导读
“人工智能”（AI）一词让人联想到在街道上行驶的自动驾驶汽车、回答你问题的智能手机助手，或者探索无尽未知边界的机器人。然而，在基础理解层面上，人工智能可以被理解为通过模拟计算来接近人类推理的多学科协作。对于规划师来说，它代表了一个新兴的工具箱，可以实现一系列的新功能——从物理基础设施的可扩展数字化到可以帮助规划师汇总并总结公众反馈的工具（图 1）。那么人工智能将会如何在城市规划实践中应用，以及有怎样的影响？人工智能相关技术的快速发展和融入日常生活日益影响着规划实践和社区。然而，人工智能将来能否惠及大众，或是仅为谋求私利，取决于规划师应对其城市应用的挑战和机遇的能力。如果不假思索地应用这些技术，它们可能会自动歧视，并创建不负责任的流程，并将导致未来的错误。
编辑团队
Editorial Group
原文/Marcela Valente David Wasserman (ACIP美国注册规划师协会)和 Michael Flaxman
翻译/陈笛鸣，邱博伦，侯钰懿，莫海鴻，王思羽，李天一，胡尚薇，刘子薇，刘博宇，沈哲焱
校核/ 众山小 编辑/ 众山小
文献/戴飞扬 排版/王红杰
Planning
本 PAS 备忘录旨在帮助规划师了解人工智能概念及其潜在影响。此外，还将讨论有关人工智能应用的重要考虑因素及其在与规划中的数字治理和公民数据相关的更大趋势中发挥的作用。这项技术的广泛应用尚显稚嫩，但它功能强大且成长迅速。规划师有责任了解他们选择部署的技术的影响，并且通过了解，有助于确保这些技术得到负责任的使用。
图一、人工智能为规划师提供了一个新颖的工具箱，支持一系列新功能，包括将原始图像和数据馈送转换为我们世界的生动数字视图（David Wasserman）
01
背景
AI & Planning Practice
人工智能研究领域始于1950年代。早期的探索包括一篇公认计算机科学之父的英国数学家艾伦·图灵（Alan Turing）的论文，探讨了计算机是否可以思考；以及1956年美国国防部主办的会议，会上创造了“人工智能（artificial intelligence）”一词（McCarthy 2012）。然而在1970年代，当第一个微处理器被开发出来时，这个领域就算是真正开始了。
人工智能的首批应用之一是符号人工智能，例如专家系统，它试图将专家的决策能力编码为复杂的人工规则集。这需要行业专家的大量参与，而低回报导致了一系列“人工智能的寒冬”，使得该领域的研究和资金枯萎了几十年（McCarthy 2012）。
一切都在 2010 年代初发生了变化。人工智能的新进展是由三个相互交叉的因素推动的：
*
强大技术的出现。
“深度学习”点燃了机器学习子领域的复兴，即研究随着经验而改进的算法（Council of Europe 2020; Singh 2019）。深度学习提供了一套普适的机器学习算法，算法的灵感来自大脑中的神经元。这使得在复杂且多维的模式匹配中，快速、极致的改进成为可能——允许计算机在复杂和多维数据（例如图像和音频等）中找出范式（Singh 2019）。
*
数据信息的革命。
为了让机器从经验中学习，许多已知的方法需要访问大数据集来“训练”它们。社交媒体、互联网的日益成熟以及人类经验的数字化有助于提供模型培训的范例（Council of Europe 2020; Singh 2019）。
*
计算硬件的发展。
使电子游戏能成为美国人休闲娱乐的图形处理器（GPU），同样也大大减少了大数据集的训练时间。通过利用现代 GPU 和先进的云计算基础设施大幅提高并行处理能力，研究人员的实验可能只需要几分钟而不是几周的时间（Council of Europe 2020; Singh 2019）。
这些技术进步结合起来，使计算机能够通过范例学习，从而创造一种新的计算机编程范式。
学习范例
当软件开发人员编写程序时，是用人工编写的代码指令处理输入数据来创建输出数据。机器学习颠倒了这一逻辑：它结合输入和输出数据来创建程序。
机器学习提供了一套自动化方法，除了训练范例中包含的知识外，并不需要实质性的领域知识。从这个意义上说，它在概念上更类似于统计而不是传统编码。但是，有两个关键区别。
首先，与统计数据不同，机器学习方法不仅限于高度结构化的数值数据。在处理复杂的多媒体文件（包括图像、视频和音频）时，它们也具有强大的性能(ITF 2019; Singh 2019; Crawford 2021)，并且可以准确地将这些格式中的范例与任意输出的概念相关联(Ding 2020; Singh 2019)。
第二个区别在于所需的数据量。统计数据通常是在数十到数百个样本上运行，但复杂的机器学习模型通常需要数百万个。反过来，这意味着大多数模型最初必须由可以访问大量训练数据的人在某地进行训练，因此也需要强大的计算能力。虽然云计算甚至能允许小型规划部门进行高性能计算，但最后这个要求通常是一个约束力限制。
重要术语
1
算法
一组执行明确指定任务的特定步骤。算法通常接收一些输入数据，然后应用一个进程来创建输出数据。
2
算法偏差
计算机系统中的系统性和可重复的错误，这些错误会产生不公平的结果，通常使一用户组优先于其他用户组。
3
人工智能
对人类智力和推理能力的模拟。
4
市政分析
应用先进的数据挖掘、建模和分析技术，在城市和区域的运营、政策和规划中实现数据知情和循证决策。
5
计算机视觉
专注于计算机如何从数字图像或视频中获得高级见解的领域。
6
数字化（Digitization，数字化转换）
将数据和文档转换为计算机可读的形式。
7
数字化（Digitalization，数字化升级）
将模拟过程转换为数字体验。这可以使流程更透明、易访问和更方便，同时可以更轻松地报告和分析传入的信息以指导决策。
8
数字孪生
建筑环境或系统的数字表示。智慧城市数字孪生不断更新关于人类、基础设施和技术之间交互的实时数据和分析，创建城市的生动数字化表现。
9
机器学习
基于应用统计模型的算法，无需遵循明确的指令即可学习。这些决策基于从数据模式中得出的推论。
10
自然语言处理
语言学、计算机科学和人工智能的一个子领域，专注于计算机如何理解自然语言。
11
个人身份信息
可用于区分或追踪个人身份的任何信息，无论是单独的还是与其他相关数据集相链接的。这可以包括姓名和社会保险号等身份标识，但也可以包括移动 GPS 数据或序列图像。
12
训练数据
将标记的数据集输入到监督机器学习模型中，以教会它们可以从数据中推断出关系。一个典型的例子是图像的集合，由它们在独立表格中包含的内容标记。这些数据集中的数量、质量和代表程度，对于根据其创建的模型在实际应用中的表现，以及它们运行的偏差程度具有重要影响。
13
城市信息学
通过基于迹象的城市感知，数据挖掘和集成，建模和分析以及可视化的框架来研究城市现象，以推进计算科学方法并应对城市和区域的挑战。
02
数字化基础
AI & Planning Practice
机器学习模型的“数据饥渴”可能是它们在应用在规划中的最大障碍。在某些情况下，训练数据可以从常规数字化数据（例如行政记录）中收集，也可以在电子游戏行业使用的游戏引擎中合成（Andrews 2021）。然而在其他情况下，需要人工手动注释，这极大地限制了规模。虽然有一些创新技术可以减少开发这些模型所需的数据，但数据在人工智能的运行中仍处核心地位 (Jain et al. 2011; Crawford 2021)。
许多社区仍然使用模拟步骤（如实体纸张）用于关键规划流程（如建筑许可）。
图二、城市规划部门网站上按照城市规模提供的在线许可 (Riggs et al. 2019）
图三、城市网站上按照城市规模开放的数据门户 (Riggs et al. 2019）
以这种方式收集的数据在数字化之前不能直接用AI工具（DeAngelis et al. 2022；Miller 2021）。尽管地方政府可以从供应商和其他来源获取数字化数据，他们仍然需要维护和利用这些数据来为决策提供信息的能力。在城市将AI应用到规划实践的特定领域之前，它们通常需要对数据基础设施进行基础投资，以建立管理数据基础设施的机构能力（Hurtado et al. 2021；Kontokosta 2018）。
该领域的一些工作已经通过规划相关数据及其流程和系统的数字化完成。GIS（Klosterman 1999）开始发展成为一个由网络地图、数据供应商、开放数据门户和在线参与系统组成的丰富的生态系统，这些系统预示着规划中可能出现全新的治理模型（Bayat and Kawalek 2021；Hurtado et al. 2021） 。
然而，进程的发展并不平衡。旧金山大学和《城市观察》（Urban Insights）对 600 个城市进行了 2019 年技术基准调查，发现所有接受调查的规划部门现在都有网站，这表明在提供信息方面取得了进展，但调查的其他组成部分表明规划中的数字化步伐较慢。例如，53%的受访城市不提供在线许可（图 2），72% 的城市网站上没有开放数据门户（图 3）（Riggs et al 2019）。
因此，很多与规划过程相关的数据难以访问、孤立或者根本没有被收集（Dimina 2019；Riggs et al. 2019；Noardo et al. 2022）。例如，许多城市将数据存储为 PDF，这对于人类来说很容易阅读，但对于计算机而言却不是。除非将其处理成可以读取的形式，例如一个数据库或 HTML/XML 等文本格式，否则大多数算法工具无法使用这些数据（Noardo et al. 2022）。
由于数据是AI的核心，规划数字化作为一个持续的过程是实现人工智能价值的必要前提（OECD 2019；DeAngelis et al. 2022；Miller 2021）。对数字化的投资还可以使“前台”与公众的互动更加顺畅、更加以用户为中心（DeAngelis et al. 2022）。纸质许可证的提交增加了阻力，亲自参加会议可能会很不方便，并且对于静态 PDF 中计划的审查缺乏吸引力。从长远来看，规划部门无法通过数字化其流程来降低这些交易成本，这可能会削弱公众对规划的支持及其价值的认知（Zucker 2007）。
新冠疫情大流行促使许多机构和组织加速数字治理举措。即便如此，流程数字化对规划专业和整个公共部门治理来说仍然是一个挑战。对规划响应能力的投资实际上是对社区信任的投资。朝着数字治理的方向发展可以提高规划师利用新兴技术更好地服务社区的能力（Zucker 2007；DeAngelis et al. 2022）。正如 PAS 报告 599《智慧城市：整合技术、社区和自然》（Smart Cities: Integrating Technology, Community, and Nature）中所强调的那样，规划师必须调整规划流程以适应当今的数字环境，并在他们的技能库中添加新的工具、相关技能和知识，以确保他们的社区可以从数字技术中受益，并在数字化转型时代保持规划专业的相关性（Hurtado et al. 2021; DeAngelis et al. 2022 ）。
随着数据革命的到来以及传感器在我们的建成环境中更广泛的部署，不断发展的公共分析领域为使用数据来应对城市和区域运营、政策和规划中的挑战提供了更高的期望和更多的机会（图 4,）（Kontokosta 2018；Tomer 2019）。这些数据系统的变化和新的政策挑战促使城市投资于跨机构数据共享（cross-agency data sharing）和强制开放数据（mandate open data），并确定地方政府的新角色，例如首席数据官（chief data officer）（Kontokosta 2018；OECD 2019）。此外，政府日渐在新兴智慧城市解决方案、公共软件和大数据提供商方面寻找用途（Kontokosta 2018；Bayat 和 Kawelek 2021）。
数据在决策中的作用可能会逐渐发展壮大。规划人员将受益于对其潜在应用、可用数据中存在的差距以及如何共享、分发、许可和管理数据的更多认识。
图四、公共数据分析可以帮助应对城市和地区中运营、政策和规划方面的广泛挑战（改编自 Kontokosta 2018）
03
规划实践中的人工智能应用
AI & Planning Practice
计算机科学、机器学习和数字化领域的进步正在创造一个新兴的人工智能工具箱，它可以扩展规划师的能力并补充他们的技能组合。人工智能可以帮助规划师改进数据收集、预测未来的可能性、为决策提供信息，并加速创意设计过程。
基础设施和资产数字化
建筑环境清单能够令规划师了解与社区需求相关的现有基础设施状况（Wasserman, 2020; Yigitcanlar等, 2020）。规划师通常通过地块数据、人工航拍和实地数据收集来清点建筑环境。
虽然一些信息可以通过遥感自动数据提取技术获得，如土地覆盖或植被健康状况，但建筑环境中更细节的部分曾经很难自动数字化。计算机视觉技术的进步使得新兴技术成为可能，可以将高分辨率航空图像直接转化为地理空间数据，从而降低成本，并减少传统社区资产数字化繁琐工作中常见的潜在错误。
地理空间数据和服务公司 EarthDefine 应用遥感技术的先进技术，生成了一个分辨率为一米的树冠数据库，可用于在全市范围内对街道一级的树冠比较（图5，第5页）。
相比之下，美国林务局（the U.S. Forest Service）制作的30米分辨率的树冠数据集则不足以进行城市树冠调查。EarthDefine 将此数据捐赠给美国森林组织（American Forests），用于生成“树木公平得分”(Tree Equity Score) 数据库，该数据库汇总了人口普查区的树冠覆盖情况，有助于确定城市化地区内树木覆盖的不公平分布情况（美国森林组织，2021）。
这种从航空图像中提取数据的方法可以生成街道和其他公共工程的数字清单。例如，在加利福尼亚州，康特拉科斯塔县公共工程部(Contra Costa County Public Works)与地球影像数字化公司Ecopia合作，将该县大部分地区的公共通行权数字化（图6，第6页）。它将最近的影像转化为表示每条车道、路中线、人行道和人行横道及其相关宽度的地理空间横截面数据库（Ecopia 2021）。
图五、 美国森林组织使用 EarthDefine 的一米分辨率树冠数据库生成“树木公平得分”数据库（American Forests）
数据标准、开放代码和可访问性
2005年，谷歌地图一经推出便改变了人们对从 A 点到 B 点的交通方式的预期(Reid 2020)。发布后不久，俄勒冈州波特兰市的 TriMet 就与谷歌合作，确定如何在路线规划和行程计划中显示公交系统和时间表。这次合作最终开发出了一种新的数据交换格式——通用公交反馈规范（General Transit Feed Specification，缩写为“GTFS”）。如今，许多公交机构都发布了 GTFS 数据，软件提供商可利用这些数据将公交服务和时刻表整合到路线规划、地图绘制和其他软件服务中（McHugh, 2013）。
GTFS 的故事为公共机构和私营机构就如何建立合作关系并制定数据标准提供了范例，从而促使公共服务大规模增强。GTFS 创造了全新的软件、工具和数据生态系统，丰富了我们对公交的理解（McHugh，2013 年）。
GTFS 等标准使得私营机构的软件开发规模得以扩大，从而降低了成本和市场风险。对于公共机构而言，数据标准可帮助规划专业人员通过更强大的跨区域研究建立对社区的共同理解，并通过建立一个可用于策划技术解决方案的公认"数据词典”（data lexicon）来加强公共服务（PIA 2021; McHugh 2013; Noardo et al. 2022）。在许可和代理机构运营中，规划标准可用于促进与用户和公众之间更顺畅的往来，而在后端，它可用于构建规划场景或提供跨区域的统一数据，这些数据可用于训练机器学习模型。当软件工具以标准数据格式为基础时，它们更容易被小型社区所使用——社区无需创建新的工具来解决一些常见的问题，而是可以以相同的格式发布自己的数据，从已经完成的工作中获益。
规划师可以做些什么来改善这种状况？澳大利亚规划协会（PIA）制定了一些有用的原则：
然而，规划是符合公众利益的工作 .... 重要的是，数字规划平台应作为公共基础设施提供，以公众利益为导向进行治理，并使用开放性技术，这包括：
1
机器可读数字内容
确保公共规划过程中发布和获取的内容易于计算机处理（机器可读），包括其中所包含的数据和方法。理想情况下，内容应以无障碍格式（即 XML 和 HTML）提供，作为 PDF 文件的补充或替代。
2
标准化
应为通用语言、流程和数据制定标准，以便各辖区之间开展合作。
3
开放性数据
公共规划过程中产生的所有非敏感数据都应作为开放数据提供，包括开发审批数据以及为数字孪生开发而公开采购的三维和四维建模数据。敏感数据的处理程序也必须继续保持。
4
开放性准则
代表自动化或辅助公共决策过程中使用的规划准则的计算机代码应予以公开。
5
开放源代码
如果公共资金被用于开发新的数字工具，这些工具应作为开放源代码提供，以便不同机构和部门之间再次使用。同时也应提供捐赠，并鼓励不同机构之间开展合作，以便机构不需要独自承担过重的软件开发费用。
这些原则代表了规划实践所需的关键变革，以实现无障碍的互动、数字透明度和跨辖区协作（PIA 2021）。
图六、康特拉科斯塔县路权数字化平台 （源自Ecopia）
在航拍图像之外，谷歌街景地图和Mapillary提供的街道级图像也更加广泛地运用于将路灯和停车标志等资源进行数字化，而这些资源在航拍图像中很难准确地监测到。作为交通规划的一部分，Alta Planning + Design公司使用了Mapillary数据平台来帮助筛选和查证由Ecopia创建的加利福尼亚州沙斯塔山区域包含的人行横道目录（图7）。
图七、加利福尼亚州沙斯塔山区域创建的交通标志清单，其中展示了AI检测到停车标志所在的地理位置 （源自meta Platforms, Inc.）
这种将建筑环境按比例放大的地理区位数字化手段能够用于创建“数字孪生”，以支持知情决策、有效提高利益相关者的参与度，以及增强“场景-规划”实践
城市观测
现如今，机器学习能够从标准的街道级摄像头推演出关于人和建筑环境间交互关系有意义的洞察。由此生成的数据结果能够展示在实施政策和设计干预措施前后，实时或综合的影响指标，以确定这些指标的有效性。
Kevin Lynch 和 William Whyte 等学者在过去进行的定性观察，如今已能够被（机器）自动捕捉并以量化数据的形式进行呈现。这些数据可以解决规划师关注的新兴领域中涵盖的关键问题，例如管理城市中不断增长且相互竞争的路侧空间需求（DeAngelis等人， 2022）。
例如，路边管理分析公司Automotus利用计算机视觉对路边用户（如送货司机、行人、出租车、交通网络公司以及其他用户群体）进行观测，以此提供路边监测服务（图8）。该技术可提供实时活动数据，并有助于新政策的实施，例如试行零碳排送货区，以鼓励电动汽车的商业运营（Automotus， 2021年）。
图八、计算机视觉可以计算出送货卡车、行人和其他占用路边空间的对象数量，从而更好地管理路边空间 （源自Automotus）
如此一来，规划师就能以比以往更低的成本和覆盖面更广的规模，对交通运输、城市设计以及其他领域的不同物理或政策干预措施的影响效果展开实证测试。随着越来越多的传感器部署到城市环境中——如车联网或自动驾驶车辆、驾驶辅助系统、交通摄像头等各个方面——未来几年，人工智能将会为城市观测提供更高效和更全面的洞察（Bayat 和 Kawelek， 2021 年；Wasserman， 2020 年）。
目前已经部署的应用包括监测停车空间占用情况、主动安全评估以及多模态交通计数（Wasserman，2020年；Ding，2020年）。例如，多伦多的行人项目团队面临的挑战是如何衡量即将进行的路边改造的有效性。多伦多市与软件和服务公司 Transoft Solutions 合作，将临时摄像头的录像转换成路沿半径缩小前后三天的轨迹和事件，跟踪冲突率和冲突中转弯车辆的速度（图9）。数据结果显示，干预措施将高风险冲突减少了30%。
图九、多伦多的临时摄像头录像展示了路沿半径缩小前（左）和路边半径缩小后（右）监测到的冲突热点（源自Transoft Solutions (ITS))
数字孪生和数字未来
智慧城市数字孪生提供了一个城市或地区的数字化副本，可接收实时数据，并传递有关人类、基础设施和技术之间交互作用的理解（Hurtado等，2021年；Mohammadi和Taylor，2020年；Adler，2016年）。这些数字副本可以利用先进的建模技术为社区叙事提供信息，或说明各种情景，以帮助公众了解规划政策的连锁反应（Mohammadi和Taylor，2020年）。正如人工智能在城市规划早期的应用中被用于模拟未来土地利用的变化一样，智慧城市数字孪生也有望能够模拟更加广泛的数字未来（Jain等，2011年；Hurtado等，2021年）。
当规划师对未来进行预测以确定未来地方或区域的社区需求时，使用经验有效且公开透明的方法对于获得利益相关者的认同和支持至关重要。（Waddell，2011年）。仿真系统根据我们对世界的理解进行建模，以模拟其行为并预测其影响（Adler，2016年；Waddell，2011年）。近十年来，大都市规划组织（Metropolitan Planning Organizations, MPO）一直在使用土地使用和交通运输综合模拟模型UrbanSim，根据预测结果和预期的交通投资，对潜在的土地使用、人口、就业和其他变化进行区域预测（见图10）（Waddell，2011年）。
图十、UrbanSim的Urban Canvas网络应用程序助力土地利用和交通运输综合建模 (UrbanSim）
像UrbanSim这样的应用体现了跨学科仿真模型在土地和基础设施的数字副本上运行的潜力，以探究社区和地区可能迎接的未来。
决策支持系统
决策支持系统是信息系统或交互工具，通过使用灵活和可适应的框架，帮助组织对未明确定义的问题做出明智的决策 (Snow 2021)。在未来，决策工具可能有助于完成许多繁琐的工作，比如确定投资的优先级，自动化评估开发、土地使用分区申请或类似的行政程序。
对于规划师来说，使用清单、复杂的优先级工具或算法决策工具来消除政策决策中的不一致和偏见并不陌生 (Snow 2021; Wright 2019)。无论是在法律或政治语境下，规划过程都不能是“武断和恣意的” (Snow 2021; Wright 2019)。对开发提案进行有结构和公平的评估、提案是否符合规划和法规，以及其对社区的影响，是开发审查和设计评估的正常流程 (Zucker 2007)。近期的论文已经发现了算法决策工具在土地分区方面的一致性和优势，例如用于评估开发提案和重新对用地进行分区的评分和评估标准 (Wright 2019)。
对于开发审查流程，基于人工智能的工具可以作为一种推理粘合剂，将使用建筑信息建模（Building Information Modeling, BIM）、当地的地理信息系统（GIS）数据和评估标准的数字提交连接在一起，以便更快地评估开发影响、效益以及是否与地方规划或许可相符合（图 11）。自动化和数字评估流程可以实现更灵活、更敏捷、更好地跨部门和跨学科整合的开发审查流程（Noardo et al 2022）。例如 CivitPermit 这样的数字许可系统声称通过利用人工智能和 GIS-BIM 集成来加速许可流程，从而实现更有效的综合评估决策（Soft Tech 2021; Noardo et al 2022）。
图十一、监管和许可流程已从基于纸张的评估演变为数字集成并且嵌入到 BIM-GIS 评估系统
现有工具可能已经在一些特殊场景或设计的时候为规划师提供高阶的的自动评估指标的功能。例如，ArcGIS CityEngine 以为规划师提供一套强大的程序建模技术而闻名，可以使用基于数据（楼层数、建筑退缩尺度要求）调整的规则快速生成街区、建筑物和街道的 3D 模型（图 12）（Lechot 2020）。对于生成的每一组模型，可以得出指标，然后用于基于利益和成本的平衡来“优化”土地分区或设计提案（Lechot 2020）。该决策支持工具可以反复评估各种场景，为更好的规划和设计提供信息，并在规划初期权衡利弊（Lechot 2020; Wright 2019）。
图十二、 Esri 的 ArcGIS CityEngine 的程序运行时可与优化程序一同使用，以便在给定一组土地分区和设计约束的情况下识别不同的设计方案
增强创造力
视觉沟通的重要性对规划师依然很重要，他们使用地图和 3D 模型来为公众提供信息，以指导政策决策。人工智能的创造性应用使得以惊人的速度生成图像和 3D 内容成为可能（NVIDIA 2021; Nishida et al. 2016; Anderson 2021）。这为用户提供了以迭代和高效的方式创建越来越复杂的可视化和设计的能力。
NVIDIA Canvas 是一款原型应用程序，使用人工智能将粗略的草图和斑点转化为逼真的风景（图 13）。未来，图像编辑器可以从简单的色块创建高度详细的可视化景观。目前，像 Adobe 这样的公司越来越多地将人工智能功能整合到他们的软件中，以便用户可以用另一个天空来替换原图像的天空、更改背景光照或自动选择图像的主题（Adobe 2019）。这可以使规划师和城市设计师以更快的速度和更低的成本创建更吸引人的可视化效果。
图十三、 NVIDIA Canvas 将粗糙的草图和斑点转化为逼真的风景（NVIDIA）
图十四、研究人员训练人工智能模型将粗略的铅笔素描图像与形态语法相连接，将其转化为更复杂、精巧的3D模型（Nishida等，2016）
同样地，在建筑和城市设计的世界中，正在开发使用机器学习灌输的参数化设计方法，以更快地原型化不同的设计方案和空间配置（Anderson 2021）。研究人员测试了一个框架，其中人工智能模型被训练成将粗略的铅笔素描图像与形态语法相连接，将其转化为更复杂、精巧的3D模型（图14）（Nishida等，2016）。未来的应用可以迅速将粗略的草图转化为更完整的3D模型，用于规划沟通和城市设计。
当与现代游戏引擎的模拟和可视化潜力相结合时，这些方法可以让规划师更快地从设计方案想法转变为完全渲染和交互的计划或项目。
察言观色
政府如何促进公众对决策的审议仍然是市政治理及更广领域最具争议的话题之一（Williamson 等，2004；Arnstein，1969）。当政府从公众那里获得反馈时，自然语言处理(NLP)的进步使其有了新方法能够“察言观色”(Eggers 等，2019)。
规划师对社区需求的理解是通过了解公众在公共会议、集思会、网络参与性质的应用程序、参与预算编制和其他形式的审议中的意见来实现的（Williamson等，2004；Denker等，2021）。与社区的联系有助于规划师了解公共行动的信任状况，并在处于历史上信任水平较低时提供赢得信任的机会（Brenan，2021）。
当COVID-19在2020年初迫使许多公众参与和审议活动转移到线上进行时，已经有相当多的工具可以创建数字公共论坛（Denker，2021；Fedorowicz，2020）。但在线参与工具越来越多地利用自然语言处理（NLP）的进步来快速整合人们的反馈要素，例如他们对项目的看法，或识别类似的反馈领域（图15，第11页）（Denker，2021；Fedorowicz，2020；Eggers等，2019）。这可以帮助规划师在需要更多开放式反馈时综合大量非结构化的公众意见（Eggers等，2019）。
未完待续
我们为您提供本文的英文原文
下载
下载
请联系我们微信号@SustainableCity
或电邮daizongliu@qq.com
一览众山小-可持续城市与交通
我们 | 作为独立的专业志愿者团体
秉承 | 专业理想与价值观
信守 | 非营利原则
愿景 | 帮助中国城市可持续发展
关注 | 城市、交通、公共空间与大数据
至今 | 遍布全球930名志愿者网络
推送 | 近3000篇原创专业译文
感谢 | 过去9年多来您的支持
报名 | 后台留言关键词“志愿者”了解
2014-2023 ©转载请注明：
转载自公众号“一览众山小-可持续城市与交通”
责任编辑：
本文地址：http://www.tpjde.com/quote/2086.html 推平第 http://www.tpjde.com/ , 查看更多