18新利luck·(中国)-官方网站

　　未来的城市，会思考吗？从自动驾驶汽车到AI设计社区，人工智能正悄然改变我们周围的城市景观，但它的成长也面临不少挑战。康奈尔大学和Urban AI的联合研究为我们揭示：城市AI虽然能够像DALL-E一样，通过“看图说话”生成理想街区，却常常因为“数据饥渴”和“认知脆弱”而跌倒——就像一个学霸，只会背书却应对不了街头突如其来的或广告牌的干扰。

　　为了突破这些瓶颈，专家们正在让AI具备“常识”。比如，Ron Brachman提出，未来的AI应该像人类一样权衡目标（比如遇到堵车时，能自己找条新路），并且让每一个决策过程都能清晰追溯，不再是一个“黑箱”。而Kris Vanherle的“WeCount”项目则让市民变身“数据侦探”，通过低成本的传感器自主监测交通状况，推动“自下而上的智慧治理，证明了地面上的数据，比云端的算法更能打动政策制定者。

　　城市AI的未来，将是技术与人文的共舞。它不仅仅是算法的飞跃，更需要融入市民的声音、弥补数据的空缺，让技术在“开放世界”中能灵活应变，变得更加贴近生活。毕竟，最智慧的城市，也许并不是单纯由代码构建的，而是让人和机器一同在烟火气中，新利luck官网书写出属于我们的答案。

　　本报告详细探讨了城市人工智能的发展前景，分析了AI在城市管理和规划中的潜在应用和挑战。第一部分回顾了人工智能的发展历程，从最初的概念到如今的深度学习技术，重点强调了大数据和机器学习在推动人工智能技术突破方面的关键作用，并讨论了这些技术在城市领域的应用潜力。第二部分则聚焦具体案例，共分为8个小节，涵盖了包括交通流量监控、城市绿化管理等多个方面，展示了人工智能如何在提升城市生活质量与可持续性方面发挥重要作用。

　　报告还提出，城市人工智能的推广并非没有挑战。从政治、经济到社会文化，各种因素都在影响着AI的普及。而不同地区根据自身需求与条件，采用了不同的策略新利luck官网，这也导致了人工智能应用的不平衡性。此外，如何确保技术符合伦理和社会价值，避免算法决策的不透明和偏见，依然是我们需要面对的重要议题。

　　总结而言，城市人工智能的未来是技术和人文的融合，是算法飞跃的背后，是智慧与人性之间的平衡。我们要通过让市民的声音融入技术，让数据更加“接地气”，构建一个既高效又富有烟火气的智慧城市。

　　人工智能已经迅速成为当代计算机领域的前沿代表，尽管自上世纪中叶计算机发明以来，它便用来辅助人类提高智慧的。事实上，正是 Alan Turing（1950）在他的论文《计算机与智能》中给科学界留下了深刻印象，他认为计算机可以通过一种“强大的人工智能”来模拟我们人类的智能，在这种人工智能中，我们能够对计算机进行编程，以复制我们人类的决策过程。1956年，John McCarthy在可以称之人工智能的第一波浪潮中主要关注，人类如何能够让计算机不仅模拟人类的思维过程，更是利用第一批数字计算机的速度、记忆和逻辑来改善人类思维。人工智能沿着这些路径加快了步伐，直到20世纪70年代才明显地遇到了障碍——在国际象棋等游戏中，再聪明的计算机也无法复制我们的决策过程。因此，该领域进入了一些人所谓的第一个“寒冬”（Wooldridge，2020）。

　　然而，与对强大人工智能的关注并行的是，一种“较弱”的形式被开发出来，这种形式建立在计算机迅速发展的 “大数据”处理能力之上，通过建立复杂的多元统计模型，来复制因果结构过于复杂而无法解开的数据集。基于数据元素之间的类似神经网络的连接性的模型开始出现，数据可以进行连续重新加权，通过训练模型可以产生良好的结果。这些被认为是“学习”预测数据的最佳模型，构成了机器学习的新兴领域，但随着计算机速度的不断加快，与数据中的元素相关的神经元的层层叠加出现，构成了所谓的“深度”学习，焦点也从单纯的关注人工智能逐渐演变为如何处理这些所谓的“深度”学习。现在甚至可以感受到，这个领域正处于一个起点，经过不同的发展，一个更强大的人工智能可能会出现。

　　然而，让计算机思考，或者说像人类一样思考这个古老的问题在哲学上还远未得到解决。该领域的一个动向是，考虑到“通用人工智能”最终可能会出现，但无论我们在构建学习模型方面走得有多深，都会存在基本的限制条件，人类知识如此的多样化以至于永远无法让机器复制它，这仍然是一个主要障碍（Batty，2022）。这个问题在自动驾驶汽车的问题中最为明显。在接下来的介绍中，Ron Brachman非常清楚地展示了，通过积累足够的数据来完全自动化驾驶过程所面临的困境。总有一些非常明显的行为是自动驾驶汽车无法预测的，这并不是因为汽车没有接受过基本数据的培训，而是因为有些必要数据永远无法预测。我们经常在进行的过程中创造数据，过去的数据几乎预测不到这一点。这是一个很好的理由，我们在近期内可能不会在野外看到自动驾驶汽车。虽然我们可能无法预测未来，但我们确实在遇到它的时候可以处理它，这使我们陷入另一个困境。

　　正如我在序言中提到，以下论文也提到了人工智能面临的这些困境。康奈尔理工大学和城市人工智能之间的合作关系因他们在当代计算机算法领域具有多样的广泛的贡献在不断的强化。康奈尔理工大学对该领域进行了地平线式扫描调查，并发表在安东尼·汤森编辑的《城市科技的未来》报告中(。该报告呈现了一系列的未来场景，这些场景被认为是人工智能未来的救命稻草。首先是基于超级基础设施的“硬”城市系统的转型，其次是基于先进生物技术发展的生物利好型城市，以及抵御气候变化的韧性走廊。然后将其与“软”城市系统进行对比，暗计划，以新奇的方式设计城市的软件，涉及到关于城市技术的风险和回报的屏幕新政，以及关注城市经济长远发展的城市创新产业化。该报告为以下各种演示设置了背景，包括但不限于将人工智能扩展到当代数字化转型的各种形式。

　　Brachman的论文为人工智能设定了场景，并质疑性的提出了人工智能的局限性，而其他论文，如Anne Chubinidze的论文，则以不同的方式讲述了Paul Healey的地缘政治、市场、创新、监控和隐私等问题，所有这些都为人工智能设置了非常广泛的背景。在这个意义上，通用的人工智能是关于当下的计算能力的，但正如Julia Zimmerman和Sara Berry关于城市植被的论文中提到，已经有各种论文都指出了人工智能如何影响生物技术和气候变化的方向。该报告还讨论了各种参与方式，从使用工具，如肯特·拉森（Kent Larsen）在麻省理工学院（MIT）的城市实验室（City Lab）中由阿里尔·诺伊曼（Ariel Noyman）开发的工具，到克里斯·范赫尔（Kris Vanherle）使用低成本设备对环境进行传感和测量，广泛的使用这些设备，以捕捉自然和建筑环境中发生的事情。拉森实验室（Larsen’s Lab）用于3D城市的传统工具和Art Getman的交通工具，为人工智能的未来十年描绘了一幅完整的画面。康奈尔科技学院（Cornell Tech）和城市人工智能（Urban AI）之间合作吸取了这些论文内容，指出了更通用的人工智能的发展方向。在接下来的页面中，有很多值得思考的地方，而支持这些论文的YouTube（2023）视频对这些观点提供了温和而有效的补充。

　　旧金山初创公司OpenAI于11月发布的DALL-E2和ChatGPT这两颗重磅炸弹改变了这一局面。突然间，“深度”学习就在我们面前。任何拥有智能手机的人都可以利用网络信息来模拟智能合成的图像和散文。我们欣喜地开始玩新的掌上“深度伪造”工厂。深度学习的深层意义不容忽视，这不仅仅是针对广告或州际高速公路上的驾驶机器，这是一种创造文化，通过我们人类的自然语言，爆发出新的创造力。

　　没过多久，城市技术人员就看到了这种可能性。在康奈尔理工大学，我们正在探索如何使用DALL-E来授权社区团体制作城市效果图来支持城市设计。我们的一位硕士生正在基于用户要求利用DALL-E构建整个地区的三维模型。“嘿，Siri！给我画一个高密度低层的，配有公共花园和自行车停车场的，且满足多类住户需求的住宅区” 。这么看来，未来的城市设计师似乎只需要向数字孪生系统直接发号施令。

　　但是在DALL-E和ChatGPT 背后，在我们对大语言模型和人工智能感到兴奋的表面下，掩饰了深度学习在城市领域有用性的挥之不去的障碍。

　　数据收集的在制度方面也存在限制。在城市环境中生成的数据往往被严格掌握。企业从应用程序中通过用户使用痕迹收集的数据，会被用来换取商业价值。政府各部门也会越来越严格遵循法律法规保护数据流，并定期将其相互隔离。这种秘密数据的“筒仓”是常态，所以说，我们对数据隐私和安全的担忧是有道理的，它们之间的障碍越来越大，而不是越来越弱。

　　图一：DALL-E 2为响应“一个融合了纽约和巴黎并由人工智能控制的未来城市”的提示而生成的想象中的城市景观。（Anthony Townsend）

　　在追踪个人活动时，数据稀缺可能会使城市街道比开放网络更安全，但这会妨碍城市分析师的工作。这将是一个长期的挑战。数据稀缺从一开始就困扰着城市建模工作，这也是学者Douglass Lee在1973年的一篇开创性论文中指出的“大规模模型的七宗罪”之一。随着它的到来新利luck官网，那么在未来，深度学习在城市人工智能领域的回报可能比我们想象的更深远。

　　城市领域中深度学习的第二个障碍与预测的狭隘性有关，这也是为什么他们一开始就如此渴望数据。正如人工智能学者Gary Marcus和Ernest Davis所说，大多数深度学习的行为都像“白痴学者”。他们在熟悉的领域内表现出超人的能力，但当遇到没遇过的训练数据的新例子时，他们就会突然失败。这种认知的脆弱性是深度学习特有的学习方式形成的。它实际上并不理解你在问什么，它只是在扫描的文本，或者是毫无逻辑的反应。他们大多只是拥有超人的总结能力，能够根据以前写过、画过或拍过的一切，以惊人的速度和精度预测下一个最适合的单词或像素。

　　这对纽约、上海或伊斯坦布尔这样的不断的有新情况、新混合和新事件的大城市的有重大影响。但这不是一个缺陷，这是一个特点。深度学习的极端专业化需要在工程和设计方面给予极大的关注，才能适应如此复杂的环境。但更麻烦的是深度学习在处理计算机科学家所说的“边缘案例”时的表现脆弱性和不稳定性。事实证明，我们很难预测深度学习系统何时会失败，这使得将其部署在复杂城市的高危用例中的风险要高得多。新利luck官网脱离了过去训练的经验，深度学习就会出现偏离，再加上深度神经网络的“黑匣子”神秘性，很难解释为什么一个模型会产生这样的预测。不仅如此，深度学习还对避免这种灾难性失败等此类错误没有头绪。

　　深度学习在很难适应城市生活具有巨大的障碍。这些失误可能会减缓前进的步伐，但也可能会推动创新，甚至推动整个领域向前发展。自动驾驶就是这样典型案例，它们的产品都未能按原定时间交付，但还是刺激了大规模投资和突破，这将对未来产生深远的影响。对自动驾驶汽车的追求，尽管有时看起来不切实际，但它是我们这一代人的“太空竞赛”——一场具有巨大、不可预见影响的大规模技术推动。但这也是一个重新考虑如何创造人工智能的这个古老的想法的机会。解决城市居民面临的最平凡的日常问题需要利用深度学习算法很少利用到的背景知识——即我们认为的“常识”。传统的人工智能依赖于符号推理和知识的结构化，利用围绕智能城市、建筑和基础设施这个庞大本体网络，填补深度学习世界观的整体空白。了解我们的城市可能是人工智能面临的最大挑战。幸运的是，这些工具正在被研发，我们很快就会整合这些资源，为全人类带来巨大利益。

　　然而，现在还为时过早。当下，探索城市人工智能未来的起点始于 “幻灭的低谷”。那么，当一项新技术最初的热度和炒作已经消退，面临道德上的争议，以及将其投入生产性的使用的艰苦工作开始才正真开始。经过十年对自动驾驶汽车的炒作，我们越来越对公共领域中人工智能产品隐含的偏见感到警惕。尽管如此，我们对正在开发或使用的工具，以及在这些工具的应用场景都有了更清晰的想法

　　为了加深我们对深度学习和其他人工智能技术如何被用于应对紧迫的城市挑战的理解，Urban AI和康奈尔大学科技校区（Cornell Tech）的雅各布斯城市科技中心（The Jacobs Urban Tech Hub）于2022年秋季合作，举办了一系列网络研讨会。

　　我们将这样的研究路线图称之为城市科技未来 (The Future of Urban Tech)，这是一项为期十年的地平线式扫描，旨在预测城市科技领域的重大科学突破和工程创新新利luck官网。这项研究汇集了数千个已发表来源——期刊、新闻网站和博客——并将这些原始数据综合成217个独特的视角，描绘了未来十年城市科技领域预期的发现和发明。

　　地平线式扫描的六个主要预测总结了复杂的可能性的集合。可以把这些预测想象成2032年你可能在新闻网站上读到的头版故事。它们描述了能够塑造每个人未来旅程变革的大方向。

　　其中有三项预测描述了“硬”城市系统的转变。超级基础设施将把城市改造成一个深度可行动的网络。野性+健康城市将利用先进的生物技术，将宜居性提升到新的高度。韧性走廊将有助于我们遏制气候变化，并使社区为即将到来的不可避免的冲击做好准备。

　　另外三项预测则揭示了“软”城市系统中的深层冲突。由软件设计和执行的暗计划将以奇怪的新方式塑造城市。这将引发反弹，催生一项重新分配城市技术风险和回报的屏幕新政。与此同时，随着城市创新产业化，全球规模的城市建设技术供应链将形成。

　　人工智能在每一个预测中都发挥着作用，它既创造了新的能力，同时又带来了新的风险。为了详细探讨这些问题，我们召开了八场研讨会，邀请了在城市人工智能前沿工作的思想家和实践者分享他们对于未来的知识、见解、迷惑和担忧。这些“来自未来的使者”为我们展示了一场地平线式扫描之旅，让我们得以一窥未来几年我们将面临的机遇和挑战。

　　例如，超级基础设施预想了一个万物互联的世界，但真正的突破在于我们如何利用人工智能的力量来驾驭这些新的网络。人工智能先驱、康奈尔大学教授 Ron Brachman 在我们的第一场会议中解释说，如果我们期望智能建筑、车辆和设备能在城市荒野中生存下去，就需要一整套新一代的计算工具和数据结构来模拟我们所谓的“常识”。

　　第二个预测，野性和健康，涉及利用野生动物的力量来改善城市生活。正如城市生态学家Nadina Galle所解释的那样，在疫情期间，随着动物涌入空荡的城市，以及人类开展更多的户外活动，这个想法从边缘走向到了前景。其中最容易达到的目标，实际上就是树木。Julia Zimmerman解释了柏林是如何利用众包分析和养护行道树的。在本系列中，Sara Beery展示了谷歌研究人员如何利用计算机视觉的超自然感知能力来获得关于整个城市行道树的宝贵见解，这是深度学习的罕见但引人注目的表现之一。

　　有三场研讨会的主讲人致力于研究另外两个预测的交叉点——暗计划，关注从优性和偶然性之间隐秘且微妙的紧张关系；重点关注如何在区域范围内构建缓解和适应气候变化的韧性走廊。Kris Vanherle展示了Telraam，一个已经在比利时及其他地区广泛传播的参与式交通传感集合，它为交通政策提供了真实数据支持。Arthur Getman解释了初创公司Replica如何使用电脑模型合成的人口数据来支持 “活动”模型，帮助城市模拟人们在不同交通系统中的实际出行。最后，麻省理工学院的Ariel Noyman展示了CityScope，这是一个交互式城市设计平台，它以倍增每个元素价值的方式将数据和模拟叠加在一起。他们的研究都在利用深度学习来解决他们所面临问题的一小部分，但他们也在努力填补数据匮乏的空白，这些空白限制了深度学习解决城市问题的前景。

　　另外两场研讨会帮助我们放眼全球，从宏观的视角审视了城市人工智能的未来前景。在城市创新产业化预测的基础上，Commonweal Ventures的风险投资家Paul Healy解释了投资者在城市应对气候变化和不断增长的服务需求挑战时所看到的创新机会。Adalan AI的Ana Chubinidze描绘了智能城市运动中的地缘政治紧张局势 。在这个新的领域，屏幕新政的社会和政治条款可能在未来一代人中得以制定。

　　这份报告包含了这八次对话的详细摘要。正如这些才华横溢的学者和从业者的工作所强调的那样，我们必须成为谦逊的预测者。对于我们可能提出的每一个假设，反向的趋势都不难找到。不同的未来可以在不同的地区共存，甚至在同一个城市内也是如此。我们的城市（人工智能）未来不是一条直线，而是一个分支网络，一个会产生许多想法和发明的生命体。我们会对大多数的未来可能性感到好奇。但也会有极端的情况——令人着迷的非凡创新，以及令人震惊的可怕失败。

　　对于城市而言，挑战将是预见人工智能的极端机遇和风险，并建立适当的结构来管理它们。一些城市，如阿姆斯特丹、赫尔辛基、纽约和新加坡已经开始了研究并制定指导方针，以迎接城市人工智能的到来。然而还有很多的工作需要完成，UrbanAI和康奈尔大学科技校区会持续举办研讨会对此进行研究，并很高兴能够成为您在这一领域的向导。

　　城市本质上是复杂的。虽然一系列规则确实在管理集体行为，但这些规则在确定城市空间中存在的众多独立主体的个人行为面前只能起到有限的作用。正如Brachman所解释的，城市遵循事件概率的长尾分布。这意味着没有一个罕见事件特别有可能发生，但确实存在大量罕见事件发生的可能性。这会对编程人工智能在城市环境中运作时带来相当大的挑战，特别是如果训练数据由已经发生的过去事件组成（其中包含一些不太可能重复的场景，并忽略了许多其他可能仍在发生的场景）。程序员不可能将每一个潜在场景都包含在人工智能的训练集中。

　　因此，如果城市人工智能的未来是通过设计系统来规避这一限制，使其能够做出超出其掌握的训练数据范围之外的有效决策，从设计的角度来看，这个过程可能会是怎样的呢？

　　在Brachman看来，问题归结为将常识和可理解性融入人工智能系统的架构中。除了目前的基本背景知识、特定领域的专业知识和用默认操作应对常见场景的能力之外，这项技术还需要发展，使人工智能能够感知和理解外部数据，以诊断未预见的情况并相应地调整其方法。作为调整方法的一部分，一个精心设计的人工智能应该具有高水平的功能，以确定预期目标是否仍适用于新情况（Brachman举了一辆自动驾驶汽车去杂货店的例子：如果意外的情况，例如，阻碍了它的路线，汽车可能需要做出决定去寻找另外的杂货店，甚至干脆放弃并返回家）。这种自主推理属于5级自主（ISO 22989:2022），即人工智能能够在没有人为监督或输入的情况下做出决策。许多人工智能学者警告说，在这种自主级别取消人为监督可能会对人类健康和安全构成风险；《通用数据保护条例》第22条明确禁止在具有法律效力的决策中缺乏人为监督。鉴于这些担忧，Brachman呼吁将可解释的、理性的意向性构建到人工智能系统中。也就是说，如果5级自主人工智能系统做出的决策受到质疑，程序员应该能够回溯到做出决定的明确逻辑过程，按照以下公式进行：Agent X执行动作A是因为它相信前提P，并且希望实现目标G。如果决策遵循这样可理解的路线，程序员可以利用由此产生的因果链来找出错误的逻辑，并改进人工智能系统的常识知识库。因此，即使人工智能系统没有人为监督，程序员也可以保持一些洞察力，并根据需要对其程序进行更正。

　　按照Brachman描述的方式实施的基于常识的人工智能，不会仅仅根据有限的过去数据对当前情况做出反应。相反，这样的系统将灵活地与动态、不断变化的城市环境互动，准备好应对未来的任何不可预见的事件。

　　与“智慧城市”的方法相反，Wecount采用自下而上的协作驱动模式来监控和分析城市交通。Wecount方法遵循两个基本前提。首先：公民对社区的交通流量感到担忧，但缺乏数据来向地方政府充分申诉他们的需求。同时，当地政府迫切想提高服务水平，但缺少资源去收集有效的数据以评估成效，尤其是在面临昂贵的“智慧城市”技术实施的过程中。Wecount的解决方案建立了一个在民众，政府和Telraam之间的三角桥梁。在这个三角形的顶点，来自民众自愿安装并维护这些传感器，并在传感器的摆放位置的决策中起关键作用。并且民众还对数据分析和说明贡献重大。

　　市政当局自己为传感器设备提供资金，进而受益于产生的数据和分析。Telraam作为一个协调实体，为设备采购和数据访问提供便利。通过结合低成本、灵活的传感器技术和公民志愿服务，Wecount允许市政分配传感器安装的责任，并更好地让社区成员参与进来。与该模型相关的有限财务和行政监督也更好地支持了长期评估工作，因为参与式这种方式架构减少了开销，并使传感器计划能够比分散的项目或特定时间的资金池更持久。

　　为了确保整个计划的富有成效和持续成功，Wecount开发了一种分为5阶段的协作项目实施方法。在第一阶段，范围界定和社区建设中，Vanherle 强调了设定实施的地理范围并将相关社区利益相关者统筹商议的重要性。在下一协同设计阶段，社区志愿者分享他们在社区中发现的与交通相关的问题，并就传感器的放置和安装制定策略。协同设计的过程可能需要更多的时间和精力，但最终Vanherle注意到通过这样的方式，参与者对项目有更强的主人翁意识，并保持了更高的参与度。在数据收集阶段，Telraam在传感器安装方面对公民进行培训支持。从对象检测、对象跟踪再到对象分类，所有数据处理都由开源人工智能工具包调解，并在传感器设备内部进行，遵循“隐私设计标准”。Telraam遵循其培养包容性公民科学生态系统的理念，为参与者提供访问数据、执行自己的分析和获得见解的工具。在最后阶段，公民和市政当局共同努力，反思所获得的见解，设计改善情况的政策，并协作监测其成效的影响。

　　Telraam已经开始在比利时的几个城市实施 Wecount 模式。成功的项目包括：在COVID-19 封锁和相关公共卫生政策后的交通方式转变、证明限速不合规、倡导/衡量各种交通减速干预措施的有效性，以及评估建设项目对路线选择的影响。Vanherle根据这些项目的经验分享了一些关键要点，以确保参与式城市传感的光明未来。首先，技术设计需要简单易懂。如果传感器太复杂而无法安装或交互，那么参与者将不太可能参与。其次，以实质的方式让公民参与进来，使他们更有可能拥有项目的所有权，并因此希望完成它。同样，公民科学也不等同于被动的数据收集;公民也应该被信任来分析和解释数据。最后，要使参与式传感项目长期取得成功和保持可持续，市政当局应证明所收集的数据实际上会带来变革。通过多方利益相关者的协作、以公民为中心的数据收集和分析工作以及灵活、低成本的技术，参与式城市传感似乎是城市环境中大规模、可持续的数据收集、分析和监测的一个充满希望的未来。

　　当人们想到城市资产和基础设施时，某些元素在他们的脑海中尤为突出。公用设施网络提供了城市新陈代谢和功能所必需的摄入和排出机制。道路和其他交通系统将人员和货物运送到城市内外。路灯照亮了城市的公共空间。信息和通用技术（ICT）基础设施使我们保持联系。但是树木呢？

　　图八：“这张树状图显示了 Auto Arborist 属的分类结构。该数据集在分类学上是多样化的，代表了300多个不同的属。资料来源：The Auto Arborist Dataset。

　　麻省理工学院的研究员Ariel Noyman在第四届“城市AI的未来”讲座上以一个非常深刻的比喻开场：三本不同年份的洛杉矶建筑规范法规并置对比：1946年是一本薄薄的小册子；1968年是一个稍厚于1946年的薄活页夹；到了2011年，则是一沓厚厚的多卷本。随着建筑和城市规划要求变得越来越复杂，城市空间设计变得越来越自上而下、缓慢和官僚化。然而，Noyman和他的CityScope团队在麻省理工学院构想了一个未来，在这个未来中，基于证据的、数据驱动的、启用了人工智能的建模将推动一种新的城市规划流程。在这个愿景中，真正参与性的城市规划允许与市民进行有意义的共同设计。在过去的10年里，他们已经开发并迭代了CityScope平台，以实现四个主要能力：洞察、转化、预测和共识。

　　图九：“三本不同年份的洛杉矶建筑法规立法并置对比：1946年是一本薄薄的小册子；1968年是一个稍厚于1946年的薄活页夹；到了2011年，则是一堆厚厚的多卷本。”图片来源：Ariel Noyman的演讲

　　除了提供洞察力，CityScope还可以围绕城市转型进行量化和实验。通过“将建筑法规编码化”，CityScope团队能够将复杂的建筑规则转化为可分析的计算单元，以此为基准来评估提议的城市设计。通过CityScope，他们能够测试设计与当前建筑法律的一致性，以及估计新开发项目对多个关键绩效指标（例如密度、多样性和接近性）的影响。2018年德国汉堡证明了这个方法的实用性。当时该市请求协助评估与其申办2024年奥运会相关的城市重建提案。通过使用CityScope，团队能够以更数据驱动的方式评估提案。

　　CityScope的预测能力允许人们测试城市设计并评估它们的实用性。为此，CityScope采用基于代理的建模来模拟人类与拟城市设计的互动，并推导出使用模式。在传统的城市设计实践中，原型设计通常只能在拟议的开发建设之后才能进行。然而，有了CityScope，团队可以评估所提设计的潜在影响，并在实施前对城市干预措施进行原型设计。CityScope的预测功能常用于城市受关注的重大重建项目，包括优化汉堡某些方面的交通规划（通过建模新的交通枢纽如何影响各个因素在城市中的移动方式），以及估计法国巴黎香榭丽舍大街的振兴计划将如何影响人们使用该空间的方式。

　　然而，在Noyman看来，CityScope真正的力量在于该平台的共识构建能力。通过向用户提供由熟悉材料（如乐高）组成的有形、直观的界面，CityScope邀请几乎没有相关技术或设计经验的市民与拟议项目互动，并共同产生可行的解决方案。CityScope基于媒介的本体使得城市规划对话从自上而下、技术性和以设计为中心转变为自下而上、可达和以行动为导向。在汉堡委托的FindingPlaces项目中，CityScope能够吸引公众参与，为城市内的综合难民住房选择161个可行地点。在CityScope的调解下，原本可能面临强烈邻避主义的城市难民住房情况，反而变成了一种“我们能做到”的态度。

　　图十三：来自Ariel Noyman的演讲。（图文：找到了161个可容纳23000名移民者，为800名难民建造了6个新避难所。）

　　展望未来，Noyman设想CityScope中的AI组件将增强人类能力，而不是取代人类能力。为了提高CityScope结果的采用率和质量，他建议向市民参与者清晰地传达所使用的模型（以避免因缺乏对模型工作原理的理解而产生的抵触），与城市保持长期合作伙伴关系（通过创建CityLab，确保城市能够最大限度地利用与在新城市实施CityScope相关的设置开销，并允许平台和目标随着城市的需求而发展），并鼓励参与城市提供健全且易于连接的数据管道。这些转变将允许CityScope平台具有更大的可移植性，并提供更广泛传播的真正参与性和以公民为中心的城市设计。