城市再生長期以來一直是建筑環境學科，尤其是城市規劃領域的研究焦點，作為一種干預策略（Roberts & Sykes, 1999），用于應對復雜的城市挑戰并實現新的開發目標（Figueiredo et al., 2022）。雖然人們非常關注再生的政策和制度層面，但指導土地利用轉型和塑造有韌性城市的空間規劃方面卻較少受到關注。城市再生既是一種高度依賴于具體地點和情境的實踐，同時也有助于推進多個全球共同可持續發展目標的實現，特別是目標7（可負擔和清潔的能源）、目標9（工業、創新和基礎設施）、目標11（可持續城市和社區）以及目標13（氣候行動）。
近年來，隨著外部沖擊（如日益嚴重的災害事件）、因國內和國際遷移導致的人口劇烈變化，以及應對氣候變化的發展目標不斷演變，城市再生規劃出現了新的維度，這些因素增加了對更加綜合方法的需求。我們將城市再生和改造的空間規劃定義為空間再生規劃（SRP），這是一種在全球范圍內越來越重要的實踐。SRP通過指導土地利用變化和重新構想分區等監管框架，來解決新興的人地沖突、應對環境沖擊，并滿足氣候適應的緊迫需求（McGhee et al., 2020）。在反復出現和不斷變化的對抗性事件背景下（Wang, Taylor, & Garvin, 2020），最近的SRP舉措越來越重視“韌性”。我們的研究繼承了將災害規劃作為理解廣泛社會政治相關理論和實踐的強大試驗場的傳統（Burby et al., 1999; Deyle & Smith, 1998; Lyles, 2015; Wu et al., 2024）。
在長期災害恢復期間，SRP尤其具有挑戰性，因為此時需要進行大規模的重建工作，這些過程既耗時又耗費資源，而且規劃者還需要同時應對幫助社區恢復正常生活的緊迫任務，即使這意味著可能需要重建那些最初導致社區脆弱性的有缺陷的系統（Zoning and Disaster Recovery, 2025）。盡管SRP在恢復基礎設施、社會和經濟系統方面起著基礎性作用（Olshansky et al., 2012），但大部分恢復研究都集中在基礎設施、住房和家庭恢復的狹隘方面，可能忽視了系統性的空間規劃對于實現更好重建的重要性。與此同時，韌性規劃方面的實證研究和理論發展已經超過了SRP建模方法和過程的進步速度。例如，盡管規劃理論提倡在災后進行SRP以糾正過去的不平等并增強社區對未來災害的抵御能力（Finn et al., 2023），但這些理論見解很少被轉化為實際的建模方法。
傳統的空間規劃模型可以為特定社區或事件產生高效的結果。例如，基于元胞自動機的城市變化模型利用從歷史土地開發中得出的規則來模擬城市變化（Liu et al., 2021）；綜合的土地利用和交通模型強調土地（或人口）、交通模式（需求）與交通基礎設施（供應）之間的反饋循環，并借鑒重力或計量經濟學原理進行規劃（Iacono et al., 2008）；以及基于GIS的多標準加權線性模型用于適宜性分析（Meerow & Newell, 2017）。然而，無論是確定性模型還是啟發式模型，都很難捕捉到大型數據集中復雜的、多尺度的模式和關系，也無法解決現有的空間不平等問題。這主要是由于模型的能力有限以及全面、真實世界空間數據的稀缺性。這些模型在災害恢復中的實用性有限，因為它們難以生成多樣化的、創新的、現實可行的規劃結果，也無法靈活地適應不同的恢復情境（Hu et al., 2024）。
在缺乏先進方法的情況下，臨時性的SRP往往無法充分解決和平衡現狀之外的社會經濟和環境目標（Ingram et al., 2006），尤其是在資本利益作為主導力量的情況下，這些資本利益希望看到一個盡可能接近災前條件的可預測的土地開發市場（Logan & Molotch, 2007）。這種傾向可能導致更加不公平的結果、對未來災害的適應不良以及恢復資金的低效使用。
生成式深度學習技術（GenAI）的爆發性增長為計算空間規劃開辟了一個充滿希望的新領域，有望解決傳統方法難以處理的SRP復雜性。與像ChatGPT這樣的通用基礎模型不同，特定領域的GenAI模型能夠處理空間規劃的獨特復雜性。這些模型在生成真實的空間布局方面表現出有效性（Owaki & Machida, 2020; Wang, Fu, et al., 2020b），條件生成模型尤其擅長根據特定因素或情境生成結果（Isola et al., 2017; Sun et al., 2021a; Tian, 2021）。然而，為SRP開發的GenAI模型（GenAI4SRP）與現有的規劃理論和倫理標準存在脫節，因為大多數模型僅由計算機科學家開發。AI在規劃實踐中的日益應用（Luusua et al., 2023）以及城市數字孿生的出現（Bauer et al., 2024）進一步強調了需要理論和倫理指導，以確保其負責任的部署。
理論指導的生成式AI為城市空間再生提供了變革性的機會，它彌合了數據驅動技術與傳統規劃理論和倫理標準之間的關鍵差距。與純粹的數據驅動方法不同，理論指導的GenAI結合了數十年的城市規劃框架、倫理考量和空間理論，提供了具有情境相關性的解決方案，同時提高了可解釋性，并提供了可廣泛應用的靈活解決方案（Hoffer et al., 2022; Karpatne et al., 2017）。這種整合在處理復雜的社會經濟、環境和文化維度交織的空間再生挑戰時尤為重要。
正如成功的理論指導方法在科學和工程領域取得的顯著進步所示——這些方法產生的模型更加準確、高效和通用（Hadid et al., 2024; Willard et al., 2022）——將其應用于城市規劃可能會徹底改變空間再生實踐。這些嵌入了既定規劃理論的GenAI模型能夠更好地處理城市干預中的細致倫理考量，尊重當地文化和社區價值觀，平衡短期和長期發展需求，同時提供基于經驗證的規劃原則的創新解決方案，而不僅僅是基于歷史模式的外推（Karpatne et al., 2017）。
理論指導的方法解決了當前城市技術應用中的一個關鍵問題：盡管空間規劃擁有豐富的理論基礎，但在AI開發中，規劃專業人士的寶貴專業知識相對于物理學、工程學和氣候科學等領域來說相對未被充分利用。
因此，本綜述研究了由規劃理論和倫理指導的生成式深度學習（GenAI），特別關注可持續、智慧和有韌性的規劃。我們首先探討了規劃理論與GenAI模型在空間規劃和城市再生方面的缺失聯系，然后討論了如何利用規劃理論和倫理標準來指導GenAI的制定、訓練、評估和治理，以提升其在SRP中的應用和性能。我們旨在提出幾種社會技術創新路徑，這些路徑能夠整合規劃理論和倫理標準、技術進步、負責任的部署以及跨學科的發展，為可持續、智慧和有韌性的城市提供綜合的規劃研究和實踐。
