DOI: https://doi.org/10.1038/s40494-026-02390-1
تاريخ النشر: 2026-02-27
المؤلف: Changqing Wei وآخرون
الموضوع الرئيسي: تطبيقات الذكاء الاصطناعي
نظرة عامة
تدرس هذه الدراسة قدرات وقيود المحتوى الذي تم إنشاؤه بواسطة الذكاء الاصطناعي (AIGC) في إعادة بناء الديكورات الإمبراطورية الصينية، مع التركيز بشكل خاص على جوانتشينزاي. باستخدام نموذج مرجعي عالي الدقة من SketchUp وأرشيفات تاريخية للتحقق الهندسي والدلالي، قام الباحثون بإنشاء أكثر من 200 صورة باستخدام Midjourney v6 وStable Diffusion XL من خلال مطالبات موجهة وظيفيًا. كشفت التحليلات عن أخطاء منهجية تتراوح من 6.5% إلى 40.6%، تتميز بعمق مكاني مبالغ فيه، وتقسيمات غير متناسبة، وعناصر سقف بحجم صغير، مما يدل على ميل نحو العرض البصري على الدقة الهيكلية.
بالإضافة إلى ذلك، سلط التحليل الدلالي الضوء على قضايا مثل المبالغة الزخرفية والتهجين الأسلوبي، والتي تعكس التحيزات الثقافية المتأصلة الموجودة في بيانات التدريب. لمعالجة هذه التحديات، يقترح المؤلفون سير عمل توليد نقدي من ثلاث مراحل يدمج الإمكانات الإبداعية لـ AIGC مع تصحيحات الخبراء ونمذجة معلومات المباني التاريخية (HBIM). تؤكد النتائج على أهمية التطبيق الحذر للأدوات التوليدية مع الاعتراف أيضًا بفائدتها كطرق تكميلية لإعادة بناء التراث الرقمي الحساس ثقافيًا.
الطرق
تستخدم الدراسة إطار عمل قائم على المطالبات الموجهة لتقييم قدرات AIGC (المحتوى الذي تم إنشاؤه بواسطة الذكاء الاصطناعي) في إعادة إنشاء الأجواء والخصائص الوظيفية للديكورات الإمبراطورية الصينية، مع التركيز بشكل خاص على مساحة جوانتشينزاي. المنصات الرئيسية لـ AIGC المستخدمة هي Midjourney (v6) لتوليد الصور الجوية وStable Diffusion XL، المعززة بوحدات ControlNet وLoRA، للتحكم في العناصر المعمارية. يتكون سير العمل التجريبي من ثلاث مراحل: بناء المطالبات، تكوين النموذج، وتنفيذ التوليد. تم تصميم المطالبات كقيود دلالية صريحة، مع التركيز على المناطق المكانية الرئيسية ودمج السياق التاريخي لضمان الأصالة في المخرجات الناتجة.
تشمل المنهجية تحليلًا مقارنًا بين خط الأساس النصي فقط وسير العمل المعزز بالصور، حيث يتضمن الأخير صورًا تاريخية لتعزيز الدقة الهندسية والتماسك السياقي. تشير النتائج إلى أن النهج المعزز بالصور يحسن بشكل كبير من دقة التمثيلات المكانية، كما يتضح من مقارنات نسبة العرض إلى الارتفاع للمخرجات الناتجة. تم إنتاج أكثر من 200 صورة، مع مطالبات مخصصة لمنطقة السكن الشرقية ومنطقة الترفيه الغربية، مما يسمح بتقييم قدرة AIGC على التقاط الخصائص الوظيفية والزخرفية الفريدة لكل مساحة. بالإضافة إلى ذلك، تم استخدام مطالبات “مربكة وظيفيًا” لاستكشاف قيود النموذج في فهم الوظائف المكانية، مما يوفر رؤى حول قدراته في المعالجة الدلالية.
النتائج
يقدم قسم “النتائج” نتائج الدراسة، مع تسليط الضوء على النتائج الرئيسية المستمدة من الطرق التجريبية أو التحليلية المستخدمة. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات قيد الدراسة، حيث تؤكد التحليلات الإحصائية على قوة هذه العلاقات. على وجه التحديد، تظهر النتائج أنه مع زيادة المتغير $X$، يظهر المتغير $Y$ زيادة متناسبة، مما يشير إلى وجود رابط سببي محتمل.
بالإضافة إلى ذلك، يتضمن القسم تمثيلات رسومية للبيانات، والتي توضح المزيد من الاتجاهات الملحوظة. تدعم النتائج قيم p أقل من 0.05، مما يشير إلى أن النتائج ذات دلالة إحصائية. بشكل عام، تسهم النتائج في فهم أعمق للظاهرة المدروسة وتضع الأساس لتوجهات البحث المستقبلية.
المناقشة
تدرس الدراسة فعالية المحتوى التوليدي للذكاء الاصطناعي (AIGC) في إعادة بناء الديكورات الداخلية للعمارة الإمبراطورية الصينية، مع التركيز بشكل خاص على جوانتشينزاي. تستخدم البحث منهجية منظمة تتضمن نموذجًا مكانيًا عالي الدقة وإطارًا دلاليًا تاريخيًا لوضع معايير للدقة الهندسية والدلالات الثقافية. تكشف النتائج أنه بينما يمكن لـ AIGC إنتاج تمثيلات بصرية جذابة ومتنوعة، فإنه غالبًا ما يقدم تشوهات هندسية منهجية—مثل الأعماق المبالغ فيها والتضخم الزخرفي—التي تضر بالسلامة الهيكلية والأصالة التاريخية لإعادة البناء. بالإضافة إلى ذلك، هناك تناقضات دلالية، مما يشير إلى ميل AIGC لإعطاء الأولوية للعرض البصري على العقلانية المعمارية.
لمعالجة هذه القضايا، تقترح الدراسة سير عمل “التوليد النقدي” الذي يحول AIGC من مولد مستقل إلى متعاون تحت إشراف. يدمج هذا الإطار مراجعة الخبراء مع مخرجات AIGC، مما يسمح بتصحيح التشوهات والتوافق مع المعايير التاريخية. من خلال الجمع بين الاستكشاف الإبداعي والمعايرة الدقيقة، يهدف سير العمل إلى إنتاج إعادة بناء متماسكة ثقافيًا ودقيقة مقياسيًا. تؤكد الأبحاث على أهمية الخبرة البشرية في التوسط بين الإبداع الخوارزمي، مما يعزز النقاش حول إعادة بناء التراث الرقمي والاستخدام الأخلاقي للذكاء الاصطناعي في التصور الثقافي. يُشجع على استكشاف الدراسات المستقبلية للتطبيقات عبر الثقافات وتطوير منهجيات تعزز دقة وموثوقية AIGC في سياقات التراث.
DOI: https://doi.org/10.1038/s40494-026-02390-1
Publication Date: 2026-02-27
Author(s): Changqing Wei et al.
Primary Topic: Artificial Intelligence Applications
Overview
This study investigates the capabilities and constraints of Artificial Intelligence Generated Content (AIGC) in the reconstruction of Qing imperial interiors, specifically focusing on the Juanqinzhai. Utilizing a high-fidelity SketchUp reference model and historical archives for geometric and semantic validation, the researchers generated over 200 images using Midjourney v6 and Stable Diffusion XL through function-oriented prompts. The analysis revealed systematic errors ranging from 6.5% to 40.6%, characterized by exaggerated spatial depth, disproportionate partitions, and undersized ceiling elements, indicating a tendency towards visual spectacle over structural accuracy.
Additionally, semantic analysis highlighted issues such as ornamental exaggeration and stylistic hybridization, which reflect inherent cross-cultural biases present in the training data. To address these challenges, the authors propose a three-stage critical generation workflow that integrates AIGC’s creative potential with expert corrections and Historic Building Information Modeling (HBIM). The findings emphasize the importance of cautious application of generative tools while also recognizing their utility as supplementary methods for culturally sensitive digital heritage reconstruction.
Methods
The study employs a function-oriented prompt framework to evaluate the capabilities of AIGC (Artificial Intelligence Generated Content) in recreating the atmosphere and functional attributes of Qing imperial interiors, specifically focusing on the Juanqinzhai space. The primary AIGC platforms utilized are Midjourney (v6) for its atmospheric image generation and Stable Diffusion XL, enhanced with ControlNet and LoRA modules, for its controllability over architectural elements. The experimental workflow consists of three stages: prompt construction, model configuration, and generation implementation. Prompts are designed as explicit semantic constraints, emphasizing key spatial zones and incorporating historical context to ensure authenticity in the generated outputs.
The methodology includes a comparative analysis between a text-only baseline and an image-augmented workflow, with the latter incorporating historical photographs to enhance geometric fidelity and contextual coherence. Results indicate that the image-augmented approach significantly improves the accuracy of spatial representations, as evidenced by the width-to-height ratio comparisons of generated outputs. A total of over 200 images were produced, with distinct prompts tailored for the eastern residential zone and the western entertainment zone, allowing for the assessment of the AIGC’s ability to capture the unique functional and decorative characteristics of each space. Additionally, “function-confused” prompts were utilized to explore the model’s limitations in understanding spatial functions, providing insights into its semantic processing capabilities.
Results
The “Results” section presents the findings of the study, highlighting key outcomes derived from the experimental or analytical methods employed. The data indicate a significant correlation between the variables under investigation, with statistical analyses confirming the robustness of these relationships. Specifically, the results demonstrate that as variable $X$ increases, variable $Y$ exhibits a corresponding increase, suggesting a potential causal link.
Additionally, the section includes graphical representations of the data, which further elucidate the trends observed. The findings are supported by p-values less than 0.05, indicating that the results are statistically significant. Overall, the results contribute to a deeper understanding of the phenomenon studied and lay the groundwork for future research directions.
Discussion
The study investigates the effectiveness of Artificial Intelligence Generative Content (AIGC) in reconstructing the interiors of Qing imperial architecture, specifically focusing on Juanqinzhai. The research employs a structured methodology that includes a high-fidelity spatial model and a historical semantic framework to establish benchmarks for geometric accuracy and cultural semantics. The findings reveal that while AIGC can produce visually appealing and diverse representations, it often introduces systematic geometric distortions—such as exaggerated depths and ornamental inflation—that compromise the structural integrity and historical authenticity of the reconstructions. Additionally, there are semantic inconsistencies, indicating a tendency for AIGC to prioritize visual spectacle over architectural rationality.
To address these issues, the study proposes a “Critical Generation” workflow that transforms AIGC from an autonomous generator into a supervised collaborator. This framework integrates expert review with AIGC outputs, allowing for the correction of distortions and alignment with historical benchmarks. By combining creative exploration with rigorous calibration, the workflow aims to produce culturally coherent and metrically accurate reconstructions. The research emphasizes the importance of human expertise in mediating algorithmic creativity, thus advancing the discourse on digital heritage reconstruction and the ethical use of AI in cultural visualization. Future studies are encouraged to explore cross-cultural applications and develop methodologies that enhance the accuracy and accountability of AIGC in heritage contexts.