生成式人工智能驱动的建筑与结构工程设计：综述

《Intelligent and Converged Networks》：Generative AI-Driven Architectural and Structural Engineering Designs: A Review

　　

建筑与结构设计领域正在经历由生成式人工智能（generative artificial intelligence, AI）技术突破所推动的范式转变。先进的生成式AI，如生成对抗网络（generative adversarial networks, GANs）、变分自编码器（variational autoencoders, VAEs）、扩散模型和多模态大模型，能够从现有设计数据中学习，实现方案的自动化生成，从而大幅拓展设计的创造力和效率边界。在建筑设计领域，GANs和VAEs已被广泛应用于生成创新形态与空间布局；此外，最先进的扩散模型和三维（three-dimensional, 3D）生成模型正被整合到设计工作流中。结构设计领域同样正在经历变革，生成式AI（如GANs、VAEs和扩散模型）正逐步实现结构构件布置与尺寸的智能设计。然而，由于数据表示与设计目标之间的不匹配，生成式AI仍存在根本性障碍，导致建筑-结构一体化设计研究仍较为有限，这也凸显了多学科协作AI是未来研究的一个有前景的方向。在本研究中，研究人员系统梳理了生成式AI在建筑与结构设计中的研究现状，分析了主流研究的未来方向与挑战。该综述可为生成式AI驱动的建筑与结构设计发展提供参考。

## 研究背景与问题

建筑与结构设计正经历由生成式人工智能（generative artificial intelligence, AI）技术突破带来的范式转变。传统计算机辅助设计（computer-aided design, CAD）和参数化工具依赖设计者显式定义几何规则，而生成模型可从海量数据中自主习得设计模式和特征。当前生成式AI已在建筑设计的概念图像、三维（three-dimensional, 3D）形态、平面布局和立面设计，以及结构设计的构件布置与尺寸优化等领域展现出应用潜力。然而，建筑与结构两个领域存在学科鸿沟：建筑模型依赖非结构化视觉数据，结构工程则要求结构化参数定义与拓扑图，数据表示与设计目标的不匹配导致工具链割裂；同时建筑探索多样性与结构追求效率之间存在冲突。因此，一体化集成研究仍然有限。该论文发表于《Intelligent and Converged Networks》，旨在系统综述生成式AI驱动的建筑与结构工程设计研究现状，分析主流研究方向、挑战与未来趋势，为后续发展提供参考。

## 研究内容与主要方法

研究人员基于Web of Science（WOS）核心合集等数据库，以生成式AI技术与建筑/结构设计关键词进行检索，检索时间范围为2014年1月1日至2025年9月13日，共获得223篇论文（其中193篇来自WOS核心合集），并使用VOSviewer进行关键词共现与引用关联分析。论文按生成对抗网络（generative adversarial networks, GAN）、图神经网络（graph neural networks, GNN）、扩散模型、Transformer、大语言模型（large language models, LLM）等算法类别统计应用频率与变化趋势，同时结合建筑信息模型（building information modeling, BIM）、性能仿真工具应用程序接口（application programming interface, API）、开放数据集等行业发展要素，分析AI技术演进的驱动因素，并归纳了各算法在建筑设计、结构设计及一体化设计任务中的典型应用与关联关系。

## 研究结果

### 总体趋势与概览

通过文献计量分析发现，生成式AI驱动的建筑/结构设计研究在2021年后快速增长，2023年和2024年的发文量占绝大多数，与扩散模型、Transformer和LLM等技术的突破时间高度一致。算法使用频率分析显示，GAN仍具有基础性地位，但训练不稳定和模式崩溃等固有限制使其主导地位受到挑战；扩散模型因高保真、高多样性和训练稳定而快速兴起；Transformer和LLM因自注意力机制擅长捕捉长程依赖而出现爆发式增长；GNN和VAE分别在拓扑结构和概率表示方面保持稳定应用；经典遗传/进化算法则更多通过与深度学习混合来补充解决特定优化约束。

### 3 生成式AI在建筑设计中的应用

#### 3.1 当前应用与现状

在建筑平面布局生成方面，GAN和条件GAN被广泛用于生成符合功能分区要求的住宅平面和家具布局，CycleGAN还可将抽象水墨画或手绘草图转换为结构化空间布局。在建筑立面生成方面，GAN和StyleGAN可从语义标签图生成写实立面图像，并实现风格迁移与缺失部分修复；扩散模型则成为生成高质量建筑效果图的主流技术。在3D建筑形态生成方面，研究者探索了基于潜在空间编码、自回归序列建模、GAN/扩散模型以及混合上下文感知方法等多条技术路径，可生成整体连贯但细节仍需后处理的3D体块。在文本与多模态输入方面，生成技术已从艺术概念图像扩展到可直接用于工程实施的合规建筑平面、CAD图纸和参数化3D模型。总体结论是，生成式AI已渗透到建筑设计多个阶段，但图像型输出缺乏矢量信息，几何精度和工程可实施性仍有待提升。

#### 3.2 挑战与局限

研究指出，模型输出与工程可行性之间存在显著差距，建筑规范、功能流线和可施工性常被忽略；前沿模型因技术门槛高和算力需求大而在行业中的采用有限；工程数据稀缺且缺乏统一评价指标，导致生成结果难以客观验证；当前模型的计算效率和交互可控性不足，多为批处理式“黑箱”工具；此外还存在作者身份、责任归属和设计同质化等伦理与职业问题。

#### 3.3 未来趋势

未来趋势包括：多模态集成AI模型成为主流，同时考虑文本、草图、场地约束和性能指标；生成结果向更高保真度和细节层级发展；AI驱动的优化与评估更紧密地嵌入生成过程；基础模型和大规模预训练技术的作用日益突出；人机交互协作增强；建筑AI与其他工程建设领域深度融合。

### 4 生成式AI在结构工程设计中的应用

#### 4.1 当前状态与主要发展

结构设计数据表示分为基于张量的二维/三维矩阵表示和基于图的拓扑表示两类。生成模型方面，GAN被广泛用于剪力墙布局生成，并通过物理增强和注意力机制提升生成方案的抗震性能与局部合理性；扩散模型采用两阶段“先草图后细节”的方法完成结构布置；强化学习和基于Transformer的序列建模也在探索中。性能评估主要依靠代理模型加速预测、将工程目标直接集成到生成模型的损失函数中，以及“生成—过滤”两阶段评估。生成方法与遗传算法、梯度优化等传统优化技术结合，可加快收敛并提高最终方案质量。结论是，生成式AI已能从工程图纸和性能数据中学习并提出新的结构设计方案，但结构安全性和多目标性能保障仍是核心问题。

#### 4.2 挑战与现存问题

主要挑战包括：确保AI生成设计的结构有效性和安全性，完整编码复杂规范与隐性工程原则十分困难；多目标性能评估依赖代理模型，其可靠性存在风险；模型的泛化能力和灵活性不足以应对工程项目的多样性；数据稀缺、模型可解释性差、黑箱问题以及现有工作流集成困难在结构领域因精度和安全要求更高而更加突出。

#### 4.3 未来趋势

未来方向包括：工程约束全面嵌入模型；发展高精度3D结构生成并与BIM深度集成；实现多模态与上下文感知的生成式结构设计；从单一最优解转向“质量—多样性”解集；开发可与主流工程平台实时协同的交互设计工具，并借助高效代理模型提供即时反馈。

### 5 通过生成式AI实现建筑-结构一体化设计

#### 5.1 集成生成设计的必要性与现状

集成设计的核心驱动力在于：对早期建筑概念提供及时的结构反馈可显著提高方案可行性；在充分理解建筑意图的基础上进行结构设计可使结构方案更高效合理。理想模型应能根据给定的建筑体量与功能布局自动生成与之匹配的结构系统。目前完全集成的生成设计仍处于萌芽阶段，研究者正尝试将建筑规范和工程约束嵌入建筑生成模型，并提出了“生成式AI+BIM”等思路，以BIM模型中的房间布局和层高等信息作为输入来设计结构系统。

#### 5.2 集成中的挑战

集成面临两大挑战：一是建筑与结构领域存在“像素—参数”鸿沟，视觉数据与结构化工程数据难以在统一潜在