3、生成式设计基础：生成式设计的概念、与传统参数化设计的区别、设计空间探索、多目标优化（性能、成本、美学）的基本原理
生成式设计（Generative Design）并非一个凭空出现的概念，而是计算机辅助设计（CAD）在算力爆发时代的一次质变。如果说传统参数化设计是“设计师定义规则，计算机执行规则”，那么生成式设计则是“设计师定义目标与约束，计算机自主探索规则”。在建筑领域，这意味着设计工具从“画笔”进化为“协作者”。本章将深入剖析生成式设计的核心逻辑，厘清它与参数化设计的本质差异，并系统讲解设计空间探索与多目标优化的基本原理，为后续学习AI驱动的智能建造打下坚实的理论基础。
上图清晰地展示了从传统参数化设计到生成式设计的演进路径。传统参数化设计如同一个“精确的乐器”，设计师必须预先设定好所有演奏规则（参数关系），才能得到预期的旋律（方案）。而生成式设计更像一个“即兴演奏的AI乐队”，设计师只需给出音乐风格（目标）、乐器限制（约束）和演出时长（边界），AI便能自主创作出无数种可能。这种本质差异，决定了二者在设计流程、工具角色和最终成果上的截然不同。
3.1 核心原理：从“规则驱动”到“目标驱动”的范式转移
生成式设计的底层逻辑是“涌现”（Emergence）——即通过简单的底层规则和大量的迭代计算，产生出复杂且非预设的宏观结果。在建筑领域，其核心原理可以拆解为三个层面：表征（Representation）、评估（Evaluation）和演化（Evolution）。
- 表征层：将建筑方案转化为计算机可理解的参数化模型。这不仅是几何尺寸，还包括拓扑关系（如结构杆件的连接方式）、材料属性（如混凝土强度等级）、甚至环境数据（如日照角度）。例如，一个曲面幕墙的表征可以是控制点坐标、网格密度和曲率阈值。
- 评估层：建立量化指标来评判方案的优劣。性能指标包括结构应力、能耗模拟、自然采光系数；成本指标包括单位面积造价、施工工期估算；美学指标则相对主观，常通过曲率变化率、空间视域分析等代理指标来量化。
- 演化层：采用进化算法（如遗传算法GA、粒子群算法PSO）或强化学习（RL）在庞大的设计空间中搜索。算法通过“选择-交叉-变异”的循环，不断淘汰劣质方案，保留并组合优质方案的基因片段，从而逼近全局最优解。
这一原理的核心价值在于，它将设计师从繁琐的“如何做”中解放出来，转而专注于“做什么”和“为什么做”。设计师定义“性能最优”或“成本最低”的评判标准，AI负责生成满足标准的“意外之喜”。
3.2 与传统参数化设计的本质区别
许多从业者容易混淆参数化设计与生成式设计，甚至认为后者是前者的“升级版”。实际上，两者在哲学层面存在显著差异。下表从多个维度进行了对比：
| 对比维度 | 传统参数化设计 | 生成式设计 |
|---|---|---|
| 设计起点 | 明确的几何逻辑与规则 | 模糊的目标与约束条件 |
| 设计师角色 | 规则制定者与调参者 | 目标定义者与方案决策者 |
| 方案数量 | 有限（通常数十至数百个） | 无限（数千至数百万个） |
| 探索方向 | 局部微调，基于经验 | 全局搜索，基于算法 |
| 结果可预测性 | 高（输入输出线性相关） | 低（可能产生反直觉方案） |
| 计算依赖 | 普通工作站即可 | 需要高性能计算或云算力 |
| 典型工具 | Grasshopper（手动连电池） | Ameba、拓扑优化插件、ML引擎 |
一个典型的例子是：使用Grasshopper调整某体育场看台倾斜角度，设计师需要手动滑动滑块，观察视线分析结果变化，这是参数化设计。而使用生成式设计工具，设计师只需输入“视线无遮挡”和“混凝土用量最小化”两个目标，AI会自动尝试数百种看台坡度、排距和栏板高度的组合，最终输出一组帕累托最优解供选择。
3.3 设计空间探索：如何定义与搜索
设计空间（Design Space）是所有可能的设计变量组合所构成的多维空间。在建筑中，一个简单的矩形平面，如果长、宽、高各可变化10个离散值，那么设计空间就有10³=1000个方案。若加入幕墙分格、结构柱网、材料类型等变量，空间维度将呈指数级爆炸。因此，设计空间探索的核心挑战在于“维度灾难”。
有效的探索策略通常包含以下步骤：
- 变量筛选：通过敏感性分析，剔除对目标影响微弱的变量。例如，在结构优化中，梁高比梁宽对结构性能影响更大，可优先作为主变量。
- 空间降维：采用主成分分析（PCA）或自编码器（Autoencoder）将高维设计变量压缩至低维潜空间，在潜空间中进行搜索。
- 代理模型加速：使用Kriging模型或神经网络替代昂贵的CFD（计算流体力学）或FEA（有限元分析）仿真。每评估一个方案，代理模型的计算成本仅为真实仿真的1/1000。
- 自适应采样：初始阶段使用拉丁超立方采样（LHS）均匀覆盖空间，随着迭代深入，在目标函数值较好的区域进行局部加密采样。
实战场景：在某高层办公楼的结构优化中，设计变量包括核心筒位置（X,Y坐标）、外框柱距（8个变量）、伸臂桁架层数（3个变量）。若直接穷举，组合数超过10^12。通过引入代理模型，将每次FEA仿真时间从5分钟缩短至0.3秒，最终在2小时内完成了10万次方案评估，找到了比初始方案节省12%钢材用量的解。
3.4 多目标优化：性能、成本与美学的博弈
现实中的建筑设计几乎不存在单一最优解。降低建造成本往往牺牲结构性能，追求极致美学可能导致成本失控。多目标优化（Multi-Objective Optimization, MOO）正是解决这种冲突的数学框架。其核心概念是帕累托最优（Pareto Optimality）：当一个方案在不损害至少一个其他目标的前提下，无法进一步改善某个目标时，该方案即为帕累托最优解。所有帕累托最优解的集合构成帕累托前沿（Pareto Front）。
在建筑实践中，常用的MOO算法包括：
- NSGA-II（非支配排序遗传算法）：最经典的算法，通过快速非支配排序和拥挤度距离保持解的多样性，适用于2-3个目标的优化。
- MOPSO（多目标粒子群优化）：收敛速度快，适合连续变量优化，如曲面形态设计。
- 贝叶斯优化：适用于评估成本极高的场景（如风洞实验），通过概率代理模型高效逼近帕累托前沿。
下表展示了一个建筑立面设计的MOO案例拆解：
| 目标维度 | 量化指标 | 权重倾向 | 典型冲突 |
|---|---|---|---|
| 性能 | 能耗(kWh/m²·a)、结构应力比 | 高 | 增加遮阳板降低能耗，但增加成本 |
| 成本 | 幕墙单价(元/m²)、施工工期(天) | 中 | 复杂曲面降低美学成本，但加工费高 |
| 美学 | 曲率变化率、视域开阔度 | 中高 | 大悬挑造型美观，但结构用钢量激增 |
在NSGA-II的迭代过程中，算法会生成一个三维散点图，每个点代表一个方案，颜色代表能耗，大小代表成本。设计师通过观察帕累托前沿的“膝盖区”（Knee Region）——即边际效益最大的区域，来做出最终决策。例如，在某个文化中心设计中，前沿显示：当成本从1.2亿降至1.1亿时，能耗仅增加3%；但若继续降至1.0亿，能耗将飙升15%。此时，理性的决策是选择1.1亿成本的方案。
3.5 常见误区与总结复盘
在应用生成式设计时，初学者常陷入以下误区，需要特别警惕：
误区一：目标定义过于模糊。“让建筑更美观”无法被算法优化。必须转化为可计算的指标，如“立面曲率连续变化率不超过5%”或“主要空间视域系数≥0.7”。
误区二：忽视约束的可行性。算法可能生成结构上无法建造的悬挑或材料市场上不存在的尺寸。必须在优化前加入制造约束（如最小曲率半径、标准板材尺寸）。
误区三：过度信任AI结果。生成式设计是探索工具，不是决策工具。最终方案必须经过工程师的力学复核和建筑师的审美判断。AI提供的“最优解”可能违反消防规范或使用习惯。
总结复盘：生成式设计的本质是“人机协同”。设计师的核心竞争力不再是操作软件的熟练度，而是定义问题、构建评估体系和做出权衡决策的能力。在实际项目中，建议采用“渐进式引入”策略：先在局部构件（如幕墙分格、桁架优化）中试点，积累经验后再扩展到整体体量生成。同时，建立方案数据库，将每次优化的帕累托前沿解集存档，作为后续项目的训练数据，形成企业的专属设计智能资产。