换以及TOPSIS评估整合为一个可追溯的整体流程，旨在解决如何将定性利益相关者需求转化为加权设计目标，并指导AI生成可复现、可评估的仿生建筑概念。通过鹰、蝠鲼和猎豹三个跨领域案例研究，该框架提高了设计目标的明确性，支持方案间更一致的比较，并减少了对直觉审美判断的依赖。消融实验证实每个阶段对最终结果均有递增贡献。论文发表在《Biomimetics》。

研究人员采用的主要关键技术方法包括：通过专业网络和在线平台招募中国参与者，发放318份问卷，经注意力检查等筛选后获得282份有效问卷，使用KANO模型对11项需求进行分类，基于Better–Worse系数识别关键需求；由五名专家组成小组进行AHP成对比较，通过几何平均法聚合判断矩阵，计算准则和子准则权重；定义形式化的权重到语言转换策略，将AHP权重转化为结构化提示词，引导扩散模型生成建筑概念图像；由20名评估者（15名执业建筑师和5名建筑学教授）采用盲评方式对方案评分，并利用TOPSIS根据相同准则进行排序。

4.1 消融对比：通过鹰案例的四条件消融实验，比较了无约束提示、仅KANO、KANO+AHP加权提示、完整框架等条件。结果表明每个阶段都带来递增贡献，最大增益来自引入AHP加权提示，证实准则加权生成指导是主要机制；仅KANO等权条件也优于无约束提示，说明结构化需求分类本身就能提高生成质量。

4.2 TOPSIS结果：三个方案中，方案1（AI生成）获得最高相对贴近度Ci=0.964，方案2（Heydar Aliyev Centre）Ci=0.885，方案3（北京国家体育场）Ci=0。方案1在B1形态相似性和B4视觉新颖性上优势明显，而方案2在B3文化象征和B5可持续性上表现竞争。结果证实框架能生成与利益相关者加权优先事项一致的方案。

4.3 框架解读：闭环的主要贡献在于用同一需求结构驱动生成并用于评估，实现从需求发现到排序决策的可追溯性。消融对比表明结构化加权提示不会抑制生成多样性，方案1在视觉新颖性上领先，说明定向指导将创造力引向更有价值的维度。与现有方法比较，纯AI生成缺乏可追溯性，多准则决策（MCDM）评估未将准则用于生成，混合方法未将同一准则反馈到评估，本框架的闭环集成解决了这些问题。同时指出案例输出是概念可视化，未进行工程分析。

讨论部分指出，案例比较的局限性在于参考方案是已知地标而非不同方法生成的AI方案，未来应与替代AI生成工作流进行比较。构造性说明：输出为概念可视化，未做结构或环境工程分析。研究结论可翻译为：针对生成式AI在仿生建筑早期概念阶段的核心挑战——需求模糊、主观决策、工作流脱节——本研究提出并验证了一个闭环人机决策支持框架，作为可追溯概念生成和评估的方法论贡献。具体贡献包括：（1）闭环人机AI决策框架：四阶段流程（需求发现KANO→准则加权AHP→引导生成→多准则评估TOPSIS），据该研究所述，此前未作为专门用于AI辅助仿生建筑概念生成的整体工作流被报告；（2）形式化权重到提示词转换策略：基于规则、模型无关的策略，将AHP准则权重转化为强制性、次要和参数化提示层级，适用于任何自然语言条件图像生成系统；（3）仿生评估协议：盲评程序、锚定评分、组内相关系数（ICC）信度评估和TOPSIS排序协议构成可复用的评估工具；（4）三个跨领域案例研究的实证证据：涵盖三种生物原型和三种建筑类型，消融证据证实每个阶段的递增贡献。局限性包括：KANO调查仅限中国参与者，需要跨文化验证；输出为概念可视化而非经过验证的建筑设计，未进行结构工程分析、环境性能模拟或可建造性评估；案例数量有限，需更大规模测试；评估小组20人且均来自中国，未来应招募跨机构、跨文化的小组以增强普适性。