Перспективы и опасности использования визуального ИИ для изучения городов

Несколько месяцев назад исследователи из лаборатории Senseable City Lab Массачусетского технологического института опубликовали исследование о загрязнении окружающей среды в Нью-Йорке, в котором были использованы некоторые новые методы. Например, с помощью машинного обучения они определили типы транспортных средств, которые отображаются на 331 дорожной камере в городе, и оценили выбросы, производимые каждым автомобилем. При наличии достаточного количества камер эти методы визуального искусственного интеллекта могут отслеживать выбросы с беспрецедентным сочетанием точности и масштаба.

Если уж на то пошло, визуальный ИИ сегодня может дать ответы на самые разные вопросы градостроителей. Почему именно на дорогах пробки? Каковы наиболее опасные аспекты различных перекрестков? Какие части площадей или парков привлекают больше всего людей?

В разных городах больше изображений означает больше данных, больше понимания — и больше забот о конфиденциальности и справедливости.

""Мы можем рассматривать эти цифровые изображения как данные и количественно оценивать особенности города", - говорит Фабио Дуарте, исследователь Массачусетского технологического института и соавтор новой книги о визуальном ИИ и урбанистических исследованиях. "С помощью методов компьютерного зрения каждое изображение представляет собой набор данных". Тем не менее, добавляет он, "мы должны быть осторожны с этим".

И хотя урбанисты уже давно используют визуальный анализ для обоснования своего мышления, сейчас это возможно в беспрецедентных масштабах.

"Все "наблюдают"за городской средой и пытаются получить какое-то представление", - говорит Мартина Маццарелло, научный сотрудник Массачусетского технологического института и соавтор новой книги. "Но что, если мы сможем сделать это в больших масштабах и получить какое-то представление повсюду?"

Ученые исследуют эти темы в книге "Как искусственный интеллект видит город: городской визуальный интеллект", опубликованной в этом месяце издательством Routledge. Авторами являются Дуарте, главный научный сотрудник и заместитель директора лаборатории Senseable City Lab Массачусетского технологического института; Маццарелло, научный сотрудник и руководитель глобальных инициатив лаборатории Senseable City Lab Массачусетского технологического института; Карло Ратти, профессор-практик, основатель и директор лаборатории Senseable City Lab Массачусетского технологического института; и Фань Чжан, доцент в Институте дистанционного зондирования и ГИС Пекинского университета.

"Великие урбанисты, такие как Кевин Линч и Виллиан Х. Уайт продемонстрировали нам исключительную ценность "взгляда" на город", - говорит Ратти, имея в виду двух выдающихся мыслителей о городской динамике, чьи работы описаны в книге. "Сегодня визуальный ИИ дает нам новые возможности для развития этой традиции, позволяя нам наблюдать за городами в масштабе и с таким уровнем детализации, который ранее был невозможен".

Новый инструмент, давняя традиция

Исследование "Как искусственный интеллект видит город" основано на работе лаборатории Senseable City Lab Массачусетского технологического института, основанной в 2004 году, которая использует данные для лучшего понимания городской динамики. Как отмечают авторы книги, существует долгая история визуальных представлений, которые формируют наше представление о городах: от римлян, создававших мраморные карты, до появления фотографии, которая создала важные городские образы, отражающие такие вещи, как перестройка Парижа Османом или скученность многоквартирных домов в нижних кварталах Нью—Йорка. Ист-Сайд в 19 веке.

More recently, some scholars have used visual studies to better understand city form, including Lynch, a former MIT professor whose 1960 book, "The Image of the City," influenced many scholars. Whyte, a sociologist famous for his book "The Organization Man," then became an urbanist closely examining public spaces.

By explicitly placing AI in a continuum with these visual urban studies, the authors are making a point: Powerful as it might be, we can still think of AI primarily as a tool serving human purposes, as we seek to design and refine urban form.

"Kevin Lynch at MIT was only using paper and pen," Duarte says. "We can now scale up what he was doing, with visual AI, while also looking at many different dimension of cities."

There are extensive possibilities for applying visual AI to urban planning, ranging from emissions to traffic flow, safety, better imagery of street-level activity and sidewalks, and much more. The book also examines, for instance, urban greenery. While satellite imagery can show us how much tree cover and green spaces cities have, near-ubiquitous images from phones and other sources can also reveal to what extent people glimpse greenery in everyday life, a factor in reported wellness.

"The real promise of visual AI is not simply that computers can look at millions of images," Zhang says. "It is that we can connect what is visible in those images — streets, buildings, greenery, traffic, public space — with larger questions about how cities function and how people experience them."

Better image recognition by AI even extends to urban interiors. By using images from 400,000 AirBnB listings across the world, one recent Senseable City study shows that, contrary to some claims, interior design styles are not becoming globally more homogeneous, but reflect significant geographic differences.

"No matter what it is, we can learn from what we can see and then use it as urban designers, planners, policymakers, and citizens," Mazzarello says. "It can be our eyes, or cameras with computers, but in the end it’s the same methodology, and now we are trying to optimize the ways we can use these tools."

Promise and pitfalls

If the promise of visual AI for urban studies is vast, the pitfalls are concerning. In "How AI Sees the City," the authors outline multiple potential problems with the technology, including the intrusiveness of widespread visual surveillance and the potential for bias being reinforced through AI systems.

The installation of ubiquitous cameras can quickly raise concerns about surveillance. London, an early adopter of CCTV, has about 210 cameras per square mile. But eight of the world’s 10 most camera-heavy cities are in China; Shanghai has over 5,000 cameras per square mile. Such surveillance practices have raised controversy in other parts of the world, with debate over the uses of traffic cameras bubbling up in the U.S. this year as well.

In evaluating the potential safety gains from intensive video recording, the authors write, "the benefits must be weighed against the significant erosion of personal freedom and the potential for abuse inherent in a system of constant monitoring."

Meanwhile, AI systems can reinforce social biases as well, leading to the production of data that reinforce prior perceptions as much as underlying realities — about people, neighborhoods, and whole cities. If AI models are trained on majority population groups, they may not evaluate minority groups the same way.

"We need to teach AI to see, and depending on how you teach it, it will see what what is embedded in the culture," Duarte says. "AI is not neutral."

Still, as Mazzarello adds, "our eyes are not neutral, either. Every tool has to be guided in the right way, and trained in the best way."

Other scholars have praised "How AI Sees the City." Michael Batty of University College London has called it a "fascinating book" that "shows how we are beginning to interpret the world of urban design, suggesting ways in which we might improve design using urban analytics, AI and large language models."

Ultimately, though the authors think there is great value in deploying visual AI to learn more about our cities, how they function, and how they might be improved. With caution and independent thinking, progress is possible. Or, as they conclude in the book, "We should explore this wisely, critically, and creatively."

>