AI智能规划助手：大语言模型引领城市规划革命

清华大学与MIT等顶尖机构联手推出“大语言模型+规划师”创新框架，AI作为智能助手全程参与，从需求沟通、蓝图设计到虚拟居民模拟预演，使城市规划流程更高效、科学。实验数据显示，AI在专业测试中已能超越90%的人类规划师，未来人机将优势互补，共同塑造更宜居、更公平的城市空间。

面对城市系统日益复杂化及社会需求多元化的挑战，传统城市规划方法正面临效率低下、公众参与不足等瓶颈。

如今，人工智能（AI）技术为这一古老领域注入了革命性动力，推动规划模式向智能化、协同化转型。

近期，由清华大学电子工程系城市科学与计算研究中心、建筑学院及麻省理工学院（MIT）感知城市实验室、美国东北大学等跨学科团队，在国际权威期刊《自然·计算科学》上发表前瞻性文章，首次系统阐述了一个基于大语言模型（LLM）的智能城市规划框架。

论文链接：https://www.nature.com/articles/s43588-025-00846-1

该框架深度融合AI的强大计算、逻辑推理与内容生成能力，以及人类规划师的专业经验与创造性思维，旨在将AI打造为“智能规划伙伴”，共同应对现代城市设计中的多维挑战，开启高效、创新、响应迅速的人机协同规划新纪元。

该论文第一作者为清华大学电子工程系博士生郑瑜，通信作者为清华大学电子工程系李勇教授、清华大学建筑学院林雨铭助理教授以及美国东北大学环境工程系Qi R. Wang副教授。

合作者包括清华大学电子系的徐丰力助理教授，以及MIT感知城市实验室的Paolo Santi研究员和Carlo Ratti教授。

城市规划的演进与瓶颈

城市规划理论与实践历经演变，从早期注重物理形态与美学的“艺术导向”，发展为二战后视城市为复杂系统、采用科学模型分析的“系统规划”。

然而，当前方法仍存在显著局限：一方面，规划过程以专家为中心，公众参与广度与深度不足；另一方面，方案评估多依赖定性、主观判断，缺乏科学量化与快速迭代机制。

近年来，生成对抗网络（GANs）和强化学习（RL）等传统AI模型已应用于街道网络生成、功能分区优化等任务，但这些模型通常专用于特定场景，知识覆盖面窄，难以适应跨学科、高复杂性的现代城市规划需求。

大语言模型（LLM）的崛起，凭借其卓越的知识整合、逻辑推理及多模态生成能力，为突破这些瓶颈提供了历史性机遇。

LLM驱动的城市规划新流程

针对传统不足，研究团队创新提出一个涵盖概念设计、方案生成与效果评估三大核心阶段的闭环框架。

该框架由大语言模型、视觉大模型（VLM）及大模型智能体（LLM Agent）协同驱动，为人类规划师提供全流程智能化支持。

图1：提出的大语言模型驱动的城市规划框架

概念设计：LLM成为拥有跨学科知识的「规划顾问」

在规划初期，规划师输入需求、约束与指导方针等文本信息。

经过海量数据预训练的LLM，能够深度融合地理、社会、经济等多领域知识，与规划师进行多轮深度“对话”。

它不仅能提出创新性概念构想，还能基于复杂上下文进行逻辑推理，生成详尽的规划描述文本与初步空间草图，显著提升概念设计阶段的效率与深度。

图2: 基于LLM的城市概念设计流程图

方案生成：VLM化身「视觉设计师」，将文字转化为蓝图

该框架利用视觉大模型（VLM）将抽象文本概念转化为具体、可视化的城市设计方案。

规划师可通过文本指令精确描述规划概念与约束条件，经过城市设计数据微调的VLM能够生成精细的视觉输出，如土地利用布局、建筑轮廓乃至逼真三维城市场景，同时确保设计符合地理环境等现实约束。

图3：城市方案生成示意图

效果评估：LLM智能体构建「虚拟城市」，预演未来生活

为科学评估规划方案，框架引入LLM智能体进行城市动态模拟。

研究人员为智能体设定不同人口统计学特征（如年龄、职业），让它们在生成的虚拟城市中模拟居民日常出行、设施使用等活动。

通过分析这些模拟行为，可获取交通距离、设施使用率、碳排放、社会公平性等多维度量化指标，为方案迭代优化提供前瞻性、数据驱动的反馈。

图4：基于LLM&VLM智能体的城市规划效果评估方案

初见成效，AI展现超越人类专家的潜力

为验证框架核心能力，清华大学电子系城市科学与计算研究中心持续发布CityGPT、CityBench、UrbanLLaVA等系列语言视觉跨模态城市大模型，以及UrbanWord、EmbodiedCity、AgentSociety等城市具身仿真与社会模拟系统，为大模型时代的城市规划与社会治理奠定技术基础。

在概念验证实验中，研究团队进行了一系列测试。

一项关键测试中，LLM回答了城市规划师专业资格考试题目，结果显示，最大规模LLM在复杂规划概念问题上的表现超越了排名前10%的人类规划师，证明了其在概念化阶段的巨大潜力。

在评估阶段模拟测试中，团队利用LLM智能体在美国纽约和芝加哥的两个社区模拟居民设施访问行为。

模拟结果显示，智能体访问的热点区域与真实居民流动数据高度吻合，验证了LLM智能体在预测规划方案实际影响方面的准确性与有效性。

图5：LLM生成城市规划效果示意图

挑战与展望，构建人机协同的未来城市

研究团队强调，该框架旨在建立人机协同新工作流，而非取代人类规划师。

在此模式下，规划师可从繁琐数据处理与绘图中解放，更专注于创新构思、伦理考量及利益相关者沟通；AI则负责高效完成概念整合、方案生成与模拟评估。

同时，文章指出技术路线面临挑战，包括高质量城市设计数据稀缺、巨大计算资源需求，以及模型中潜在的地理与社会偏见等。

未来研究需建立开放数据平台，开发高效专用模型，并设计公平性算法，确保AI技术公平、包容地服务所有城市环境。

展望未来，城市规划师借助强大AI助手，将能更快速、更科学地设计出高效宜居、可持续的城市，充分释放人类创造力，共同塑造更美好的城市家园。

参考资料

https://www.nature.com/articles/s43588-025-00846-1