西安科技大学 · 环境艺术学院 · 2026.09.18

AI 时代的
空间设计革命

从概念到呈现的数字化全流程

学科前沿讲座4 × 45min · 8:30-11:50

大家早上好，欢迎来到今天的学科前沿讲座。我是今天的主讲人。非常荣幸能在西安科技大学环境艺术学院，跟大家一起探讨AI 时代空间设计的革命性变化。

今天这堂课的主题是"AI 时代的空间设计革命：从概念到呈现的数字化全流程"。我们会用 4 节课，差不多 3 个小时，完整地走一遍一个设计项目在 AI 工具链支持下，从最早期的概念阶段到最后交付呈现的整个过程。

为什么要讲这个？因为我发现很多设计专业的同学对 AI 的印象停留在"生成一张图"，但其实 AI 已经深入到设计工作流的每一个环节——从前期调研、概念推演、方案优化，到最后的渲染、动画、虚拟漫游，全链路都在被重构。

今天上午 8 点半到快 12 点，我们会讲 4 个部分，每部分 45 分钟。有问题随时打断，课间可以休息。Let's go.

agenda

今天要讲的 4 件事

01数字化底层逻辑与空间设计新范式8:30-9:15

02AI 辅助概念设计与视觉表达9:25-10:10

03空间智能分析与数据驱动设计10:20-11:05

04AI 驱动的全链路数字化呈现11:15-11:50

先过一下今天的议程。

第一节课 8 点半到 9 点 15，我会讲数字化的底层逻辑。数字化不是简单地把手绘扫描成图片，而是一种完全不同的工作方式——数据、算法、智能三层架构。我会用几个国际大所的实际案例，让大家看到传统设计流程和现代数字化流程的区别在哪里。

第二节课 9 点 25 到 10 点 10，进入AI 辅助概念设计与视觉表达。这是今天最直观的一部分——我会现场演示怎么用 AI 文生图工具，在 5 分钟内生成 10 种不同风格的室内空间方案，怎么用 ControlNet 精确控制建筑外观材质，怎么快速制作景观情绪板。

第三节课 10 点 20 到 11 点 05，讲空间智能分析与数据驱动设计。这部分比较硬核——AI 不只是画图工具，它能做人流分析、采光模拟、声学优化，甚至能用生成式设计算法，在 3 分钟内给你 1000 种平面布局方案让你选。我会展示 Autodesk、Spacemaker 这些工具的实战案例。

第四节课 11 点 15 到 11 点 50，收尾部分——AI 驱动的全链路数字化呈现。从设计图到 VR 看房、从静态渲染到 AI 视频演示，我会串起整个交付链条，最后用一个 5 分钟的完整案例把前面所有工具串起来。

OK，进入第一部分。

Part · 01

数字化底层
逻辑

与空间设计新范式

// part 01 · digital transformation

数字化的本质：数据→算法→智能

①

数据层 · Data

把设计对象表示成可计算的数据结构——不是一张图，而是点线面、参数、属性的集合。BIM 模型、参数化曲面、GIS 图层都是数据层。

②

算法层 · Algorithm

用规则和计算操作数据——不是手动调整，而是定义逻辑让计算机批量生成。Grasshopper 参数化、生成式设计、优化算法都在这一层。

③

智能层 · Intelligence

让机器从数据中学习规律，自动做决策——不是你告诉它怎么做，而是它看了 10000 个案例后自己总结出来。AI 生图、智能布局、预测分析都在这一层。

数字化的本质可以用三层架构来理解：数据层、算法层、智能层。

第一层是数据层。传统设计的交付物是一张图纸——CAD 线稿、手绘效果图、实体模型。但在数字化体系里，设计对象首先要表示成可计算的数据结构——每一个墙、每一扇窗、每一棵树，都是带属性的对象，不是像素。BIM 模型就是典型的数据层产物，你在 Revit 里改一个柱子的尺寸，所有视图自动更新，因为那不是"画"出来的图，而是数据驱动生成的视图。

第二层是算法层。有了数据之后，你就可以用规则和计算来操作它——不是手动一个一个调，而是定义逻辑让计算机批量生成。Grasshopper 参数化设计就是算法层的代表：你定义"柱网间距 6 米、楼层高度递减 10%"，计算机瞬间给你 200 种造型变体。生成式设计也是算法层——你告诉它"面积 500 平、采光至少 8 小时、成本不超 200 万"，它自动跑出 1000 种满足条件的平面布局。

第三层是智能层。算法层还是你写规则，但智能层是机器从数据中学习规律，自己总结规则。AI 文生图就是智能层——你没有告诉它"日式风格 = 榻榻米 + 障子门 + 枯山水"，但它看了 10 万张日式室内照片之后，自己学会了。智能布局、风格迁移、故障预测都是智能层的应用。

这三层是递进的——数据是基础，算法是工具，智能是升华。今天后面三节课会分别深入这三层。

// demo · 01

5 分钟生成 10 种室内风格方案

榻榻米、障子门、暖黄灯光

裸砖、钢梁、爱迪生灯泡

浅橡木、白墙、灰纺织品

霓虹灯、反光面、全息屏

线条、拱门、吊灯、大理石

夯土墙、陶器、纸窗、枯枝

现在演示第一个典型应用场景——室内空间快速风格探索。

假设我们要设计一个咖啡厅，甲方还没确定风格。传统做法是设计师画几版手绘草图，花 2-3 天时间。现在用 AI 文生图，5 分钟就能给甲方看 10 种风格。

我输入的提示词结构是这样的："Interior of a cozy cafe, [风格关键词], [材质], [光线], photorealistic, 16:9, no text"。然后把风格关键词替换成：Japanese wabi-sabi / industrial loft / Scandinavian minimalist / cyberpunk neon / French elegant / rustic farmhouse——每个风格生成一张，10 种风格 5 分钟搞定。

甲方看完说"我喜欢日式和工业风的结合"，你再用图生图技术，把两张图的特征融合，生成一个混合风格版本。整个概念探索阶段，从 3 天压缩到半小时。

关键是速度——不是说 AI 画得比人好，而是它让你在极短时间内看到大量可能性，帮你和甲方快速对齐方向。确定风格之后，你再深化细节，那时候才是设计师专业能力真正发挥的地方。

// demo · 02

同一建筑外观
20 种材质可能性

🏗 工具：ControlNet Canny

提取建筑轮廓线条作为控制条件，保证几何不变，只改材质纹理和质感。

🎨 材质词汇库

raw concrete / timber slats / copper panels / glass curtain wall / weathering steel / travertine stone——每个词生成一版。

⚡️ 效率对比

传统渲染：每版 2 小时建模+材质+灯光。AI：每版 30 秒，20 种材质 10 分钟全出。

第二个演示——建筑外观材质探索。

做建筑设计的时候，经常遇到这个问题：造型定了，但材质还没确定。传统做法是在 SketchUp 或 Rhino 里建好模型，然后换材质球，每换一次重新渲染，一版材质渲染 2 小时，10 种材质就是 20 小时。

现在用 AI 的ControlNet Canny 技术，可以做到"固定几何、只改材质"。流程是这样的：先拍一张你的建筑模型照片或者手绘草图，用 Canny 算法提取边缘轮廓线，得到一张黑白线稿。然后把这张线稿作为控制条件输入 Stable Diffusion，告诉它"保持这个轮廓，但材质改成清水混凝土"——AI 会生成一张几何完全一致、但材质换成混凝土的效果图。

然后你批量跑：raw concrete、timber slats、copper panels、glass curtain wall、weathering steel、travertine stone——每个材质 30 秒，20 种材质 10 分钟全出来。

这不是最终交付图，但足够让甲方和团队快速决策"我们要哪种材质"。确定方向之后，你再用传统渲染器做高精度版本。AI 的价值是把决策前置——不用等渲染完才知道效果不对，而是提前看到所有可能性。

Part · 03

空间智能
分析

与数据驱动设计

// part 03 · generative design

生成式设计
让 AI 提供 1000 种方案

①

定义约束与目标

输入：建筑面积 500㎡、至少 8 小时日照、成本≤200 万、消防疏散距离≤30m。不画方案，只定义规则。

②

算法自动生成

AI 用遗传算法、拓扑优化等方法，生成 1000+ 种满足所有约束的平面布局，每个方案标注得分。

③

人工筛选优化

设计师从 1000 种里挑出 10 种最优的，再手动调整细节。AI 负责穷举，人负责判断。

第一个核心技术——生成式设计（Generative Design）。

传统设计流程是设计师画几版方案，然后分析哪个最好。生成式设计反过来：你不画方案，你只定义目标和约束，让算法帮你生成所有可能的方案，然后你从中挑选。

具体流程分三步。第一步，定义约束与目标。比如你要设计一个办公空间，输入条件是：建筑面积 500 平米、每个工位至少 8 小时日照、总成本不超 200 万、消防疏散距离不超 30 米。你不画平面图，只把这些规则输入系统。

第二步，算法自动生成。AI 用遗传算法或者拓扑优化方法，开始"进化"方案——随机生成一批平面布局，淘汰不满足约束的，保留得分高的，再变异、杂交、迭代。跑几分钟之后，系统给你 1000 多种方案，每个方案都满足你的所有硬性约束，并且按综合得分排序。

第三步，人工筛选优化。设计师从 1000 种里挑出 10 种最有潜力的，再手动调整细节——调整某个房间的位置、优化流线、加入美学考虑。AI 负责穷举可能性，人负责最终判断。

这个方法的核心价值是打破思维定式——很多方案是你自己永远不会想到的，但 AI 通过算法探索发现了。Autodesk 的 Generative Design 工具已经在很多大项目里用过，比如上海某办公楼的平面优化，最后采纳的方案就是算法生成的第 47 号方案，设计师自己从来没往那个方向想过。

// part 03 · digital twin

数字孪生
虚实结合的设计验证

🏙 什么是数字孪生

给真实建筑或城市建一个虚拟镜像，实时同步传感器数据（温度、湿度、人流、能耗），在虚拟环境里测试改造方案。

🎯 应用场景

改造前模拟：商场调整动线，数字孪生预测人流变化。运营优化：写字楼实时调节空调，AI 学习最优策略降低 30% 能耗。

第二个技术——数字孪生（Digital Twin）。

数字孪生是什么？简单说就是给一个真实的建筑或者城市街区建一个虚拟镜像，这个镜像不是静态模型，而是实时同步的——真实建筑里的传感器每秒钟把温度、湿度、人流、能耗数据传回来，虚拟模型里的对应参数也跟着变。

这有什么用？两个主要场景。第一，改造前模拟。比如一个商场想调整内部动线，把某个品牌店挪到另一层。传统做法是直接改，改完发现人流反而少了，后悔也来不及。现在用数字孪生，先在虚拟模型里改，AI 根据历史人流数据预测"如果这样调整，客流会增加 12% 还是减少 8%"，测试完再动手。

第二，运营优化。比如一栋写字楼，空调系统每天消耗大量电。数字孪生系统实时监控每个区域的温度、人数、外部天气，AI 学习最优的空调开关策略——哪个时段开、开多大、哪些区域可以关——最后能降低 30% 能耗。

这个技术目前主要用在大型公共建筑和城市规划项目，工具有 Bentley 的 iTwin、Siemens 的 Xcelerator。对学设计的同学来说，重要的不是会操作这些工具，而是理解这种"虚实结合、数据驱动"的思维方式——设计不只是画图，还要能预测、验证、优化。

// part 03 · performance simulation

AI 性能模拟
人流·采光·声学·一键分析

🚶 人流热力图

输入平面图，AI 预测高峰时段各区域人流密度，标出拥堵点，优化疏散路线。

☀️ 采光模拟

一键计算全年日照时长、阴影范围、眩光风险，自动调整窗户位置和遮阳方案。

🔊 声学分析

音乐厅、剧院项目，AI 模拟声场分布，优化吸音材料布置，避免回声盲区。

第三个应用方向——AI 性能模拟。

传统的性能分析——人流、采光、声学——要么请专业顾问，要么用专业软件手动建模计算，周期长、成本高。现在 AI 工具能做到"一键分析"。

第一个是人流热力图。你上传一张商场或者车站的平面图，AI 根据出入口位置、通道宽度、功能分区，预测高峰时段各区域的人流密度，生成一张热力图——红色区域是拥堵点，蓝色区域是冷区。然后你根据这张图调整动线、加宽通道、重新布置商铺。

第二个是采光模拟。Ladybug Tools、ClimateStudio 这些工具，输入建筑模型和地理位置，一键计算全年日照时长、每个房间的采光系数、阴影范围、眩光风险。AI 还能自动建议"把这个窗户往南移 1.5 米，日照时长增加 2 小时"。

第三个是声学分析。做音乐厅、剧院这种项目，传统声学顾问要做好几周的计算和测试。现在 AI 声学模拟工具，输入空间几何和材质参数，几分钟跑出声场分布图，告诉你哪些位置有回声、哪些区域听不清，然后自动优化吸音材料的布置方案。

这些工具的共同特点是快速迭代——以前做一次分析要几天，现在几分钟，所以你可以在设计早期就反复测试，而不是等到施工图阶段才发现问题。

Part · 04

全链路
数字化

呈现与交付

// part 04 · real-time rendering

AI 实时渲染
从等 8 小时到即时预览

🐢 传统离线渲染

V-Ray、Corona：一张 4K 效果图渲染 2-8 小时。改一次材质、灯光，重新等 8 小时。

⚡️ AI 实时渲染

Unreal Engine 5 + Lumen、Lumion：60fps 实时预览，调材质、移相机即时看到结果。

🎮

游戏引擎技术下放

UE5 的 Nanite（微多边形）+ Lumen（全局光照）让建筑渲染达到影视级画质，但能实时交互。

🤖

AI 降噪技术

NVIDIA DLSS、OptiX AI Denoiser：用 AI 补全噪点，1 次采样达到传统 1000 次采样的画质。

第一个技术——AI 实时渲染。

传统建筑渲染用 V-Ray、Corona 这些离线渲染器，一张 4K 效果图渲染 2 到 8 小时。如果你改了一次材质或者灯光，对不起，重新等 8 小时。这个流程非常低效——你看不到结果就无法判断好坏，但要看到结果就得等很久。

现在 AI 实时渲染技术彻底改变了这个局面。Unreal Engine 5 加上 Lumen 全局光照、Nanite 微多边形技术，能做到 60 帧每秒的实时预览——你调一次材质、移一下相机，瞬间看到结果，画质接近离线渲染。

这背后是两个核心技术突破。第一个是游戏引擎技术下放——UE5 原本是做游戏的，但它的渲染技术现在已经达到影视级画质，同时还能实时交互。很多建筑事务所现在已经放弃传统渲染器，全面转向 UE5。

第二个是AI 降噪技术。传统渲染要算 1000 次光线采样才能消除噪点，NVIDIA 的 DLSS 和 OptiX AI Denoiser 用深度学习，只算 1 次采样，然后 AI 补全细节、消除噪点，画质接近 1000 次采样，但速度提升 1000 倍。

实时渲染的意义不只是"快"，而是改变了设计迭代的方式——你可以跟甲方一边开会一边调整方案，当场看效果，当场拍板，不用"回去改完再约下次"。

// part 04 · vr · ar

VR/AR 沉浸式体验
让甲方"走进"未建成的空间

🥽 VR 虚拟看房

地产售楼处：客户戴 VR 头显，1:1 尺度"走进"样板间，换家具、换墙色、看采光——还没盖就能体验。

📱 AR 现场叠加

iPad 对准空地，屏幕上叠加未来建筑的 3D 模型，实时看体量关系、日照阴影——虚实结合的方案汇报。

第二个技术——VR/AR 沉浸式体验。

传统效果图再逼真，也只是一张平面图片。VR 和 AR 让甲方能"走进"还没盖的建筑，1:1 尺度体验空间。

第一个应用是VR 虚拟看房。现在很多地产项目的售楼处都有 VR 体验区——客户戴上 VR 头显，就能"走进"样板间，环顾四周、打开柜门、换家具、换墙色、看不同时段的采光。关键是还没盖就能体验——传统样板间要等主体结构封顶才能装修，VR 样板间在设计阶段就能给客户看。

而且 VR 看房不只是"看"，还能交互——客户说"我不喜欢这个沙发"，销售人员当场在 VR 里换一个，客户说"墙太暗了"，当场调亮。这种即时反馈大大提升成交率。

第二个应用是AR 现场叠加。做城市更新、园区规划项目的时候，你拿 iPad 对准一块空地，屏幕上实时叠加未来建筑的 3D 模型——你能看到建筑跟周边环境的体量关系、日照阴影会不会挡到旁边的住宅、从不同角度看天际线怎么样。这种虚实结合的方案汇报比传统平面图直观 100 倍。

工具方面，VR 用 Unity 或 UE5 开发，头显用 Meta Quest 3 或 PICO；AR 用苹果的 ARKit 或 Reality Composer，在 iPad 上就能跑。技术门槛已经很低了，关键是设计师要转变思维——交付物不再只是图纸，而是可交互的数字体验。

// part 04 · ai video

AI 视频生成
从设计图到电影级演示片

①

Runway Gen-3 / Pika / Luma Dream Machine

输入几张关键帧效果图 + 运镜描述（"camera slowly dollies forward through the lobby"），AI 生成流畅的 4 秒视频片段。

②

拼接成完整演示片

生成 10 段 4 秒视频，Premiere 剪辑拼接 + 配乐 + 字幕，一支 1 分钟建筑演示片完成——成本是传统三维动画的 1/10。

③

城市更新前后对比

AI 视频特别适合"改造前后对比"场景——同一个街道，从破旧状态渐变到改造后的绿色公园，视觉冲击力极强。

第三个技术，也是今天最前沿的——AI 视频生成。

传统建筑演示动画要用 3ds Max 或 Cinema 4D 做三维动画，一秒钟视频渲染几小时，一支 1 分钟片子成本几万到十几万。现在 AI 视频工具能做到从几张静态效果图直接生成流畅视频。

工具有三个代表：Runway Gen-3、Pika、Luma Dream Machine。流程是这样的：你先用传统渲染器或者 AI 文生图，生成几张关键帧效果图——大堂入口、中庭、屋顶花园。然后输入运镜描述，比如"camera slowly dollies forward through the lobby, golden hour light"，AI 生成一段 4 秒的流畅视频。

你生成 10 段这样的 4 秒视频，然后在 Premiere 里剪辑拼接、加配乐、加字幕，一支 1 分钟的建筑演示片就完成了。成本是传统三维动画的十分之一，时间从一周压缩到一天。

AI 视频特别适合城市更新项目的汇报——你可以做一个"改造前后对比"视频：同一条街道，从破旧老厂房的状态，镜头渐变过渡，变成改造后的绿色公园、创意园区。这种视觉冲击力比静态对比图强 10 倍，特别容易打动投资人和政府评审。

当然现在 AI 视频还有局限——生成时长最多 10 秒、物理规律有时不对、人物动作会穿帮。但对于建筑空间演示来说，这些问题影响不大，因为建筑是静态的，主要看空间氛围和光影效果，AI 已经能做得很好了。

// demo · full workflow

5 分钟完整演示
从概念到交付的全流程

Step 1: 概念生成 → Midjourney 生成 10 种咖啡厅风格方案（2min）

Step 2: 材质探索 → ControlNet 生成 20 种外立面材质（1min）

Step 3: 性能分析 → Ladybug 采光模拟 + 人流热力图（30s）

Step 4: 实时渲染 → UE5 Lumen 实时调整材质灯光（1min）

Step 5: 视频输出 → Runway Gen-3 生成 30 秒演示片（30s）

传统流程：3 天 → AI 工作流：5 分钟

最后我用一个完整案例，把今天讲的所有工具串起来，演示一遍从概念到交付的全流程。

假设任务是：设计一个社区咖啡厅，明天要给甲方汇报。传统流程需要 3 天——第一天手绘草图、第二天建模渲染、第三天排版 PPT。现在用 AI 工具链，5 分钟搞定。

Step 1，概念生成。打开 Midjourney，输入 10 种风格的提示词——日式、工业、北欧、赛博朋克——批量生成，2 分钟出 10 张概念图。甲方选了日式风格。

Step 2，材质探索。用 ControlNet 固定建筑轮廓，批量生成木质、混凝土、玻璃幕墙 20 种材质版本，1 分钟出结果。甲方选了暖木百叶。

Step 3，性能分析。把平面图丢进 Ladybug Tools 跑采光模拟，再用 AI 人流工具生成热力图，30 秒出报告——日照时长达标、出入口位置合理。

Step 4，实时渲染。在 UE5 里加载模型，Lumen 实时光照，调整材质、灯光、相机角度，1 分钟找到最佳角度，截图保存。

Step 5，视频输出。把 3 张关键帧效果图丢进 Runway Gen-3，生成 3 段流畅视频，Premiere 拼接配乐，30 秒一支演示片完成。

整个流程 5 分钟，输出物有：10 张概念图、20 张材质方案、采光分析报告、人流热力图、5 张高清效果图、1 支 30 秒演示视频。这就是 AI 工具链的威力——不是某一个环节快，而是整个流程被重构了。

// closing

今天的四个要点

01

数字化 = 数据+算法+智能

不是"把图扫描成 PDF"，而是让设计对象变成可计算、可优化、可预测的数据结构。

02

AI 文生图不是终点，是起点

概念阶段快速探索方向，确定后再深化细节——AI 负责穷举可能性，人负责最终判断。

03

数据驱动设计正在成为主流

生成式设计、数字孪生、性能模拟——设计决策从"拍脑袋"变成"算出来"。

04

交付物从图纸变成体验

实时渲染、VR 看房、AI 视频——甲方要的不是一张图，而是能"走进去"的空间。

好，我们快速总结一下今天讲的四个核心要点。

第一，数字化的本质是数据+算法+智能。不是简单地把手绘图扫描成 PDF，而是让设计对象变成可计算、可优化、可预测的数据结构。这是思维方式的转变。

第二，AI 文生图不是终点，是起点。它的价值不是"替代设计师画图"，而是在概念阶段帮你快速穷举所有可能性，让你和甲方快速对齐方向。方向确定之后，深化细节还是要靠设计师的专业判断。

第三，数据驱动设计正在成为主流。生成式设计、数字孪生、AI 性能模拟——这些技术让设计决策从"拍脑袋"变成"算出来"，从"经验驱动"变成"数据驱动"。

第四，交付物从图纸变成体验。实时渲染、VR 看房、AI 视频——甲方现在要的不是一张静态效果图，而是能"走进去"、能交互、能感受的数字体验。

最后我想说，AI 不会取代设计师，但会用 AI 的设计师会取代不会用的。技术永远是工具，关键是你怎么用它来实现更好的设计。

Thank You

感谢大家的聆听

西安科技大学 · 环境艺术学院
学科前沿讲座 · 2026.09.18

按 S 进入演讲者视图 · T 切换主题 · O 总览所有幻灯片