AI 理想国︱人工智能的理想街道，语义里15分钟城市的高维展开（三则）
导读
“15分钟城市”是城市规划的新兴趋势之一，生活所需的服务设施均在步行15分钟距离之内。本篇文章介绍了语义人工智能如何支持这项方案落地和高效发展。作者以爱彼迎用户评论为例，从寻找和收集用户数据，到总结和可视化，详细阐明其团队开发的工具如何深化语义人工智能的应用，并指出房地产平台、出行软件和社交媒体评论等同样可以作为数据集的扩展。大数据如何帮助人们在社区这一维度做出更好的决策？本篇文章提供了一个务实而生动的视角。则二介绍的是如何让先进的技术为构建更好的街道环境、城市交通服务，是许多研究人员的工作方向，这篇文章就是对当下两项街道技术的解读。一是使用人工智能快速的重新规划街道环境：你只需要用文字说明你想象中的街道，它就可以生成相应的有真实感的图像。二是利用无人机技术监测城市道路，解决交通拥堵问题：以无人机拍摄的大量图像数据为基础，经过多维度分析，找出拥堵问题的根源并提出解决方案。
原文/Rutvik Deshpande, Sayjel Vijay Patel, Marie Patino, Anne Muriel Brouet
翻译/ 骆冰雨、付伟佳 编辑/众山小
文献/李子琪 校核/众山小 排版/王婧喆
则一
通过爱彼迎用户评论和语义人工智能设计“15分钟城市”
——语义人工智能如何帮助城市设计师在客观数据之外，从实证数据源中拓宽视野
图一、作者供图
如同《钢铁侠》中的J.A.R.V.I.S一样，全知人工智能(AGI)[1]的诞生还需要数年时间。然而，AGI的其中一方面，语义人工智能[2]，正在取得巨大进展：它主要关注人类共享的信息的消费、解释和分类。
1
语义人工智能
语义人工智能联合了计算机科学的两个分支。第一个是自然语言处理(NLP)，这是计算机科学的领域之一，旨在对人类理解口语单词和文本的方式进行建模。第二种是知识图(或语义网络)，将信息表示和存储为相互关联的实体。
在Digital Blue Foam (DBF)，我们正在开拓一种新的语义人工智能应用，帮助我们的用户了解“15分钟城市”的设计：作为城市规划领域的最新趋势之一，它将所有必要的设施和服务安排在离住宅15分钟的步行距离内。
2
面向语义的社区设计
最近，我们推出了一个基于网络的工具，来帮助设计师、规划师和开发商通过社区质量评分(NQS)，以“15分钟城市”的标准来衡量一个特定地点的表现。对于这个项目，我们最大的挑战是寻找、收集和验证特定位置的数据，来支持全面的分析。
在应用程序的第一个版本中，我们使用了现有的地图API，譬如OpenStreetMaps和谷歌。然而，要提供一个真正全面的解决方案，依赖这些事先准备好的数据来源仍然存在严重隐患，例如：
数据集通常不完整或没有及时更新
数据集聚焦客观标准，如地址，和建筑形态
信息没有揭示关于一个地点的重要特征（例如：是否旅游景点、是否安静、是否有历史感等）
全球信息应用程序可能由于费用高昂而难以获得
3
案例研究：
爱彼迎和“15分钟城市”
我们的团队很快意识到，我们需要更契合项目背景的数据源来提高我们的社区质量指数的准确性和有效性。在研究选项时，我们发现了一个激进的解决方案，就是语义人工智能。我们认为语义人工智能可以让我们从别的数据集，如社交媒体评论中，提取特定社区的关键词和摘要。这可以帮助我们立即收集一个地点的定性数据，从而帮助我们评估社区的质量。
步骤一：寻找和收集数据
在对问题下定义之后，下一步就是寻找和收集相关的资源。对于城市设计师来说，这通常是一个乏味、昂贵和耗时的过程。我们探索了几种不同的API，如foursquare和Flickr，最终选择了AirBnB的开源数据集Inside AirBnB。这是因为AirBnB收集的信息侧重于对实际的特定位置的想法，以帮助客户根据离公共交通车站的远近程度、噪音水平、公园的分布、还有其他重要的特征来评价、排序和对比不同的特点。反过来，用户评论可以让人们更好地了解社区、地区甚至城市。一个额外的好处是，这些数据集来源于用户在网站发布的评论和意见，在全球各个地区都能收集到。
图二、Airbnb平台的用户界面(UI)，可以看到详细的房源信息，便于用户对附近地区进行总结。图片来源: Airbnb
该数据集将详细包括信息列表和评论，以表格形式呈现，而新加坡社区则以GeoJSON格式体现。由于我们的项目侧重于从定性输入中挖掘见解，我们提取了像“Neighborhood Overview（社区综述）”和“Guest Review（旅客评价）”这样的特征来进一步分析。这些基于文本的功能甚至可以与其他数字功能（如评论数量、价格和不同的评论分数）相关联，从而获得对特定地点的深入分析。
步骤二：总结用户评论
文本摘要是自然语言处理的一种用例，指的是突出显示和框定来自大块文本或文档的重要信息。而后，Airbnb的用户评论结合了新加坡不同社区的客人、旅行者和主人所写的社区概述，被总结成5 - 7行简短的段落。这个任务是使用自然语言工具包（NLTK）完成的，它是一个用于构建NLP模型的python库、程序和资源的开源集合。
图三、管道模型显示了将合并的文本数据转换成有意义的总结段落的过程。图片来源：作者
步骤三：总结和可视化用户评论
在最后一步，我们将把不同社区的评论整合起来，然后删除特殊字符、空格和连接词。接下来，我们对文本进行标记，这意味着考虑单词在句子中的位置时，需要将单词转换成数字。其后，我们统计了关键词和文章在评论中的出现的次数和频率。最后，我们提取最常见的句子和关键字，针对一个地点创建最常见相关元素的摘要。与更客观的地图相比，我们由此得出的总结能够以定性角度进一步理解该区域。
图四、位于市中心的人气社区加朗（Kallang）拥有新加坡最多的Airbnb房源和评论。图片来源：作者
图五、在基于网络的DBF工具的地图页面上显示有关新加坡诺维纳（Novena）社区的汇总信息。图片来源：作者
4
该技术如何帮助城市设计师
像OpenStreetMaps这样的数据集依赖于信息的众包。对于一些城市来说，信息有时很稀少或缺乏时效性。此外，像全球信息系统(GIS)这样的付费数据集侧重于数值或几何属性，如建筑物和街道，但却无法识别热门受欢迎的地方，而这些很容易从社交媒体、房地产名录、城市指南和评论数据中检索到。此外，语义人工智能为研究特定地点的定性因素提供了新的可能性，如可步行性、人类感知、城市多样性、是否安全、宁静、洁净以及具备场所感。
在这个新的数据层中，用户体验被转化为许多其他用户的反馈和评论，为城市分析增加了另一个维度。我们相信，这些见解将帮助城市设计师选择正确的建筑类型和功能，来用于提升特定地点的整体表现。
5
未来路在何方
这种方法不仅局限于Airbnb的评论，还可以通过结合更多来自不同领域的相关数据集进行扩展，如图六所示。以下信息源可以为我们增添更多的信息：
信息服务（例：维基百科）可以提供更广泛的信息，比如附近的交通枢纽，社区历史，人口信息等。
房地产和房地产平台（例：Zillow, PropertyGuru, Mogul）有助于跟踪房地产价格趋势，并评估一个特定社区房地产名录的质量。
地点指南（例：Yelp、Tripadvisor、Foursquare、谷歌地点和地图）可以用来检索设施的受欢迎程度，比如餐厅、剧院的评级和评论。
公交和出行（例：Grab, Uber）Uber发布了一个包含数十亿次出行的公共数据集，并计算了出行时间和价格，这可以帮助用户了解从某个位置到达100个城市的不同社区的实时情况。
社交媒体评论（例：Reddit, Twitter）推文和帖子可以帮助我们了解每个地方的热点，理解情感和公共空间的相关性。
图六、地理定位文本数据(用户评论)也可以从其他各种开源资源和平台中检索。图片来源：作者
6
总结
在这篇文章中，我们重点介绍了一个例子，那就是使用Airbnb的评论来为“15分钟城市”设计提供灵感。然而，这也可以扩展到城市设计和规划中的新应用：例如，谷歌街景图像(SVI)可以用于视觉检查和比较特定街区内不同建筑和自然元素的组成，如街道、树木和汽车。语义人工智能的可及性不断增强，有助于新手城市设计师从以前晦涩难懂的数据集（如社交媒体评论）中获得有价值的见解。这些见解可以帮助你做出更好的决策，特别是在社区这一维度上。
欢迎阅读以下参考资料：
1、麦肯锡《人工智能执行入门手册》（参考文献1，请后台联系我们下载）
2、福布斯《为什么机器学习需要语义，而不仅是统计》(https://www.forbes.com/sites/kalevleetaru/2019/01/15/why-machine-learning-needs-semantics-not-just-statistics/)
3、DataScienceCentral.Com《语义人工智能的六个核心概念》（https://www.datasciencecentral.com/six-core-aspects-of-semantic-ai/）
4、谷歌街景API
https://developers.google.com/maps/documentation/javascript/streetview
5、爱彼迎内部数据:http://insideairbnb.com/
6、Foursquare Check-ins数据集
https://sites.google.com/site/yangdingqi/home/foursquare-dataset
7、维基百科Geosearch
https://www.mediawiki.org/wiki/API:Geosearch
8、优步出行数据:https://movement.uber.com/
9、Zillow住宅数据:https://www.zillow.com/research/data/
关于作者
Rutvik Deshpande是Digital Blue Foam公司的一名机器学习设计工程师。他的目标是将人工智能融入建筑，聚焦在城市和建筑尺度上数据驱动的设计工作流程。Rutvik曾在著名的全球会议上共同领导技术研讨会，如CAADRIA和DigitalFutures。
Sayjel Vijay Patel是Digital Blue Foam的联合创始人和首席技术官，也是迪拜设计与创新研究所的创始助理教授。他毕业于麻省理工学院建筑与规划学院。Sayjel因其为3D打印行业开发概念设计软件的研究而获得了红点设计奖。
则二
思考一下你周边的道路是否需要重新设计？让我们来问问AI
图一、纽约布鲁克林—皇后高速路上拥堵的交通被DALL-E系统重新绘制的图景。图：Zach Katz/OpenAI
一位居住在布鲁克林的艺术家利用DALL-E这一人工智能系统将道路绘制成了对行人和自行车友好的样子。
想象一下，如果一条六车道的高速路变成了两侧遍植草地与树木的步行街会是什么样子？现在DALL-E系统可以快速的将这一变化展现出来。
DALL-E系统诞生于人工智能公司OpenAI在旧金山的实验室，它可以通过文本提示生成相应的有真实感的图像。当然，你也可以上传一张图片，让人工智能用你所想要的任何东西来替换它的特定区域。
七月，艺术家Zach Katz将他所居住的纽约布鲁克林街区的谷歌街景地图置入了DALL-E系统之中，完成了此人工智能系统的第二代升级——DALL-E2。这位28岁的前开放街区活动推行者选择了用一条“非常漂亮的、鹅卵石铺成的、有华丽的石头喷泉和玩耍的孩子的欧洲步行街，”来替代人行道和路边车辆。
仅用了几秒，DALL-E系统就完成了对道路的重新设计，看起来很不错。
图二、布鲁克林布什威克的格林大道，这是Katz家旁边的道路，也是他第一次使用DALL-E系统生成街景。图：Zach Katz/OpenAI
这项被称为神经网络系统的技术可以将文本转换为具有相应特征的图像，并展示图像各特征之间如何关联，这要归功于用图片及其文字描述对此人工智能系统所做的大量数据训练。第一代DALL-E系统于2021年1月推出，其名字由超现实主义画家Salvador Dalí和皮克斯机器人WALL-E组合而成。自今年1月份以来，OpenAI逐渐向艺术家、学者和记者开放了DALL-E系统的第二代版本。
这个人工智能系统所生成的图像一直在社交媒体上流传，尽管有时他们会有些怪异，但他们确实也十分逼真。用户可以通过输入文本查询并指定特定的风格，比如你可以这样描述：“采用抽象派画家Mark Rothko的风格。”甚至你还可以指定想要在作品中看到的细节。
“我觉得它所展现出来的东西真的很酷，”Katz说到，“它帮助人们想象并描绘更加美好的城市的巨大潜力尤其让我沉醉。”
7月20号，Katz创建了一个推特（Twitter）账户来发布他的作品，这引起了极大的轰动。从泰国到加拿大，他收到了来自世界各地的数百份申请，人们希望他能用这个人工智能系统重新设计他们的街道。“事物的可视化展示，是实现变革最有力的方式，”Katz说，“在以前，制作一条街道的效果图需要花费数百到数千美元，并且耗费几天到几周的时间。”
“事物的可视化展示，是实现变革最有力的方式”
艺术家Zach Katz
Katz要求DALL-E系统重新设计位于佛罗里达州新里奇港的19号美国公路，这条路被Vox称为“美国最致命的道路”。他输入的文本是：“像香榭丽舍大街那样的林荫道，两旁有自行车道、一条欧洲现代风格的有轨电车线路以及复合功能的公寓楼。”结果如何呢？让我们来看下这有说服力的照片。
图三、佛罗里达州新里奇港19号美国公路：现实vs期待。图：Zach Katz/OpenAI
“在我的家乡弗吉尼亚州赫恩登，我最喜欢的地方在斯图尔特路上，”Katz说，“那是这图像上最不起眼的地方之一：在路两旁增加了人行道。”他的父母在家乡生活的近二十年里一直在抱怨这条路缺少人行道。
图四、斯图尔特路，在Katz的家乡弗吉尼亚州赫恩登。图：Zach Katz/OpenAI
当然这些由人工智能生成的图像并非没有问题，由于训练数据缺乏多样性，导致结果可能对女性和有色人种有些偏见。
另外，有些专家对其输出照片的真实性也有所担心，称其“真实性”可能被利用来传递错误信息，甚至使虚拟世界与现实之间的界限越来越模糊。
Katz希望他的工作能对那些积极的活动分子和决策者有所启发，从而在地方层面引起变革。与此同时，他将继续回应后台积攒的各项申请。
“最令人惊讶的是我从来没期待能收到大家这么多反馈，”Katz说到，“一个典型的例子是威斯康星州希博伊根的市长，他在推特上找到我并希望我能重新绘制他家乡一些道路的图景。”
“全国各地的市政委员和城市规划师似乎都受到了这些人工智能生成图像的启发，”Katz说到，“我认为这恰恰是它发挥功能的方式：让那些真正有决策权的人从这些图像中受到影响和启发。”
图五、苏格兰爱丁堡的乔治街用人工智能进行了再设计。图：Zach Katz/OpenAI
图六、更多人工智能再设计对比图。图：Zach Katz/OpenAI
图七、更多人工智能再设计对比图。图：Zach Katz/OpenAI
则三
在空中监测城市的流通情况
洛桑联邦理工学院（EPFL）的研究人员使用成群的无人机队以前所未有的精确度来计量城市交通情况。然后利用算法去寻找交通堵塞的源头，并提出缓解交通问题的方案。
考虑到大量可用的现代技术——路边摄像头、大数据算法、蓝牙和射频识别技术（Radio Frequency Identification，简称RFID）的连接、以及我们每个人口袋里都装着的智能手机——交通工程师似乎应该能够准确的测算和预估城市交通状况。然而，目前的工具大多在朝着显示交通问题的方向发展，但尚且不能系统地找到交通问题的根源，就更不用说去解决交通问题了。洛桑联邦理工学院的研究人员使用了一种监测工具，来解决使用无人机所带来的一些问题。其城市交通系统实验室（LUTS）博士后研究员Manos Barmpounakis说：“无人机有着很好的可视性，可以覆盖较大的区域，并且价格相对低廉。另外，它们有着比GPS技术更高的精确度，也消除了人们知道自己被监测时容易出现的行为偏差。并且我们使用无人机可以在一定程度上保护人们的身份信息。”
以无人机所收集的大量交通数据为基础，洛桑联邦理工学院城市交通系统实验室（LUTS）负责人Nikolas Geroliminis教授和他的团队开发了一种利用算法找出交通拥堵问题根源的方法，从而为复杂多模式交通问题提出有效建议。在2018、2019年雅典的一系列开拓性实验中，城市交通系统实验室（LUTS）测试了这种方法的有效性，并在去年夏天监测和评估了普利港的停车场。
图一、去年夏天，城市交通实验室（LUTS）通过监测和评估普利港的停车场来测试他们的研究方法。图：城市交通系统实验室（LUTS）/洛桑联邦理工学院（EPFL）
在2022年五月中旬，一项新的实验（可能是目前在城市环境中进行的最大实验）在世界上拥挤度排名第四的肯尼亚内罗毕进行。与此同时，该实验室收到了瑞士创新基金的资助，以进行更多的实验，并进一步推动他们的CityDronics项目走向商业化，这家瑞士初创公司将会是第一个成功的将无人机技术应用到对城市流动情况的研究中的公司。“我们的目标不是去监测交通状况，而是去寻找交通拥堵的原因，并根据现状提供解决方案，”这位博士后研究员说。
城市交通系统实验室（LUTS）所研究的方法面临三项技术挑战。第一，无人机实验的设计，即确定所需无人机数量、飞行地点以及飞行时间。第二，将视频图像转化为可供我们使用的数据。第三，分析这些数据并找到拥堵问题的根源。另外在内罗毕，还有与当地独特的环境有关的挑战。“我们的合作伙伴有非政府组织WeRobotics，肯尼亚联合飞行实验室，当地政府和利益相关者（比如肯尼亚道路管理局（KURA）和行长交付部门（PDU）），如果没有他们，我们不可能完成这样的项目。此外，数据保密问题在这里十分敏感。当然了，我们的无人机尊重隐私，这也正是我们能得到这些最保守的当地政府的许可的原因。”城市交通系统实验室（LUTS）助理研究员Jasso Espadaler Clapés先生说到。
图二、洛桑联邦理工学院研究员利用成群的无人机测量城市交通状况。图：Dan Muniu /WeRobotics
混乱的道路
“内罗毕的城市尺度和苛刻的飞行环境给我们带来了独特的项目体验，”Barmpounakis说到，“内罗毕是世界上交通最拥挤的城市之一，很难对它的交通状况进行建模和监控。”凡是去过肯尼亚首都的人都知道，那里的交通主要依赖马塔图（matatus），这是一种小型巴士，在难以形容的混乱交通中根据需求接送乘客。马塔图是私人组织、管理的公共交通工具，虽然他们与传统公共交通有很多相似之处，但传统的研究方法对他们并不直接适用。
“我们研究方法的优势并不在于无人机，而在于多学科联动来解决交通拥堵问题。”
Manos Barmpounakis
洛桑联邦理工学院城市交通系统实验室（LUTS）博士后研究员
在项目中，我们用一支由10架无人机组成的队伍飞过了城市上空1.5平方千米的范围，它们在上下午城市交通高峰期沿两条通往中央商务区的大道飞过城市。在四天的时间里，它们尽量多的收集了数据，我们正在对这些数据进行分析，以提取这里的交通模式。“这是一项巨大的挑战，因为到目前为止我们的研究都是基于规整车道的相对系统化的交通模式。但在内罗毕，我们第一次发现汽车、马塔图、自行车、摩托车、行人甚至牲畜……共享街道。在这里，我们不仅要考虑交通因素，还要考虑文化因素。”在几个月后，一旦我们团队的分析有了结果，我们会与当地的大学和其他合作伙伴一起，进行长期的监测活动。
将无人机转变成
智慧城市的多维传感器
在对交通和拥堵问题的研究之外，城市交通系统实验室团队研究方法的优势在于其灵活性。它可以根据所期望的目标，重点关注移动问题的特定方面。例如，一方面在瑞士普利，重点是普利港停车场在夏天、工作日、周末的使用情况。另一方面，在内罗毕，研究人员重点关注导致交通拥堵产生的各种行为。“我们正在采取量身定制的方式来解决不同的问题。”Barmpounakis说到。最后，在交通监测之外，无人机的使用为进行其他类型的测量活动开拓了有趣的思路。例如，通过将无人机的摄像头变成多维度传感器，便可以评估二氧化碳排放情况或者噪音情况。研究人员将此总结为：“我们研究方法的优势不在于无人机，而在于多学科联动来解决交通拥堵问题”。现在已经有一些城市向我们表达了他们对此项研究的兴趣。（注：城市交通系统实验室属于建筑、土木与环境工程学院（ENAC））
全文终
一览众山小
可持续城市与交通
一览众山小
可持续城市与交通
#参考资料#
1、麦肯锡《人工智能执行入门手册》
请联系我们微信号：SustainableCity
或电邮daizongliu@qq.com索取
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790名志愿者网络
推送 | 近3000篇原创专业译文
感谢 | 过去8年多来您的支持
报名 | 后台留言关键词“志愿者”了解
2014-2022 © 转载请注明：
转载自公众号“一览众山小-可持续城市与交通”