在城市空间规划领域，人类设计师现在也能够和AI一起工作了。清华大学的研究团队提出了一种深度强化学习算法的模型，该模型基于“15分钟城市”的概念，能够进行复杂的城市空间规划。

结合人工输入，机器学习辅助土地和道路空间规划的表现超越了其他算法和专业人类设计师，在所有考虑的指标方面均提高了50%左右，且速度快了3000倍。相比于人类专家，AI代理能够生成更高效的规划方案。

相比专家，AI规划方案更高效

有效空间规划对于城市的经济活动和可持续发展十分重要。现代城市规划往往以车辆为导向，偏向于集中式功能和依赖汽车的交通方式，这样的方式不仅会造成交通拥堵，还会加剧全球气候变暖。

值得注意的是，“15分钟城市”的概念在规划新的城市社区和翻新现有社区方面越来越受欢迎。居民可以在15分钟内步行或骑行到基本服务设施，这也体现了人们对于城市社区内高空间效率布局的期待。

为了应对上述挑战，清华大学的研究团队提出了基于深度强化学习的城市规划模型，该模型能够生成城市社区的土地利用和道路布局。然而，与芯片设计和围棋等具有规则网格条件的任务相比，城市社区存在不同形式的几何形状，更具多样性和不规则性。

为解决该问题，研究团队提出了一个城市连续性图，用于描述城市几何的拓扑结构，其中城市地理元素作为节点，空间连续性作为边。图的构建允许捕捉任何形式社区的基本空间关系。因此，他们将空间规划制定为图上的顺序决策问题，并在拓扑层面上进行规划，而不是在几何层面上。

为了减小动作空间，研究人员训练了一个AI代理，该代理由一个价值网络和两个策略网络组成，通过在巨大的动作空间中进行高效的探索和利用来寻找良好的规划策略。具体而言，价值网络基于“15分钟城市”的实现情况来预测空间规划的质量，另外两个策略网络用于AI代理选择土地利用和道路的位置。通过从策略网络中采样动作并使用价值网络估计奖励，动作空间得到了大幅缩小。

为了获得城市地理元素的有效表示，研究人员又进一步开发了基于图神经网络（GNN）的状态编码器，它利用城市连续性图上的消息传递和邻居聚合，捕捉土地、道路段和交汇点之间的空间关系。这个GNN状态编码器在价值网络和策略网络之间共享，从而促进奖励预测和位置选择。最终，相比于人类专家，AI代理能够生成更高效的规划方案。

广泛的实验结果表明，在相同的初始条件和规划约束下，该方法明显优于最先进的算法和人类专家，可以将空间效率的客观指标提高48.6%以上。特别是在使用现有的真实社区作为初始条件时，该模型可以生成土地利用改造计划，将居民对各种设施的可访问性显著提高18.5%以上。

AI人类协作将显著提升工作效率

经过实验验证，人工智能与人类协作的工作流程在设计师的实践中展现出巨大的优势。这种工作流程不仅在客观规划指标方面，还在由100名专业人类设计师进行的主观盲测中都胜过了完全由人类劳动完成的工作流程，同时时间效率也提高了3000倍。

除此之外，这种模型还能够在简单的场景中获得通用的规划技巧，然后将其应用于设计不同风格的大规模复杂规划任务，例如绿色社区和服务社区。

索菲亚认为，正如研究论文所指出的那样，城市规划是一种多方面利益相关者之间复杂互动的过程，而不是一个简单的选择土地利用和道路位置的游戏。本次的框架展示了所有参与者更高程度参与的可能性，是迈向更加透明和包容城市的重要一步。这种设计模型还能够为整个城市的可持续发展贡献力量。