生成式AI驱动的城市空间流形生成
引言
城市形态学——聚焦城市空间的形式、结构及其演化——在快速城市化、技术迭代与现代城市多元面貌的共同作用下，正变得愈发复杂。沿用至今的规划与设计方法，往往难以充分回应城市环境中的动态变化与涌现现象。随着生成式模型、流形学习等AI技术的到来，研究者得以用更新的视角理解并参与塑造城市空间。本文希望梳理城市空间形态生成机制及AI在其中的作用，重新追问城市空间究竟如何被生成、又如何持续演变：将城市视作由人、建成环境与自然环境共同构成、并相互作用的复杂系统。基于流形与人的行为方式，我们提出一种以人和AI共生为核心的城市空间形态生成路径。
01
城市空间不仅承担城市社会运作所需的功能，同时本身也是社会功能不可或缺的部分。空间形态所呈现的，正是物理形态与社会经济活动之间错综复杂的联系，因此长期以来都是城市科学研究的重点。数字化时代显著加快了城市功能要素的流动速度，并由此重塑城市的生产与生活方式。虚拟会议、远程办公、线上交易以及快递配送等新技术，正在改变城市功能的空间分布。于是，城市空间研究逐渐从追问“空间在哪里”，转而去关注“流动如何发生”以及“网络如何连接”。
研究者开始更密切地考察高频的城市功能变化，怎样反过来塑造空间形态以及其生成过程。过去偏向静态的城市空间理解，正逐渐被能够解释现代城市流动性特征的动态模型所替代。这种转向也引出了若干关键议题：
城市空间的自主性：城市空间是否具备某种自身的能动性，能够推动社会经济发展？弄清这一点，有助于设计更灵活、能响应变化的空间方案。
生成机制：当技术持续快速发展、人的行为也不断改变时，城市空间又是如何被生成的？识别其中可能存在的潜在模式与机制，是制定有效城市规划的重要前提。
AI的作用：在AI驱动的时代，机器学习机制是否能够揭示空间生成的更深层本质过程？AI作为建模复杂系统的工具，或许能为理解涌现出的空间模式提供新的洞见。
对空间本身的定义进行再认识同样至关重要。空间不应仅被当作物理容器，而应被理解为与社会、经济和文化维度深度交织的动态存在。要完成这一转变，就需要把人的行为与体验纳入空间形态的解释框架中。
02
人工智能（AI）正在用新的数据与模型驱动方法模拟与生成城市空间形态，其中尤以数据建模协作的方式更为突出。例如，图神经网络（GNN）在刻画城市空间内部复杂关系方面愈发关键，它既能处理几何形态信息，也能学习功能连接关系。图卷积网络（GCN）则提供了处理图数据的通用思路，使模型能够从城市网络的节点与边中提取有效特征。相关技术已经被用于分析城市空间的结构与功能，例如对三维空间形态与POI拓扑之间的关联关系展开研究。
不少研究者借助GNN去观察三维形态与街道功能之间的互动变化，从而展示此类网络在模拟城市空间形态方面的潜力。不过，若要把模型直接与几何形态生成联系起来，仍面临不少难题，尤其是在刻画跨越多个网络的形态与功能之间如何耦合的层面上。近期研究更关注结合数据与知识先验的生成式AI模型：这类模型通常依托大规模数据集，并嵌入城市规划相关知识，从而更准确地模拟与预测城市空间演化趋势。例如，将深度学习与城市形态理论结合的做法，已能生成贴合设计原则的模型结果。
尽管AI在形体生成方面具备潜力，但已有研究在理解耦合的空间形态生成规则时仍显不足，尤其是对其中动态机制的深度探讨还不够。功能拓扑空间的流动、折叠等现象所体现的，是空间功能在多维度与多尺度上的延展，需要进一步被系统研究。
03
在既有研究中，空间的含义往往被默认为已知或被直接假定，缺少对其本质的明确阐释。社会经济活动确实呈现为空间分布的结果，但从更深层看，空间本身才是创造、建造、使用、更新与消解的载体。作为生产与生活的承载系统，城市空间可以被视作具有生命特征的空间实体；当城市回到其核心——人的聚集、资源的汇流，以及交流与交换的发生——城市文明便由此不断成形。
从本体论的视角来看，城市空间是由人与建成环境、自然环境共同交织而成的系统。它要服务于人的日常活动，并呈现出类似生命体的性质：兼具物理、生化、社会、经济与文化层面的内涵。城市空间形态也正是在这些机制的驱动下被实时生成，表现出与生物体相似的复杂多样涌现特性。
预测城市空间形态，本质上涉及对路径依赖所带来的概率变化进行理解，包含不可逆的可能性。短期内，城市空间的演变常呈现随机性特征；但从更长周期的历史视角审视，会发现其中存在共同的规律。难点在于如何同时把握短期随机性与长期模式之间的统一。在规划与设计中，人们更倾向于采用鸟瞰视角来组织与表达城市形态；而在日常使用中，则更多依赖局部视角，并在移动轨迹的基础上形成独特的认知框架。日常空间使用包含感知、认知、推理以及与真实空间相关的行动等复杂过程。空间演变中的不确定性，正源于人们在空间中使用方式的复杂性。
要把握城市系统的复杂演化，关键在于认识到城市并非静止不变：它持续地被个体与社区的行动所塑造。城市形态是多类主体之间复杂互动的结果，包括居民、企业、政策制定者以及基础设施提供者等。各类互动会产生涌现出的模式，并在时间推移中逐步改变城市的空间配置。将AI驱动的模型纳入对个体行为的刻画，为模拟这种动态演化提供了新的机会。
为捕捉城市空间的复杂性，我们提出以空间流形的概念重新界定空间。空间流形被用来描述空间的自然延展，它同时包含欧式几何及社会经济环境文化等维度。该概念强调空间的延展行为本身，反映一种难以仅靠语言概括却具有丰富形态特征的无定形过程。面向任意局部二三维空间本体（以等视线域isovist为基础），从人与社会行为的角度出发，构建包含功能、社会、经济、环境等要素的高维空间张量表达：通过行为轨迹来呈现空间延展，而功能、社会、经济、环境等要素的延展方式，则可能还会有其他表达路径。
图1 基于城市空间等视域（isovist）的张量空间示意图
（注：绿色表示具备视角限制的三维等视域（isovist）及其对应的功能与实体界面要素；蓝色表示隐藏于城市空间表现背后的社会经济属性；行为轨迹与功能联系将三维等视域（isovist）整合为复合空间网络的表达形式）
04
历史上，城市规划与设计长期强调控制，常将城市理解为可通过自上而下的方式进行精细管理的系统。然而，面向现代城市环境的复杂性与动态性，研究与实践正在转向更强调人和AI智能体共同参与、自组织的过程。数字技术使跨时间的综合协作成为可能，从而推动这一范式转型。它们把涉及形式、材料、生化、社会、经济和文化因素的空间交互机制联结起来，使空间形态的生成成为由多要素、多机制和多模态交互共同驱动的涌现过程。
在这种新范式中，数据、基因与场景构成空间的核心驱动要素，并在彼此关联的过程中形成自组织机制。所谓空间场景，是城市空间形态运行的可观测现象，它存在于真实的生态生产与生活环境之中。随后，这些场景会产生空间数据，而人们有意或无意设定的规则，则把空间现象以抽象方式记录并固化到数据里。
从数据中提取出来的稳定空间规律可被视为“空间基因”，它们持续推动新场景的生成。这个循环通常包含降维与升维：复杂的空间场景被感知并以数据的形式被简化，然后再由人的认知进一步抽象为空间基因。人在这一过程中既扮演空间基因信息的编码者，也扮演解码者；同时，AI智能体能够借助模拟人的认知方式来加速相关步骤。由此形成“学习—应用”的闭环：通过学习，人和AI智能体共同研究空间现象，分解空间要素、建立内在关联、提取规律，进而形成稳定的空间知识体系或认知逻辑；最为稳固的规律会被固化为空间基因。
在应用阶段，人和AI智能体则基于空间基因与认知逻辑共同搭建新的空间场景，迭代思想与知识，生成更具新意的城市空间形态。人-AI共生带来的能力增强，使城市设计的创新潜力得到更充分释放。
AI能够模拟人的空间行为，包括感知、认知、推理与操作，并把数据驱动与知识驱动的方法整合为一个可迭代的互动框架。在设计工作中，AI智能体更像是一个协助型助手。协作主要体现在：
数据整合：汇聚多源异构数据，从数据整合与知识学习的角度形成新的设计思路。
知识学习：在城市规则与知识的约束下，引出可用于多学科模拟与生成的相关概念。
互动迭代：通过人-AI的双向互动，推动多维生成的城市空间形态持续演化，从而提升创造力与适应性。
图2 城市空间形态交互迭代的AI学习示意图
05
我们提出一个由六个相互关联的模块共同构成的城市智能生命体概念框架：
1.全面感知：通过传感器与可穿戴设备的广泛部署，城市的感知能力被显著增强。城市微气候、交通状态、污染物扩散、公共服务以及个人健康等信息能够被更精确地捕捉，并形成“感知—边缘计算—反馈”的网络体系。由此，城市空间获得类似生命体的基础感知与反应能力。
2.实时计算：实时空间计算能力将微观、中观与宏观层面的空间活动连接起来，使虚拟空间与现实空间之间的转换与耦合成为可能。计算能力因此成为未来城市空间的关键支撑力量，并在一定程度上重新定义空间形态。
3.人本活力：空间活力来自人类、机器人、自动驾驶车辆以及各类智能体等多种空间主体之间的互动。对空间活力的理解也会持续演化，更加突出以人为中心的多样性与共生关系。
4.数字基因：所谓空间基因是一种可数字化识别的模式，通常表现为多模态知识网络、空间语义推理能力以及对专业领域本体的继承。它们能够在不同周期内提取城市空间的底层规律。
5.交互孪生：交互式数字孪生强调人与AI之间的实时共同演化与共同创作，能够整合多个领域、部门与主体。数字孪生并非简单的静态拷贝，而是一个动态的交互过程。
6.自主形态：新出现的空间形态来自上述要素之间的相互作用，并以迭代方式同时创建物理与虚拟领域的孪生空间。该机制提升了空间形态的使用创造力、洞察力以及价值转化能力。
通过感知、计算、活力、基因、孪生与形态之间的动态互动，城市空间能够被视作一种智能生命体。该框架体现了向能感知、会学习并持续演化的空间的转变，同时强调城市空间形态不只是社会经济活动的结果，更是其不可分割的一部分。人、AI智能体与物理及虚拟建成环境的互动，以自组织方式生成动态空间形态，并贯穿多个维度、尺度与动态机制。
06
1）应对城市规划设计的不确定性
整合AI驱动的模型能够增强对城市规划设计中固有不确定性的模拟、预测与适应能力。通过把人类行为与多模态数据纳入模型，相关方法能提供对城市动态更细致的洞见，使规划设计者更容易形成具备弹性与适应性的策略。
例如，基于代理的模型可以用来模拟个体如何与城市空间发生互动，从而帮助预测不同规划方案可能带来的结果。这一思路承认城市系统的复杂性，并超越仅依赖静态、单一自上而下逻辑的规划方法（Batty, 2024）。
2）增强人机协作
城市形态生成中的人-AI共生正在带来新的协作方式。AI智能体能够协助编码与解码空间基因，从而加快涌现型城市空间形态的生成过程。该协作同时利用了人的优势与机器的优势：人的创造力与直觉，以及AI的计算能力与数据处理能力。
这种协作有望提升设计流程质量，使城市解决方案更具创新性与高效率。与此同时，它还能借助可供更广泛利益相关者使用的工具，将城市规划设计进一步“公众化”，让社区成员与非专业参与者也能进入讨论与共创环节（吴志强等,2021）。
3）促进可持续城市发展
通过捕捉物理、生化、社会经济与文化等维度之间的复杂互动，AI驱动的方法能够为可持续城市发展提供支持。这类方法帮助规划者与设计师创造更能回应人类需求、体现环保意识并兼顾文化敏感性的空间。例如，把环境数据纳入城市模型，有助于优化绿地布局、改善空气质量并提升资源管理效率。与此同时，对文化因素的考虑能够确保发展尊重既有遗产，并促进社会凝聚力的形成。
城市是不断运动的系统，会随不同主体的互动而在时间中持续演化。将城市形态建模为流形网络后，我们可以模拟城市环境的演化轨迹，并理解驱动其增长与转型的关键过程。基于这一思路，我们能够制定更灵活、更加适应变化条件的城市规划策略。生成式AI与城市空间形态的结合，确实具备为未来城市塑形的变革性潜力。但要把这些技术完全落到实践中，仍然有不少挑战需要面对，包括数据隐私、伦理问题以及跨学科协作的需求。仍需持续研究以完善模型、改进数据整合，并开发面向城市专业人士的可访问且可操作框架。教育与能力建设同样不可或缺，帮助规划师、设计师与政策制定者更有效地使用这些AI数字化工具。
THE END