大规模语言模型用于参与式城市规划
内容提要
该文综述大型语言模型在城市规划中的应用，重点介绍将LLM与参与式过程结合的创新方法，通过角色扮演、协作生成和反馈迭代框架解决社区土地利用任务，实验显示其在满意度和包容性上超过人类专家，并展望LLM代理对规划师和市民的双重益处。
延伸解读
LLM与参与式规划的结合点
文章将大型语言模型嵌入参与式城市规划流程，通过角色扮演、协作生成和反馈迭代框架处理社区土地利用任务。这种方法利用自然语言推理能力，让不同利益相关者以代理形式参与决策，旨在解决传统规划中过度依赖专家和协调困难的问题。实验显示其在满意度和包容性上超过人类专家，并与强化学习方法在服务和生态方面表现相当。
实证效果与对比表现
在多样化城市社区的实证实验中，该框架展现出可适应性和效果。与人类专家相比，它在满意度和包容性上更优；与多智能体强化学习框架相比，在服务和生态指标上不相上下。这表明LLM代理在参与式规划中既能提升包容性，又能保持与专门计算方法相近的生态服务性能，为低成本高效规划提供了新可能。
对规划师与市民的潜在益处
研究展望了LLM代理对规划师和市民的双重益处：规划师可利用其可伸缩性和自然语言交互降低协调成本，市民则能通过代理更便捷地表达偏好，增强参与感。这种低成本高效的方法有望促进更广泛的公众参与，推动参与式城市规划的实现，但文章未提及具体实施障碍或长期影响。
Q&A
大型语言模型如何与参与式城市规划结合？
通过角色扮演、协作生成和反馈迭代的框架，将LLM融入参与式过程，解决社区级土地利用任务。
LLM在参与式城市规划中的实验效果如何？
在多样化城市社区的实证实验中，LLM方法在满意度和包容性上超过人类专家，在服务和生态方面与强化学习方法不相上下。
LLM代理对规划师和市民有什么好处？
利用自然语言推理和可伸缩性，LLM代理能低成本高效地辅助规划师和市民，增强参与，实现参与式城市规划。
当前城市规划实践面临哪些主要问题？
土地利用决策过于依赖人类专家，且难以协调利益多样化的利益相关者。
多智能体强化学习框架如何用于土地利用调整？
该框架允许多样化智能体作为利益相关者代表投票，通过共识机制优化土地利用，并利用图神经网络处理空间图结构。
LLM在自动计划中的应用研究包括哪些方面？
研究包括使用何种预训练数据最有效、微调或提示哪种方法最有效，以及LLM能否进行计划综合。
