论文信息
标题 (Title): MedBuild AI: An Agent-Based Hybrid Intelligence Framework for Reshaping Agency in Healthcare Infrastructure Planning through Generative Design for Medical Architecture 作者 (Authors): Yiming Zhang, Yuejia Xu, Ziyao Wang, Xin Yan*, Xiaosai Hao 机构 (Affiliations): 北京建筑大学 (BUCEA) 建筑与城市规划学院 发表年份 (Year): 2025 (Preprint, Oct 18, 2025)
结构化摘要 (Structured Abstract)
背景/目标 (Background/Objective): 全球医疗基础设施分布极不均衡，尤其在资源匮乏地区，面临“知识缺口”与“资源缺口”的双重困境。传统规划流程缓慢、昂贵且缺乏对当地语境的适应（即“不可能三角”）。本研究旨在开发一个基于混合智能（Hybrid Intelligence）的 Web 平台，使缺乏专业知识的社区也能参与并获取合规、低成本、模块化的医疗建筑设计方案。 方法 (Methods): 提出了 MedBuild AI 框架，采用**多智能体（Multi-Agent）**系统架构，融合了 LLM 的语义理解能力与专家系统的确定性计算能力。系统包含三个核心智能体： 对话智能体：负责采集本地定性需求并编码为结构化数据（DQL）。 专家系统智能体：基于规则的确定性计算引擎，生成功能任务书和预算控制。 设计与布局智能体：结合 LLM 规划与程序化几何引擎生成 3D 建筑模型。
结果 (Results): 通过四个不同语境（乡镇、大都市、新城、沿海村庄）的案例研究，证明了系统能根据人口、预算和地理约束，自动生成从 10 床位诊所到 1500 床位综合医院的差异化方案。 结论 (Conclusion): MedBuild AI 展示了神经符号 AI（Neuro-Symbolic AI）在建筑设计中的潜力。它不旨在替代建筑师，而是通过计算互惠（Computational Reciprocity）赋予社区规划主导权，将设计过程转化为透明的协商平台。
1. 引言 (Introduction)
1.1. 研究背景与核心问题 (Research Background & Problem Statement)
宏观背景：尽管联合国提出了可持续发展目标（SDG 3），但全球全民健康覆盖（UHC）进展停滞。数十亿人缺乏基本医疗服务，非洲等地区存在严重的“空间失衡”（Spatial Imbalance），即医疗资源高度集中于城市，农村成为“医疗荒漠”。 行业痛点：传统医疗设施规划存在“不可能三角”（图 3）：设计周期速度、建设成本与**语境适应性（Contextual Fit）**之间难以兼顾。现有流程过于依赖外部专家，导致“互动失效”： 信息差：本地知识被边缘化。 结构性低效：审批和设计周期过长。 可建造性困境：设计往往忽视本地低技术（Low-tech）和模块化施工能力。
核心研究问题：如何利用 AI 技术构建一个混合智能框架，既能利用专业医学建筑知识，又能赋予本地社区参与权，从而快速、低成本地生成符合当地语境的医疗设施概念设计？
1.2. 文献综述与研究缺口 (Literature Review & Research Gap)
现有方法演变： 早期生成范式：基于数学优化（如 QAP, MIP）和规则系统（如 Shape Grammars）。缺点：输入要求高，难以处理定性因素（文化、社会需求）。 数据驱动范式：基于 GANs、GNNs 的生成设计。缺点：“黑盒”性质，缺乏可解释性，难以保证严格的功能和法规约束（Hallucination）。
研究缺口 (Gap)： 现有的计算工具链是断裂的：定量优化（数学模型）、模式生成（AI）与定性协商（人类对话）之间存在鸿沟。 缺乏一个端到端的、能将自然语言需求转化为合规工程模型的集成系统。 现有的 AI 辅助设计多关注视觉生成，忽视了医疗建筑特有的严格逻辑（如流线控制、院感防控）。
1.3. 研究目标与核心理念
目标：构建 MedBuild AI，一个基于 Web 的三智能体系统。 核心理念：混合智能（Hybrid Intelligence）。即利用 LLM 处理模糊的自然语言和逻辑规划，利用确定性代码（Python）处理数值计算和几何约束，实现“创造性”与“可验证性”的平衡。
2. 研究设计与方法 (Methodology)
2.1. 系统架构：三智能体框架 (The Three-Agent Framework)
2.2. Agent 1: 对话与信息编码智能体 (Dialogue & Information Encoding)
功能 ：降维（Dimensionality Reduction）。将非结构化的用户叙述转化为结构化的机器指令。流程 ：启发式数据引出 ：MedBuild-GPT 与用户进行苏格拉底式对话。PHCMEISXG 框架 ：基于 P（人口）、H（健康威胁）、C（文化）、M（母婴）、E（现有资源）、I（基础设施）、S（安全）、X（经济）、G（地理）九个维度提取信息。两阶段编译 ：先由 LLM 总结为要点，再由 Encoder LLM 转化为紧凑的 DQL 字符串（如 P:pop=50000...|X:budget=5...）。
2.3. Agent 2: 专家系统智能体 (Functional Programming Expert System)
性质 ：确定性（Deterministic） 。这是本研究区别于纯生成式 AI 的关键，旨在避免幻觉，确保医疗规划的科学性。与 基于规则（Rule-based）核心算法 ：需求预测 ：基于人口增长率和多因子加权评分模型（考虑疾病复杂度和基础设施）确定医院等级（Level Score）。床位计算 ：计算 理论需求 - 现有有效供给 + 修正因子（如传染病、冲突创伤） = 净床位缺口。功能与预算优化 ：根据公共卫生标准计算手术室（ORs）、ICU 等具体房间数量。 预算倒逼算法 ：如果 估算成本 > 预算，系统会根据临床优先级（Priority Hierarchy）自动削减非核心面积，直到方案在预算内。
2.4. Agent 3: 建筑设计与布局智能体 (Architectural Design & Layout)
LLM 布局规划器 (Knowledge-Injected Generation) ：使用“知识注入”Prompt，包含医疗建筑 拓扑库 （如 Courtyard, Podium-Tower, Finger Plan）。强制执行几何约束：边界依附、无环路（树状拓扑）、双方案输出（S1/S2）。
程序化 3D 引擎 (Procedural Geometry Engine) ：技术细节 ：为避免浮点数误差，使用离散整数网格 (Discrete Integer Grid) 进行布尔运算。轮廓生成 ：采用闵可夫斯基和（Minkowski Sum）近似法生成建筑轮廓。布局算法 ：智能分层 ：根据基地面积动态计算所需楼层数。瀑布流分配 ：优先安置核心医疗科室。网格化模块生成 ：将房间映射到结构网格，生成模块化组件（便于预制装配）。
3. 结果与发现 (Results & Findings)
3.1. 案例研究 (Case Studies)
成长型乡镇 (Case 1) ：人口 5 万，预算 500 万美元。系统生成了一个172 床的二级医院 ，采用分散式布局以适应宽松用地。大型都市 (Case 2) ：人口 60 万，预算 5000 万美元。系统生成了1500 床的三级医院 ，采用高密度塔楼（Podium-Tower）应对用地紧张。未来新城 (Case 3) ：人口 300 万。生成了超大规模教学医院园区。沿海渔村 (Case 4) ：人口 5 千，预算极低。系统生成了10 床的一级卫生中心 ，并建议采用架空结构以应对洪水风险。
3.2. 关键发现
语境敏感性 ：系统不仅调整规模，还调整形态。例如在 Case 4 中，它识别出洪水风险并调整了底层结构逻辑。预算控制 ：Agent 2 的迭代算法成功将设计控制在预算范围内，实现了“设计即算账”的透明化。模块化输出 ：生成的 3D 模型具有明显的模块化特征，直接对应低技术、预制化的建造逻辑。
4. 讨论 (Discussion)
4.1. 理论贡献：神经符号 AI 的应用
论文对比了 MedBuild AI 与其他计算设计框架（如 QAP, GANs, GNNs）（Table 5）。 核心优势 ：MedBuild AI 处于“混合智能”象限，结合了 LLM 的意图理解（Intent Understanding）和专家系统的可验证性（Verifiability）。它解决了纯数学模型难以使用、纯深度学习模型不可解释/不可控的问题。
4.2. 实践启示：重塑代理权 (Reshaping Agency)
流程变革 ：从线性的“专家主导”转变为循环的“人机协作”。赋能 ：将复杂的医疗规划知识封装在后台，前台通过自然语言交互，使得没有建筑学背景的本地社区领袖、医生也能参与早期规划，并即时看到预算和功能的权衡（Trade-offs）。这是一种**设计协商（Design Negotiation）**工具。
4.3. 局限性与未来研究
局限性 ：目前的 PHCMEISXG 框架难以完全捕捉复杂的文化动态；地形适应能力有限；缺乏多目标（能耗、流线）的同时优化能力。未来方向 ：引入 RAG (检索增强生成) ，结合各国的具体建筑规范。引入 GNN (图神经网络) 优化复杂的房间邻接关系。对接 BIM (IFC 格式) ，实现从概念设计到深化设计的无缝衔接。
5. 结论 (Conclusion)
6. 核心参考文献 (Core References)
World Health Organization (2023) .Tracking universal health coverage: 2023 global monitoring report . (数据来源，定义了问题的紧迫性)Muther, R. (1973) .Systematic Layout Planning . (早期布局规划理论基础)Stiny, G., & Gips, J. (1972) .Shape Grammars . (规则生成系统的理论基础)Hu, R., et al. (2020) .Graph2Plan: Learning floorplan generation from layout graphs . (对比的深度学习生成方法)Rietschel, M., & Steinfeld, K. (2024) .Mediating Modes of Thought: LLM’s for Design Scripting . (混合智能与LLM设计脚本的启发来源)
–EOF–
转载须以超链接形式标明文章原始出处和作者信息及版权声明.
No comments:
Post a Comment