Ứng dụng AI trong thiết kế kiến trúc dựa trên các nghiên cứu mới nhất

Mở đầu

Trong những năm gần đây, công nghệ AI đang được triển khai rộng rãi trong thiết kế kiến trúc, quy hoạch đô thị và ngành xây dựng. Tuy nhiên, tài liệu được hệ thống hóa về cách AI có thể hỗ trợ và được ứng dụng để giải quyết các vấn đề kiến trúc hiện đại (hiệu suất năng lượng, tối ưu hóa không gian, v.v.) còn rất ít.

Ngoài ra, kể từ năm 2022, AI sinh tạo (Generative AI) như ChatGPT và Midjourney, cũng như các mô hình ngôn ngữ lớn (LLM), đã phát triển nhanh chóng. Sự chuyển đổi từ AI ký hiệu truyền thống (dựa trên quy tắc) sang mạng nơ-ron và AI sinh tạo đang diễn ra, do đó cần có sự đánh giá lại dựa trên các xu hướng công nghệ mới nhất (như GPT-5).

Ở đây, chúng tôi tập trung vào công việc thiết kế kiến trúc và hệ thống hóa các trường hợp sử dụng chủ yếu từ năm 2010 trở đi, khi nghiên cứu cơ bản về Deep learning được phổ biến.

Phân loại các trường hợp ứng dụng AI trong thiết kế kiến trúc

Phần này mô tả cách AI được ứng dụng trong thiết kế kiến trúc. Công việc thiết kế kiến trúc được chia thành sáu quy trình: quy trình lập kế hoạch và dự toán, quy trình thiết kế cơ bản, quy trình thiết kế thi công, quy trình thiết kế kết cấu và kỹ thuật, quy trình mô phỏng thiết kế môi trường và quy trình bảo quản và cải tạo.

Quy trình lập kế hoạch và dự toán

Thiết kế

• Trong tối ưu hóa hình dạng của dàn mái, AI thực hiện tối ưu hóa bao gồm việc giảm thiểu trọng lượng và sai lệch cũng như tính toán sở thích của người dùng (Bailey Breanna & Raich Anne M., 2012)

• Sử dụng các công cụ AI sinh tạo như Midjourney, DALL-E 2 và Stable Diffusion để tạo ra các đề xuất thiết kế về phối cảnh kiến trúc, nội thất và mặt tiền trong vài giây từ các lệnh (prompt) bằng ngôn ngữ tự nhiên. Điều này giúp tăng tốc độ đưa ra ý tưởng ban đầu và chia sẻ hình ảnh với khách hàng (Enjellina et al., 2023; Li et al., 2025b; Ploennigs & Berger, 2023; Sourek, 2024)

Xây dựng yêu cầu dự án

• Nghe các yêu cầu và nhu cầu mơ hồ của khách hàng, LLM kết hợp với dữ liệu dự án quá khứ để tạo ra các tài liệu yêu cầu dự án sáng tạo và thực tế (Memon et al., 2025; Onatayo et al., 2024)

Quy trình thiết kế cơ bản

Tự động tạo bản vẽ sàn

• Sử dụng GAN và ANN để tạo ra các sơ đồ bố trí cho căn hộ và các loại hình khác (Huang & Zheng, 2018; Krausková & Pifko, 2021; Liu et al., 2017; Tamke et al., 2018)

Tối ưu hóa quy hoạch đô thị và khu đất

• Dựa trên các điều kiện như địa hình, gió, ánh sáng mặt trời, giao thông và phân vùng, AI đề xuất bố trí tòa nhà tối đa hóa tiềm năng của khu đất (Sourek, 2024)

Quy trình thiết kế thi công

Tích hợp BIM và AI

• Sử dụng AI để thực hiện mô hình hóa hình dạng và nhận dạng đối tượng, tự động hóa quá trình tạo mô hình BIM từ dữ liệu quét laser (Tang et al., 2010)

• Phân tích nhật ký BIM bằng AI để phân tích các biện pháp cải thiện năng suất quy trình thiết kế (Pan & Zhang, 2020)

• Phân tích sự tích tụ và thay đổi dữ liệu trong thiết kế BIM (Al Hattab & Hamzeh, 2018)

• Các hệ thống tương tác đang được nghiên cứu để thay đổi các thuộc tính của tường hoặc phòng trong mô hình BIM dựa trên hướng dẫn văn bản bằng ngôn ngữ tự nhiên, hoặc thêm vật liệu cách nhiệt (Kampelopoulos et al., 2025)

• Giải thích các quy định pháp lý như Quy định Xây dựng và tự động kiểm tra xem mô hình BIM có tuân thủ các tiêu chuẩn hay không (Kampelopoulos et al., 2025; Li et al., 2025b)

Mặt tiền thích ứng

• AI được sử dụng để điều khiển mặt tiền có khả năng tự động mở/đóng hoặc làm mờ ánh sáng để phản ứng với các điều kiện khí hậu và sự t舒適của người dùng (Li et al., 2025a)

Quy trình thiết kế kết cấu và kỹ thuật

Thiết kế kết cấu

• Có khả năng dự đoán và đánh giá hiệu suất kết cấu, mô phỏng tình trạng kết cấu (Sun et al., 2021; Talebian et al., 2025)

• Khi thí nghiệm khó khăn, AI được sử dụng để xác định các tham số thiết kế kết cấu, giảm thời gian và công sức nhân lực dành cho thí nghiệm (Salehi & Burgueño, 2018)

• Sử dụng các mô hình dự đoán như Random Forest để mô phỏng tình trạng an toàn kết cấu của các tòa nhà bị hư hại do động đất (Y. Zhang et al., 2018)

Quy trình mô phỏng thiết kế môi trường

Mức tiêu thụ năng lượng

• Dự đoán mức sử dụng năng lượng của tòa nhà (Himeur et al., 2021; Mazlina Zaira & Hadikusumo, 2017; Wang & Srinivasan, 2017; H.-X. Zhao & Magoulès, 2012)

• Phát hiện và đánh giá các khiếm khuyết và hư hỏng (như nứt, bong tróc, ăn mòn, lỗ và hư hỏng kết nối) xảy ra trên các công trình cơ sở hạ tầng khác nhau như tòa nhà, cầu, đường hầm, đường bộ, ống nước thải, và xác minh an toàn và tuổi thọ của hệ thống kết cấu (C. Zhang et al., 2020)

• Dự đoán tải điện dự kiến để ứng dụng trong lưới điện thông minh (Raza & Khosravi, 2015)

• Được sử dụng trong mô phỏng thiết bị điều hòa không khí, phát hiện và chẩn đoán lỗi hệ thống, dự đoán tải cho hệ thống, ước tính tiêu thụ năng lượng, dự đoán tình trạng sử dụng, hành vi của cư dân và xu hướng sử dụng năng lượng (Hong et al., 2020)

• Sử dụng AI để dự đoán lượng ánh sáng tự nhiên trong không gian và lượng tiết kiệm năng lượng tương ứng (Lorenz et al., 2018)

Quy trình bảo quản và cải tạo

Chẩn đoán phát hiện sự cố (FDD)

• Phát hiện và chẩn đoán sự cố của các thiết bị tòa nhà như điều hòa không khí bằng AI (Y. Zhao et al., 2019)

• Phát hiện và đánh giá các khiếm khuyết và hư hỏng (như nứt, bong tróc, ăn mòn, lỗ và hư hỏng kết nối) xảy ra trên các cơ sở hạ tầng khác nhau như tòa nhà, cầu, đường hầm, đường bộ, ống nước thải, và xác minh an toàn và tuổi thọ của hệ thống kết cấu (C. Zhang et al., 2020)

• Sử dụng Deep Learning và khai thác dữ liệu văn bản để phân tích các mô hình nguy hiểm và sự thay đổi rủi ro tai nạn theo thời gian (Zhong et al., 2020)

Cải tạo tòa nhà (Building Retrofit)

• Sử dụng Light Detection and Ranging (LiDAR) để dự đoán tuổi của tòa nhà bằng Random Forest (Tooke et al., 2014)

• Dự đoán loại hình kiến trúc từ hình dạng tòa nhà hai chiều như diện tích xây dựng và chiều cao (Henn et al., 2012)

Kết luận

Khi sắp xếp các trường hợp sử dụng, bạn có thể nhận thấy một sự thay đổi trong mô hình công nghệ.

Từ sự phổ biến của Deep Learning từ những năm 2010 trở đi, cho đến sự mở rộng của AI sinh tạo và các mô hình ngôn ngữ lớn (LLM) kể từ năm 2022, AI trong kiến trúc đang chuyển từ hình thức mà con người thường sử dụng AI sang hình thức sử dụng AI một cách tương tác.

Ứng dụng AI trong thiết kế kiến trúc đang nhanh chóng phát triển từ một công cụ đơn thuần để cải thiện hiệu quả công việc thành một đối tác không thể thiếu để nâng cao chất lượng thiết kế và sáng tạo.

Tài liệu tham khảo

• Al Hattab, M., & Hamzeh, F. (2018). Simulating the dynamics of social agents and information flows in BIM-based design. Automation in Construction, 92, 1–22.

• Bailey Breanna, & Raich Anne M. (2012). Modeling of User Design Preferences in Multiobjective Optimization of Roof Trusses. Journal of Computing in Civil Engineering, 26(5), 584–596.

• Enjellina, Beyan, E. V. P., & Rossy, A. G. C. (2023). Review of AI Image Generator: Influences, challenges, and future prospects for architectural field. Journal of Artificial Intelligence in Architecture, 2(1), 53–65.

• Henn, A., Römer, C., Gröger, G., & Plümer, L. (2012). Automatic classification of building types in 3D city models. GeoInformatica, 16(2), 281–306.

• Himeur, Y., Ghanem, K., Alsalemi, A., Bensaali, F., & Amira, A. (2021). Artificial intelligence based anomaly detection of energy consumption in buildings: A review, current trends and new perspectives. Applied Energy, 287, 116601.

• Hong, T., Wang, Z., Luo, X., & Zhang, W. (2020). State-of-the-art on research and applications of machine learning in the building life cycle. Energy and Buildings, 212, 109831.

• Huang, W., & Zheng, H. (2018). Architectural drawings recognition and generation through machine learning. Of the 38th Annual Conference of the …. http://papers.cumincad.org/data/works/att/acadia18_156

• Kampelopoulos, D., Tsanousa, A., Vrochidis, S., & Kompatsiaris, I. (2025). A review of LLMs and their applications in the architecture, engineering and construction industry. Artificial Intelligence Review, 58(8). https://doi.org/10.1007/s10462-025-11241-7

• Krausková, V., & Pifko, H. (2021). Use of artificial intelligence in the field of sustainable architecture: Current knowledge. Architecture Papers of the Faculty of Architecture and Design STU, 26(1), 20–29.

• Liu, C., Wu, J., Kohli, P., & Furukawa, Y. (2017). Raster-to-vector: Revisiting floorplan transformation. 2017 IEEE International Conference on Computer Vision (ICCV), 2195–2203.

• Li, Y., Chen, H., Yu, P., & Yang, L. (2025a). A review of artificial intelligence applications in architectural design: Energy-saving renovations and adaptive building envelopes. Energies, 18(4), 918.

• Li, Y., Chen, H., Yu, P., & Yang, L. (2025b). A review of Artificial Intelligence in enhancing architectural design efficiency. Applied Sciences (Basel, Switzerland), 15(3), 1476.

• Lorenz, C.-L., Packianather, M., Spaeth, A., & Bleil De Souza, C. (2018). Artificial neural network-based modelling for daylight evaluations. SimAUD 2018, Delft, The Netherlands. https://orca.cardiff.ac.uk/id/eprint/112040/

• Mazlina Zaira, M., & Hadikusumo, B. H. W. (2017). Structural equation model of integrated safety intervention practices affecting the safety behaviour of workers in the construction industry. Safety Science, 98, 124–135.

• Memon, S. A., Shehata, W., Rowlinson, S., & Sunindijo, R. Y. (2025). Generative artificial intelligence in architecture, engineering, construction, and operations: A systematic review. Buildings, 15(13), 2270.

• Onatayo, D., Onososen, A., Oyediran, A. O., Oyediran, H., Arowoiya, V., & Onatayo, E. (2024). Generative AI applications in architecture, engineering, and construction: Trends, implications for practice, education & imperatives for upskilling—A review. Architecture, 4(4), 877–902.

• Pan, Y., & Zhang, L. (2020). BIM log mining: Exploring design productivity characteristics. Automation in Construction, 109, 102997.

• Ploennigs, J., & Berger, M. (2023). AI art in architecture. AI in Civil Engineering, 2(1). https://doi.org/10.1007/s43503-023-00018-y

• Raza, M. Q., & Khosravi, A. (2015). A review on artificial intelligence based load demand forecasting techniques for smart grid and buildings. Renewable and Sustainable Energy Reviews, 50, 1352–1372.

• Salehi, H., & Burgueño, R. (2018). Emerging artificial intelligence methods in structural engineering. Engineering Structures, 171, 170–189.

• Sourek, M. (2024). Artificial intelligence in architecture and built environment development 2024: A critical review and outlook. https://www.wemakespaces.archi/uploads/Artificial-Intelligence-in-Architecture-and-Built-Environment-Development.pdf

• Sun, H., Burton, H. V., & Huang, H. (2021). Machine learning applications for building structural design and performance assessment: State-of-the-art review. Journal of Building Engineering, 33, 101816.

• Talebian, S., Golkarieh, A., Eshraghi, S., Naseri, M., & Naseri, S. (2025). Artificial intelligence impacts on architecture and smart built environments: A comprehensive review. Advances in Civil Engineering and Environmental Science, 2(1), 45–56.

• Tamke, M., Nicholas, P., & Zwierzycki, M. (2018). Machine learning for architectural design: Practices and infrastructure. International Journal of Architectural Computing, 16(2), 123–143.

• Tang, P., Huber, D., Akinci, B., Lipman, R., & Lytle, A. (2010). Automatic reconstruction of as-built building information models from laser-scanned point clouds: A review of related techniques. Automation in Construction, 19(7), 829–843.

• Tooke, T. R., Coops, N. C., & Webster, J. (2014). Predicting building ages from LiDAR data with random forests for building energy modeling. Energy and Buildings, 68, 603–610.

• Wang, Z., & Srinivasan, R. S. (2017). A review of artificial intelligence based building energy use prediction: Contrasting the capabilities of single and ensemble prediction models. Renewable and Sustainable Energy Reviews, 75, 796–808.

• Zhang, C., Chang, C.-C., & Jamshidi, M. (2020). Concrete bridge surface damage detection using a single‐stage detector. Computer-Aided Civil and Infrastructure Engineering, 35(4), 389–409.

• Zhang, Y., Burton, H. V., Sun, H., & Shokrabadi, M. (2018). A machine learning framework for assessing post-earthquake structural safety. Structural Safety, 72, 1–16.

• Zhao, H.-X., & Magoulès, F. (2012). A review on the prediction of building energy consumption. Renewable and Sustainable Energy Reviews, 16(6), 3586–3592.

• Zhao, Y., Li, T., Zhang, X., & Zhang, C. (2019). Artificial intelligence-based fault detection and diagnosis methods for building energy systems: Advantages, challenges and the future. Renewable and Sustainable Energy Reviews, 109, 85–101.

• Zhong, B., Pan, X., Love, P. E. D., Sun, J., & Tao, C. (2020). Hazard analysis: A deep learning and text mining framework for accident prevention. Advanced Engineering Informatics, 46, 101152.