城市再生长期以来一直是建筑环境学科，尤其是城市规划领域的研究焦点，作为一种干预策略（Roberts & Sykes, 1999），用于应对复杂的城市挑战并实现新的开发目标（Figueiredo et al., 2022）。虽然人们非常关注再生的政策和制度层面，但指导土地利用转型和塑造有韧性城市的空间规划方面却较少受到关注。城市再生既是一种高度依赖于具体地点和情境的实践，同时也有助于推进多个全球共同可持续发展目标的实现，特别是目标7（可负担和清洁的能源）、目标9（工业、创新和基础设施）、目标11（可持续城市和社区）以及目标13（气候行动）。
近年来，随着外部冲击（如日益严重的灾害事件）、因国内和国际迁移导致的人口剧烈变化，以及应对气候变化的发展目标不断演变，城市再生规划出现了新的维度，这些因素增加了对更加综合方法的需求。我们将城市再生和改造的空间规划定义为空间再生规划（SRP），这是一种在全球范围内越来越重要的实践。SRP通过指导土地利用变化和重新构想分区等监管框架，来解决新兴的人地冲突、应对环境冲击，并满足气候适应的紧迫需求（McGhee et al., 2020）。在反复出现和不断变化的对抗性事件背景下（Wang, Taylor, & Garvin, 2020），最近的SRP举措越来越重视“韧性”。我们的研究继承了将灾害规划作为理解广泛社会政治相关理论和实践的强大试验场的传统（Burby et al., 1999; Deyle & Smith, 1998; Lyles, 2015; Wu et al., 2024）。
在长期灾害恢复期间，SRP尤其具有挑战性，因为此时需要进行大规模的重建工作，这些过程既耗时又耗费资源，而且规划者还需要同时应对帮助社区恢复正常生活的紧迫任务，即使这意味着可能需要重建那些最初导致社区脆弱性的有缺陷的系统（Zoning and Disaster Recovery, 2025）。尽管SRP在恢复基础设施、社会和经济系统方面起着基础性作用（Olshansky et al., 2012），但大部分恢复研究都集中在基础设施、住房和家庭恢复的狭隘方面，可能忽视了系统性的空间规划对于实现更好重建的重要性。与此同时，韧性规划方面的实证研究和理论发展已经超过了SRP建模方法和过程的进步速度。例如，尽管规划理论提倡在灾后进行SRP以纠正过去的不平等并增强社区对未来灾害的抵御能力（Finn et al., 2023），但这些理论见解很少被转化为实际的建模方法。
传统的空间规划模型可以为特定社区或事件产生高效的结果。例如，基于元胞自动机的城市变化模型利用从历史土地开发中得出的规则来模拟城市变化（Liu et al., 2021）；综合的土地利用和交通模型强调土地（或人口）、交通模式（需求）与交通基础设施（供应）之间的反馈循环，并借鉴重力或计量经济学原理进行规划（Iacono et al., 2008）；以及基于GIS的多标准加权线性模型用于适宜性分析（Meerow & Newell, 2017）。然而，无论是确定性模型还是启发式模型，都很难捕捉到大型数据集中复杂的、多尺度的模式和关系，也无法解决现有的空间不平等问题。这主要是由于模型的能力有限以及全面、真实世界空间数据的稀缺性。这些模型在灾害恢复中的实用性有限，因为它们难以生成多样化的、创新的、现实可行的规划结果，也无法灵活地适应不同的恢复情境（Hu et al., 2024）。
在缺乏先进方法的情况下，临时性的SRP往往无法充分解决和平衡现状之外的社会经济和环境目标（Ingram et al., 2006），尤其是在资本利益作为主导力量的情况下，这些资本利益希望看到一个尽可能接近灾前条件的可预测的土地开发市场（Logan & Molotch, 2007）。这种倾向可能导致更加不公平的结果、对未来灾害的适应不良以及恢复资金的低效使用。
生成式深度学习技术（GenAI）的爆发性增长为计算空间规划开辟了一个充满希望的新领域，有望解决传统方法难以处理的SRP复杂性。与像ChatGPT这样的通用基础模型不同，特定领域的GenAI模型能够处理空间规划的独特复杂性。这些模型在生成真实的空间布局方面表现出有效性（Owaki & Machida, 2020; Wang, Fu, et al., 2020b），条件生成模型尤其擅长根据特定因素或情境生成结果（Isola et al., 2017; Sun et al., 2021a; Tian, 2021）。然而，为SRP开发的GenAI模型（GenAI4SRP）与现有的规划理论和伦理标准存在脱节，因为大多数模型仅由计算机科学家开发。AI在规划实践中的日益应用（Luusua et al., 2023）以及城市数字孪生的出现（Bauer et al., 2024）进一步强调了需要理论和伦理指导，以确保其负责任的部署。
理论指导的生成式AI为城市空间再生提供了变革性的机会，它弥合了数据驱动技术与传统规划理论和伦理标准之间的关键差距。与纯粹的数据驱动方法不同，理论指导的GenAI结合了数十年的城市规划框架、伦理考量和空间理论，提供了具有情境相关性的解决方案，同时提高了可解释性，并提供了可广泛应用的灵活解决方案（Hoffer et al., 2022; Karpatne et al., 2017）。这种整合在处理复杂的社会经济、环境和文化维度交织的空间再生挑战时尤为重要。
正如成功的理论指导方法在科学和工程领域取得的显著进步所示——这些方法产生的模型更加准确、高效和通用（Hadid et al., 2024; Willard et al., 2022）——将其应用于城市规划可能会彻底改变空间再生实践。这些嵌入了既定规划理论的GenAI模型能够更好地处理城市干预中的细致伦理考量，尊重当地文化和社区价值观，平衡短期和长期发展需求，同时提供基于经验证的规划原则的创新解决方案，而不仅仅是基于历史模式的外推（Karpatne et al., 2017）。
理论指导的方法解决了当前城市技术应用中的一个关键问题：尽管空间规划拥有丰富的理论基础，但在AI开发中，规划专业人士的宝贵专业知识相对于物理学、工程学和气候科学等领域来说相对未被充分利用。
因此，本综述研究了由规划理论和伦理指导的生成式深度学习（GenAI），特别关注可持续、智慧和有韧性的规划。我们首先探讨了规划理论与GenAI模型在空间规划和城市再生方面的缺失联系，然后讨论了如何利用规划理论和伦理标准来指导GenAI的制定、训练、评估和治理，以提升其在SRP中的应用和性能。我们旨在提出几种社会技术创新路径，这些路径能够整合规划理论和伦理标准、技术进步、负责任的部署以及跨学科的发展，为可持续、智慧和有韧性的城市提供综合的规划研究和实践。
