面對日益復雜的城市系統和多元化的社會需求，傳統城市規劃方法正遭遇瓶頸。

如今，人工智能（AI）正為這個古老而重要的領域帶來顛覆性的革新。

近日，由清華大學電子工程系城市科學與計算研究中心、建筑學院與麻省理工學院（MIT）感知城市實驗室、美國東北大學等頂尖機構的學者組成的跨學科團隊，在國際前沿期刊《自然·計算科學》上發表觀點文章，首次系統性地提出了一個由大語言模型（LLM）驅動的智能城市規劃框架。

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

該框架將AI的強大計算、推理與生成能力，同人類規劃師的專業經驗與創造力深度融合，旨在將AI打造為人類的「智能規劃助手」，共同應對現代城市規劃中的復雜挑戰，為實現更高效、創新和響應迅速的城市設計流程，開啟了人機協同的新范式。

該論文第一作者為清華大學電子工程系博士生鄭瑜，通信作者為清華大學電子工程系李勇教授、清華大學建筑學院林雨銘助理教授以及美國東北大學環境工程系Qi R. Wang副教授。

合作者包括清華大學電子系的徐豐力助理教授，以及MIT感知城市實驗室的Paolo Santi研究員和Carlo Ratti教授。

城市規劃的演進與瓶頸

城市規劃的理論與實踐在不斷發展，從早期側重物理空間和美學形態的「藝術設計」，演變為二戰后將其視為復雜系統，并采用科學模型分析的「科學規劃」。

然而，這些方法在今天面臨著新的挑戰：

一方面，規劃過程仍以規劃師為中心，公眾參與的廣度和深度有限；

另一方面，規劃方案的評估往往是定性、主觀且滯后的，難以進行科學的量化決策和快速迭代。

近年來，以生成對抗網絡（GANs）和強化學習（RL）為代表的傳統AI模型開始應用于城市規劃，在生成街道網絡、功能分區等方面展現了潛力。

但這些模型通常是為特定任務設計的，知識面狹窄，難以應對現代城市規劃與日俱增的跨學科復雜性。

大語言模型（LLM）的出現，以其強大的知識整合、邏輯推理和多模態生成能力，為突破這一瓶頸帶來了歷史性機遇。

LLM驅動的城市規劃新流程

針對傳統方法的不足，研究團隊創新性地提出了一個包含概念設計（Conceptualization）、方案生成（Generation）和效果評估（Evaluation）三個核心階段的閉環框架。

該框架由大語言模型、視覺大模型（VLM）和大模型智能體（LLM Agent）協同驅動，為人類規劃師提供全流程的智能輔助。

圖1：提出的大語言模型驅動的城市規劃框架。該框架整合LLM、VLM和LLM智能體，形成「概念-生成-評估」的協同工作流

概念設計：LLM成為擁有跨學科知識的「規劃顧問」

在規劃初期，規劃師輸入需求、約束和指導方針等文本信息。

經過海量數據預訓練的LLM，能夠深度整合地理、社會、經濟等多領域知識，與規劃師進行多輪「對話」。

它不僅能提出創新性的概念想法，還能根據復雜的上下文進行推理，生成詳細的規劃描述文本和初步的空間構想草圖，極大地提升了概念設計階段的效率和深度。

圖2: 基于LLM的城市概念設計流程圖

方案生成：VLM化身「視覺設計師」，將文字轉化為藍圖

該框架利用視覺大模型（VLM）將抽象的文本概念轉化為具體的、可視化的城市設計方案。

規劃師可以通過文本指令（Prompt）精確描述規劃概念和約束條件，經過城市設計數據微調的VLM能夠生成精細的視覺輸出，如土地利用布局、建筑輪廓，甚至是逼真的三維城市場景，同時還能確保設計符合地理等現實約束。

圖3：城市方案生成示意圖

效果評估：LLM智能體構建「虛擬城市」，預演未來生活

為了對規劃方案進行科學評估，框架引入了LLM智能體進行城市動態模擬。

研究人員為智能體設定不同的人口統計學特征（如年齡、職業），讓它們在生成的虛擬城市中模擬居民的日常出行、設施使用等活動。

通過分析這些模擬行為，可以得到關于交通距離、設施使用率、碳排放、社會公平性等多維度的量化評估指標，為規劃方案的迭代優化提供科學、前瞻性的反饋。

圖4：基于LLM&VLM智能體的城市規劃效果評估方案

初見成效

AI展現超越人類專家的潛力

為驗證該框架核心能力的可行性，清華大學電子系城市科學與計算研究中心持續發布CityGPT、CityBench、 UrbanLLaVA等系列語言視覺跨模態城市大模型及UrbanWord、EmbodiedCity、AgentSociety等城市具身仿真平臺與社會模擬系統，為大模型時代的城市規劃與社會治理奠定了技術基礎。

針對LLM時代的城市規劃，研究團隊進行了一系列概念驗證實驗。

在一項測試中，研究者讓LLM回答城市規劃師專業資格考試的題目，結果顯示，最大規模的LLM在回答復雜規劃概念問題上的表現，超過了排名前10%的人類規劃師，證明了其在概念化階段的巨大潛力。

在評估階段的模擬測試中，團隊利用LLM智能體在美國紐約和芝加哥的兩個社區中模擬居民的設施訪問行為。

模擬結果顯示，智能體訪問的熱點區域與真實的居民流動數據高度吻合，證明了LLM智能體在預測規劃方案實際影響方面的準確性和有效性。

圖5：LLM生成城市規劃效果示意圖

挑戰與展望

構建人機協同的未來城市

研究團隊最后強調，這一框架并非要取代人類規劃師，而是旨在建立一種人機協同的新工作流。

在這種模式下，規劃師可以從繁瑣的數據處理和繪圖工作中解放出來，更專注于創新、倫理考量以及與各方利益相關者的溝通，而AI則負責高效地完成概念整合、方案生成和模擬評估。

同時，文章也指出了該技術路線面臨的挑戰，包括高質量城市設計數據的稀缺性、巨大的計算資源需求，以及模型中潛在的地理和社會偏見等。

未來的研究需要建立開放的數據平臺，開發更高效的專用模型，并設計公平性算法，確保AI技術能夠公平、包容地服務于所有城市環境。

我們可以期待在不久的將來，城市規劃師借助強大的AI助手，能夠更快、更好地設計出高效宜居、可持續的城市，充分釋放人類的創造力來塑造我們共同的城市家園。