2025中科院1区Top期刊|当生成式AI介入城市空间更新,核心挑战从"产出能力"转向"责任担当"|AI读文献

核心速读

论文摘要

在城市化数据持续积累和人工智能技术飞速进步的双重驱动下，生成式人工智能正逐步成为城市规划与空间更新的关键支撑手段。本文聚焦空间更新规划，系统梳理GenAI在生成城市改造、灾害后重建、土地再利用以及韧性增强等规划方案方面的应用路径。

研究指出，GenAI虽然能够克服传统规划模型在复杂性处理、尺度关联和方案多样性等方面的短板，但同时也引发若干核心议题：规划问题是否得到恰当定义？训练数据是否存在历史空间偏见？模型输出是否遵循规划准则？公众与利益方如何有效参与？模型影响如何开展评估？

研究者据此认为，未来GenAI在空间更新规划中的应用，必须以规划理论与伦理准绳为根基，将公正、公开、可理解、协同治理和可持续发展原则贯穿模型全生命周期。

文章回应了哪些问题？

本文并非简单探讨"AI能否胜任规划工作"，而是进一步深入探讨：

AI输出的规划方案，是否具备公共价值？

传统AI规划研究通常侧重算法性能，如生成效果是否逼真、模型是否收敛、空间布局是否优化。但城市规划绝非纯粹的技术命题，还牵涉土地权益、社会公正、生态风险、灾后重建、公众参与及长期治理等多重维度。

因此，文章的核心贡献在于：将GenAI从单纯的"技术工具"重新置于"规划体制、空间伦理与社会决策"的框架内加以审视。

核心要点一：GenAI可拓展空间更新规划的情景生成能力

空间更新规划应对的是高度复杂的城市挑战，涵盖旧城改造、灾后重建、土地再开发、设施优化、气候适应及社区韧性建设等多元领域。

传统手段如元胞自动机、土地利用交通模型、GIS多准则评估等，虽能实现空间模拟，但在多尺度关联、非线性演化及多方案生成方面仍面临制约。

GenAI的独特价值在于能够融合多源空间数据，生成多个可对照的规划备选方案，助力规划者预判不同土地利用组合、空间形态和政策导向下的可能结果。

核心要点二：最大隐患并非"模型偏差"，而是"模型固化不公"

文章着重指出，城市空间数据并非客观中立的存在。

历史土地利用模式、住房空间分布、基础设施投资方向、灾后重建历程及社区环境状况，往往已承载着长期积累的空间失衡。若模型直接习得这些数据，生成结果可能持续倾向资本集聚区、设施优越区或治理成熟区。

因此，GenAI应用于城市规划时，不能仅追求生成效果的逼真度，还必须识别数据背后的社会结构与制度偏差。

核心要点三：规划理论需融入AI建模全流程

研究者提出，规划理论不应停留在学术探讨层面，而应深入模型构建实践。

具体而言：

公正规划可转化为空间公平指标、住房可负担性指标及公共服务可达性约束。

协作规划要求模型输出具备可解释性，并支撑公众参与和多主体协商。

渐进规划可对应持续学习、动态更新和情景迭代机制。

韧性规划可通过灾害风险、恢复能力和长期适应性指标进入模型评估体系。

这意味着，未来的规划AI不应只是"数据驱动"，还应是"理论引导"和"价值约束"的智能系统。

核心要点四：从技术路径看，文章提出五个方向

前瞻启示

本文对城市规划研究的未来发展具有鲜明启发。

首先，生成式AI将推动规划从"单一最优方案"迈向"多情景比较与协商决策"。

其次，规划从业者的角色不会被轻易取代，反而更需要评判模型假设、解释模型输出、协调公共价值及识别潜在风险。

再次，AI规划研究需要从"算法创新"走向"算法、制度、伦理和公众参与"的整合框架。

最后，面向城市更新、灾后重建和气候适应的GenAI系统，未来应重点服务资源匮乏社区，而非加剧空间发展失衡。

一句话总结

本文的价值在于警示我们：生成式AI进入城市规划之后，至关重要的并非生成多少方案，而是这些方案是否公正、透明、可解释，并能够回应真实城市中的公共利益诉求。

原文信息

论文题目：Generative AI for spatial regeneration planning: Integrating urban planning theories and ethics

作者：Yan Wang, Yanjie Fu, Ward Lyles

期刊：Computers, Environment and Urban Systems

发表时间：2026年，Volume 124，Article 102380

文章类型：Review

DOI：10.1016/j.compenvurbsys.2025.102380