> **来源：[研报客](https://pc.yanbaoke.cn)** # 大模型在规划中的 # 应用与实践报告 # 前言 当今世界，正经历一场以人工智能为核心驱动的深刻技术变革与产业革命。以大语言模型、生成式人工智能为代表的通用人工智能技术，以其强大的认知、生成与推理能力，迅速渗透至各行各业，重塑着传统的工作范式与决策逻辑。城市规划与自然资源管理，作为关乎国土空间格局优化、生态文明建设与经济社会高质量发展的战略性、基础性领域，同样站在了这场智能化转型的历史潮头。 我们欣喜地看到，从宏观的战略研判、中观的规划编制与审查，到微观的设计生成与公众参与；从静态的现状分析、动态的监测评估，到前瞻的模拟推演与优化治理，“人工智能+规划”的融合创新实践正在全国范围内如火如荼地展开。众多科研机构、规划设计院、科技企业与管理部门，正积极探索大模型技术在提升规划科学性、审批效率、治理精度和公众体验方面的巨大潜力，积累了丰富而宝贵的初步经验。 然而，技术的迅猛发展也伴随着认知的碎片化、应用的分散化以及标准的缺失。行业普遍面临一系列关键问题：如何构建既具备通用智能又深谙规划领域知识的专业模型？如何将大模型能力安全、合规、高效地融入现有复杂的业务流与管理系统？如何评估与应对技术应用中出现的“幻觉”、伦理与数据安全风险？如何培育既懂规划又懂AI的复合型人才？这些问题的解答，亟需系统的梳理、深度的思考与开放的交流。 为此，中国城市规划学会城市规划新技术应用专业委员会在系统整理近两年会议报告、广泛征集行业AI实践案例的基础上，组织编纂了本报告。我们汇聚了来自知名高校、顶尖规划院所、领先科技企业及一线管理部门的数十位专家学者的智慧与实践，旨在达成以下目标： 1. 系统梳理，勾勒全景：全面呈现大模型在国土空间规划全生命周期、自然资源管理各环节的创新应用图谱，从基础理论、模型构建、技术方法到场景实践，进行系统性梳理与展示。 2. 剖析案例，提炼路径：深度解析一批具有代表性的前沿探索与落地案例，揭示其背后的技术逻辑、实施路径与得失思考，为同行提供可借鉴、可参考的实践范本。 3. 聚焦融合，探讨纵深：不仅关注大模型本身，更着力探讨其与GIS、BIM、CIM、知识图谱、物联网、数字孪生等现有技术体系的深度融合之道，探索“空间智能”新范式。 4. 理性审视，直面挑战：在展示机遇与成效的同时，不回避当前面临的数据、算力、算法、安全、伦理、制度及人才等方面的现实挑战，引发行业对技术应用的冷思考。 5. 凝聚共识，展望未来：汇集多方观点，共同探讨行业大模型的发展战略、标准构建、生态培育与未来趋势，助力规划与自然资源领域在这场智能革命中找准方位、稳健前行。 本报告共分九章，结构上遵循“战略构建一流程再造—研究创新—技术融合—设计生成—决策增强—感知评估—模拟治理—结论建 议”的逻辑脉络，内容上力求兼顾前沿性与实用性、专业性与可读性。它既是一份阶段性的成果汇编，也是一封面向未来的倡议书。 我们衷心希望，这份报告能够为所有关心城市规划与自然资源领域数字化、智能化转型的同仁——无论是政策制定者、规划设计师、科研学者、技术工程师还是管理者——提供有益的参考与启发。人工智能与规划的结合，绝非简单的工具替代，而是一场深刻的范式变革，其核心在于“增强人类智慧”，最终目标是构建更可持续、更具韧性、更加公平、更富活力的人居环境。 让我们携手共进，以开放的心态拥抱技术，以严谨的精神驾驭技术，以创新的实践发展技术，共同开启城市规划与自然资源治理的“智慧新纪元”。 # 目录 # 第一章行业大模型构建与战略 1 1.1构建国土空间规划专业大模型的思路 1.2时空数据基础大模型：架构、赋能与场景应用 6 1.3广州市规划和自然资源大模型总体设计与案例实践 13 1.4从技术突破到场景落地：大模型发展图谱与DeepSeek创新应用 20 1.5规划和自然资源行业应对DeepSeek浪潮的思考 24 1.6大模型赋能规划院业务创新实践 33 1.7人工智能驱动城市变革的趋势和交互范式 39 # 第二章 大模型与业务流程深度融合 42 2.1规则引擎与大模型技术在CSPON试点工作中的协同应用探索 42 2.2全流程智控：基于DeepSeek的详细规划智能管控体系创新与实践 46 2.3布局到审查：基于DeepSeek的建筑规划方案双重保障 55 2.4基于大语言模型的规划管理决策支持系统的策略、技术与软件实现 61 2.5 AI+自然资源创新应用探索——助力自然资源行业数智化高质量发展 61 2.6大模型在宁波市自然资源规划管理中的探索与实践 74 2.7基于广州市规划知识库的大模型应用探索与实践 83 # 第三章 大模型驱动的研究与设计创新 90 3.1 DeepSeek 驱动下的地图生成 90 3.2 AI Agent在区域产业空间研究的实践探索 95 3.3 CoPlanner 智能总师服务：大模型在城市设计伴随服务中的场景探索与应用...100 3.4基于大模型的居住区问题诊断、最佳案例归纳与未来趋势研究 106 3.5基于AIGC的乡村建筑风貌特征识别研究 112 3.6基于可解释人工智能的城市空间特征识别与规划启示 116 3.7城市衰败动力学研究：基于多年自采集街景图片和视觉大模型的实验 122 # 第四章 跨领域技术融合与应用 130 4.1当GIS遇见AI：重塑自然资源管理的智能引擎 130 4.2时空大数据库与大语言模型：融合驱动的应用服务新探索 137 4.3基于统一数据底座的AI变革 142 4.4智慧城市大数据与城市规划 147 4.5大数据和人工智能驱动下的城市体检技术架构与应用路径 152 4.6规划和自然资源人工智能应用探索 156 4.7 AI赋能城市产业经济实践与探索 162 4.8基于机器学习的街道视觉环境评价方法研究 169 # 第五章 AIGC与智能设计生成 173 5.1生成式AI在规划设计课程教学中的应用与实践 173 5.2专注行业图像生成：如何让人工智能零门槛赋能规划设计 181 5.3 AIGC 赋能乡村风貌设计，绘就乡村振兴靓丽底色 189 5.4 AI+行业知识双剑合璧：大模型驱动规划设计总平面渲染 197 5.5 AI规约+美学融合驱动：大模型赋能设计图智能生成 207 5.6基于大语言模型的未来社区设计方法研究 217 # 第六章 知识增强与智能决策 224 6.1当千年运河遇上AI：知识图谱 $^+$ 大模型讲述运河“隐藏故事” 224 6.2 AI与GIS相遇：宛若规划“空间智能”的双翼——丽水市详细规划编制数字化管 理智能审查软件 232 6.3 AI驱动布局与审查——建筑规划方案的高效协同创新 239 6.4 AI+低效用地智治新范式：智能引擎驱动精准识别与高效利用 244 6.5 AI智能体矩阵：规划全流程智能化应用 252 第七章城市感知、体检与评估 262 7.1 CMAB：中国第一套多属性建筑物数据集 262 7.2AI+体检双智融合：赋能空间智能诊断决策 277 7.3 AI+智慧治理双维融合：大模型驱动城市体检信息平台构建 283 7.4 AI+城市体检智领新范式：智能算法构建全域动态诊断体系 292 7.5 世界屋脊上的藏族城市风貌：在泛喜马拉雅地区利用多模态大语言模型进行视觉评估 300 第八章|模拟预测与优化治理 311 8.1政策与科技的碰撞：如何让人工智能为土地规划把脉？ 311 8.2 AI助力低碳交通规划：大模型如何让低碳城市“一键运算” 318 8.3从太空到海洋：大模型如何为海洋灾害预警装上“透视眼”？ 330 8.4 AI+耕地保护双轮驱动：大模型构建智能监测预警网络 337 8.5 AI引擎点燃规划新动能：一体化数字底座激活时空数据价值 344 第九章|结论、挑战与未来展望 350 9.1 核心结论：迈向“人机协同”的规划智能新范式 350 9.2当前面临的主要挑战与瓶颈 352 9.3未来展望与发展建议 354 # 1.1 构建国土空间规划专业大模型的思路 钮心毅 学会城市规划新技术应用专业委员会副主任委员、同济大学建筑与城市规划学院教授 # 一、行业需求：从信息化到智能化 在自然资源行业大模型体系中，国土空间规划作为重要组成部分，亟需构建专业大模型支撑全周期规划业务。当前，通用大模型虽具备基础能力，但难以满足规划领域对多模态数据理解（如空间图纸、政策文本、地理信息）和专业推理决策的需求。专业大模型需融合“通用知识”与“领域知识”，成为规划行业的“智能专家”。 两类技术路径：通用与专业的分工 # （一）通用大模型：模拟公众参与 通用大语言模型可模拟公众利益诉求，辅助规划公众参与。例如，通过生成虚拟居民意见，优化社区规划方案。 # （二）专业大模型：成为领域专家 在通用大模型基础上，通过知识调整（Knowledge-tuning）融入国土空间规划专业知识。例如，在医疗领域通过结构化知识库生成问答对训练模型，这一思路可迁移至规划领域，构建具备空间逻辑推理能力的专业模型。 本草医学智能问诊大模型——基于结构化中文医学知识库的大语言模型知识调优，实现了中文环境下的可靠响应 BenTsao（本草） HT-SICR Health Intelligence 该项目由哈尔滨工业大学社会计算与信息检索研究中心健康智能组完成，指导教师为赵森栋副教授，秦兵教授以及刘挺教授。 - 研究中引入了知识调整（knowledge-tuning）的方法，在LLMs（大型语言模型）的训练和推理阶段中明确地融入了医学知识库。 知识调整首先通过Chat-GPT API基于结构化知识库生成医学知识问答对，并训练LLMs生成关键词和可能的属性作为每个输入的查询参数。这些查询参数随后用于检索相关的医学知识。因此，LLMs可以通过参考检索到的医学知识为输入生成响应。 - LLMs不仅生成响应，还提供了它们所依赖的知识来源的信息，从而提高了生成响应的质量和可靠性。 # 二、核心特征：多模态为主，语言模型为辅 国土空间规划研究对象为“国土空间”，需同时处理文本、图像、地理数据等多模态信息。专业大模型需具备： 跨模态关联能力：理解规划文本与空间图纸的对应关系（如总规文本与用地布局图）； 空间推理能力：基于GIS数据诊断空间问题（如生态红线违规建设识别）； 动态决策能力：模拟规划推演过程（如交通流量预测与路网优化）。 类比传统GIS工具，专业大模型将升级为“智能规划分析平台”，实现从“工具调用”到“自主决策”的跨越。 # 三、三类专业大模型体系 # （一）图文工具模型：提升日常工作效率 功能：自动生成/审查规划图纸、报告（如城市体检报告、总平面渲染图）； 案例：同济规划院开发总规文本审查模型，可识别文本格式错误、术语规范性，并关联规范条文提出修改建议；总平面渲染模型输入线稿即可生成符合专业表达要求的彩色图纸，降低设计重复劳动。 # Deepseek为基础模型进行开发 提示词优化 构建RAG知识库 功能开发 # 以智能体形式实现应用 本地Word文档上传 对审查结果进行黄色高亮标记 以批注形式提供修改建议 生成审查单 # 专业大模型的目标：规划设计总平面渲染图生成 实现输入规划设计平面图线稿，模型实现输出规划设计总平面渲染图 将绘制总平面渲染图的知识（属于程序性知识）融入通用大模型 实现规划业务中重复性、流程化工作的效率提升 规划设计总平面线稿图（1） 规划设计总平面渲染图（1） # （二）数据管理分析模型：智能GIS专家 功能：自然语言驱动空间数据分析（如“查询生态红线内新增建设用地”）； 案例：中国地质大学GeoTool-GPT模型，通过微调开源大模型掌握2000余项GIS工具调用逻辑，实现复杂空间任务的自动化分解与执行。 # □领域知识：GIS数据查询、分析中的领域知识 ■领域知识：通过微调，GeoTool-GPT学习了大量GIS工具的具体功能、适用场景和参数配置。 通过提示词设计，指导GPT-4自动生成遵循指令的训练数据集 指令响应数据（GeoTool，1950条指令）以增强LLM对GIS工具的理解； 指令解决方案数据（GeoSolution，3645条指令）以提高为特定地理空间任务生成解决方案的能力(GIS工具调用及其序列) 注释指令解决方案评估数据（GeoTask，300条指令）用于评估LLM的GIS工具使用熟练程度 # （三）推演决策模型：规划专家的数字孪生 功能：空间问题诊断- 归因- 优化全链条决策（如街道可步行性提升）； 案例：东京大学开发街道设计模型，通过众包调查提取公众偏好知识，生成高满意度设计方案；同济团队构建街道可步行性诊断模型，基于多层级评价体系输出空间优化建议，媲美人类专家水平。 Huang L, Oki T. Enhancing people's walking preferences in street design through generative artificial intelligence and crowdsourcing surveys: The case of Tokyo[J]. Environment and Planning B: Urban Analytics and City Science, 2025: 23998083251327405. # 四、未来展望：知识引领，协同创新 构建国土空间规划专业大模型需把握两大关键： 1. 以领域知识为引领：将规划标准、空间机理、历史经验等结构化知识注入模型； 2. 以业务逻辑组织应用：围绕规划编制、审批、实施等环节设计智能场景。 学界与业界需分工协作，高校聚焦推演决策模型的理论突破，规划院、编审中心着力落地图文工具与数据分析模型，提升日常效率。随着技术成熟，专业大模型或将成为规划师的“智能助手”，推动行业从“经验驱动”迈向“数据与知识双驱动”的新范式。 # 1.2时空数据基础大模型：架构、赋能与场景应用 吴华意 武汉大学测绘遥感信息工程全国重点实验室教授、博士、博士生导师、长江学者 # 一、LLM4GIS：大语言模型驱动的GIS分析新范式 报告首先回顾了GIS分析从“经验科学”到“数据驱动”的演进历程，指出当前GIS分析面临数据形态复杂、任务需求模糊、模型泛化能力不足等挑战。 [1]间国年，袁林旺，陈旻，等.地理信息学科发展的思考[J].地球信息科学学报，2024,26(4):767-778.DOI:10.12082/dqxxkx.2024.240149 [2]杜清运王涛，任福.试论地理信息科学的基础学科范式[J].武汉大学学报(信息科学版),2022,47(12):2003-2006+2037.DOI:10.13203/j.whugis20220782 在此背景下，吴华意教授提出LLM4GIS技术体系，旨在通过大语言模型实现： - 多模态异构数据的理解与地理实体关系提取； - 模糊需求的语义解析与自动化分析流程生成; - 低门槛、跨学科的GIS工具使用体验。 # 二、LLM生成地学代码：从“编程难”到“自然语言即代码” 地学代码编写长期以来依赖专业背景，存在“编程慢、编程难”的问题。吴华意教授指出，LLM虽能生成代码，但仍面临用户意图理解难、数据对齐复杂、语法知识缺失等挑战，导致“代码幻觉”。 为解决这些问题，团队系统推进了以下研究方向： # 1. 能力评估：构建 GeoCode-Bench 与 AutoGEEval 基准 - 涵盖选择、判断、填空、编程等多种题型； - 从准确性、资源消耗、错误类型等维度全面评估模型性能。 # 2. 思维链: Chain-of-Programming (CoP) - 将代码生成拆解为需求分析、算法设计、代码实现、调试、注释五步； - 在18类模型上实现 $3.0\% - 48.8\%$ 的性能提升。 [4] Chain-of-programming (CoP): empowering large language models for geospatial code generation task. International Journal of Digital Earth, 2025, 18(1): 2509812. https://doi.org/10.1080/17538947.2025.2509812. # 3. 知识库：Geo-FuB与GEE-OPs - 构建地学算子-函数知识库，缓解代码幻觉； - 集成RAG后，模型可执行性提升 $38\%$ 以上。 # 研究意义 针对LLMs生成GEE代码因缺领域算子-函数知识易现“代码幻觉”，RAG缺标准化算子-频繁模式共现知识库的问题，提出GEE-OPs框架构建专用知识库。 # 研究亮点 四表核心知识库：含算子语法、关系频率、频繁模式、关系链表，全面覆盖GEE算子知识。 - 用AST解析提取算子关系，FP-Growth挖掘频繁模式，确保知识库精度（算子关系提取F1达93%）。 集成RAG后，LLMs可执行性提 $38.0\% -44.9\%$ 正确性提24.1%-47.2%，可读性提4.7%-7.6%。 基于29.5万条GEE脚本构建，关键指标（响应时间、内存）公开，知识库开源供复用。 [6] GEE-OPs: an operator knowledge base for geospatial code generation on the Google Earth Engine platform powered by large language models. Geo-spatial Information Science, 2025. https://doi.org/10.1080/10095020.2025.2505556. # 4. 模型微调：GeoCode-GPT - 面向多平台(GEE、ArcGIS、PIE)、多语言(Python、R、JavaScript)的地学代码生成模型; - 支持零样本、自然语言驱动的代码生成。 [7] GeoCode-GPT: A large language model for geospatial code generation. International Journal of Applied Earth Observation and Geoinformation. 2025, 138: 104456. https://doi.org/10.1016/j.jag.2025.104456. # 5. 智能体：GeoCogent - 具备任务规划、知识检索、代码执行、反馈优化能力的LLM智能体； - 在50项任务中，可执行性达 $76.4\% - 86.8\%$ ，远超通用模型。 # 三、时空数据基础大模型：构建时空智能基础设施 当前时空数据处理面临“难治理、难分析、难复用”三大痛点。吴华意教授提出构建时空数据基础大模型，作为支撑多行业应用的智能基座。 # 该模型具备以下特征： - 多模态融合：融合文本、矢量、栅格、轨迹、地图等多源数据； - 智能化分析：支持提示工程、检索增强生成、模型微调、智能体等多种技术路径； - 场景化应用：覆盖规划、交通、电力、公安、医疗等多个垂直 领域。 案例：电力台账数据智能查询 - 针对电力企业数据体量大、结构复杂、字段含义不明确等问题； - 基于基础大模型微调出专用查询模型，实现高效、准确的数据检索与理解。 # 四、总结与展望 报告最后提出 LLM4GIS 与 GIS4LLM “双向赋能”的发展路径，并指出未来五大方向： 1. 多模态协同解析：实现文本与地图、影像、轨迹等的语义对齐； 2. 可解释性与可信度提升：破解LLM“黑箱”与幻觉问题； 3. 泛化与专业的平衡：构建自适应任务机制； 4. 端侧智能转型：轻量化模型赋能实时决策； 5. 智能化与普适化：构建低门槛、跨学科的智能分析平台。 # 1.3 广州市规划和自然资源大模型总体设计与案例实践 时新华 广州市基础地理信息中心电子政务部部长、正高级工程师 # 一、背景与挑战：数字化转型中的痛点与机遇 当前，广州市在规划编制与行政管理中面临多重挑战：包括历史规划成果分散、类型复杂、隐性知识难以转化，以及行政应诉案件量大、专业法律支持不足等问题。与此同时，国家在“数字中国”“智慧城市”等政策引领下，推动新一代信息技术与政府治理深度融合，为大模型技术在自然资源领域的落地提供了战略契机。 # 二、建设思路：构建“双轮驱动”的大模型体系 为系统应对上述挑战，广州提出构建规划知识大语言模型与法治生成式大语言模型两大核心系统。前者聚焦规划成果整合与决策辅助，后者致力于法律知识图谱构建与诉讼复议全流程支持，形成“业务+法治”双轮驱动的智能化治理新范式。 # 三、关键技术：提示词工程 + RAG + 模型调优 报告提出以“提示词工程—检索增强生成（RAG）—模型微调”为三角架构的技术路径，实现大模型从通用能力向专业能力的跨越。通过精准指令设计、外部知识融合与领域数据训练，有效提升模型在规划与法律场景中的准确性、专业性与可靠性。 # 四、实践探索：四大典型应用场景落地 1. 通用智能问答助手：支持政策咨询； 2. 规划编制辅助系统：支持规划查询、横向比较、报告生成与立项建议； 可查询特定范围、特定主题的规划项目；通过指定条件，开展广州与国际、国内先进城市之间的横向比较，形成可供参考借鉴的先进经验做法。 # 查规划 # 谋规划 # 评规划 # 助规划 一、广州低空经济发展现状 1.产业基础 龙头企业：亿航智能（全球首个eVTOL上市企业，在广州黄埔开展载人无人机试点）、极飞科技（农业无人机头部企业）。 政策支持：广州发布《关于推进低空经济高质量发展的实施意见》（2023年），提出打造“天空之城”，规划建设5个低空飞行基地。 \*应用场景： 物流配送：顺丰联合亿帆在生物岛试点医疗物资无人机配送 文旅娱乐：珠江新城、白云山景区开通低空观光航线。 应回避表决：2023年增城洪灾中无人参与物资投送。 2.核心优势 ·空域资源：广州空域管理权轮灵活，获批全国首批低空空域改革试点。 ·制造业基础：珠三角电子元器件、电池等供应链配套完善。 ·粤港深合作：南沙自贸区推动港深公路整体迁移至轨线 3. 现存问题 产业规模缩小2023年低空经济产值约200亿元，仅为深圳（超600亿元）的1/3。 龙头企业单一：依托亿帆智能，缺乏全产业链布局（如飞控系统、传感器等关键环节薄弱）。 ·应用场景受限：空域开放不足，商业化运营试点规模小（如无人机物流仅限特定区域） 三、广州低空经济发展的短板对比 二、对标城市案例与经验借鉴 1. 深圳：无人机全产业链生态 龙头企业：大疆（全球消费级无人机市占率70%）、道通智能（工业无人机）。 ·政策创新：设立全国首个民用无人驾驶航空试验区，推出“低空经济20条” ·产业链协同：依托华强北电子市场，华为/中兴通信技术，形成“研发-制造-应用”闭环。 2.上海：eVTOL商业化运营试点 ·场景突破：峰飞航空在金山开发区开通eVTOL跨海货运航线（金山-舟山）。 ·政策支持：发布《智能网联航空器适航审定指南》。简化创新产品审批流程。 资本助力：引入红杉资本、商飞资本成立低空经济产业基金。 3.杭州：低空+数字经济融合 数字基建：利用阿里云搭建低空智联网平台，实时监控无人机飞行数据。 ·特色场景：依托亚运会开展无人机灯光秀、赛事物资配送等应用。 三、广州低空经济发展的短板对比 一是根据相关知识检索，上层级规划方向，生成年度规划重点方向建议。 二是通过已编成果分析、横向比对申报内容，提出规划编制项目立项建议。 # 年度规划重点方向建议 # 查规划 # 谋规划 # 评规划 # 助规划 一、强化国家中心城市核心功能，深化粤港澳大湾区协同发展 1.打造国际综合交通枢纽升级版 ·推进白云机场三期扩建。南沙港区五期自动化码头建设，强化国际航运枢纽功能。 ·完善“轨道上的大湾区”网络，加速广佛环线、穗莞深城际等项目建设，推动高铁进城（如广州站。 ·建设南沙国际物流中心，联动中欧班列、东南亚海陆航线，提升全球供应链韧性 2.深化粤港澳合作示范区建设 以南沙为核心，推动粤港澳科技联合创新（如生物医药、人工智能等领域），探索跨境数据流通试点 ·推进粤港合作产业园、香港科技大学（广州）产学研转化，吸引港澳专业服务、金融、法治 ·试点“湾区标准”互认，简化港澳人才执业、跨境投资审批流程。 二、构建现代化产业体系，推动高质量发展 1、数字经济与实体经济深度融合 ·支持粤洲人工智能与数字经济试验区建设，培育工业互联网、元宇宙、区块链等新业态。 - 推动传统制造业智能化升级（如汽车产业等新能源、自动驾驶转型；优化数据采集及柔性制造）。 - 推动“端管”城市运行平台，提升城市治理数字化水平。 2.培育战略性新兴产业集群 聚焦生物医药（国际生物医药）、集成电路（智慧城市）芯片、新材料（高端实验室）、低经济（无人机）、强化科技支撑健全、设立产业引领基金、完善“跨机构-高端+产业”全链条服务。 # 规划编制项目立项建议书 广州市规划编制项目立项审查建议书 项目名称：广州市 $x\times x$ 区（或专项）规划编制项目 申报单位：××××（单位全称） 申报日期：xxxx年xx月xx日 一、项目背景与必要性 1.规划背景 ·结合国家、省、市相关政策（如《广州市国土空间总体规划（2021-2035年）》《粤港澳大湾区发展规划纲要》等），说明项目的上位规划依 ·分析广州市当前在**领域（如城市更新、交通体系、生态保护等）的现状问题，提出规划编制的紧迫性。 2.必要性分析 ·项目对广州市经济社会发展、城市功能优化、民生改善等的意义。 ·与城市战略目标（如“老城市新活力”、“国际大都市建设”）的契合性。 二、规划目标与任务 1.规划目标 ·明确规划编制需解决的突出问题（如空间布局优化、产业升级、基础设施配套等）。 ·提出分阶段目标（近期、远期）。 2.主要任务 规划范围与重点区域（附范围示意图）。 ·规划核心内容（如用地布局、交通网络、公共服务设施、生态保护等）。 ·需履行的其他权利（如国土空间规划、专项规划等） 一是对重点平台规划实施情况进行分析、评估。 二是从各项规划中，识别和提取重大项目，并对项目的必要性、时序性等进行分析并排序。 # 查规划 # 谋规划 # 评规划 # 助规划 广州市国土空间总体规划（2021-2035年） 二、三核实施进展与重点区域 1.天河·黄埔高质量发展核心引擎 1、购回：实名制，利导账户，现金分红确认区 重点区域 美河中央商务区（CBO）：已形成以金融、总部经济为主的产业集群，2023年税收超千亿企业达5家。 广州国际金融城：东区建设加速，引入广发投行。中国人寿等总部，西区规划人工智能与数字经济试验区 黄药科学城/010区域：聚原新一代信息技术、生物医药企业，2023年科学城GDP增速达8%，如图7-14国家知识产权综合试点 - 推出：土地资源紧张，需通过城市更新释放空间 2.南沙城市副中心 ·集设：香港金融合作示范区，国际航运中心 重点设备： 《南沙方案》草案企业所得税优惠目录企 交通相据建设，深中通道（2024年通）南小南双全所 产业布局：新能源汽车（广汽丰田扩建）商业码头（中科丰 ·裁决：人口导入不足（2023年常住人口的100万），需强化产城制 1.交通运输 $\therefore m : x = 1$ 或 ${3x} + {4y} + 1 = 0$ -定位：全球综合航空枢纽，航油经济示范区。 ·核心项目： 云机机场三期扩建T3航站楼2025年投用，预计年吞吐量达 粤编电商商城：2023年进出口总额突破2000亿元，占全国1/5。 本期快递配送中心：年处理话费量超90万吨。 ·挑线：周边产业配套不足。弱强化与花都，从化崛起 三、“四极”发展动态 1.日云新城 ·定位：总部经济集聚区。 ·进展：广州设计之都一期投用，引入中交四航局等总部；白云站2023年通车，推动站城一体化 2.广州南站商务区 \*定位：粤港澳大湾区枢纽型商圈。 ·进展：新鸿基TOD项目启动，2025年建成：2023年客流量达1.8亿人次，但商业配套仍滞后。 3.东部枢纽（新塘-黄埔） *座位：穗先深城际轨道交通 * 进展：新增站综合交通枢纽投用，增城开发区引入超视界显示、广本新能源车基地。 4.知识城-从化科技创新极 ·知识城：落地瑞士龙沙、百济神州等生物医药项目，国家实验室加速器园区启用。 从化：生态设计小镇，国际赛马中心推进中，但产业能级待提升。 一是针对某一主题或行业热点，分析广州现状情况，对比其他先进城市案例，提出策论建议。 二是通过某一领域规划成果、现状信息、政策文件、行业动态等按照指定逻辑形成总结性材料草案。 # 3. 行政审批智能审查：实现材料识别、合法性审查与文书质检； 面向【依申请公开政府信息业务】，上传材料时提供智能识别申请表功能，一键填充至表单，并可根据申请公开内容推荐主办部门 上线系统：审批管理系统 根据业务案件审查要点全面审查行政行为合法性，如有问题及时预警提醒 上线系统：审批管理系统 对拟出具的文证/答复书/答辩状提供模板结构检查、文书要素检查、文档逻辑检查等功能进行质检 上线系统：审批管理系统 4. 诉讼复议全流程辅助：涵盖案情分析、法律匹配、类案推荐与文书生成。 动获取行政诉讼（复议）案件原告的主要诉求、观点及理由，帮助用户快速掌握案情，提供办案思路 上线系统：诉讼复议管理系统 关联行政审批案件，根据审查要点全面审查行政行为合法性，按时间线梳理案情事实和证据清单；模型最终返回案情事实描述、认定理由和证据佐证描述上线系统：诉讼复议管理系 根据认定的行政行为事实在知识库查找可适用的法律法条，并评估案件存在的法律风险，给出法律意见 上线系统：诉讼复议管理系统 根据认定的行政行为事实在知识库检索相似案件，返回类案裁判要旨和裁判结果，以及趋势分析等 上线系统：诉讼复议管理系统 根据案情摘要、事实认定、适用法律、历史案例的分析结果及用户提供的其他相关信息，依照答辩状模板生成对应的答复书/答 辩状初稿以及证据清单 上线系统：诉讼复议管理系统 第47页 # 五、未来展望：从大模型到自然资源智能体 报告指出，近期以Manus为代表的AI智能体技术展现了任务分解与自主执行的潜力。下一步，广州将探索融合多模态大模型与业务系统，推动规划图形生成、智能选址、审批一致性审查等功能的落地，进一步提升自然资源管理的智能化水平与决策效能。 # 1.4 从技术突破到场景落地：大模型发展图谱与DeepSeek创新应用 李煜政 中山大学软件工程学院实验教学中心主任 # 一、人工智能大模型发展现状 1955年“人工智能”概念诞生至今，技术迭代已迈入第四阶段：通用大模型驱动下的认知革命。GPT-4等千亿级参数模型的出现，标志着AI从“工具”向“伙伴”的跃迁。DeepSeek系列模型（MoE架构、数学推理优化、V3/R1迭代）持续刷新性能上限，其“纯强化学习+思维链”技术实现复杂问题自主推理。 # 二、DeepSeek 破圈背后：从模型能力到产业落地 # （一）核心价值 1. 长思维链推理：突破传统思维链技术局限，实现数学证明、科学决策等复杂任务的“慢思考”。 2. 低成本高密度：通过模型蒸馏技术，将千亿级能力“浓缩”至百亿参数，推动本地化部署浪潮。 3. 全场景渗透：华为云、腾讯云等头部平台全面接入，覆盖智能客服、自动驾驶、政策解读等 $100+$ 细分场景。 # （二）落地图谱 1. 工业：南方电网故障预测、吉利汽车 AI 导航系统 2. 金融：国有银行合规问答、券商行业研究报告生成 # 三、大模型未来趋势：从算力依赖到智慧涌现 1. 知识密度跃升：模型能力不再依赖参数堆砌，8个月性能翻倍的“新摩尔定律”初现。 2. 智慧飞轮成型：基于合成数据的自我迭代取代传统数据飞轮，OpenAI闭源技术壁垒被打破。 3. 端侧智能爆发：智能眼镜、手机端模型和智慧台灯等推动AI“贴身化”，算力需求下降 $90\%$ 。 # 四、DeepSeek 赋能个人：从工具使用到思维升级 # （一）效率工具矩阵 1. 会议纪要：音视频转写 + 智能摘要的一站式解决方案； 2. 数据分析：进行代码生成和Excel处理，实现数据可视化与自动化。 # （二）进阶技巧 1. 提示词工程：掌握“问题拆解 + 思维链引导”的黄金公式； 2. 迁移深度思考：进行跨模型协作，将DeepSeek的长思考过程（如数学推理）复制后，通过Kimi、GPT等模型优化最终答案质量，并进行创意升级； 3. 本地部署：低成本体验大模型，运用Ollama工具：一键启动2000+模型（含DeepSeek-R1、QwQ-32B），无需云端算力。 # （三）如何与AI协作 1. $80\%$ 定义问题：透过任务表面，发掘模态本质；构建转换通路，执行交给 AI，掌握“问题拆解 + 思维链引导”的黄金公式； 2. $20\%$ 判别结果：发挥共情能力，批判性思维，实践经验等人类优势。 # 五、结语：AI的未来，由“思考”定义 从金融风控到日常办公，DeepSeek的破圈之路印证了大模型的真正价值——不仅是技术突破，更是让AI成为每个人触手可及的生产力工具。随着“思维链”技术的普及与本地化部署的加速，我们正站在一个AI普惠时代的入口。 # 1.5规划和自然资源行业应对DeepSeek浪潮的思考 何正国 学会城市规划新技术应用专业委员会秘书长、教授级高级工程师 # 一、DeepSeek 影响千行百业 # （一）科技巨头与基础电信运营商的接入 2025年伊始，英伟达、亚马逊和微软三大科技巨头纷纷宣布接入DeepSeek大模型。英伟达将其应用于GPU加速卡和数据中心，提升计算能力；亚马逊借助云计算平台推广该模型；微软则集成到现有软件产品和服务中，增强用户体验。紧接着，中国电信、华为昇腾云服务、中国联通和中国移动等基础电信运营商也相继接入DeepSeek，推动了政务服务的智能化转型。 # （二）千行百业深度拥抱 DeepSeek 截至2025年3月，超过百家国内外企业宣布接入DeepSeek，覆盖政务、互联网、制造业、汽车、医疗、能源、金融、手机、教育、科技等多个领域，形成从底层算力到终端应用的完整生态闭环。 # （三）技术普惠与行业重构 DeepSeek 以“低成本、高性能、开源化”的创新路径，打破技术垄断壁垒，推动 AI 从巨头专属走向全民共享。同时，通过“技术穿透、数据觉醒、模式重构”的三重跃迁路径，重塑行业决策底层逻辑。 # 一、在行业应用方面，DeepSeek成效显著 制造业中，汽车设计仿真迭代加快，零部件参数优化从月级缩至天级，研发周期缩短超 $50\%$ ；医疗领域，医学影像检出率提升 $20\%$ ，药物研发靶点筛选效率突破，研发周期缩至传统模式的三分之一。 # 二、决策模式从经验驱动向“数据+AI”协同驱动转变 金融风控中，传统依赖规则与经验难应对实时风险，DeepSeek构建协同网络，通过实时数据驱动模型动态学习，反欺诈准确率从 $90\%$ 提至 $99.7\%$ ，推动决策转向算法实时优化，实现精准动态风险识别。 # 二、大语言模型技术原理 # （一）语言模型概述 语言模型的目标是建模自然语言的概率分布，通过学习词、句内在的语言模式和语义关系，使 AI 能够理解和生成人类语言。例如，通过大量文本学习，模型能识别主语、动词、宾语的基本句子结构，统计词语搭配频率，理解词语含义和句子语义，分析上下文关系等。 $$ \begin{array}{l} P (w _ {1} w _ {2} \dots w _ {m}) = P (w _ {1}) P (w _ {2} | w _ {1}) P (w _ {3} | w _ {1} w _ {2}) \dots P (w _ {m} | w _ {1} w _ {2} \dots w _ {m - 1}) \\ = \prod_ {i = 1} ^ {m} P (w _ {i} | w _ {1} w _ {2} \dots w _ {i - 1}) \\ \end{array} $$ # （二）Transformer 结构 Transformer 结构由谷歌在 2017 年提出，基于注意力机制对源语言和目标语言序列的全局依赖进行建模。其编码器和解码器结构由多个 Transformer 块组成，通过多头注意力机制、位置感知前馈层、残差连接和层归一化等组件，实现对输入文本的有效处理。 # （三）语言模型构建流程 语言模型的构建包括预训练、有监督微调、奖励建模和强化学习阶段。预训练阶段利用海量数据构建基础模型；有监督微调阶段使用高质量数据提升模型性能；奖励建模阶段构建文本质量对比模型；强化学习阶段根据用户提示词调整模型参数，提高生成文本质量。 # 三、四横三纵应对策略路径 （一）智才筑基——AI素养提升工程 在规划和自然资源行业普及AI知识，提升人员AI素养至关重要。通过思维转变、能力构建、习惯养成和文化重塑，让行业人员主动拥抱AI技术，形成良好的AI使用习惯，营造良好组织文化。 # （二）算力赋能——基础设施升级 部署 DeepSeek 大模型时，需根据模型规模、应用场景、并发需求及性能目标综合规划算力配置。不同模型规模对显存需求和推荐GPU数量有所不同，同时要关注核心硬件配置方案和成本效益对比。 模型规模与硬件需求关系 <table><tr><td>模型规模</td><td>显存需求（推理）</td><td>显存需求（训练）</td><td>推荐GPU数量</td><td>量化技术支持</td></tr><tr><td>7B-</td><td>10-16GB</td><td>24-32GB</td><td>1-2</td><td>FP16/INT8</td></tr><tr><td>13B</td><td>20-24GB</td><td>48-64GB</td><td>2-4</td><td>FP16/INT4</td></tr><tr><td>32B+</td><td>40GB+</td><td>80GB+</td><td>4+</td><td>FP8/QLoRA</td></tr></table> 注：显存需求基于FP32精度，使用量化技术（如FP16/INT8）可降低显存占用 $30 - 50\%$ # （三）基座选型——核心模型构建 在选择基座模型时，应综合考虑业务场景和安全合规要求，评估模型的多模态处理能力、长文本分析性能以及安全合规性。DeepSeek、Qwen 和 ChatGLM 等模型各有优势，适用于不同政务和业务场景。 <table><tr><td>维度</td><td>DeepSeek</td><td>Qwen</td><td>ChatGLM</td></tr><tr><td>核心优势</td><td>推理能力顶尖，本地化部署成本低</td><td>多模态、中文理解、开源生态</td><td>轻量化、垂直领域适配</td></tr><tr><td>适用场景</td><td>政务审批、知识库建设、统计分析</td><td>空间规划、不等产登记</td><td>政策问答、数据核验、报告生成</td></tr><tr><td>硬件需求</td><td>中等（支持CPU/GPU部署）</td><td>较高（需多卡GPU，尤其72B版本）</td><td>低（轻量化，支持边缘设备）</td></tr><tr><td>开源支持</td><td>完全开源，支持商用</td><td>开源（Apache 2.0），生态活跃</td><td>开源（MIT），但生态较弱</td></tr><tr><td>推理速度</td><td>快（优化架构+量化技术）</td><td>中等（依赖硬件配置）</td><td>快（轻量化设计）</td></tr></table> # （四）安全筑盾——防护体系建设 大量部署 DeepSeek 的服务器存在安全隐患，行业需加强防护体系建设。通过关闭高危端口、数据分级分类、严格权限控制等措施，降低安全风险。 # （五）场景深耕——业务痛点突破 DeepSeek 被集成至规划和自然资源政务系统，用于智能问答、政策解读、公文起草等场景。在不动产登记、规划编制、重大项目地块判断、耕地保护等方面发挥重要作用，提升业务效率和质量。 究竟哪些业务场景适宜采用DeepSeek呢？在具备“数据密集度高、规则清晰明确、对强大推理分析能力有需求”特征的业务场景中，DeepSeek均能够发挥至关重要的作用。 # （六）知识聚库——本地知识库建设 构建本地知识库是提升DeepSeek应用效能的关键。通过优化入库源头数据，进行文本清洗、去重、脱敏和统一操作，提高数据质量。 同时，要解决文档识别难题，采用多种技术和工具提升多模态数据整合效果。 # 1. 构建本地知识库的好处及流程 口提升回答准确性，对抗大模型幻觉。 口保护数据安全，防止信息外泄。 口提高信息可追溯性和透明度。 口支持动态更新和保持知识时效性。 # 2. 数据治理 # 3. 文本信息识别提取常见问题及对策 <table><tr><td>痛点分类</td><td>具体问题</td><td>解决方案</td><td>工具/技术</td></tr><tr><td>图文不一致</td><td>图文数据存在着差异</td><td>文档解析、文本块分类和文本生成</td><td>文本分类与输出</td></tr><tr><td>复杂排版干扰</td><td>多栏文本、跨页表格断裂，信息错乱</td><td>智能分块识别（区分文字和表格）+表格结构还原算法</td><td>PaddleOCR 表格识别、LayoutLM语义分割模型</td></tr><tr><td>用地类型差异</td><td>不同的源文件里面对于同种用地类型的表述不一致</td><td>将不同的用地类型的表达差异进行统一，解决类型差异问题</td><td>提示词+大模型</td></tr><tr><td>多模态数据整合</td><td>图片、CAD图纸与文字无法关联存储</td><td>空间坐标与文本自动绑定+统一格式转换</td><td>ArcGIS地理系统、Python脚本自动化处理</td></tr><tr><td>人工校正成本高</td><td>扫描后需手动补全缺失内容，费时费力</td><td>AI自动纠错（语义补全）+规则过滤冗余内容</td><td>BERT语义修复模型、正则表达式清洗引擎</td></tr></table> # 4. 分块常见文件问题及对策 <table><tr><td>问题分类</td><td>具体问题</td><td>解决方案</td><td>相关工具/技术</td></tr><tr><td>语义断裂</td><td>问答对被拆分，检索结果不完整</td><td>动态分块策略（语义相似度合并）；人工规则标记（如“#####Q/A”标识符）</td><td>Sentence-BERT、正则表达式</td></tr><tr><td>专业术语割裂</td><td>术语跨块（国土空间开发适宜性评价）</td><td>-术语库预扫描+强制保护 -分块后术语完整性校验</td><td>FlashText、spaCy NER模型</td></tr><tr><td>多模态割裂</td><td>文本描述与关联图表/坐标分离</td><td>空间坐标/图表标题绑定文本 -多模态联合分块（文本+图片哈希）</td><td>LayoutLM、Nougat多模态框架</td></tr><tr><td>分块粒度难统一</td><td>长短差异大（50字vs.2000字）</td><td>增量分块+索引更新 -版本化分块管理（如时间戳标记）</td><td>Apache Kafka、Milvus增量索引</td></tr><tr><td>人工校正成本高</td><td>新数据分块需全量重建索引</td><td>分层分块（粗粒度目录+细粒度内容） -业务规则分类（法律/技术/行政差异化）</td><td>LangChain智能分块器</td></tr></table> # （七）智能铸魂——AI Agent 构建 AI Agent 能突破大模型的能力限制，实现更复杂的任务。通过构建控制端、感知端和行动端，实现信息处理、知识存储和环境交互。同时，需解决 API 和数据源差异问题，提升 AI Agent 效能。 # □控制端（Brain） 作为控制中心的大脑（Brain）模块负责处理信息，以及记忆和知识的存储处理活动，如思考、决策和操作。 # 感知端 (Perception) 接收多模态的感知、信息。 # □行动端（Action） 行动端接收大脑端发送的动作序列，并执行动作与环境进行交互。 # 四、未来展望与思考 # （一）技术升级方向 未来，模型架构将不断提升处理能力和效率，以应对复杂任务和大规模数据。同时，推理效率将得到提升，降低能耗并提高响应速度。多模态融合将成为发展趋势，使DeepSeek能够处理文本、图像、音频和视频等多种数据，拓展应用场景。 # 三、多模态融合 通过将文本、图像、音频和视频数据一体化处理，DeepSeek将能够实现更广泛的应用场景和更强大的功能。 # 一、模型架构升级 提升模型的处理能力和效率，使其能够更好地应对复杂的任务和大规模的数据处理。 # 二、推理效率提升 降低能耗，同时提升响应速度 # （二）行业与技术融合 行业应主动与计算机领域深度合作，引入先进算法和数据处理技术，提升智能化水平。同时，推动数据共享与标准化，打破数据孤岛，为AI提供高质量训练数据，促进技术与行业的深度融合与创新发展。 一方面，行业应主动寻求与计算机领域的深度合作，通过引入先进的算法模型、数据处理技术，提升自然资源管理与规划中的智能化水平。 另一方面，行业需推动数据共享与标准化打破数据孤岛，为AI提供充足且高质量的训练数据。 # 1.6大模型赋能规划院业务创新实践 钮心毅 学会城市规划新技术应用专业委员会副主任委员、同济大学建筑与城市规划学院教授 # 一、从数字制图到智能决策的范式变革 首先回顾了规划设计行业的两次数字化转型历程。第一次数字化转型发生在1990年代中期至2000年代初期，以CAD技术和图像处理技术为代表，实现了从“图板+针管笔+水彩”到“AutoCAD+PhotoShop+PPT”的制图方式变革。然而这次转型主要改变了规划成果的表达方式，并未触及规划方法技术的核心。 当前正在发生的第二次数字化转型是真正的数智化转型。在人工智能国家战略、城市全域数字化转型和技术变革三重驱动下，大模型技术推动人工智能从“感知智能”向“认知智能”跨越，为规划设计 行业带来了方法论层面的根本性变革。 # 二、“通用知识+领域知识”构建专业大模型核心能力 报告深入阐释了大模型赋能专业工作的基本原理。通用大模型如同掌握广博通用知识的博学者，但在特定专业领域仅相当于低年级学生水平。而规划设计作为高度专业化的领域，需要的是掌握“通用知识+领域知识”的行业专家。 专业大模型通过融入规划领域的专业知识，能够理解复杂的空间规律、政策法规和技术标准，真正具备支撑规划专业决策的能力。这种知识结构的升级是实现数智化转型的理论基础。 # 三、三层架构构建数智化转型完整框架 钮心毅教授提出了以大模型为核心驱动的三层转型框架。 基础设施线作为基础层，重点建设数据基础设施和智能基础设施，为转型奠定坚实基础。同济规划院的规范查询系统和总工审查系统作为典型案例，实现了从知识检索到智能审查的升级。规范查询系统实现了技术条文的精准检索和原文呈现，确保专业知识的可信可靠。总工审查系统能够自动识别文本错误并生成审查意见，大大提升了质量管控效率。 # 规划规范智能查询 输入问题，系统将智能检索本地知识库并结合大模型生成答案与来源。 基础审查——通用知识 <table><tr><td>编号</td><td>审查类型</td><td>审查内容</td></tr><tr><td>1</td><td>基础格式审查</td><td>目录、页码、附件、规划依据等</td></tr><tr><td>2</td><td>基础内容审查</td><td>书写编排规范、文字句法、引用等</td></tr><tr><td>3</td><td>基础文数一致性审查</td><td>文本、说明书、附表等</td></tr></table> 专业审查——领域知识 <table><tr><td>编号</td><td>审查类型</td><td>审查内容</td></tr><tr><td>4</td><td>专业内容基本审查</td><td>文本、说明书、附表等</td></tr><tr><td>5</td><td>专业内容合规性审查</td><td>文本、说明书、附表等</td></tr></table> 工作效率线在工具层发力，打造智能规划的“文、数、图”实务工具，全面提升规划师业务效率。基础资料工具、指标数据抽取与汇总等应用，覆盖了从招投标到成果质检的全业务流程。同济规划院的基 础资料工具作为典型案例，已经实现了大量政策资料与上位规划的智能提取与凝练，统计资料指标数据的自动抽取与汇总，将规划师从繁琐的资料整理工作中解放出来。 工具层（提效业务实务）——生成式任务支持规划业务全链条的文、数、图工具 专业能力线在能力层实现突破，通过“诊断-推理-施策”的专业工作模式，推动规划方法技术的迭代升级。同济规划院的都市圈智能分析系统典型案例中，都市圈空间发育程度评价应用显示，都市圈智能分析系统通过自然语言交互，快速完成复杂的地理计算和分析，输出包括矢量数据、图纸、文字报告和数据表在内的完整成果，展现了在 特定领域的深度分析能力。同时，工作时间从2-3小时缩短到3-5分钟，体现了智能技术的革命性影响。 # 四、人机协同开创规划专业新未来 展望未来，钮心毅教授强调了大模型赋能规划院数智化转型的核心路径。规划专业大模型需要学界与业界共同努力，将专业知识体系系统化地融入模型训练，构建清晰的诊断知识和施策知识库。 在技术应用层面，需要重点关注人机协作模式，让专业大模型成为规划师得力的业务助手，实现AI辅助、增强和提升专业性工作的目标。这种协作关系将推动规划师从繁琐的技术操作中解放，更专注于创造性思考和战略决策。 大模型驱动的“诊断-推理-施策”专业工作模式，将深刻改变传统规划设计的方法体系，推动行业从经验驱动向数据驱动、从静态蓝图向动态治理、从单一分析向综合研判的全面转型，为规划设计行业开启智能化发展的新篇章。 # 1.7 人工智能驱动城市变革的趋势和交互范式 徐珺 上海市发展改革研究院发展战略研究所（筹）战略所（筹）副所长、正高级工程师 # 一、引言：技术与城市的共生本质 从工业革命到信息技术，每一次技术革命都深刻重塑了城市空间与社会结构。卡尔·马克思指出，生产工具的革命推动社会关系重组；控制论创始人维纳则强调，城市是人类控制论系统的具象化表达。AI作为新一代通用技术，正推动城市从“被动响应”走向“主动适应”，开启“AI×City”共生进化的新阶段。 # 技术推动城市演化的历程 控制论创始人N.维纳强调：任何时代的城市都是人类控制论系统的具象化表达，技术既是城市问题的解决者，又是新矛盾的制造者。 # 二、AI逻辑的变革趋势：从“程序化”到“自进化” AI技术正经历从“程序化”到“自进化”的根本转变。具体表 现为：算法的自进化（如AlphaZero通过强化学习自主掌握策略）、认知的自生成（多智能体系统实现分布式认知）、决策的自驱动（端到端架构取代模块化设计）、以及行为的自组织（VLA模型融合视觉、语言与动作）。这些变革使AI系统具备更强的泛化能力与场景适应性。 # 01 从硬编程到深度强化学习 传统程序设计依赖专家经验定义特征工程，深度学习通过数据驱动的方式自动提取特征，强化学习通过奖励函数与环境交互的闭环反馈，自主探索出最优策略。例如AlphaZero基于深度强化学习，在无人类先验知识输入情况下，实现了复杂策略规则的掌握并达到顶尖水平。 # 02 大语言模型的自我进化 大语言模型通过“数据输入、表征学习、输出验证”流程实现自我进化闭环，系统不仅迭代参数，还动态重构自身的认知框架。 # 三、城市形态的重构方向：可计算、超情景、分布式与高弹性 AI正在重构城市的空间组织与功能逻辑：可计算城市通过数字孪生与联邦学习实现物理-社会-数字空间的深度融合；超情景城市借助GAN与强化学习拓展规划的可能性边界；分布式城市依托边缘计算与区块链推动城市单元自治；高弹性城市则通过动态耦合机制提升城市在面对不确定性时的适应能力。 # 四、“AI×City”交互范式演进：从描摹到多样化 AI与城市的交互关系正逐步深化，形成五阶段演进路径：AI描摹城市（数字孪生+自主智能体）、AI设计城市（算法增强规划+政策模拟）、AI驱动城市（强化学习治理+反向创新）、AI协同定义城市（知识图谱+群体智慧）、AI促进城市多样化（地方特色+个性小模型）。这一过程推动城市从“静态蓝图”走向“动态共识”。 # 五、考验与筹谋：系统化应对潜在挑战 面对AI与城市融合中的伦理、治理与风险问题，报告提出四方面准备：技术准备（非中心化基础模型+多目标决策）、规则准备（价值对齐+博弈机制）、场景准备（端侧自组织+分布式治理）、机制准备（风险监测+责任追溯）。需通过多维度协同，构建可持续、可信的AI城市治理体系。 # 六、未来展望：走向共生进化的智慧城市 AI与城市的共生进化既充满机遇，也伴随挑战。未来应聚焦三大方向：基础技术实现与验证、“负责任AI”治理框架构建、跨学科城市知识体系服务AI涌现。正如“红旗法案”未能阻止汽车发展，AI与城市的融合也无法简单限制，而需通过技术、规则、场景与伦理的协同，引导其走向人机共融、可持续的未来。 # 2.1规则引擎与大模型技术在CSPON试点工作中的协同应用探索 茅明睿 学会城市规划新技术应用专业委员会委员、北京城市象限科技有限公司总经理 # 一、技术方法与路径 # （一）CSPON指标计算引擎建设 基于算法、模型、规则集成技术开展计算引擎研究，搭建国土空间评估指标模型。 # 关键技术研究1：基于低代码技术的CSPON指标计算引擎建设 城市象限 通过计算引擎搭建城CSPON指标模型，基于数据输入可自动生成指标计算结果。 # （二）知识库和知识图谱建设 海量收集领域相关论文、政策文件等知识物料，通过微调和检索增强构建CSPON知识库和知识图谱，增强大模型专业能力。 # （三）智能报告引擎建设 通过输入规则模板和智能化混合技术，可实现以报告模板为基础，接入知识图谱和大语言模型，生成可读性更强的专业报告。 # （四）国土空间规划大模型基础能力建设 通过大语言模型与空间数据库、规则库、空间模型算法相连接，让大模型成为监测指标库、规则库、算法模型的载体和智能中枢。 # 二、结论 报告得出结论，未来无论大模型如何发展，其智能感知体系和数据治理管理体系基本不会发生大的变化，需要我们持续关注的是不断发展变化的计算引擎和算法规则模型，未来需要我们不断探索知识图谱、智能报告技术与城市认知大模型的协同作用。 # 2.2 全流程智控：基于DeepSeek的详细规划智能管控体系创新与实践 王冉 合肥蓝谷软件有限公司总工办主任、高级工程师 # 一、新技术驱动下的升级路径思考 # （一）DeepSeek 带来的技术浪潮 近年来，人工智能领域迎来爆发式增长，以DeepSeek为代表的大模型技术表现尤为亮眼。凭借强大的数据解析能力、多场景协作能力、低代码适配能力、国产自主可控能力等快速获得市场认可，更是通过与多行业的深度融合，推动行业智能升级。这也给自然资源业务升级转型带来了新的思潮。 # （二）DeepSeek 赋能详规路径 依托DeepSeek强大的能力支撑构建国土空间规划AI知识库和智能分析模型体系，全面赋能详细规划“编-审-管-用”全业务流程，推动详规管控业务体系创新升级。 # 1. AI知识库构建 详细规划领域知识信息的获取主要来源业务工作中的政策法规、业务工作文件等以及网络媒体平台关于详规的舆情信息。通过被动接收与主动获取的方式进行数据采汇，构建AI知识库。 # 2. 智能分析模型构建 基于DeepSeek强大的数据解析能力，构建专业化的国土空间智能分析模型体系，通过持续优化训练，强化分析精度，提升模型分析效能。分析模型支持多源数据融合与动态推演，为详细规划提供科学的决策支撑。 # 二、Deepseek 赋能详规转型实践 在国土空间规划转型的浪潮下，传统详规业务正面临数据协同难、审查效率低等挑战。以DeepSeek大模型技术为核心，通过构建AI知识库与智能分析模型，全面赋能详规“编-审-管-用”全流程——从政策智能解读、审查自动化到动态监测预警等，实现规划效能与治理水平双突破。 基于DeepSeek构建的AI知识库实现嵌入式集成应用，用户可在详细规划全流程业务场景中，通过自然语言交互实时发起智能问答，精准获取专业知识，实现“随问随答、即查即用”的智能体验。 # （一）详细规划编制阶段 # 1. 政策解读 一键快速获取政策核心要点与权威解读，大幅提升政策解析效率与精准度，同时结合多维关联信息库及动态更新机制，为详规编制提供全维度支撑，确保政策理解零偏差，助力规划编制科学性与实施可行性双提升。 # 2. 智能分析 基于强大的数据分析能力支撑，可高效整合多源数据资源进行智能分析，为详细规划编制工作提供可靠的数据分析结果支撑，确保决策过程更加科学。 # （二）详细规划审查阶段 # 1. 审查要点梳理 通过智能识别读取审查标准规范文本内容，运用自然语言处理技术对规范条文进行结构化转译和语义化整理，形成标准化的审查知识库。 # 2. 详规智能审查 支持审查规则自定义配置，提供基础审查、过程审查、数据规范性、总规传导性、专规衔接性、技术合规性等一系列智能审查，有效提高详细规划审查效能。 # 3. 智能会商助手 会前：通过系统发起规划会商，自动生成规划会商邀请函，会商专家通过扫描邀请函上的二维码并输入动态验证码即可查看规划信息。 会中：会商过程中，全程由AI数字人进行汇报。通过AI的互动能力提升会商成效，实现会议高效便捷、个性定制。 会后：会商会议结束后，会商助手自动识别转译会议过程中的语音内容。用户选择对应模板后，会商助手将按照模板要求自动提取关键信息快速生成会议纪要。 # （三）详细规划管理阶段 # 1. 动态监测 针对采集的业务监测数据进行智能解译，自动监测比对变量信息，智能判定耕地“非农化”“非粮化”以及违法建设用地问题，实现动态监测预警。 # 2．公众参与 建立一个多元互动的公众参与平台，便于社会公众提出意见和建议参与到规划的讨论和评价中。同时方便规划部门能及时回应关切问题，提升公众对规划的认同和支持。 服务专区 场景漫游 问卷调查 # （四）详细规划应用阶段 # 1. 规划智能选址 根据不同行业的用地需求提供科学的选址模型，从规划、交通、权属、配套等多维度进行分析筛选，快速匹配合规地块。 # 2. 规划条件智能生成 通过点击任意地块即可快速获取该地块的规划指标信息，便于用户对规划信息的浏览与导出，实现从数据提取到成果输出全流程智能化。 # 3. 低效用地智能筛查 针对工业、商业、居住用地类型建立低效分析模型，基于各类用地指标，量化计算不同用地类型的低效值，并将筛选出的低效用地在地图上标注展示，实现智能筛查。 # 三、总结与展望 通过构建AI知识库和智能分析模型，实现规划编制、审查、管理和应用的全流程智能化升级。该体系显著提升了详细规划业务效能，突破了传统规划业务的数据协同与智能化瓶颈。未来将通过持续深化AI技术与业务场景的融合研究，努力推动详细规划从“数字化”向“数智化”发展，为国土空间治理现代化提供新动能。 # 2.3 布局到审查：基于 DeepSeek 的建筑规划方案双重保障 徐海丰 合肥众智软件有限公司数据中心主任、国土空间规划研究中心主任、高级工程师 # 一、DeepSeek 在建筑规划中的优势 # （一）对比其他AI产品 相较于ChatGPT、通义万相、Midjourney等AI产品，DeepSeek具备独特的优势。它采用混合专家架构，能够根据输入特征智能匹配专家模型，使复杂任务处理效率提升 $40\%$ 。在技术突破方面，开源社区复现实验显示，DeepSeek的模型决策延迟可降低至200ms以内。其推理成本也得到了优化，通过MLA技术减少KV计算，成本降低 $60\%$ 。此外，DeepSeek在智能交互场景、数据分析场景、跨模态能力等方面表现出色，全面赋能城市规划应用探索。 # （二）AI知识智库 DeepSeek 的 AI 知识智库是其在建筑规划中应用的核心优势之一。它通过构建知识图谱，将审查规则、法律法规、量化标准、历史数据、标准规范等信息进行整合。例如，它涵盖了 350 余本国家标准、200 余本行业标准，能够为规划方案提供精准的政策法规解读和知识支持。同时，DeepSeek 还能从过往案例中学习，不断优化知识谱系，实现知识的泛化、可拓展、可复制和可传递。 # 二、规划布局的智能化应用 # （一）布局范围生成 DeepSeek 能够根据项目区位、用地红线、容积率、建筑限高等基础参数，智能生成建筑布局范围。它通过识别场地周边环境，如周边城市道路现状、公共服务配套、建筑现状等，自动评判周边环境对场地的影响，并生成合理的建筑布局范围。 布局范围生成 # （二）智能设计布局 基于给定的容积率、建筑限高、建筑退让等约束条件，DeepSeek可以快速生成多种建筑布局方案。这些方案会充分考虑场地的环境因素和规划要求，为设计师提供多样化的选择。 # （三）智能指标测算 DeepSeek 将指标平衡表计算涉及的基本参数以及算法内置在平台中，用户只需输入相关参数，即可直接计算出容积率、建筑密度、总建筑面积等指标，并自动生成规划整体布局。这一功能大大提高了指标表计算和规划布局推演的效率。 # （四）方案生成与优化 DeepSeek 能够根据设计条件、建筑选型、排布规则以及地方规范等因素，生成多个建筑规划方案。并通过专业日照分析、间距优化等功能，对方案进行动态指标监控和优化，确保方案的可行性和合规性。 # 三、智能审查的创新实践 # （一）智能审查路径 传统的建筑规划审查方式存在诸多不足，如核查容积率、绿地率等重要控制性指标的准确性难以保证，人工审查工作量大、效率低，二维审查不够直观等。而基于DeepSeek的智能审查系统，以建筑规划方案报审为突破口，实现了对二、三维设计成果的审批模型提取、审批要素规整以及成果质量自检。它能够支持导出统一格式的规划报建模型，供审批审查使用，并接入AI知识智库，搭建包含微观技术审查、宏观技术审查等功能的智能审查系统，进行自动验算校核与审查，出具格式化审查报告，推动建筑规划方案审查智能化转变。 # （二）设计成果标准化 DeepSeek 可以对各类建筑规整、控制线等内容进行自动规整，如建筑轮廓、区域界线、建筑类型、建筑退距线等。同时，它能够实现二三维设计成果的标准化，解决软件兼容性问题，并对规整完成的图纸进行信息完整性、规范性检测，确保设计成果的质量。 # （三）审查报告一键生成 智能审查系统能够实现设计成果交互，自动定位问题，并以图文结合的方式生成审查报告。报告支持多种格式导出，如PDF、JSON、DOC、DWG等，方便用户使用和存档。同时，系统还能够进行政策关联分析，为审查提供更全面的依据。 审查报告自动生成 # 四、拓展应用的广阔前景 # （一）多领域规划应用 DeepSeek 在建筑规划中的应用不仅局限于单体建筑，还可以拓展到城市设计、城市更新等领域。例如，在城市设计中，它能够统筹考虑城市空间布局、景观风貌、交通组织等要素，实现空间布局科学化；在城市更新中，它能够辅助决策，为城市生命线综合考虑和配套设施科学均衡提供支持。 # （二）未来展望 随着技术的不断进步，DeepSeek 在建筑规划中的应用将更加深入和广泛。它将不断提升智能化水平，为建筑规划行业带来更多的创新和变革，助力实现更高效、更科学、更精准的建筑规划。 综上所述，基于DeepSeek的建筑规划方案双重保障为建筑规划领域带来了全新的解决方案。通过AI知识智库、规划布局智能化、智能审查等多方面的创新应用，DeepSeek有望推动建筑规划行业的智能化转型，提高规划效率和质量，为城市的可持续发展贡献力量。 # 2.4 基于大语言模型的规划管理决策支持系统的策略、技术与软件实现 黄铎 华南理工大学建筑学院城市规划系副教授、博士 # 一、规划决策支持系统（PDSS）演变：从“技术中心”到“人机协同” 报告首先回顾了PDSS从“模型驱动”到“智能融合”的发展历程，指出传统PDSS面临三大核心困境： 1. 数据处理的局限：难以应对编制成果、发展策略等非结构化文本； 2. 人机交互的壁垒：操作门槛高，限制多类型角色参与； 3. 综合决策能力的缺失：定性目标与定量模型难以联动。 语言是城市规划决策的 DNA，而传统 PDSS 恰恰缺乏对语言的理解与整合能力。 # 二、基于LLM的PDSS框架：构建“语言-空间-量化”三体协同的智能基座 这三个子系统不再是孤立的模块，而是通过LLM实现了深度耦合与无缝协同。例如，一个来自“语言决策”的规划目标（如“提升社区对老年人的友好度”），可以被LLM拆解为“量化决策”的任务（如分析老年人口分布和出行需求）和“空间决策”的任务（如识别需要增设无障碍设施和社区服务中心的位置），最终将分析结果以自然语言和可视化图表的形式反馈给决策者。这种闭环整合，正是新一代PDSS的核心优势所在。 为解决上述问题，提出以语言决策子系统为核心，融合空间决策子系统与量化决策子系统的LLM-PDSS框架： 1. 语言子系统：理解自然语言，解析规划意图，生成策略与报告； 2. 空间子系统：执行GIS分析、空间格局理解、生成式设计方案； 3. 量化子系统：调用专业模型进行模拟预测与评估。 # （一）“以语言为中心的城市规划决策认知增强框架”的三层结 # 构（认知基座层、认知核心层、认知交互层） 三大子系统通过LLM实现深度耦合，PDSS完成根本性的跃迁，它不再仅仅是一个汇集数据的“信息系统”，也不是一个提供分析工具的“支持系统”，而是进化成了一个能够理解决策意图、参与管理与决策的“智能伙伴”。这一变革的最终目的，是构建一种新型的人机协同的规划管理范式。 # （二）典型场景：旧工业区改造的LLM-PDSS全流程推演 报告以“旧工业区改造为科技与生活混合社区”为例，展示LLM-PDSS 如何实现： 目标解构：LLM 语义解析“科技社区”“混合社区”等关键词； 任务分发：三大子系统协同完成政策查询、空间分析、经济测算； 综合评估：生成包含潜力、挑战、解决方案的决策报告。 # 阶段一：目标解构与任务分发 # 阶段二：协同分析与反馈循环 # 阶段三：综合评估报告与权衡 核心指令：改造XX旧工业区为“未来科技+生活混合社区” # LLM 语义解构 # 科技社区 →需5G/智慧交通+高科技企业 # 混合社区 一需居住/商业/教育/医疗（多人群） # 旧工业区 $\rightarrow$ 存土地污染/基建老化/历史建筑保护问题 # 多维任务分发+反馈协同 [语言决策子系统]: 查工业用地/历史保护/人才引进政策；公众需求 [空间决策子系统]：调GIS数据（用地/建筑/路网等）；做日照/视线分析（识保护建筑） [量化决策子系统]：收人口/就业/房价/交通基线数据；启经济/交通/环境承载力模型 # 报告核心逻辑（关联子系统数据） 总体核心挑战潜力 解决方案 社会影响+风险评估 2万岗位/50亿GDP（量化） 创新大道拥堵（量化） 道路拓宽可行（空间）但居民抵触（语言）； 需5亿治污（量化） 方案A：交通堵/成本高→可行性低 方案B：驾车率 $70\% \rightarrow 40\%$ （量化），站点选A/B点（覆盖居住） # 三、PDSS知识库建设：构建“内外结合、层次分明”的规划知 # 识体系 # 规划知识特征：系统性与情景性的二元性 # 系统性与情境性的理论分野 # 核心观点 规划作为应用科学 知识的普适性与客观性 理论决策的核心地位 专业知识的壁垒 # 主要内容 核心理论 法律法规 技术标准 分析方法 # 系统性知识 # 情境性知识 # 核心观点 知识的社会构建性 情境的根植性 实践智慧与默会知识 规划即交往与协商 # 主要内容 地方性知识 利益相关者的诉求 ■ 话语与叙事 实践案例中的经验教训 # 规划知识特征：时间、效力、角色、行动 城市建设是一个持续的过程，而表达这一过程的规划知识是城市发展情景性、决策性与行动性的知识体系，这一知识体系是非静态、非单一维度的知识，而是随着时间、效力而持续变化，并在角色、行动等视角表现为不同知识权重特征，这是规划知识区别与法律、医学等扁平化公共知识的显著特征之一 # 规划知识特征：应用于非线性与非均等权重场景 PDSS的设计逻辑通常基于一个理想化的“理性决策模型”： 界定问题 收集数据 生成方案 评估优劣 做出决策 现实中的城市规划远非如此线性。它是一个高度政治化、充满不确定性、多方博弈和反复协商的“非线性”过程。一个需要数周时间来运行和校准的复杂模型，可能完全跟不上政治议程或开发商谈判的快速变化。决策往往是在信息不完全的情况下，通过妥协和权衡做出的，而PDSS提供的“最优解”在复杂的利益格局面前可能毫无意义因此，规划知识在决策体系的表达中，呈现出非线性、非逻辑与非均等权重的特征，这是规划知识显著区别于法律、医学等逻辑一致性知识的显著特征之二 城市规划领域中，有关“本地知识库”的概念及内容构成，并非只包括因为敏感性而需要本地存储、处理和应用的内部业务文档，还包括“因为规划知识体系完整性、城市特定应用、决策支持等需求而构建，以各种技术手段获取的来源合法、知识可信、持续更新的数据及知识体系” # 1、内部管理知识库 规划成果库 现状信息库 法规政策库 工作文件库 # 2、外部更新知识库 规划领域更新知识库 城市发展案例库 前沿观点和思想者知识库 规划实践动向知识库 决策者知识库 # 3、即时搜索知识库 网络实时检索知识 # 知识库构建的技术框架 总体架构设计 知识库建设需实现数字化语义管理、决策知识支持、思维链强化、GIS融合四大目标。 四、PDSS 技术与软件实现：从“极简问答”到“深度研究”的智能跃迁 软件技术框架：基于本地知识库的全流程大语言模型软件系统 在技术层面,报告提出了基于 MCP 框架、多智能体协同与 Agentic RAG 的软件系统架构，具备以下能力： - Deep Research: 通过多智能体协同实现复杂问题的深度探索与 报告生成; - 思维链强化：融合外部知识与人工干预，提升专业推理能力； # LLM初始智能生成 # 外部知识干预 # 人工干预 # 1 思维链的AI生成 # 2 外部知识融合 # 3 专业人士干预 通过提示词工程和特定格式输出的捕获，使LLM初步推理生成相应思维链 在LLM智能的基础上，融入具有专业特色的知识，如项目特征提炼知识、规划更新知识、前沿观点与思想知识、决策者知识，生成具备特色知识的专业思维链 在llm智能生成和外部知识的支持下，通过专业人士的手工干预，定制思维链 - LLM+GIS 融合：将自然语言指令转化为空间分析与地图渲染； # 本地系统输出VS通用基座模型输出 基于评分标准，针对本地系统输出结果与对照通用基座模型，采用元宝Deepseek、OPENAI GPT、Google Gemini进行量化评分。结果显式，本地模型综合平均分为90.72，对照通用模型综合平均分为74.24，总体领先16.48分，四项维度均占优，优势最明显的是“完整性”“精准性” <table><tr><td rowspan="2">专业问题类型</td><td rowspan="2">专业问题</td><td colspan="5">本地模型输出</td><td colspan="5">某通用基座模型输出</td></tr><tr><td>完整性</td><td>逻辑性</td><td>精准性</td><td>可读性</td><td>综合得分</td><td>完整性</td><td>逻辑性</td><td>精准性</td><td>可读性</td><td>综合得分</td></tr><tr><td rowspan="3">简单查询类问答</td><td>根据广州的规划管理实践，“三旧”改造具体指的是哪三类用地?</td><td>93.75</td><td>92.5</td><td>88</td><td>92</td><td>92.88</td><td>80</td><td>84.25</td><td>85</td><td>88.75</td><td>86.18</td></tr><tr><td>广州总体城市设计中所强调的“云山珠水”格局具体指什么?</td><td>95</td><td>93.75</td><td>87.5</td><td>93.75</td><td>94.00</td><td>76.25</td><td>76.75</td><td>83.75</td><td>83.75</td><td>86.33</td></tr><tr><td>广州市哪些历史街区中被列入广东省历史文化街区?</td><td>93.75</td><td>88.25</td><td>89.5</td><td>91.25</td><td>92.53</td><td>76.25</td><td>81.25</td><td>85.75</td><td>86.5</td><td>34.88</td></tr><tr><td rowspan="2">分析型问答-分析说理类</td><td>《广州市城市更新专项规划》中提到的“混合改造”模式适用于哪些类型的项目？请结合广州实际案例说明。</td><td>89</td><td>90.75</td><td>84.5</td><td>93</td><td>89.13</td><td>80</td><td>82.5</td><td>82</td><td>87.75</td><td>77.80</td></tr><tr><td>南沙新区与中新广州知识城在产业发展重点上有何异同?</td><td>88.75</td><td>91.75</td><td>85</td><td>93.75</td><td>89.18</td><td>78.75</td><td>81.25</td><td>82.5</td><td>86.25</td><td>83.50</td></tr><tr><td rowspan="2">分析型问答-现状分析类</td><td>广州在推动“碳中和”目标方面有哪些具体的空间规划措施?</td><td>93.5</td><td>92.75</td><td>86.5</td><td>93</td><td>92.68</td><td>70</td><td>74.5</td><td>71</td><td>83.75</td><td>78.15</td></tr><tr><td>广州是否有适合建设零碳园区的试点区域？相关政策支持如何？</td><td>90</td><td>92.75</td><td>81.25</td><td>94.25</td><td>89.83</td><td>76</td><td>67.5</td><td>90.2</td><td>92.9</td><td>81.65</td></tr><tr><td rowspan="2">分析型问答-未来决策类</td><td>广州珠江后航道区域的城市更新方向是什么?</td><td>93.75</td><td>92.75</td><td>86.25</td><td>94.25</td><td>92.95</td><td>60</td><td>62.5</td><td>86.7</td><td>78</td><td>71.80</td></tr><tr><td>广州应如何通过规划手段应对人口老龄化的挑战?</td><td>83.75</td><td>87.75</td><td>79.5</td><td>91.75</td><td>84.53</td><td>48</td><td>57.5</td><td>86.8</td><td>85.5</td><td>69.45</td></tr><tr><td>平均分</td><td colspan="5"></td><td>90.72</td><td colspan="4"></td><td>74.24</td></tr></table> # 五、总结：迈向“人机协同”的规划治理新范式 LLM-PDSS 不是要替代规划师，而是成为其“智能伙伴”，实现从“工具理性”到“认知增强”的范式跃迁。未来，系统将进一步向实时化、轻量化、可解释、跨层级联动方向发展，推动城市规划从“工程设计”走向“智慧治理”。 # 2.5 AI+自然资源创新应用探索——助力自然资源行业数智化高质量发展 赵明君 腾讯云计算（北京）有限责任公司腾讯云政务行业总经理、智慧城市首席架构师 # 一、自然资源数智化转型正当时 随着“数字中国”战略深入推进，自然资源行业迎来从“量变”到“质变”的转型契机。新一代人工智能技术，特别是大模型、多模态、RAG等能力，正推动自然资源治理从数字化走向智能化，构建起“美丽中国数字化治理体系”。 # 二、腾讯云AI技术能力与行业大模型架构 腾讯云依托混元大模型、TI平台、Angel加速组件等核心技术，构建了覆盖计算机视觉、自然语言处理、语音识别等多维度的AI能力体系。在此基础上，提出“自然资源行业大模型”总体框架，实现从基础设施、平台工具到智能应用的全链路支撑。 大模型能力打造行业专家，助力是想N+自然资源业务应用场景 # 三、AI+自然资源典型应用场景探索 报告重点展示了五大AI融合应用场景： - 智能客服：通过自然语言交互，提升公众服务体验与效率； - 行业知识引擎：构建垂直领域知识体系，增强专业问答与决策支持； - 智能规划：结合CV、文生图等技术，实现方案推演与意向图生成； # 多情景方案推演 大数据及人工智能支撑多情景的方案推演，包括城市与区域、城市与城市、城市内部各片区、人、产、地、城等。优化方案推荐、实施影响模拟、联动调整反馈 # 意向图自动生成 根据用户的提示词、草图，自动生成效果图，帮助规划设计人员，低成本快速的实现意向图规划设计 # 风险动态监测 全时全景监测、实时体检评估、风险预测预警，问题精准识别、方案智能生成、人机交互推演，辅助缩短核查、判别周期，提高工作效率。 # 政策文件解读 对规划政策文件进行知识总结与解读，支持不同类型格式的文件数据解析，便于规划的传导 - 智能审批：融合规则引擎与大模型，实现全流程智慧审批； 政策依据智能推送 - 用地指标要素统筹联动 空间准入在线研判 - 智慧选址选线 用途转用协同智联 业务红线智能核验 - 审批意见与审批报告智能生成 项目全周期自动关联 - 监测预警动态分析…… 智能推送与交互 业务规则提取与判定 位置选取智能核验 业务办理流程关联 - 智能监管：依托多模态大模型与遥感数据，实现耕地保护、违规建设等动态监测。 面向耕地保护监测监管，基于多模态大模型和遥感大数据，构建非农化非粮化监测模型，逐步探索在耕地非农化识别、作物识别、耕地撂荒检监测方面，提升智能化监管水平。 非农化监测：基于半监督神经网络进行边界学习，结合农田语义分割结果进行双模型农田地块识别。 作物识别：基于耦合光学与SAR数据的重建植被指数序列，筛选作物的关键时序特征和物候期，大豆、小麦、水稻等作物类型，识别地块级作物类型。 擦荒耕地识别：基于高分影像、多光谱影像和SAR影像进行双时相特征对比学习擦荒特征，构建金字塔场景解析网络并统计纹理，识别擦荒地块快。 CLIP+T5 # 语义理解 基于T5+CLIP理解文本，并且采用DIT模型，具备强大的语义理解能力 # 图像质量 两阶段生成模型：分别负责语义理解和超分提质。超分模型提升生成真实感和细节度 LLM 多轮/多模态交互指令理解生成 图/文多模态LLM模型 Diffusion with Transformer (DIT) # 本土化 深度理解自然资源行业场景，认识行业中的业务需求分解和本土化能力 # 多轮绘图 基于多模态LLM模型，统一理解上文中的图文，将多模态内容改写成prompt，支持多轮绘图能力 # 四、平台工具与安全保障体系 腾讯云提供从数据标注、模型训练、推理部署到运营管理的全流程平台工具链，并构建覆盖模型生命周期的安全防护体系，确保数据合规、模型可信、应用可靠。 # 大模型开发 # 大模型精调 ：20多个主流开源及自研大模型低代码部署体验 基于notebook快速启动模型精调 # 标注 # 训练 # 调试 # 部署 # 调用 # 数据中心 数据集管理数据标注能力 # 训练工坊 内置训练加速 全新升级Angle训练框架 加速能力，性能提升 $30\%$ 接入高性能文件存储： 百GB每秒带宽大幅提升 训练速度 大模型指标监控：丰富的资源指标监控及告警，覆盖网络及GPU算力 远程调试：实时调试分布式运行任务，大幅提升建模效率 # 内置推理加速：全新升级Angel推理加速能力，加速比可达2倍 大模型调用：统一的大模型调用API及体验工具，大幅缩短业务接入大模型能力周期 # 资产和资源管理 # 模型管理 管理模型的存储路径、元信息 将模型转换为支持推理加速的优化后模型，支持多种模型格式 # 资源组管理 $\diamond$ 高性能计算节点：接入HCC高性能计算节点及星脉高性能计算网络 # 五、落地实践与生态共建 报告分享了深圳宝安区民生诉求平台、成都CIM平台、重庆智能建造平台等典型案例，体现AI在自然资源与城市治理中的实际成效。腾讯云通过开放生态，联合合作伙伴共同推动行业解决方案落地，实现共建共赢。 # 六、结语：迈向智能化的自然资源治理新阶段 人工智能正以前所未有的力量重塑自然资源管理模式。未来，随着大模型技术的持续演进与应用场景的不断深化，AI将更深度地融入国土空间规划、资源监管、公众服务等环节，推动自然资源治理迈向“可感知、能学习、善治理、有温度”的新阶段。 # 2.6 大模型在宁波市自然资源规划管理中的探索与实践 朱锦辉 宁波市自然资源和规划大数据中心副主任、高级工程师 # 一、政策背景与工作基础 浙江省和宁波市针对人工智能发展出台了一系列政策文件，为当地大模型技术的发展提供了肥沃的土壤。2024年7月，宁波市经济和信息化局发布了相关实施方案，旨在推动人工智能技术赋能经济社会高质量发展，并提出建成高质量数据集、培育垂直大模型和打造创新试点应用等目标。同年10月，浙江省发展改革委也发布了行动计划，进一步加快大模型在各行业的深度应用。在这样的政策机遇下，宁波市自然资源和规划领域积极探索大模型的应用，以提升业务效率和服务质量。 # 二、总体设计思路与架构 # （一）总体建设思路 宁波市自然资源和规划大数据中心提出了以平台建设为基础，知识库和工具库构建为支撑，聚焦共性需求，协同处室共建的大模型建设思路。通过自主研发大模型构建平台，统一知识库、智能体标准，为各项MaaS（Model as a Service）服务提供支持。同时，优先聚焦共性需求，研发通用性AI产品，以实现快速赋能和成效显现。 # 需求驱动、场景聚焦 # 平台为基、持续积累 # 多方联动，共享共建 □ 优先聚焦共性需求：基于共性需求，优先研发通用性ai产品快速赋能见成效。 □协同处室众筹共建：提升结合处室实际需求，协同处室开展大模型场景建设，优化服务质量，灵活应对变化趋势。 □ 研发大模型构建平台：自主研发大模型构建平台，统一知识库、智能体标准，支撑未来各项MaaS服务 □构建行业知识库：有序组织各类文本知识库和带标注等空间知识库构建。 □启动行业工具库：以“模型中台”概念，构建统一各类工具标准，支撑智能体搭建 □部省市多部门协同，与部、省、市对接，争取部试点，学习各级先进经验。沿用后土模型架构、探索知识库对接、智能体分发汇交等技术可行性。 □资源协调协同共享，充分利用现有算力资源，协同外部团队智慧，多方力量共同开展大模型研究。 以“需求导向、科学谋划、夯实基础、众筹实施”为总体原则 # （二）总体架构 构建了“1+N”大模型架构，包括一个大模型构建平台和多个智能体应用。通用模型作为基础，涵盖大语言模型、视觉大模型、多模态大模型等。行业大模型则在通用模型的基础上，通过行业语言训练、业务微调等方式，实现业务价值对齐。智能体应用则根据不同的业务需求，如资源监管、规划方案、政务服务等，开发出多样化的应用场景。 “1+N”大模型架构 # （三）智能体规划 基于统一智能体构建平台，以众筹方式实施业务领域的智能体应用。涵盖了从调查监测、空间规划到用途管制、保护修复等多个方面，每个业务领域都有对应的AI智能体，以实现智能化的监测、分析、审查和管理。 基于统一智能体构建平台，以众筹方式进行实施。 # 三、实践探索与应用场景 # （一）基础大模型接入 宁波市利用本地人工智能超算中心的算力，成功接入DeepSeek系列模型、“后土”大模型与阿里云通义千问32B，采用“宁波人工智能超算中心 + 本地部署”双轮驱动模式，解决了算力瓶颈问题，为大模型应用提供了强大的计算支持。 # （二）知识库构建 通过全局众筹共建模式，回流自然资源部知识库成果，基于数字档案、办公OA系统梳理宁波市自然资源知识库体系，归集整理了5万+量级数据文件，初步构建了本地化自然资源知识库，为大模型应用提供了丰富的语料资源。 形成宁波市自然资源行业知识库，为城市大模型建设提供权威行业语料 # （三）“1”个模型构建平台 大模型构建平台由模型中心、知识中心、工具库以及智能体中心四大模块组成。私有化行业大模型构建平台，实现模型接入、工具接入及调用、知识库与数据库、智能体编排等能力，可快速构建大模型应用，支持API对接接入。 # （四）多应用场景探索 构建宁波市自然资源行业大模型门户系统，实现模型能力、通用智能体能力、专业智能体能力、智能体研发能力的统一集成体验。 打造“问政、问文、问数、问图、问策”五大核心应用体系，推动自然资源管理数字化AI转型： 1. 问政：聚焦建议提案回复办理提效，快速生成建议提案答复内容，有效缓解“办理集中、时间紧、任务重、人力不足”的工作压力。 2. 问文：开发了资规文秘助手，实现政策文件的深度检索、办事流程便捷查询和政策文件的智能解读，大大提高了办公效率。 3. 问数：构建了时空数据管家，通过自然语言交互与智能分析，实现对自然资源业务中多源时空数据的高效处理、智能洞察与辅助决策。 海量数据查询效率低：在海量的数据中进行快速精准查询，需大量人力和时间，人工效率低、处理难度大。 □技术门槛高：依赖专业的GIS软件和人工操作，人员需具备掌握SQL、空间分析和统计工具的能力。 # [工具驱动+人工操作] □自然语言交互：一句话对数据进行加载、统计、空间分析等操作。 □自动化数据处理：自动识别用户意图，调用相应的分析模型，快速解析数据结构。 □智能洞察与高级应用：结合自然资源业务规则，进行数据分析的高度智能化应用。 # [语言驱动 $+$ 智能操作] 时空数据管家示例 4. 问图：打造了资规图像通，依托多模态大模型，结合无人机自动巡航、铁塔视频等感知数据，实现了要素智能识别、灾害智能研判等功能，全面赋能调查监测和灾害预警。 5. 问策：例如村规审查助手，能够实现村规文本合规性、指标一致性、空间数据的合规性的动态识别，并生成修改建议与依据及评估报告，有效提升了规划审核的效率和质量。 # 四、总结与展望 # （一）实践体会 在大模型的实践过程中，宁波市自然资源和规划大数据中心总结出以下几点体会。首先，资金保障是制约大模型应用的关键因素，需要明确资金来源和立项申报渠道。其次，AI + 业务是一项持续性服务工程，需要不断更新知识库和调整提示词等工作，以确保智能体的准确性和适应性。此外，传统场景升级智能体是最佳解决路径，通过将 AI 嵌入现有业务系统，新建系统采用智能体模式，实现业务场景的整合重构和 AI 驱动业务转型升级。最后，需谨慎使用模型训练微调，因为基础大模型的能力提升已经能够理解行业问题，而微调训练成本高且结果难以把控。 # 1 资金保障是制约大模型应用的最大因素：当前大模型业务需求强烈旺盛，但是大模型项目落地资金来源不明确，大模型项目立项申报困难。 # 2 AI+业务是一项持续性服务 工程：当前大模型智能体搭建门槛低，但是要真正服务 业务需要持续更新指知识库、调整提示词等工作。 # 3 传统场景升级智能体是最佳的解决路径：现有业务系统AI嵌入，新建系统采用智能体模式，行业务场景整合重构，ai驱动业务转型升级。 # 4 谨慎使用模型训练微调：当前基础大模型能力提升能够理解行业问题，微调训练投入成本大，结果难把控；基础模型变化需要重新训练，得不偿失。 # （二）未来展望 面向未来，宁波市自然资源行业大模型将朝着以下几个方向发展。一是从单任务智能体到多智能体联合的转变，实现多个智能体协同解决复杂问题。二是从语言模型到空间推理模型的转变，提高大模型在空间认知和理解方面的能力，以更好地解决自然资源行业问题。三是从智能工具到智能同事的转变，让智能体成为能够传承业务经验和信息的“智能同事”，在人员变化的情况下，保持业务的稳定性和连续性。 # 从单任务智能体到多智能体联合的转变 从单一的单个能力的智能体到复杂的多任务联动的智能，一个智能体解决多个问题，帮助我们在发展与保护之间走出更优雅的平衡。 # 从语言模型到空间推理模型的转变 当前多模态大语言模型在语言理解，在空间认知和理解方面的能力较差，空间推理能力是解决自然资源行业问题的核心。 # 从智能工具到智能同事的转变 传统信息化主要从场景出发，但是大模型时代复杂的覆盖处室全类需求，能够传承处室核心业务经验和信息的智能体同事将是未来主角，人员变化，但是智能同事常驻。 # 2.7 基于广州市规划知识库的大模型应用探索与实践 蔡小波 广州市城市规划编制研究中心主任 # 一、破解五大困境：AI驱动的规划决策为何必要？ 报告首先直面当前城市规划管理中存在的五大核心问题： 1. 文本沉睡：海量规划文本难以被有效挖掘和利用； 2. 模型隔阂：通用大模型无法触达内部数据，难以赋能核心业务； 3. 知识隐性：专家经验和隐性知识难以标准化、结构化； 4. 场景复杂：城市发展问题日益复杂，传统方法应对乏力； 5. 空间壁垒：GIS系统操作专业，空间数据价值未充分释放。 这五大困境催生了广州的解决方案——构建一个以“规划知识大脑”为核心的决策支持体系。 # 二、“两翼一体”技术架构：打造规划领域的“最强大脑” 广州的创新核心在于构建了“两翼一体”的技术体系： “知识翼”：破解文本困境。构建了覆盖内外部知识的“规划知识大脑”。 规划知识大脑 “时空翼”：跨越交互鸿沟。打造“时空智能引擎”，将大语言模型与“一张图”等时空信息平台对接融合，实现用自然语言驱动GIS空间分析，让非专业者也能“对话式”调用空间数据。 “一体”：即规划智能体。以国产模型DeepSeek-V3为底座，结合规划思维链和MCP工具总线，实现任务的并行处理与自我反思，完成高质量的专业推理。 # 01 强模型底座 Deepseek-V3 671B 提供深层语义理解与生成能力 # 02 MCP工具总线 文件检索、项目检索、GIS分析、联网搜索等工具被标准化为可并行调用的服务单元 # 03规划思维链 $^+$ 元认知 通过Prompt工程注入规划链式思维，结合“观察→反思→再次调用”的闭环，提高答案的专业性与可信度 # 三、六大应用场景：从“问规划”到“谋规划”的智能跃迁 该体系具体落地于六大典型场景： # 1. 问规划：融合内外部与实时网络知识，解答各类规划问题。 2. 查规划：实现按项目、文件、内容的精准语义检索。 3. 比规划：一键生成广州与对标城市在多个主题、内容上的对比分析报告。 4. 谋规划：通过战略主题、重点空间和规划现状三大研判，智能生成年度规划编制的重点方向建议，辅助规划项目立项策划。 5. 评规划：以自然语言调用GIS，对生态廊道实施情况等进行“定量+定性+案例借鉴”的综合评价。 6. 助规划：运用 Deep Research、Mind Map 等技术自动生成规划总结、策论建议和长文本研究报告，成为规划师的“写作助手”。 # “助规划”应用场景架构图 # 场景目标 生成某一规划领域总结性材料 # 文稿结构 政策背景总结 典型案例总结 工作现状总结 规划内容总结 # 工作意义 现状对比 工作建议 领域研究 观点讨论 # 分析内容 政策时间轴 地方政策响应重点 先进城市分类案例总结 广州案例对比总结 现状数据分析总结现状问题总结 分类规划内容总结 宏观上位 中观社会民生微观创新示范 空间层面 社会经济层面 政策层面 近期工作远期工作 研究背景 多源数据 新颖观点 未来方向 # 知识库 规划成果库（重点章节检索） 现状信息库 工作文件库 政策文件库 行业动态库 全球知识库 # 处理步骤 关键信息提取 分析整合生成文稿 30 # 四、实践成效：专业评估证实AI决策优势 为科学评估效果，项目采用多模型自动化评估机制。结果显示，在完整性、逻辑性、精准性、可读性四个维度上，本地系统输出质量优于通用基座模型，体现了专业规划知识库的重要作用。 # 五、未来展望：AI将重塑规划专业，而非替代规划师 报告最后展望未来，指出“规划知识大脑”将持续演进，同时广州也将致力于构建空间、量化和语言三大决策子系统协同的“时空智能引擎”。 报告强调，AI不会替代规划师，但会彻底重塑这一专业。未来的规划师将是与AI协同工作的“战略导航者”，从繁琐的信息处理中解放出来，更专注于具有创造性和战略性的价值判断与决策。 # 3.1 DeepSeek 驱动下的地图生成 艾廷华 武汉大学资源与环境科学学院教授、博士生导师、国家测绘地理信息局科技领军人才 # 一、地图遇上 AI：背景与挑战 地图在国土空间规划、区域分析等领域发挥着重要作用。随着AI技术的兴起，地图制图面临着新的挑战与机遇。例如，在低空经济领域，需要新型城市空间信息产品，关注电磁讯号、气流、能见度等因素；在自动驾驶领域，需要高质量的空间推理优化，将实时传感与既有地图位置信息高效融合。 # 二、地图制图体系的演变 从模拟技术到数字技术、信息技术，再到如今的智能技术，地图制图体系不断演变。在智能技术阶段，地图制图具备了可感知、可记 忆、可理解的能力。DeepSeek 等 AI 技术的应用，将进一步推动地图制图向智能化、自动化方向发展。 # 三、DeepSeek 与地图的融合方式 # （一）嵌入地图制图链 将DeepSeek应用于地图制图的各个环节，包括制图任务理解、文字注记、符号库、颜色库等。通过这种方式，可以实现地图制图的智能化和自动化。例如，利用DeepSeek理解制图任务，生成制图模板，提高制图效率。 # （二）地图语言自身预训练模型研发 基于 AI 的 transformer 模型，将地图语言 Token 化，训练生成基础模型 MapGPT。然后，在 MapGPT 向量化结果上，结合 GAN、GCN 等生成式模型和图学规则，研发专业性的地图 AIGC 工具。这有助于更好地理解和生成地图语言，提升地图制图的质量和效果。 # 四、地图语言 Token 化与预训练 # （一）Token化的概念 在地图语言中，Token 是处理的最小语言单位。通过将地图元素进行 Token 化，可以更有效地处理和生成地图语言。例如，将土地利用数据进行 Token 化，包括栅格化、实体化、分段分块等操作。 # （二）预训练与微调 基于大量的地图语料库，对地图语言模型进行预训练。然后，根据不同任务的需求，对预训练模型进行微调，以实现特定的地图生成任务。例如，利用预训练的MapGPT模型，结合GAN支持的地形内插重建，生成山水景观图。 # 五、结论 AI技术尤其是DeepSeek的引入，为地图制图带来了重大变革。地图生成技术的革新、地图语言Token化及MapGPT的研究，以及LLM集成智能体架构的开发，都将推动地图制图向更高智能化水平发展。同时，地图制图人的职业也将发生变化，涌现出制图系统架构师、生成开发师、操作提示工程师、样本标注师和语料喂养师等新职业。 总之，DeepSeek 驱动下的地图生成技术正在开启地图制图的新篇章，为各行各业提供更智能、更高效的地图服务。 # 3.2 AI Agent 在区域产业空间研究的实践探索 邹伟 上海市城市规划设计研究院信息中心数据工程师、高级工程师 # 一、规划领域AI发展概况 人工智能技术自20世纪中叶起步，历经多次浪潮，近年来随着大模型如ChatGPT、Sora、DeepSeek的广泛应用，AI正深刻改变城市规划的研究范式与方法体系。从早期的专家系统到如今的深度学习与强化学习，AI已在图像识别、空间模拟、决策支持等方面发挥重要作用。 # 城市规划领域常用AI算法或工具 # 进化算法 受自然选择的生物学隐喻启发，通过对代表问题解决方案的个体进行评估和筛选，逐步进化出更优的解决方案，适用于应对特定问题的挑战，并能产生新颖的结果。 # 深度学习 借助多层人工神经网络，通过对大量数据的学习来解决复杂问题，在图像识别、生成等方面有广泛应用。然而，其存在可解释性差的问题，即难以解释决策过程。 # 生成式语法 通过迭代应用转换规则，从起始状态生成符合特定要求的结果，在建筑设计中常用于生成二维或三维形式，方便设计师进行形式探索。 # 基于agent的建模 通过描述复杂系统中各组成部分（代理）的行为及其相互作用，来模拟整个系统的行为。该方法灵活性高，可用于行人、交通建模等，但对初始条件敏感，结果可能存在一定的可变性。 # 城市规划领域常用智能代理工具 # 简单反射代理 这类代理仅根据当前感知进行决策，不考虑历史感知信息。在城市规划和设计中，它可应用于城市服务提供（如智能停车、智能照明等）和城市模拟（如疏散模拟、社会行为模拟）等方面。 # 基于模型的反射代理 能通过感知构建并维护对环境的内部表示，从而对当前感知范围外的情况做出反应，适用于处理需要考虑环境历史信息的复杂任务，如根据行人运动方向调整智能路灯的照明。 # 目标驱动代理 结合期望的结果和内部模型来实现目标，可使智能系统产生更复杂、符合目标的行为，例如智能路灯根据行人流通模式调整照明状态。 # 基于效用的代理 在目标驱动代理的基础上，评估行为对实现目标的贡献程度，考虑到城市规划和设计中的权衡和不确定性，通过计算效用值来优化决策，如在建筑设计中综合考虑能源使用、光污染、安全等因素。 # 二、AI Agent 技术方法 AI Agent作为一种具备自主性、反应性与交互性的智能代理，其核心架构可概括为“LLM×（规划 + 记忆 + 工具 + 行动）”。报告指出，AI Agent已形成嵌入式、副驾驶与智能体三种交互模式，能够模拟人类协作机制，实现从任务拆解到自主执行的闭环。 # 核心特征 大模型时代的AI Agent = LLM X（规划+记忆+工具+行动） LLM是核心控制器，构建核心能力 提升AI Agent的理解力和泛化能力，使其能更好地处理多种任务和上下文信息。这增强了AI代理的自然语言处理能力，从而提供更个性化、连贯的交互体验。 # 架构逻辑 # 人类用户 通过用户接口、命令等方式与Agent形成交互，是Agent的监督者、合作者和决策者。 # 外界环境 Agent所处的环境（可能包括虚拟及物理世界），外界环境可以与Agent形成交互。 # Agents 其他Agent，多Agent可以形成协作，结合相关任务结果形成群体智能。 # 系统开发者 Agent的开发者，对Agent的相关能力，设计Agent的相关组件能力。 # 三、区域产业空间研究的应用框架 依托AI Agent的流程规划、工具方法、记忆组织、实施行动等模块，从数据增强、知识增强、方法增强、流程增强等角度，构建区域产业空间分析应用框架： 一是融合企业大数据、产业园区数据、产业统计数据等多源多精 度的产业空间数据；二是集聚政策法规、技术标准、统计报告等多类多信源的产业空间知识；三是整合知识图谱、空间分析等多元工具的产业空间技术方法；四是构建产业结构、产业空间分布、城市产业规模等级、产业园区等细颗粒全覆盖的产业空间分析流程，支撑区域产业格局演化、创新空间布局与创新链分析。 # 四、区域产业与创新空间实践 依托AI Agent集成能力，研究以上海及周边城市为为例，探索区域产业与空间创新演化布局实践。 上海及周边城市区域产业空间呈现多层次网络化结构和梯度布局，区域产业网络与分工体系逐步丰富成型、产业结构更加优化，区域产业空间分布以中心城市为驱动、带动圈内城市差异化梯度发展较为突出，区域城市产业规模等级形成显著的多层次网络化结构，区域产业园区向高附加值、高技术行业转型发展。 上海及周边城市区域重点产业“集群式”空间组织并呈现不同蔓延扩散模式，区域产业集群体系专业化分工模式，区域制造业空间以上海为核心并不断向外围区县市、城市等地区转移，区域高技术制造 业空间主要位于苏州、无锡、常州的市区级郊区县市、其他区域发展较为薄弱，区域生产性服务业空间呈现远距离等级化特点、上海市区郊区具有极强集聚布局特点。 # 五、产业创新链与集群发展 区域已形成制造业、科技服务业、信息技术服务业等重点产业集群，并在新一代信息技术、生物医药、高端装备等七大战略产业中构建创新链。研究强调应发挥“区域一城市一区县”多尺度协同效应，推动产业空间优化与集群升级。 区域制造业空间分布 区域高技术制造业空间分布 区域生产性服务业空间分布 # 六、未来展望：人机融合与制度协同 报告建议，未来应进一步探索多模态AI模型与生成式AI在城市规划中的深度融合，加强人机协同的规划模式，并构建适应AI发展的制度体系与技术标准，推动城市规划迈向智能、协同与可持续的新阶段。 # 3.3 CoPlanner 智能总师服务：大模型在城市设计伴随服务中的场景探索与应用 孙文勇 中国城市规划设计研究院深圳分院粤港澳数字湾区中心执行负责人、高级工程师 # 一、技术趋势与 CoPlanner 的提出 人工智能技术的飞速发展，促使各行业积极探索其与业务的深度融合。2024年《政府工作报告》首次提出“人工智能 $+$ ”行动，2025年持续推动其进程，鼓励大模型广泛应用。大语言模型技术不断迭代，从GPT到DeepSeek，引发行业高度关注。在规划行业，虽起步稍晚，但研发空间巨大。 中规院联合北大深研院于2023年9月提出CoPlanner，旨在借助模型微调、RAG等技术，使大语言模型成为规划师的智能助手，提升规划效率与质量，推动跨学科技术融合。 CoPlanner 框架融合大模型、大数据技术，涵盖空间大数据库、规划专业模型库、辅助工具箱及规划知识库等。其数据基础深厚，整 合了粤港澳大湾区系列多源数据与监测指标，以及中规院长期积累的多类型知识库。 为强化大语言模型的专业能力，报告提出六类优化策略：模型适用、提示工程、解码策略、检索增强、智能体和微调。针对规划专业知识的不足，通过这些策略提升模型在规划特定任务中的表现。 <table><tr><td></td><td>优点</td><td>缺点</td><td>策略</td></tr><tr><td>1.模型适用</td><td>*灵活调用不同模型,适应算力、安全、能力需求。*优化资源使用和成本,保护数据安全。*满足特定业务需求,提高模型适用性。</td><td>*可调整性不强*专业能力提升空间有限</td><td>*高复杂度环节或场景(Agent),用大参数模型;简单直接任务,用基础模型,复杂推理任务,用推理模型数据安全要求高的场景,用本地模型;</td></tr><tr><td>2.提示工程</td><td>*低资源消耗*简单易实现*可以快速引导模型生成期望的输出*适用于快速实验和原型设计</td><td>*对提示的质量和表达方式非常敏感*可能难以处理复杂的任务或需要长期记忆的场景*效果可能不稳定,需要不断调整</td><td>*根据场景需要,匹配输入和输出需求,构建提示词并进行测试调优。</td></tr><tr><td>3.解码策略</td><td>*可以在不改变模型参数的情况下调整输出*影响生成文本的多样性和连贯性*实现相对简单</td><td>*主要影响文本的风格,可能无法根本上改变模型的理解或知识*需要根据具体任务调整合适的解码策略</td><td>*根据场景需要,调整模型温度、TopP、K、连贯性、上下文长度等参数。</td></tr><tr><td>4.检索增强生成</td><td>*可以利用外部知识库来增强生成结果*减少模型对训练数据的依赖*可以处理超出模型训练范围的知识*提高了生成结果的可解释性</td><td>*依赖于检索系统的质量*检索到的信息可能与上下文不相关或冲突*需要维护和更新知识库</td><td>*构建RAG检索增强框架,融入本地与互联网知识。通过数据分析、向量化、检索召回等策略与参数,优化检索与生成效果。</td></tr><tr><td>5.智能体</td><td>*可以执行复杂的任务和工作流程*具备记忆能力和反思能力*可以与其他工具或应用程序接口进行交互*能够进行任务分解和规划</td><td>*实现和调试可能比较复杂*需要仔细设计智能体的行为和交互逻辑*可能需要处理多个步骤和依赖关系</td><td>*依据规划工作流,建立智能体工作流与操作逻辑。接入工作流所需模型、工具、知识等,支撑智能体运行。</td></tr><tr><td>6.微调</td><td>*可以使模型更好地适应特定领域或任务*能够显著提高模型在目标任务上的性能*可以学习到更细致的语言模式和知识</td><td>*需要大量的标注数据和计算资源*存在过拟合的风险*微调后的模型可能在其他任务上的性能下降*属于资源密集型</td><td>*开展模型微调测试,针对特定风格进行微调生成实验。</td></tr></table> # 二、设计伴随服务重点场景应用探索 设计伴随服务在城市规划中具有重要价值，通过长期跟踪与动态修正，确保城市设计从蓝图到实施的全周期品质把控。CoPlanner 在多主体协同、多专业系统、长周期动态和全流程服务等方面发挥作用。 报告列举了深圳分院的多个城市设计项目案例，如南山后海中心区城市设计实施评估与深化设计、深圳湾超级总部基地系列规划、深圳市会展新城系列规划和深圳湾公园景观设计等。这些案例见证了CoPlanner在实际项目中的成长与蜕变，体现了其对城市设计品质的高质量保障。 基于 CoPlanner 的大模型支撑场景框架，面向设计师、管理者、市场与公众，提供空间活力监测、空间问题诊断、设计意象生成等应用能力。例如，通过接入图生成模型，可支撑空间意向生成；融合成果数据与图纸资料，实现空间导引与管控信息查询；记录全过程会议纪要等，支撑决策信息查询。 面向设计师、管理者、市场与公众，建立大模型支撑场景框架 此外，大模型在项目选址研究、成果审查支持等方面也发挥关键作用。同时，助力打造低空经济场景、第六立面场景等多类型创新场景。 # 三、思考与展望 尽管AI和大模型技术为城市规划带来新机遇，但仍面临诸多挑战，如信息“不对齐”、工具“不衔接”、形式“不匹配”等。报告提出，未来应重塑工作流，实现知识数据化；接入更多专业化模型与工具；融合多模态、结构化、矢量数据，以推动城市规划领域的智能化发展。 CoPlanner 智能总师服务作为城市设计伴随服务领域的积极探索，已取得显著成效。随着技术不断进步与完善，其必将在城市规划中发挥更大作用，助力打造更美好、更具活力的城市空间。 # 3.4基于大模型的居住区问题诊断、最佳案例归纳与未来趋势研究 龙瀛 学会城市规划新技术应用专业委员会副主任委员、清华大学建筑学院教授 # 一、研究背景与框架 我国城市化进程正从“有无”阶段迈向“好坏”阶段，推动“好房子、好小区、好社区、好城区”建设成为当前重要任务。本研究聚焦“好小区”与“好社区”层面，确立三大研究任务： # 1．过去篇 诊断当前居住区存在的问题； # 2. 当下篇 归纳优秀案例的设计手法； # 3．未来篇 推演智能革命下的居住区发展趋势。 研究依托大语言模型（LLM）与视觉大模型（VLM）技术，对多源异构数据进行自动化、规模化分析，突破传统方法的局限，实现高效、精准的知识提取与规律发现。 # 二、过去篇：居住区问题诊断 为全面识别当前居住区存在的问题，我们整合三类数据源：学术文献、居民反馈与房产平台图像数据，分别运用自然语言处理与计算机视觉技术进行挖掘。 # （一）多源数据与分析方法 # 1.学术文献分析 通过系统性文献综述，筛选出95篇与小区、社区、居住空间相关的高质量论文。借助大语言模型进行批量阅读与内容提取，自动识别文献中所述问题，替代传统人工阅读与归纳方式，显著提升效率与一致性。 # 2. 居民反馈文本挖掘 收集2020年微博数据、12345政务投诉平台及小红书等社交媒体文本，构建上万条居民意见数据集。利用大语言模型进行投诉文本自动分类与问题提取，判断是否属于居住区物理环境问题，并进一步归类。传统自然语言处理方法在深层次语义理解方面存在局限，而大模型展现出更强的上下文理解与意图识别能力。 # 3. 房产平台图像识别 以北京市安居客平台视频与图像数据为基础，运用视觉大模型进行要素识别。尽管中介图像多以展示优势为主，但仍可从中识别出诸如绿化不足、立面破损、空间布局不合理等问题。 # （二）问题归纳与结论 从上述三类数据中，共提取出13类居住区问题，其中与空间设计与规划直接相关的有6类，其余多为物业管理与运营类问题。空间类问题可进一步细分为12个子类，包括： 公共设施配置不足； 绿化品质低下； 道路交通组织不便; 日照与通风条件不良; 停车资源紧缺与无障碍设施缺失等。 数据来源不同，所反映的问题侧重亦有所差异。学术文献更倾向于系统性、结构性问题；居民投诉更关注日常生活痛点；图像数据则直观呈现建成环境中的视觉缺陷。 # 三、当下篇：优秀设计手法归纳 在识别问题的基础上，我们进一步从优秀建成案例中提取设计策略，为行业提供参考。 # （一）数据来源与处理方法 从谷德设计网等权威案例平台收集约13,000个建成住区案例网页，每个网页包含非结构化的文本描述与多张图片。传统机器学习方法难以处理此类异构数据，而大语言模型与视觉大模型能够协同完成文本解析与图像理解任务。 # （二）手法提取与聚类 通过大语言模型自动读取案例文本，提取其中提到的设计手法名称及其应用上下文。初步共提取出8,900个手法表述。由于不同案例 对同一类手法的命名存在细微差异, 进一步利用大语言模型进行语义聚类与规范化, 最终归纳出 208 个典型设计手法。 这些手法涵盖多个维度： 建筑布局与形态; 功能组合与空间利用; 景观设计与公共空间营造； 交通组织与停车解决方案； 绿色技术与低碳策略等。 # （三）手法库构建与应用 基于208个手法，生成“未来社区手法库图则”，每一手法配以效果图示意图，形成可视化工具库。该图则可用于住区设计评估与优化，例如对北京万柳书院、星河湾等项目进行手法符合度评估，识别其设计优势与改进空间。 # 四、未来篇：技术驱动下的趋势推演 未来社区建设需回应技术革命与生活方式变革的双重影响。本研究从新生活方式涌现与技术应用落地两个维度进行推演。 # （一）新生活场景在居住区中的投影 居家与远程办公：第三场所办公、混合办公模式普及，对居住空间灵活性、网络基础设施与社区共享办公空间提出新要求； 无人配送与物流：外卖、快递等服务逐步由机器人、无人机承接，需配套布局低速无人车道路、智能快递柜及空中配送节点； 健康与安全需求提升：疫情后居民对通风、消杀、户外活动空间的需求显著增强，健康住宅与社区成为趋势。 # （二）智能技术落地路径 室内向室外延伸：室内服务机器人已相对成熟，未来将逐步向单元楼、社区公共空间及城区尺度扩展； 低空经济与无人机应用：在物流、安防、应急响应等领域发挥作用，需统筹规划空域与起降点； 低碳与能源管理：新能源设施、微电网、智慧物业管理平台成为标配，提升资源利用效率。 # （三）未来社区评价体系的构建 结合问题诊断、手法库与趋势推演，我们初步构建未来社区评价体系，涵盖空间品质、技术适配性、服务便捷性、环境可持续性等维度，为社区更新与新建项目提供评估工具。 # 五、结论与展望 本研究尝试通过大语言模型与视觉大模型技术，实现居住区问题的多源诊断、优秀手法的系统归纳与未来趋势的合理推演。主要结论如下： 1. 技术赋能研究范式变革：大模型技术显著提升非结构化数据处理能力，适用于多源、异构的城市数据挖掘与知识发现； 2. 问题导向与手法提炼并重：既揭示当前住区缺陷，也提炼优秀设计策略，为行业提供实用参考； 3. 未来趋势需动态适应：社区发展需回应技术革命与生活方式变迁，具备弹性与前瞻性。 中国城市正从“有无”走向“好坏”，居住区品质提升是高质量发展的重要维度。尤其在以高层高密度为主导的居住形态下，更需关注空间品质、技术融合与人文关怀。本研究仅为起点，未来仍需持续追踪技术发展、深化理论研究、拓展实践应用。 # 3.5 基于AIGC的乡村建筑风貌特征识别研究 徐鹏 山西省城乡规划设计研究院有限公司乡村所副所长、院青工委新技术学组负责人、高级工程师 # 一、研究背景：乡村建筑风貌导则的不足与AIGC的引入 当前乡村建筑风貌导则编制存在主观性强、难以量化、特殊性强、难以泛化等问题。AIGC技术凭借其在高维数据挖掘、要素识别与设计生成方面的优势，为乡村建筑风貌的精准识别与整治引导提供了全新路径。 # 吴志强院士：设计师相对于AI的5个短板 大规模记忆、存储； - 高维数据中挖掘潜在规律,要素识别和提取； - 复杂计算,定量计算与评估,推演预测； 设计生成和模拟； 多目标模型的设计优化。 # AIGC 人工智能生成内容 (AI-Generated Content) 通过机器深度学习和自然语言处理，用AI生产内容产品，文字、图片、视频、音频、代码。 核心技术在于专业大模型-神经网络模型 # 二、技术基础：Stable Diffusion与LoRA模型的结合 报告重点介绍了Stable Diffusion开源模型在图像生成方面的灵活性与可控性，以及LoRA（低秩适应）模型在强化特定建筑风格方面的优势。二者结合，可实现低成本、高效率的乡村建筑风貌特征学习与生成。 研究技术与应用 # Stable Diffusion优势:工作流程 # 文本预处理: 将用户输入的文本描述进行分词、编码等处理，转换为计算机能够识别的形式。 # 特征提取： 通过卷积神经网络，将文本特征进行提取和编码，得到一组具有代表性的特征向量。 # 图像生成: 利用循环神经网络，根据特征向量逐步生成图像。Stable Diffusion会根据先前的像素信息预测下一个像素的值，从而逐步构建出整个图像。 # 后处理： 对生成的图像进行进一步的优化和调整，如色彩校正、细节增强等，以提高图像的质量和真实感。 # 三、模型训练：山西省乡村建筑风貌分区与LoRA训练 基于山西省六大乡村建筑风貌分区（晋北、晋西、晋中、晋东、晋南、晋东南），研究团队构建了包含实景照片与效果图的数据集，通过LoRA模型训练，实现对不同分区建筑特征的精准捕捉与风格再现。 # 四、智能设计：AIGC辅