北京规划建设 | 田莉：“知识+AI”驱动下的规划赋能

由cityif与《北京规划建设》期刊联合推出的专栏【北京规划建设】，旨在实践新媒体与传统媒体的融合。自1987年创刊以来，一直以＂理性成就个性、高度成就深度＂为办刊理念。一本表面上看似纯技术的期刊，实际牵涉政治、经济、社会、文化的所有大问题。为人，是我们的唯一目的。

嘉宾：田 莉

清华大学建筑学院教授、土地利用与住房政策研究中心主任，自然资源部智慧人居环境与空间规划治理创新中心主任

记者：文爱平

记  者

城市是典型的复杂性系统，涉及的维度既包括人，又包括自然环境、社会经济等多个子系统的深度耦合，可以称为“叠加在复杂系统上的深度复杂系统”。超大城市系统的复杂性更进一步，是各类复杂问题在同一环境下的“空间耦合”。从复杂性系统视角认识城市，既需要技术问题的思考，更需要思考复杂背后系统整体的综合协同性问题。

城市复杂系统的子系统包括住房、土地利用、交通、基础设施、城市治理等，影响因素特别多。复杂系统一个典型的特征是无法用还原论来解释。城市研究不同于自然科学，例如一个典型的科学实验中，声、光、电、湿度、温度等条件是可控的，在这样的情况下，实验是可以重复的。但城市政策出台和执行，效果好不好，没办法再重复，也没有办法寻找到非常明确的因果关系。

城市的复杂性主要体现在三个维度。

一是多尺度。从城市到片区、街区、社区、再到建筑，每个空间尺度上关注的问题都不一样。如通勤，主要是在城市尺度上关注，微观尺度上关注较少。

二是多主体。如城市更新中不同维度的主体包括政府、市场和社会三方面。政府主要进行政策引导，对于政府来说，政府整体、各部门、官员个体既有利益一致的部分，也有各自的发展需求；对于市场主体来说，主要包括开发商和投资商，主要诉求是实现成本收益最大化；对于土地原业主和原产权人来说，主要包括生存利益和财产两部分，其中财产利益更为复杂。

三是多目标。随着社会经济的发展，多元主体差异化诉求带来的价值冲突，经济、文化、生态、社会等多种目标的平衡成为空间规划治理关注的重点。

记  者

复杂系统的特点，要求城市保持一定程度的开放性。

首先，城市是多元性、复杂性的。出台某个政策不一定就能达到相应目标，或者达到了目标，但可能又会产生其他问题，如保障性住房问题，简单的数量增加如果不考虑空间区位的话，难以成为有效供应，还导致通勤问题等。

其次，城市不能用还原论解释，是非线性的；也不是简单的因果关系，各种要素耦合在一起。城市是一个复杂的自组织系统。微观主体如人群等有自己的规律，在城市层面难以自上而下掌握。由于人类现阶段认知的局限性，我们不可能对复杂系统有一个全面的认知。我们需要了解复杂系统潜藏于海面下深层部分的特质，也就是“隐藏的秩序”是目前的技术手段与认知无法到达的领域，为此，必须避免“理性的自负”和“盲目的科学主义”。

保持开放性，类似中国古代哲学中老子的无为而治，强调要减少过度干预。比如，上位规划要直接规定好下位规划的所有细节，这就是开放性缺乏的表现。试图以上帝视角来控制所有要素，其实是非常难的，会带来很多问题。国家层面、城市政府层面，该管的部分，如底线安全、韧性等非常重要，而在经济活动和日常行动当中，要保留空间，尊重本地居民的智慧，这就是开放性。例如，城市中有很多非正规空间，如城中村等，在城市里需要快递小哥、保洁员等各种服务人群，但又没法提供足够的保障性住房的情况下，城中村就有积极意义，客观上提供了保障性住房的功能，提供了低成本的住房空间、产业空间。如果城中村都认定位违法而予以拆除，中低收入群体就难以找到合适的居住空间，这就要求对非正规空间要有一定的包容性。例如，深圳之前城中村改造，大量拆除后发现有很多问题，低成本住房的消失给新市民带来很多问题，后来保留了55个城中村不再拆除而进行环境整治与质量提升。这是一种思维的转变，由“拆”变“治”，从拆除转向赋能，落实有机更新理念，通过微改造的绣花功夫，实现城中城可持续的全面发展。在城市管理中，采用什么态度去看这些问题很重要。

现实中城市规划治理没有那么多黑白分明的东西，除了水源保护区、历史文化保护区这些有很清楚的界限外，对非正规空间稍微包容一些，可根据当时所处的环境，在政策制定时，把底线管控好，但不要一杆子插到底，保持一定的弹性，保持一种敬畏，要相信老百姓自有其智慧。这样既相对比较有序，又能够保持民间的活力、社会经济的活力，对城市的长远发展是好的。

记  者

AI技术的迅速发展提供了前所未有的强大算力，可以在节约大量人力物力成本的同时大幅提高治理精细化程度，可广泛应用于数据搜集与分析、问题监控与识别、政策演化模拟、实时优化与决策等。例如，自然资源部智慧人居环境与空间规划治理创新中心副主任、清华大学电子工程系李勇教授团队研发了基于多模态大模型的城市场景生成技术，通过智能的数据预处理、分步的语义与高度场生成技术，以及多模态感知导向的渲染策略，为城市3D建模领域提供了全自动化的解决方案，生成典型城市三维场景的时间缩短到3分钟，显著推进了城市场景数字化的前沿技术发展，可以快速为城市规划设计提供需要的信息。

AI的颠覆性来自其对海量数据的学习与分析能力。随着多个千万级数据量的预训练大模型问世，训练数据集的体量和质量有了飞跃性的提升，带来生成内容的快速进步。原有的人工智能更多的是针对当下的认知判断，相比较之下，生成式人工智能不再止步于模仿有限的训练内容，而是可以达到甚至在某些方面超越人类的创造力。在城市规划领域，可以支持城市数据和信息的转换、方案的自动生成、模型的快速创建等。

但同时，现阶段AI应用也存在很多的局限，如数据本身的局限、长时误差的累积和模型以外复杂因素难以预测等，需根据研究需要谨慎选择应用。

记  者

我们对智慧人居环境复杂性系统进行解构与剖析，在此基础上建构了智慧人居环境的“冰山模型”。结合人居环境复杂系统认知的国内实践经验，智慧人居可以分成三个阶段。

智慧人居1.0阶段，可视化为主，重视时空、数据的收集和整合、底图构建，为数字化版本。通过计算机辅助信息统计与可视化，解决传统分析方法统计能力不足的问题。如自然资源、土地、房屋、道路交通、市政设施数据、开源大数据等的收集、整合与信息平台的构建，都属于智慧人居环境“冰山模型”裸露在海面上的表层部分。

智慧人居2.0阶段，分析监测预警为主，侧重于问题识别与预警监测，解决大量数据难以测度的“深层次问题”。利用大数据分析乃至机器学习等手段建构自然资源、土地、房屋、市政设施管理知识图谱和预警评估指标体系，确定交通、基础设施、消防安全等适用的阈值范围。为管理者提供“用数据说话”的辅助决策支持，推动经验决策向数据决策转变，称为智能化版本。如地下渗水的监测，类似今年5·1梅大高速路面塌方灾害，如果有有效的监测手段就可以预防悲剧的发生，这些属于在防灾领域的直接应用，属于对物理空间的监控。然而并不适用于社会经济系统。比如经济下行，怎么可以预警？预警有何意义？3.0版本是一个复杂系统，需要把社会经济耦合起来，在专业模型的支撑下，场景定制化，进行模拟推演和决策支撑。因此，需要开发“知识+AI”双驱动的人工智能辅助决策模型，形成低门槛、高通用性的实践方案。

智慧人居3.0阶段，对复杂系统应用各种模型实现个体行为仿真，其特点是规划决策支持与多元共治，此阶段是实现由“数字化”到“智能化”与“智慧化”质的飞跃的重要阶段。就目前的发展阶段而言，部分位于海平面之上，是经过多年的专业实践探索掌握其运行规律的区域，另外的部分位于海平面之下，是对复杂性系统正在探索但尚未掌握其规律的领域。对决策者自上而下的宏观决策而言，可以借助专业模型，如系统动力学、复杂系统演化、空间递进均衡模型等，分析政府干预对人居环境可能产生的影响，如土地利用政策变化对住房、交通、环境等影响的模拟仿真，进行智慧决策辅助，实现由数据决策到科学决策的转型，称之为智慧化版本。如租赁住房选址，提出“三毗邻”原则，但仍然是基于自上而下的专业视角提供的经验决策方案，而在人工智能强大算力的支撑下，与专业模型、人群时空移动轨迹等有效结合，实时提供动态的可视化方案，并自动化生成关键评价指标，提供给政府辅助决策。

智慧城市中的规划治理可借鉴人工智能的手段，但专业知识的主导作用不言而喻。生成式人工智能没有专业人员的指导，是难以满足实际场景需求的。例如，自2007年Grasshopper开发以来，不断有生成式设计的迭代更新。然而，如果没有场景的设定，再先进的算法也无意义。例如，以15分钟生活圈内公共服务设施距离最近，可以产生一个小区的数千个方案，但是城市规划当中不存在单一维度的目标。城市是复杂系统，是多目标的，既要优化公共服务设施可达性，还要经济，要宜居，这些目标的优先级如何，在何种场景下何种目标优先，同时需兼顾其他目标，目前的人工智能还未达到此种程度的“智慧”，所以一定要由专业知识主导，而人工智能可以起到很好的辅助作用。

总之，智慧人居1.0到3.0阶段背后所体现的数字治理、计算治理和智慧治理逻辑可以看作是一种递进的发展关系，每一种治理模式都是在前一种治理模式基础之上的发展和完善。

记  者

我觉得这种说法其实是对城市复杂性的无知，因为城市规划不是一个简单的单一维度可以实现的目标。

随着信息技术的发展，尤其是ChatGPT等生成式AI的出现，其强大的语言、数据与分析能力令人叹为观止，以至于出现了其堪与“产业革命”媲美的讨论。但我们必须对技术作用无限夸大的“信息技术替代专业”的唯“科学主义”保持警惕。“科学主义”相信自然科学技术可以解决一切问题，把自然科学当作哲学的标准，无视城市复杂的社会、经济与文化内涵。经济学家哈耶克曾指出，自然科学取得的长足进展都是在规律的发现受极少变量影响的领域，而其会给人类造成错觉，自己的能力正在无止境地增长，这会诱使人们不但试图主宰自然环境，甚至想主宰人类环境，这是“致命的自负”。我们需要根据人居环境的不同层次，展开解剖式的层层剖析，才能对智慧技术的作用与局限性达成尽可能接近“实相”的认识，使其既可以“为我所用”，又不会“为其奴役”。

解构人居环境的各个层次与各个子系统，我们建构了“冰山模型”。位于海平面之上的是人工建成环境与自然生态环境，其特征相对比较容易感知和测度，挑战主要来自于庞大数据的收集、分析与时间成本。位于冰山之下的则是社会、经济、文化等系统，虽然有些特征可以实现延后测度与感知，但由于主体的复杂性，另一些特征则难以测度和感知。对位于海平面下深层次的人类尚未认识和理解的作用机制，必须秉持开放的心态，尊重自发秩序，减少过多干预，从而去认识人居环境的本质和实相。

随着复杂性系统研究的不断演进和发展，人们正逐步从“简单性范式”走向“复杂性范式”，这既体现在观念和研究问题上，也体现在研究方法和技术手段上。信息技术的发展使人们可以拥有更加强大的算力去统计和分析原来难以处理的庞大数据或超长周期的问题，并将这些问题应用于实际决策之中。然而，从认识论的层次来说，是否因此更加“认清了或洞悉了”世界的样貌却并不确定，对复杂性认识的理解越深刻，会发现可以认清或精确衡量的内容就越有限，难以概括或理解的未知就越多。正是这种复杂性系统视域下的哲学思考，帮助人们远离实践中的“唯科学主义”和“唯经验主义”，正视技术的作用与局限性，谨慎、客观地面对未知和隐含的复杂性。

AI提供了一种全新的支持工具和方法：一方面，能够更高效地制定方案、生成设计图纸，其极高的生成效率既可以生成多设计方案进行比选，帮助规划师选取最优解；另一方面，可以在设计前期多方向同步推进，帮助规划师扩散思维，从中探索多种可能性。人工智能的最大优势之一在于其自我学习和自适应性。从理论上讲，AI 能够模仿一些人类思维过程，尤其是在处理大规模数据、执行重复任务和进行逻辑推理方面。但AI的思考是基于数学和算法的，与规划师的思维方式存在很大的差异。AI可以通过训练和学习来模仿某些人类决策过程。但AI的决策通常是基于统计和概率的，这也与规划师的决策思维方式存在差异。

现阶段下，AI不具备情感、道德判断力和创造性思维，而这些是规划师思考和决策的重要组成部分，所以，AI仍然是作为对空间规划治理工作的重要补充而非替代规划师。

记  者

生成式算法是AI的强项，智慧人居创新中心中的清华电子工程系团队研发了国际先进的生成式算法，可以对群体时空移动的轨迹进行扩样。比如说拿到北京100万人的手机信令相关的时空移动数据，就可以通过算法扩样到全北京的2300万人，而且准确率非常高。全样本的群体移动时空轨迹很大程度上弥补了专业部门业务数据的不足，提供了自下而上的人群信息。

规划决策可大致分为自上而下的政府视角和自下而上居民视角两种。如在北京租赁住房发展系统决策中提出的“三毗邻”原则：毗邻就业岗位、毗邻公交站点、毗邻城市功能区，主要是自上而下的视角，具有一定的合理性，但需要自下而上视角的补充。

由于空间规划治理的复杂性，决策者在面临复杂的城市问题时，很容易“按下葫芦浮起瓢”，如建设强度过高可能引发环境负面影响，住房布局不当可能引发职住失衡等，但这种影响的阈值确定难以根据经验判断直接获取，非常需要借助复杂系统模型。而生成式人工智能的优势，可以模拟全样本的时空移动，也就可以转化为通勤等关键的技术指标。通过专业模型进行通勤预测与生成式人工智能方法有很大的差别。之前，要做大量的OD调查，依赖各种专业模型，但生成式AI可以根据人的年龄、收入、行为模式，把微观主体的时空移动模拟出来，扩样到其他城市去，而且扩样的准确率很高。这就是通用型大模型的一个特点，对我们的专业模型是一个很大的补充。

在这个项目中，我们团队将社会生态系统SES治理模型与SD模型相结合，定量模拟城市租赁住房系统的动态演化趋势，并建构了租赁住房建设的“成本-收益”分析框架，模拟住房系统收益变量（商品房价格、租赁住房租金、房租收入比、租赁住宅供求比等）和成本变量（如政府投资、市场投资和社会投资等）的未来变化，将低成本－高收益的情景认定为最佳情景，为城市住房系统政策调控提供决策依据。此外，在租赁住房布局引发的职住平衡的影响模拟上，则采用空间递进均衡模型模拟。专业模型外接到我们中心开发的“北京土地利用与住房规划辅助决策支持平台”上，可为决策者提供深度支持。

专业知识怎样和 AI结合？在超大城市城中村改造规划平台中，我们首先要设定规划目标。北京城中村改造的目标设定了三个：一是拉动投资；二是改善民生，能不能增加住房供应和短缺的公共服务设施？三是优化结构，其中主要的一个参数就是减少通勤距离。在设定好规划目标后，再把相关前提条件设定好，由AI去运行，然后生成方案，同时根据设定的指标体系，对多方案进行评估，确定优化方案。AI选完后，我们再凭自己的专业经验和专业知识来判断。因为现在 AI还没有那么聪明，所以很大程度上是起到规划决策支撑的作用，不能替代规划师做决策。其优势就是自下而上地对复杂系统的模拟。

以往的复杂模型如元胞自动机CA，是把城市画成了一个个小格子，假设小格子里面住的都是同一类人，比如说低收入群体，设定好规则，当房租涨的时候，就往租金更低的地方搬迁。规则设定后，就可以用来模拟空间变化。生成式人工智能出现以后，它的模拟精度远高于 CA，如CA的空间单元是100m×100m，一万平方米大小的一个格子里面，假设人都是一样的。而生成式 AI则不会将这些人视为同一类人群，而是一个个不同的人，模拟的精细化程度会高很多，同时，可以进行分钟级的方案生成，可视化程度非常高，因此便于实时决策。

当然专业模型也非常重要。我们在做北京城中村改造的时候，就秉承专业知识先行的原则，比如哪些城中村不能改，哪些是历史文化名村不能动，哪些是一定要搬迁的。如果不给约定边界的话，人工智能即使出再多的方案也是没有意义的。所以用生成式AI辅助北京城中村改造规划决策，先需划定边界条件，明确规划目标和指标体系，之后再进行模拟。生成式人工智能的强项是可以快速地模拟多方案，并根据评价系统自行评价和优选，这是超越人脑子的经验决策能力的。因为我们在做复杂系统决策的时候，系统一大，数据一多，就很难准确地预判。在这种情况下，生成式AI可以在很大程度上对规划师进行支持和辅助。

记  者

北京城中村改造“智能模拟器”主要通过目标情景设定、智能规划模拟、方案绩效评估、规划治理决策、多元协同优化，进行宏观微观耦合的“政策-空间-行为”，实现决策智能化、精准化与直观化，达到全流程决策辅助的作用。

在城中村改造模拟器中，将北京目前的城中村分布和各类资源情况作为基础底图，并依照不同的发展目标，进行推演和方案比较。在方案生成后，可进行改造方案的信息统计和效果评估。

模拟器首先对目标情景进行设定，主要是对改造的外部环境、政策背景和发展目标进行设计，为后续的AI方案生成作为基础参照。在设置完各类参数后，即可开始方案推演，将用地转化成城市POI的变化和人口分布的变化，随后带入城市模拟器的框架中进行新状态下的职住平衡等指标的测算。在完成初始方案生成后，可建立多目标优化评估，完成各类不同发展目标的方案比较。

在完成情景设置-规划生成-方案迭代-多目标比较的流程后，模型可以接入此前我们团队开发的城市更新多元协商平台中，进行更加细化的需求评估和协商决策，大大提高改造实践的沟通效率。

由于这一方案的基底是开放的模型框架，因此在未来可以根据发展需求，接入不同的政策需求框架中，进行政策设计-方案制定-结果推演-多目标协同辅助决策流程，实现真正的AI赋能规划“智能模拟器”。

记  者

因复杂系统具有开放交互性、整体涌现性、循环迭代性等特征，仅依靠政府和规划师难以做出适应城市复杂系统管理的决策，而必须保持开放性，尽可能让利益主体参与城市空间规划治理过程。如针对城市更新中利益多元化和破碎化的困境，清华大学建筑学院土地利用与住房政策研究中心开发了“城市更新多元主体利益协商治理平台”，强调“多元共治”在空间规划治理中的应用。平台包括城中村和老旧小区改造两个部分。协商治理平台由“PC电脑端+APP手机端”组成，包含改造需求调查、企业参与、规划设计、建设实施等阶段的线上流程式协商框架。使用主体包括居民(村民)、居委会(村集体)、开发商、政府和第三方组织，其中，政府、开发商、第三方组织以PC电脑端为主，APP手机端为辅，居民(村民)、居委会(村集体) 以APP手机端为主。协商治理平台运用技术手段收集、处理和分析数据和信息，将相对复杂的博弈流程转化为“线上+线下”相结合，对于提高协商效率、优化改造流程、促进多方利益诉求的充分表达、参与式规划设计和空间治理具有重要意义。平台研发后在广州和北京的城中村及老旧小区改造中得到初步应用。

记  者

“智能模拟器”未来在算法数据、与专业知识的结合、模拟精准度等方面仍有大量提升空间。

在AI和专业模型的结合上，从具体案例来看，我们之前做城中村改造就知道，做短期预测可以，长期的模拟推演做不了，因为生成式AI要预测这1年的时空移动轨迹是比较准的。如果预测5年以后，误差就会特别特别大。目前来看，专业模型都有这个问题，所有的长期推演都是建立在过去的基础之上，假设过去5年是这样，那未来5年还按照这个趋势，这与事实可能不符。事实上，过去的数据不一定能支撑未来决策，如快速城镇化时期的经验推广到当前阶段可能反而带来负面作用，所以只能是决策辅助。

但生成式AI确实在方案的实时生成上是很强大的，如公众参与规划。今年我们在教学上做了一个大的改革，把生成式人工智能引入教学流程中。以前师傅带徒弟的模式，手抓手地教，已持续了六七十年，主要依靠老师的经验来主导。我们在做住区规划时，如果按之前的教学模式，就是让学生去实地调研，去访谈，效率比较低，这次教改把大语言模型引入到了第一阶段，即前期调研访谈。比如说清河街道里面的某个社区，我们依照“七普”数据，根据居民的年龄、身份、受教育程度等，选择一些特别典型的访谈对象，大概50-100个智能体，然后他们对小区的规划设计提出自己的想法，如道路开口、建筑风格、公共服务设施布局等。其实就是虚拟人，但这虚拟人是建立在真实的人口普查基础上的，这样学生去现场调研时，可以帮助了解社区里的人都想要什么，在这点上学生反馈收获挺大的。原来是主观拍脑袋，以学生的生活经验，不到20岁的他们去猜六七十岁的居民需要什么，也猜不出来，于是我们用大语言模型开发了规划会客厅，在里面，你可以跟各种各样的人聊天：50-100个居民、一两个开发商、两个政府官员、两个街道规划师，碰到问题你就跟他们聊。当然，老师会提供一个问题库。这次前期调研就是通过这种手段来解决对于场地人群需求了解不足的问题，然后方案生成，中间我们也找了一些参数化设计来支撑到最后的评估阶段。总共三个阶段：前期调研阶段、中期方案生成阶段和方案评估阶段。以前的评估主要是经验判断，现在不光有老师评，也让你原来设定的50-100个智能体来评估，再自动生成一个分数。我希望将来把教师经验和这些评分结合起来。

记  者

近年来，人工智能的进步为城市规划者带来了新的机遇。通过利用人工智能算法和数据分析技术，规划者可以更深入地了解构成现代城市的复杂系统，如土地使用和交通。人工智能可以帮助传统城市规划做出更明智的决定，并帮助解决传统城市规划方法的一些局限性。如人工智能可以让规划者以近乎实时的方式快速有效地处理大量地理空间和社交数据。此外，人工智能还可以帮助识别使用传统方法可能难以或不可能检测到的模式和趋势。

但人家也许会问，你用了AI来辅助规划决策，那么它的有效性到底是多少？复杂系统有些方面其实是很难模拟，很难确定它的精度，也很难全面验证的，但算法是可以验证的。比如我前面提到的时空移动轨迹的扩样，从100万人扩样到全北京城的2300万人，准确性相当高，它的有效性是可以进行验证的。城市中，成本收益的指标怎样变化，通勤是可以验证的，社会经济指标的可验证性是个难点。所以可验证的部分和不可验证的部分要分清楚，可验证的，多属于物理空间，社会经济的部分就不好验证，因为无法重复。不管用哪种方法，专家经验也好，专业模型也好，验证起来都很困难。所以我们对AI不能过高期待，到最后起决定作用的还是人的智慧。

记  者

生成式人工智能引发的教育变革，变的是教学模式、学习方式、评价方式和教育理念，生成式人工智能有利于实现师-生-机三元教学模式，推动个性化学习，将教育引向多元化评价和注重高阶能力的育人理念。

为更好地发挥新一代人工智能技术的潜力，为工作环节赋能增效，各规划单位对新一代人工智能技术的平台化、集成式部署与风格化训练必然有长足发展，有望催生横跨规划设计与计算机领域的新兴技术人才需求，这也必然会对学科教育提出深入改革的要求。所以需要跨学科合作。我一直强调“专业知识+数据智能”双驱动，应该是专业知识主导，人工智能支撑。目前我们跟清华电子工程系合作比较多，互相学习。我们借鉴他们的信息化技术水平，可是如果没有专业知识主导的话，AI生成的东西就没有价值，因为城市很复杂，提供什么样的限定条件非常关键，但没有必要说我们城市规划系的老师学生非得去学算法，或者电子工程系的要来学我们的规划知识，其实就是要学科交叉。要在做中学，跨专业互相学习。

现在规划编制、研究模式，在一定程度上已有很大提升，我们应主动迈向跨学科的研究范式，以更开放的心态去拥抱学科间的知识体系交叉，以更包容共进的模式完成新旧技术的优势互补与融合，这样行业水平才能逐步提升，城市规划学科才能整体进步。