引言
人工智慧在設計領域的應用，為建築平面圖的自動化生成開創了全新可能。近年來，由人工智慧驅動的生成式模型在建築界廣受歡迎，有望輔助並豐富建築師的工作流程。透過演算法生成平面圖並非全新概念——過往如形狀文法與L-系統等方法，已證明可將設計規則編碼化以實現自動佈局生成。 然而，這類基於規則的系統往往需要針對每種特定風格或問題進行硬編碼設定，因而限制了其靈活性。如今，數據驅動的機器學習方法正透過從大型數據集中學習設計模式，而非依賴人工編碼規則，從而改變平面圖生成方式。
人工智慧生成平面圖的應用場景
1. 早期設計探索
建築師能根據高階準則快速生成多種平面圖方案。諸如Graph2Plan等系統允許設計師定義房間數量與鄰接關係，並即時生成有效平面圖。
2. 開發人員的自動化版面配置
房地產開發商運用生成式工具，在分區法規與空間限制下評估建築佈局。諸如《建築設計》等平台能快速提供優化的住宅規劃方案，以滿足可行性研究與法規合規需求。
3. 為客戶與租戶提供客製化設計
使用者可輸入特定偏好，獲取量身打造的平面圖。諸如Maket與Qbiq等工具支援生成租戶專屬的辦公與住宅佈局，甚至能接受自然語言輸入。
4. 績效導向的空間規劃
人工智慧被用於優化功能性佈局（例如移動距離、照明），透過演化演算法等技術，協助規劃照護設施或教育空間的佈局方案。
5. 程序化內容生成
在建築領域之外，生成式平面圖工具亦應用於遊戲與模擬環境中，用以自動生成逼真的室內空間。
技術與方法
生成對抗網路（GANs）
生成對抗網路（GANs）透過學習資料集來合成平面圖。早期模型雖能捕捉常見空間模式，卻難以實現細微控制。House-GAN與pix2pix風格方法開創了基於圖像的生成技術。
基於圖的神經網路
GNN將房間與相鄰區域視為圖形結構。Graph2Plan能將佈局圖與邊界轉換為完整平面圖，實現可編輯且具約束條件的生成機制。
擴散模型
新型模型如HouseDiffusion與FloorplanDiffusion運用去噪技術，能從雜訊逐步構建平面圖，實現多條件與非直線生成。部分模型更整合大型語言模型（如ChatHouseDiffusion），打造文字轉平面圖的工作流程。
演化與優化演算法
NEAT 和 NSGA-II 等演算法透過探索佈局組合來實現多目標最優化。當設計需同時滿足效能或成本等性能準則與設計約束時，便會採用這些演算法。
效益
- 速度與生產力：數分鐘內生成數千種佈局方案。
- 創意強化：突破傳統思維，發掘嶄新佈局方案。
- 多目標優化：平衡採光、動線、成本等要素。
- 知識保留： 從訓練資料中學習最佳實踐。
- 成本節約：減少前期設計階段的時間與人力投入。
挑戰
- 約束滿足：確保輸出結果具備可用性與可建構性。
- 數據偏誤：有限且同質化的訓練資料集削弱多樣性。
- 使用者控制： 調整生成佈局特定細節的難度。
- 透明度：黑盒模型缺乏可解釋性。
- 實踐整合：企業面臨學習曲線與文化阻力。
結論
人工智慧生成的平面圖正透過自動化早期佈局創建、實現大規模客製化及提升創造力，徹底改變建築設計領域。 生成對抗網路（GANs）、圖形神經網路（GNNs）與擴散模型等技術，提供了具備不同控制程度與逼真度的多元解決方案。儘管在數據、可解釋性及約束處理方面仍存在限制，人工智慧的出現旨在強化建築師的角色而非取代其地位——它提供了一套能簡化工作流程、激發更優設計的新型工具。