案例类别：人工智能+专业课程

课程名称：专业创新与实践       适用专业：建筑学专业

开课学院：土木与港海工程学院    主讲教师：姜柏宇

技术类型：AIGC绘图工具、生成式视觉模型、知识图谱

应用场景：建筑设计中的AI辅助创意生成与多方案迭代

案例简介

《专业创新与实践》是建筑学本科的专业选修课。本案例为该课程的第二讲，聚焦AIGC绘图技术在建筑方案构思与表达中的应用。课程构建以“提示词—ControlNet控制—迭代优化”为核心的知识图谱，引导学生掌握Stable Diffusion等AI绘图工具的基本操作与设计逻辑融合方法。学生通过“文字→图像”“草图→效果图”的生成流程，将抽象构思迅速转化为可视方案，并借助AI实现多风格、多视角和多场景下的快速方案比选与深化。课程强调人工智能作为协同设计工具包的角色，重塑“构思－生成－评估－迭代”的设计闭环，培养学生人机协作思维和智能技术应用能力，提升设计效率与创意表达能力， 适应行业技术变革对人才的新需求。

一、背景

1. 国内外人工智能辅助设计学科发展趋势

（1）国外发展趋势

人工智能发展从最初的语言模型到目前的文生图，图生图，图生视频等，目前的人工智能在设计领域的结合越来越深入，国际设计教育领域已广泛将人工智能作为设计方法创新的核心驱动力。高校如MIT、UCL Bartlett建筑学院等已开设多门整合AI辅助生成设计、算法生成与空间智能优化的课程。教学重点从传统技能训练转向人机协作思维培养，强调设计思维与生成算法的深度融合。AIGC工具如Stable Diffusion 模型和生成对抗网络（GANs）被纳入设计教学，用于概念发散、形态生成和多方案优化，形成“构思—AI生成—反馈—再生成”的高效设计闭环，大幅缩短从概念到表达的时间。

（2）国内发展趋势

国内建筑院校如清华大学、同济大学等正在积极推进人工智能与建筑教育的深度融合，覆盖设计教学、技术实践与研究创新等多个层面。越来越多课程尝试引入AI内容生成、参数化设计和生成对抗网络（GAN）等方法，用于设计前期概念拓展、形态生成和多方案比较。教学重点逐渐从纯技能授课转向“设计思维+AI工具”复合能力培养，以适应行业对智能设计人才的需求。

2.人工智能解决的核心痛点及预期目标

（1）核心痛点

AIGC的工具可以让教学的交流反馈更加迅速，过去学生从设计构思到可以呈现方案需要经过“构思-1草-2草-3草-方案建模-模型渲染-排版”的流程，花费2个月的时间进行推敲和与教师讨论，但是目前的 AIGC 可以将构思生成方案的时间压缩到5分钟甚至1分钟，这就给多方案设计的比选带来了更多的可能性，为学生的方案设计能力训练提出了更多的方法，课程可以将更多的时间花在训练学生的设计思维，以应对国家对于掌握人工智能技术的高级工程技术人才的需求。

（2）预期目标

引导学生掌握AIGC绘图基本流程和提示词构建方法，能结合Stable Diffusion进行文生图、图生图操作；培养学生利用AI进行设计快速迭代和风格化表达的能力；构建融入AI技术的设计思维和知识结构，提升学生应对技术变革的适应力和创新性。

3.人工智能对学科问题的针对性突破

AI技术在本案例中实现了对建筑学设计方法的两个关键突破：

设计流程重构：变“线性递进”为“循环生成”，大幅提高设计效率与表现力；

评价标准扩展：在传统造型、功能、空间评价基础上，引入生成逻辑、人机协作、技术融合等新维度，推动教学评价体系与时俱进。

图 1 传统设计与AI设计方法对比

二、案例实施情况

本案例从学生的实际需求出发，按照课前预习-课程引入-课程讲授-课程反馈-课后练习进行组织，利用AIGC绘图工具和软件进行深度融合，旨在让师生有更多的互动机会，让AI工具能够与所学知识形成深度互动，具体步骤如下：

1.课前预习

在雨课堂发布相关的选题内容，发布相关的学习素材，特别是：

（1）生成图片提示词的构成，如何写作及如何进行提示词的优化；

（2）如何获取草图，将草图导入Stable Diffusion；

（3）Stable Diffusion 的基本界面及操作方法。

2.课程引入

先阐述目前的设计方法，从学生的实际需求出发，说明目前的设计模式，即多轮的草图绘制后与老师讨论，但是随着目前AIGC的逐步成熟，人工智能领域在多个领域引起了技术革新与发展，从建筑设计发展的趋势来说，人工智能领域的发展势必会让建筑设计方法迎来新的技术革命，因此，有必要在课程中引入AIGC的制图方法，让学生逐步熟悉、认识、掌握文生图、图生图等新的图案生成方法。

让学生思考回答下列问题：

（1）何为AIGC工具？AI所带来的发展有哪些要我们建筑师去面对的？

（2）从工具发展及人工智能交互角度，目前的人工智能能带来哪些新的变化？

（3）AIGC工具与目前的建筑设计如何交互？效果如何进行评估？

（4）从你目前参与的设计中，请你思考，人工智能与你设计的交互能给你带来哪些变化？

（5）从方案的空间设计角度，如何利用人工智能的要求进行思考与创作，应该怎么做？

图 2 AIGC工具—从手绘到效果图的快速生成

3.课程讲授

（1）提示词（Prompt）

提示词的概念与作用：明确提示词作为人机交互的核心媒介，是将设计意图转化为机器可执行指令的关键。

其基本结构包括：主体对象（如建筑类型、空间名称） 、细节特征（材质、形态、尺度）、风格语境（如“新中式”“极简主义”）和环境氛围（时间、天气、光影）。

提示词编写方法与优化策略：系统讲解正向提示词用于明确需求（如“大理石立面、大型玻璃幕墙”），反向提示词用于排除干扰元素（如“模糊、扭曲、植被遮挡”）。通过示例展示如何通过增删关键词、调整语序、加入权重符号等方式迭代优化提示词，使其更精准地表达设计意图。

课堂即时练习：学生根据——简单空间主题（如“滨海图书馆”）编写提示词，教师现场点评并反馈优化建议。

（2）Stable Diffusion 介绍

什么是大模型？目前有哪些渠道可以获取大模型？

大模型是一种用于图像生成的深度学习模型，它在大规模数据集上进行训练，能够生成高质量和多样化的图像。这些模型因其强大的生成能力和广泛的应用范围而备受关注，适用于艺术创作、游戏开发、虚拟现实等多个领域。然而，由于其庞大的参数规模，大模型需要相对较高的计算资源和显存来支持其训练和推理过程。

图 3 大模型网站获取实例

什么是Lora模型？目前有哪些渠道可以获取Lora 模型。Lora模型则是一种针对大型预训练模型的低资源微调方法，它通过减少训练参数和显存使用量，从而使得在资源受限的环境中也能有效地进行个性化和小规模数据集的微调。Lora模型特别适合于特定风格生成、特定对象识别等场景，能够在保持预训练模型强大特征提取能力的同时，针对特定任务进行优化。这种方法的优势在于它可以大幅减少微调过程中的资源消耗，同时不牺牲生成图像的质量，使得普通用户也能够轻松地对大型模型进行定制化调整。

图 4 Lora 模型网站获取实例

什么是ControlNet?

ControlNet是一种通过额外输入条件（如边缘、深度、姿态等）对生成过程进行精确控制的神经网络结构。它能够将用户提供的草图、深度图、姿态图等作为空间约束，引导模型生成在结构、布局或语义上与输入条件高度一致的图像， 极大提升了AI生成的可控性与准确性。

图 5 ControlNet工作原理示意

（3）Stable Diffusion 操作演示

引出问题：如何从左边的图片得到右边的图片？

图 6 课上教学案例演示

Step1 参数设置

图 7 基本参数设置

Step2 语义分割

对于建筑与周边环境关系进行提取和设置

图 8 语义分割

Step3 边缘检测

对整体的建筑轮廓进行提取

图 9 轮廓检测

Step4  柔性边缘检测

对整体的建筑周边轮廓进行识别调整，进而得到图10的右侧图片。

图 10 柔性边缘轮廓检测

（4）Stable Diffusion 学生实操

多方案比选演示：强调同一草图在不同模型、提示词和控制参数下生成的多方案比较，直观体现AIGC技术在方案拓展阶段的效率优势。

常见问题与调优策略：针对输出结果常见问题（如结构错乱、风格偏差）提供现场解决方法，培养学生的问题排查与优化能力。

图 11 多方案比较实操练习截图

图 12 部分学生课上练习成果展示

4.过程评价与反馈

（1）利用雨课堂进行实时交互与过程评价

穿插使用雨课堂随堂练习、投票及提问功能，实时检测学生对关键知识点（如提示词结构、ControlNet类型选择）的掌握情况，并根据反馈即时调整讲解重点。

（2）生成结果投屏与互动点评

随机选择学生生成的图像结果投屏展示，组织教师点评与同学互评，重点讨论提示词撰写、模型选择与控制策略的合理性，强化生成逻辑与设计意图的关联性。

（3）集中答疑与总结

针对实操中暴露的共性问题，如提示词不够具体、ControlNet 参数设置不当等，进行集中分析与解答，巩固关键操作要点。

5.课后练习

（1）扩展作业布置

要求学生运用课程所学的Stable Diffusion技术，依据提供的两张基础参考图，分别生成具有“故宫中式风格”和“凡尔赛宫西式风格”的建筑效果图，并进行多方案比较与优化。作业需通过雨课堂平台提交，内容包括：

最终生成的系列效果图；

记录完整生成过程的屏幕视频（含配音讲解），视频中需体现提示词调整、ControlNet参数设置及迭代优化的关键步骤；

简要说明设计意图、风格控制策略及遇到的主要问题与解决方法。

图 13 扩展作业布置

（2）多元评估与展示

教师根据提交成果的质量、创意性及技术运用熟练度进行综合评价，重点关注提示词准确性、控制参数合理性以及生成结果与设计目标的一致性；

遴选优秀作业在雨课堂课程平台展示， 组织学生开展线上互评与讨论，拓展设计思路与技术视野。

图 14 学生作业展示

（3）学生反馈收集与分析

通过雨课堂收集学生课程反馈，聚焦以下方面：

1.学生对AIGC工具辅助设计流程的适应性与接受度；

2.在提示词、ControlNet 控制等关键技术环节遇到的困难与建议；

3.AI生成技术对自身设计思维与表达方式的实际影响。

三、案例创新突破

（一）主要创新内容

（1）教学范式创新：将AI作为核心教学工具而非辅助演示工具，创建了“驱动-交互-迭代-评估”的AI赋能设计教学新范式，实现了设计教学流程的更新优化。

（2）知识体系创新：构建了融合建筑设计教学、提示词、AI图像生成技术的跨学科知识图谱，使学生对AI辅助设计的认知系统化、结构化。

（3）课程内容创新：将业界前沿的AIGC技术及时转化为适合本科教学的教学内容与实践项目，内容前沿性强。

图 15 课程知识图谱

（二）技术突破内容

（1）技术应用深度：本案例不仅是工具介绍，更是深入至提示词书写、参数优化与ControlNet控制等核心技术环节，实现了对开源AI工具较高水平的教学应用。

（2）集成应用创新：将Stable Diffusion与雨课堂智慧教学工具无缝集成，实现了课前-课中-课后的全流程数字化管理、互动与反馈，提升了教学效率。

（三）应用实践突破内容

（1）实践能力突破：培养学生“定义设计问题-转化AI指令-优化生成结果”的新一代设计能力，使其具备与AI协同创作的竞争力。

（2）人才培养突破：有效解决了传统教学中学生“想法丰富但表达效率低”的矛盾，极大激发了学生的创作热情和自信心，培养了其面向未来的技术适应性与创新思维。

四、推广价值

本案例成功将AIGC技术转化为可操作、可复制的本科教学实践，具有显著的推广价值：

（一）应用前景广阔

案例模式可迁移至城乡规划、环境设计、工业设计等所有需要视觉创意表达的设计类专业课程中。

（二）示范引领作用

为在有限资源下（利用开源软件）开展“人工智能+设计”教学提供了完整范例，展示了如何有效利用信息技术重塑传统专业课堂。

（三）教学成果显著

学生作品质量与创新性显著提升，学习兴趣浓厚。该案例已成为学院教学改革的亮点，吸引了校内外同行的广泛关注与交流。

图 16 整体教学流程

五、其他相关情况

1.案例相关数字资料

（1）训练的文生图、图生图大模型、Lora模型