引言
過去十年間，人工智慧（AI）在建築室內設計與智慧家居佈局優化領域的應用日益廣泛。室內空間規劃——即決定房間、家具與功能的配置——因其組合性質及需平衡美學、功能性與使用者偏好的需求，成為一項複雜課題。
傳統上，建築師仰賴經驗、經驗法則以及反覆手動調整平面圖。近年來，機器學習、電腦視覺、生成式設計與優化演算法的進展，已使設計流程得以實現更自動化與智慧化的運作。
本綜述重點梳理2015至2025年間的關鍵發展、方法與趨勢，聚焦於學術研究領域。
早期基礎（知識驅動方法）
- 早期系統主要基於規則或優化演算法。
- 關鍵方法：約束滿足、模擬退火、遺傳演算法。
- Merrell等人 (2011)：運用設計規則的互動式家具佈置工具。
- Yu等人(2011)：基於隨機搜尋的自動家具佈局。
- 挑戰：難以適應新風格與編碼複雜規則。
數據驅動設計的崛起（2015–2020）
- 從規則導向轉向數據驅動模型。
- 機器學習模型開始從大型設計數據集學習。
- 主要發展：
- 運用卷積神經網路解析與分類平面圖及室內風格。
- RPLAN資料集實現神經模型訓練以生成佈局方案。
- HouseGAN（2019–2020）：運用生成式對抗網路從草圖生成完整公寓佈局。
- LayoutGAN與變換器模型應用於序列化佈局生成。
- 優勢：提升真實感與速度；自動學習設計原則。
- 劣勢：黑盒特性，可控性有限。
生成式設計與視覺化突破
- 聚焦於2D與3D的家具及室內場景合成。
- 關鍵模型：
- SG-Net、ATISS (2020–2021)：運用變異自動編碼器與變換器建構3D房間佈局。
- 3D-FRONT資料集（2021年）：含家具與語義標註的逾18,000個房間。
- SceneHGN：學習分層場景表徵。
- 基於圖像的AI：
- 運用生成式對抗網路與擴散模型（如Stable Diffusion）實現風格化渲染與擬真設計構想。
- Tanasra等人（2023）：以生成式對抗網路自動配置空置佈局中的家具。
- 人工智慧開始在設計工作流程中支援創意發想與構思階段。
強化學習與佈局優化（2020–2025）
- 樓層規劃作為序列決策任務。
- SpaceLayoutGym（2024）：用於房間劃分與優化的強化學習環境。
- PPO與DQN代理人學習在約束條件與動線規劃下進行優化。
- 多代理人強化學習 (2025)：代理人協同分配房間、調整尺寸、優化功能。
- Haisor框架 (2024)：確保家具擺放符合人體導航、舒適度與無障礙需求。
- IGA+DE (2025)：混合演化-互動式佈局優化器，空間利用率達95%。
以使用者為中心設計與智慧家居整合
- 從靜態設計邁向動態化、個人化佈局系統。
- 運用的人工智慧協同設計平台：
- 素描輸入
- 風格關鍵字
- 自然語言提示
- AI轉變為互動助理而非替代者
- 整合智慧家居感測器：
- 依據使用者動態與行為調整佈局
- 應用於長者照護、跌倒預防、能源效率提升
- 倫理導向與以人為本的AI：
- 兼顧透明度、可解釋性與可及性考量
- AI與使用者目標及價值觀保持一致
資料集與框架
- RPLAN、3D-FRONT、SUNCG、LIFULL Home：核心資料集。
- 開源框架：
- 強化學習專用SpaceLayoutGym
- 產業工具：PlanFinder、Finch3D
- 評估指標：
- 空間利用率
- 鄰接圖準確度
- 流通效率
- 使用者滿意度評分
近期趨勢與未來方向
- 混合智能：融合機器學習、優化演算法與人類反饋。
- 擴散模型與變換器正樹立新的性能基準。
- 重點領域：
- 可解釋性與使用者控制
- 即時適應性環境
- 專業工作流程中作為協同創作者的人工智慧
結論 過去十年間，人工智慧在室內設計與智慧家居佈局優化領域，已從基礎自動化邁向智能協作。關鍵趨勢包括：
- 基於大規模數據集訓練的數據驅動設計模型
- 強化學習在序列佈局優化中的應用
- 用戶反饋與智能家居數據的整合
- 基於生成對抗網路與擴散模型的可視化工具
- 日益重視的人類價值觀、倫理準則與可用性
深度學習、優化技術與建築知識的匯聚，標誌著室內環境未來發展迎來變革性時刻。