于江浩，田莉丨超大城市更新规划中的AI赋能：多目标决策支持技术的创新与实践

知自然

作者

超大城市更新规划中的AI赋能：多目标决策支持技术的创新与实践

AI Empowerment in Urban Renewal Planning: Innovation and Practice of Multi-Objective Decision Support Technology

于江浩，田莉*

YU Jianghao, TIAN Li*

微信号：ziranziyuan1
更多资料，添加微信
复制微信号

摘要：超大城市更新规划存在“多主体诉求博弈、多维度目标冲突、多尺度利益复合”的挑战，传统经验主导的城市更新规划决策难以及时、有效应对诸多复杂需求。近年来，生成式人工智能与深度强化学习等的迅猛发展，推动了从经验驱动向“数据+知识”双轮驱动转型。基于这一背景，本文构建了“场景感知—智能推演—协同决策”的AI赋能城市更新决策支持框架，以北京超大城市城中村改造为例，重点探讨了AI技术在大规模多目标动态优化中的应用，展示了AI技术在城市更新复杂决策中的巨大潜力。最后，探讨了AI赋能城市更新规划的应用前景与技术局限。

关键词：城市更新，生成式人工智能，多目标决策，超大城市，城中村改造

0 引言

“十四五”时期，城市更新上升为国家战略。党的二十大报告提出“加快转变超大特大城市发展方式，实施城市更新行动”，2024年二十届三中全会进一步要求“建立可持续的城市更新模式”。在此背景下，探索以人民为中心的城市更新路径，推动城市发展方式向高质量转型，已成为新时代城乡建设领域的核心命题^[1^]。

超大城市更新作为复杂系统问题，承载着多维使命：既要破解物质空间层面的建成环境衰退、基础设施滞后、用地效率不足等问题，更要承担经济增长、社会公平、历史文脉延续等深层次发展使命^[2^]。在经济增长转型、房地产市场震荡、要素成本增长的多重压力下^[3^]，以专家经验为主导的传统规划决策模式显现出一系列系统性缺陷：经验主导的定性分析的创新性与决策精细度不足，静态、滞后的决策框架无法应对动态变化的外部诉求，最终陷入“头痛医头”的碎片化治理困局^[4^]。为应对上述挑战，国内外专家开展了一系列城市更新多目标优化探索。早期以整合专家知识的定性优化框架^[5-8^]和基于运筹学方法的简单线性优化为主^[9-10^]，易受到主观经验的偏差，在面对复杂问题时求解能力有限；近年来，许多研究者开始了基于启发式算法的机器学习优化方法^[11-12^]，例如李涛等人通过遗传算法对街区形态更新进行优化，但这类技术框架仍难以处理动态演化的优化目标，同时解释力有限。

生成式人工智能（GenAI）和深度强化学习（Deep Reinforcement Learning，简称DRL）等技术集群的爆发性发展，正对城市规划决策范式产生结构性影响。其中，生成式大模型强大的通用计算能力和信息整合^[13^]、推理能力打破了专业知识的封闭性，深度强化学习等高性能优化算法则为多目标的动态优化决策^[14^]提供了可能。“推理大模型 + 基于专业知识的强化学习”的协同框架不仅显著提高了决策效率，更推动了规划逻辑从传统“经验驱动”向“经验 + AI智能双驱动”的根本性转变，让复杂系统动态决策优化^[15^]、人机协同创新成为可能。目前GenAI等系列技术已在城市更新领域展现出突破性应用潜力，例如基于多模态大模型更新社区画像生成^[16^]、更新多目标决策帕累托优化^[14^]等，为破解超大城市更新决策的科学性、系统性与动态性难题提供了可能。

本文以城市更新多目标决策为切入点，构建“场景感知—智能推演—协同决策”的技术框架，解析AI赋能超大城市更新规划的创新路径，并以GenAI在北京市城中村改造中的应用为例展开论述，深度剖析基于“GenAI + 强化学习”的“模拟 + 决策”框架如何助力城市更新多目标优化决策。在此基础上，本文介绍了当前AI赋能更新规划的应用局限，进而深入展望GenAI结合规划的范式转型及未来需要我们关注的几个重要问题：如何平衡机器生成方案的创新性与多目标的均衡性？在算法主导的规划过程中，如何坚守公共利益价值导向？这些问题的思考将推动形成“人机共创”时代城市更新的新范式，助力城市高质量发展。

1 AI赋能城市更新规划的“模拟 + 决策”技术框架

超大城市更新中的难点来自于多种发展目标之间的潜在冲突，具体包括3个层次：（1）多主体：政府、社会（居民）和市场（企业）等主体在城市更新中的诉求差异与博弈；（2）多维度：经济维度（促进经济发展、提高土地效率等）、社会维度（解决住房和公共服务，促进社会公平）、环境维度（减少污染、改善生态环境等）在城市更新过程中的内在矛盾；（3）多尺度：项目、街区和城市等不同尺度的更新关切存在差异，例如项目建设中收益最大化与区域、市域层面的公共利益存在潜在冲突，需要进行区域统筹^[17^]。

针对超大城市更新中“多主体诉求博弈、多维度目标冲突、多尺度利益复合”的复合挑战，研究突破传统经验决策的局限性，从超大城市更新规划的具体场景出发，提出了以规划专业知识为基础、AI技术为支撑的“模拟+决策”技术框架。该框架以“GenAI大模型+深度强化学习”为技术基础，前者提供了城市环境复杂信息的整合与决策推理能力，支撑城市多模态复杂系统建模；后者则在专业知识的辅助下，通过决策奖励的不断迭代，实现动态、高性能优化决策。此外，与系统动力学、元胞自动机等简单规则模拟方案相比，本方案采用了“分层建模”的技术框架，针对微观、中观、宏观等不同尺度差异化的决策需求采用针对性的算法框架，在模拟精度、系统性能和优化可解释性上均有较大提升（图1）。

1 场景导向的超大城市更新“模拟 + 决策”技术框架

1.1 宏观（城市）尺度：高性能优化算法支撑“大规模统筹”

在城市宏观尺度，采用基于深度强化学习的高性能优化算法，构建“政策—空间—人口”耦合的城市级决策模型，对城市更新中的多目标动态决策进行模拟与优化；决策者输入宏观情景、政策边界等基本参数，系统对规划的运行逻辑进行多方案生成与优化迭代，为城市尺度的多要素、大规模资源统筹提供参考（图2）。算法模型可通过比较城市全域/片区级的不同方案的土地利用效率和预期收益，通过帕累托前沿分析揭示多目标约束下的最优解空间，挖掘城市空间的优化潜力。

2 宏观尺度多要素大规模统筹算法优化

1.2 微观（项目）尺度：大模型智能体网络支撑“精细化模拟”

在更新项目的微观尺度，采用基于大语言模型智能体的复杂网络对城市更新项目的本地环境和多元参与主体进行建模（图3）。模型首先将政府、居民、开发商等主体的基础信息作为初始参数录入，将利益主体的行为逻辑编码为差异化决策规则^[18^]。通过“环境感知—利益计算—动态博弈—方案迭代”的闭环机制，模拟真实场景中多方主体的复杂交互过程，进行“项目评价—多主体博弈—方案调整—再次评价”的决策优化过程。系统可模拟输出更新方案对社区空间形态、社会关系网络、经济收益分配等维度的综合影响。相较于传统静态模型，该框架可以部分实现社会行为动态演化的数字化映射。

3 微观尺度的大模型智能体网络框架

1.3 宏/微观交互的中观尺度：“专业知识+奖励函数”支撑“高质量协同”

宏/微观建模之间的衔接优化一直是复杂系统建模的重大挑战，若采用微观多主体模型直接生成宏观的推演模式，计算复杂、调用资源多，整体决策时有大量冗余计算和性能损失；若直接采用宏观指标拆分的简单计算，建模简化、计算性能高，但缺少政策向微观传导的设计，结果难以应用。因此，本框架创新性地将复杂系统中的“涌现”思想引入技术方案，通过基于规划专业知识的奖励函数设计，形成“专业规则嵌入 + 动态奖励函数”的双重调节机制，破解复杂系统建模的尺度转换困境。通过提取城市更新领域知识构建约束规则库，将微观主体博弈产生的海量数据，聚焦转化为容积率分配、资金流平衡等若干类关键协同指标，实现整体高性能计算和微观精细化模拟之间的高质量协同。

2 AI赋能城市更新规划探索：北京市超大城市城中村改造“智能模拟器”

超大城市城中村改造是一个典型的城市更新多目标优化场景，承载着改善民生、拉动投资、提升环境等多种综合目标，改造关键决策包括“改哪里、改多少、怎么改”3个维度。我们以北京市城中村改造为场景，设计了基于改造政策、房价、土地利用等专业知识和生成式人工智能算法模型支撑的北京市超大城市城中村改造“智能模拟器”。系统在设定特定的改造参数后，可迅速生成对应目标情景下的改造方案（图4）。

4 北京市城中村改造“智能模拟器”界面

“智能模拟器”采用了前文所述的“模拟 + 决策”技术框架。其中，自下而上的微观尺度基于生成式算法扩散模型建模了海量（全样本）居民的时空移动轨迹，系统可迅速推演不同外部条件下的群体活动情况^[19^]；而在自上而下的宏观决策部分，系统基于专业知识主导的深度强化学习框架进行优化，各类改造政策被量化成改造比例、开发强度、建设时序等信息，系统根据城中村改造的核心诉求，选取改造资金推演（拉投资）、空间生成推演（优结构）和设施绩效评估（补短板）3个维度作为奖励函数，支持多目标算法优化。在宏/微观交互的中观尺度，系统将宏观奖励函数与微观群体活动之间的关系进行耦合设计，改造资金推演以“改造成本—长期收益”为核心指标，空间布局以群体活动的通勤距离和通勤时间作为核心指标，设施绩效评估以改造后城市整体的公共服务设施可达性作为核心指标。

“智能模拟器”操作简便，决策者可根据不同的规划目标设定具体的改造背景，包括总改造年限、单年改造数量、改造强度分级等内容；在此基础上可调节微观参数配比，包括改造容积率、公共服务设施配比、商品房面积等指标。系统可基于这些设定作为方案推演的边界，进行基于深度强化学习优化算法的方案迭代；系统内部集成了公共服务设施可达性优化、拉动市场投资、用地结构与通勤改善、综合效益均衡发展等4个典型的规划目标，可在数分钟内生成对应目标下的改造方案，并提供包括人口数据、新增商品房/租赁住房面积、总体盈利、平均通勤距离等指标辅助规划决策。

城中村“智能模拟器”采用全样本海量数据的生成式决策分析，建立了政策干预影响空间布局进而影响微观主体的时空移动与行为决策^[20^]的研究进路，实现“宏观→微观”的政策干预和“微观→宏观”的微观主体行为的结合，极大提升了模拟推演与决策精细化程度。技术层面，“智能模拟器”相比传统模拟方法实现三大跃升：在模拟维度上，从单一经济测算扩展至“社会—空间—治理”多维度耦合；在决策时效上，将方案迭代周期从周级压缩至小时级，在北京市城中村改造中，模拟器推演一个包含上千城中村的改造方案仅需5~10min；在系统可解释性方面，通过可视化决策路径图谱，使AI黑箱决策的透明度提升60%以上。

具体来看，AI赋能城市更新规划的技术框架带来了3个关键性转变：

（1）从“静态模型”“黑箱模型”到“可解释模型”

传统的系统模拟优化模型，或是如系统动力学模型、元胞自动机模型进行封闭系统的过于简化，或是采用黑箱算法直接迭代出最终结果，可解释性、拓展性有限；“专业知识 + AI”的技术框架提供了更强的可解释性，易于应用和推广。

（2）从“主观固定规则建模”到“大模型智能体建模”

传统建模框架依赖于固定规则和主观经验，推演精度有限，而基于生成式AI支持的微观智能体框架，能够超越传统规则设定，实现更加灵活的演化与复杂情境的把握。例如，传统元胞自动机仿真尽可能根据设定的指标，评估更新后社区的土地利用和设施情况；大模型智能体则能够仿真特定居民在新情境中的生活状态，从而全面提升对政策影响的评估。

（3）从“高门槛技术模型”到“易用性决策模型”

传统决策建模技术要求较高的数学和编程基础，使用门槛较高，难以直接融入规划决策流程。而AI赋能的大模型决策框架，通过自然语言形式Prompt设定情境^[21^]，优化算法被封装于系统模型中，通过简单调整参数即可进行模拟与政策比较，可以显著降低使用门槛，易于推广应用^[22^]。

3 AI赋能城市更新规划的局限与未来应用展望

面向超大城市有机更新的复杂场景，以“GenAI + 深度强化学习”等融合为代表的技术集群，正在为规划决策系统注入多维创新活力，协调“多主体诉求博弈、多维度目标冲突、多尺度利益复合”的动态决策成为可能。然而，这一技术框架也有其局限，以北京市超大城市城中村改造“智能模拟器”为例，其应用局限主要包括3个层面：（1）在算法与建模层面，城市系统建模可解析城市中的物质环境和资源消耗，精细化推演不同更新方案下的用水用电、气候交通，但对社会/经济网络的建模较为简化，难以做到高精度的模拟，未来如何嵌入高精度的专业模型，是下一步系统优化需要着力解决的问题；（2）决策逻辑层面，AI算法强调标准化的性能奖励最优，但却缺乏对于城市文化、社会价值等的深入剖析，需要在AI模拟优化方案后，由专业规划师对方案的影响进行进一步评估，最终进行决策；（3）在理论假设层面，系统将城市更新中的居民、政府、市场等视为外部条件和决策逻辑各异，但行为本质相似的“理性人”，将交通、设施优化等视作统计意义的数据优化，相对忽略了个体差异和背后的多元价值。

基于此，我们在推动AI赋能城市更新规划应用探索时，不仅要关心算法框架的优化，提高模拟效率和决策精度，更要充分发挥规划师的主观能动性，体现出足够的专业素养与人文关怀。这对新时代的规划职业提出了更多要求：（1）要与AI模型深度协同决策，不断向系统模型提供决策意见和专业知识反馈，平衡AI方案生成的技术革新与城市多目标发展的均衡协调^[23^]；（2）要促进AI模型的多主体参与和多元价值保护，推动政府、社会、市场等多主体意见加入决策优化框架中，同时将历史文化、社会网络、场所精神等人文信息纳入决策模型，以坚守城市更新的公共利益导向^[24^]。

展望未来，构建人机协同的新型决策范式已成必然趋势。这需要建立“专业知识融入—AI智能推演—多主体反馈验证”的协同框架：基于规划师专业经验构建城市规划知识库，为AI模型训练注入专业基础与价值导向；开发“物质环境 + 社会环境”综合决策系统，将文脉传承、社会和谐等抽象价值转化为可计算的评估维度；促进多元主体的反馈和参与，形成“动态评估—反馈—迭代优化”的智慧决策。“人文智慧为本，技术创新为用”，方能更好地支持我国城市的高质量发展。□

参考文献

[1] 王富海,曾祥坤,张宸.城市更新时代的总体规划实施[J].城市规划,2024,48(05):15-20.

[2] 阳建强.走向持续的城市更新——基于价值取向与复杂系统的理性思考[J].城市规划,2018,42(06):68-78.

[3] 黄耿志,李郇,张文忠,等.高质量发展转型背景下的中国城市更新：挑战与路径[J].自然资源学报,2025,40(01):1-19.

[4] 田莉,于江浩,杨滔.智慧人居环境理论模型与应用探索——复杂系统视角[J].城市规划,2023,47(12):78-88.

[5] WANG Y,LI J,ZHANG G,et al.Fuzzy evaluation of comprehensive benefit in urban renewal based on the perspective of core stakeholders[J].Habitat International, 2017,66:163-170.

[6] DOĞAN U,GÜNGÖR M K,BOSTANCI B,et al.GIS based urban renewal area awareness and expectation analysis using fuzzy modeling[J].Sustainable Cities and Society,2020,54:101945.

[7] DONG J,GUO R,LIN M,et al.Multi-objective optimization of green roof spatial layout in high-density urban areas —A case study of Xiamen Island, China[J].Sustainable Cities and Society,2024,115:105827.

[8] 杜锦,苗长虹,许家伟,等.文旅融合背景下历史街区更新成效评估及提升路径研究——以开封市三个历史街区为例[J].自然资源学报,2025,40(1):164-180.

[9] HOLLAND J H.Genetic algorithms and the optimal allocation of trials[J].SIAM journal on computing,1973,2(2):88-105.

[10] POLI R,KENNEDY J,BLACKWELL T.Particle swarm optimization-An overview[J].Swarm Intelligence,2007,Volume 1,Issue 1.

[11] 李涛,陈兆哲,王怀斌,等.基于遗传算法的传统街区空间形态优化研究——以喀什老城为例[J].城市规划,2023,47(9):67-77.

[12] NIYOMUBYEYI O,VEYSIPANAH M,SARWAT S,et al.An improved non-dominated sorting biogeography- based optimization algorithm for multi-objective land- use allocation: a case study in Kigali-Rwanda[J].Geo- spatial Information Science,2024,27(4):968-982.

[13] BROWN T,MANN B,RYDER N,et al.Language models are few-shot learners[J].Advances in neural information processing systems,2020,33:1877-1901.

[14] ZHENG Y,LIN Y,ZHAO L,et al.Spatial planning of urban

communities via deep reinforcement learning[J].Nat Comput Sci 3,2023,748-762.

[15] 仇保兴.智慧城市信息系统基本框架的设计要点——基于复杂适应理论(CAS)视角[J].城市发展研究,2023,30(01):1-9.

[16] PARK J S,O'BRIEN J,CAI C J,et al. Generative agents: Interactive simulacra of human behavior[C]//Proceedings of the 36th annual acm symposium on user interface software and technology,2023:1-22.

[17] 田莉,姚之浩,于江浩,等.我国城市更新规划的演进与转型——基于“政府—市场—社会”关系分析框架 [J].规划师,2024,40(02):1-7.

[18] MOU X,DING X,HE Q,et al.From Individual to Society:A Survey on Social Simulation Driven by Large Language Model-based Agents[J].arXiv preprint,arXiv:2412.03563,2024.

[19] YUAN Y,DING J,WANG H,et al.Activity trajectory generation via modeling spatiotemporal dynamics[C]// Proceedings of the 28th ACM SIGKDD Conference on Knowledge Discovery and Data Mining,2022:4752-4762.

[20] ZHANG G,YU Z,JIN D,et al. Physics-infused machine learning for crowd simulation[C]//Proceedings of the 28th ACM SIGKDD Conference on Knowledge Discovery

and Data Mining,2022:2439-2449.

[21] YUAN Y,DING J,FENG J,et al.Unist: A prompt-empowered universal model for urban spatio-temporal prediction[C]//Proceedings of the 30th ACM SIGKDD Conference

on Knowledge Discovery and Data Mining,2024:4095-4106.

[22] ZHOU Z,LIN Y,JIN D,et al.Large language model for participatory urban planning[J].arXiv preprint,arXiv:2402.17161,2024.

[23] 杨聆,徐坚.基于空间句法的历史街区空间形态研究——以成都宽窄巷子街区为例[J].四川建筑,2016,36(05):16-18+21.

[24] 杨滔,林旭辉,逯百慧.人工演进的生成式城市空间形态研究[J].北京规划建设,2024(04):45-49.

于江浩

B.1995，清华大学博士研究生

田莉*（通信作者）

B.1973，剑桥大学博士

清华大学建筑学院教授、城市规划系副系主任

自然资源部智慧人居环境与空间规划治理技术创新中心主任

litian262@126.com

国家社科基金重大项目