引言
人工智能在设计领域的应用，为自动化生成建筑平面图开辟了全新可能。近年来，人工智能驱动的生成模型在建筑领域日益普及，有望补充并丰富建筑师的工作流程。算法生成平面图并非全新概念——过去的形状语法和L系统等方法已证明，通过编码设计规则实现自动布局生成是可行的。 然而这类基于规则的系统往往需要针对特定风格或问题进行硬编码，导致灵活性受限。如今，数据驱动的机器学习方法正通过从海量数据集中学习设计模式来革新平面图生成方式，而非依赖人工编写的规则。
人工智能生成平面图的应用场景
1. 早期设计探索
建筑师能够根据高层次标准快速生成多种方案性平面图选项。诸如Graph2Plan之类的系统允许设计师定义房间数量与邻接关系，并即时生成有效的平面方案。
2. 面向开发者的自动化布局
房地产开发商利用生成式工具，在分区规则和空间限制下评估建筑布局。诸如Architechtures等平台能快速提供优化的住宅方案，用于可行性研究和法规合规性评估。
3. 为客户和租户提供定制设计
用户可输入具体偏好，获取定制化的平面图。诸如Maket和Qbiq等工具支持生成租户专属的办公及住宅布局方案，甚至能接受自然语言输入。
4. 绩效驱动的空间规划
人工智能被用于优化布局以提升功能性能（例如行走距离、照明）。进化算法等技术有助于为护理设施或教育空间生成规划方案。
5. 过程化内容生成
在建筑领域之外，生成式平面图工具还被应用于游戏和模拟环境中，用于自动生成逼真的室内空间。
技术与方法
生成对抗网络（GANs）
生成对抗网络（GANs）通过学习数据集来合成平面图。早期模型虽能捕捉常见空间模式，却难以实现精细控制。House-GAN与pix2pix风格的方法开创了基于图像的生成技术。
基于图的神经网络
GNN将房间及相邻关系视为图结构。Graph2Plan技术能将布局图与边界转化为完整平面图，实现可编辑且兼顾约束条件的生成。
扩散模型
新型模型如HouseDiffusion和FloorplanDiffusion通过去噪技术从噪声中逐步构建平面图，实现了多条件与非直线生成能力。部分模型（如ChatHouseDiffusion）与大型语言模型集成，支持文本到布局的工作流程。
进化与优化算法
NEAT和NSGA-II等算法通过探索布局组合来实现多目标优化。当设计需同时满足性能指标（如效率或成本）与约束条件时，这些算法便被采用。
优势
- 速度与效率：数分钟内生成数千种布局方案。
- 创意突破：突破常规思维，发掘创新布局方案。
- 多目标优化：平衡采光、动线、成本等多维度需求。
- 知识传承： 从训练数据中习得最佳实践。
- 成本节约：减少前期设计阶段的时间与人力投入。
挑战
- 约束满足：确保输出结果可用且可构建。
- 数据偏差：有限且同质的训练数据集降低多样性。
- 用户控制： 难以调整生成布局的特定细节。
- 透明度：黑箱模型缺乏可解释性。
- 实践整合：企业内部的学习曲线与文化抵触。
结论
人工智能生成的平面图正通过自动化早期布局创建、实现大规模定制以及提升创造力，彻底改变建筑设计领域。 生成对抗网络（GANs）、图神经网络（GNNs）和扩散模型等技术提供了多种路径，其可控性与逼真度各异。尽管在数据、可解释性及约束处理方面存在局限，人工智能仍将增强建筑师的角色而非取代其地位——它提供了一套全新工具，既能优化工作流程，又能激发更卓越的设计。