《Technovation》:Leveraging AI and generative AI in urban design and planning: Unveiling advantages and challenges through problem structuring methods
编辑推荐:
本研究针对人工智能(AI)与生成式人工智能(GenAI)在城市设计与规划整合中优势与挑战的复杂因果关联尚不明确的问题,研究人员结合认知映射与中智DEMATEL方法,系统识别并量化了关键因素间的相互作用。结果表明,动态数字城市模拟是最显著的优势,而伦理关切是最关键的挑战。该研究为理解AI技术在城市规划中的因果效应提供了结构化框架,对推动更负责任、有效的智慧城市应用具有重要指导意义。
随着全球城市化进程的加速,城市面临着气候变化、交通拥堵、资源管理等多重挑战。传统城市规划方法在应对这些复杂系统时往往显得力不从心,而人工智能(AI)及其子领域生成式人工智能(GenAI)的出现,为城市设计与规划带来了革命性的变革潜力。它们能够进行快速原型设计、动态模拟和优化资源分配,从而创建更具响应性的城市环境。然而,尽管这些技术前景广阔,其在实际应用中的整合仍处于起步阶段,并且存在诸多亟待解决的问题。现有研究多侧重于技术能力本身,而往往忽视了有效管理相关挑战所需的结构化流程,特别是对优势与挑战之间因果关系的深入理解尚存空白。此外,伦理担忧、数据隐私、算法偏见以及技术依赖性等挑战的相互关联性及其优先次序也缺乏系统分析。这种认知上的不足,阻碍了制定稳健策略以充分发挥AI和GenAI变革潜力的努力。
为了填补这些研究空白,发表在《Technovation》上的这项研究,旨在深入探讨AI与GenAI在城市设计与规划整合中的优势与挑战之间的因果关系。研究团队设定三个核心问题:识别关键优势与挑战;剖析这些优势与挑战之间的因果联系;探索利益相关者协作和不确定性下的决策如何支持AI/GenAI的应用。
为回答这些问题,研究人员采用了结合问题结构化方法(PSMs)和多准则决策分析(MCDA)的方法论框架。具体而言,研究分阶段进行:首先通过认知映射与专家小组(由8位在AI和城市发展领域拥有丰富经验的决策者组成)合作,识别并结构化与AI/GenAI整合相关的优势和挑战,构建了一个包含130个概念的群体认知地图,并最终聚焦于10个关键优势和10个关键挑战进行深入分析。随后,研究引入中智DEMATEL(Decision-Making Trial and Evaluation Laboratory)方法,这是一种能够处理不确定性和模糊性的多准则决策技术。该方法允许专家使用中智数(包含真值T、 indeterminacy I、假值F分量)来评估因素间的影响强度,通过一系列计算步骤(包括建立直接关系矩阵、归一化、计算总关系矩阵T),最终得出每个因素的显著度(R+C)和关系度(R-C),从而区分出原因因素和结果因素,并绘制影响关系图(IRM),直观展示因素间的因果网络。
4.1. 结构化阶段
通过专家研讨会和认知映射,研究识别并聚类了优势与挑战。优势被归纳为五个集群:技术与运营绩效、模拟与解决方案、环境与社会影响、参与与互动性、集成与适应性。最终筛选出10个关键优势,如提供实时反馈(A09)、动态数字城市模拟(A43)、场景模拟(A67)等。同样,也筛选出10个关键挑战,如高质量数据需求(C25)、算法偏见(C57)、伦理关切(C88)等。
4.2. 评估阶段
应用中性DEMATEL分析优势间的因果关系。计算得到的总关系矩阵T和(R+C)、(R-C)值显示,动态数字城市模拟(A43)是影响力最大、最核心的优势(R+C=9.0380)。而减少人类偏见(A84)的影响力最小。根据(R-C)值,优势被分为原因组(如A43, A47, A66, A67, A100)和结果组(如A09, A29, A40, A41)。影响关系图进一步将优势划分为四个象限:核心优势(QI,如A43, A67, A100)、驱动优势(QII,如A47, A66)、独立优势(QIII,如A29, A84)和影响优势(QIV,如A09, A40, A41)。这表明动态模拟、场景创建等是驱动系统其他优势的关键因素。
对挑战的分析结果显示,伦理关切(C88)是其中最突出、最具影响力的挑战(R+C=5.9489)。挑战也被区分为原因型(如C25, C61, C62, C88, C90, C112, C119)和结果型(如C57, C64, C89)。影响关系图将挑战归类为核心挑战(QI,如C88, C119)、驱动挑战(QII,如C25, C61, C62, C90, C112)、独立挑战(QIII,如C64)和影响挑战(QIV,如C57, C89)。分析揭示了伦理关切与“黑箱”性质(C119)、算法偏见(C57)以及社区抵制(C90)之间存在强相互依赖性。
4.3. 整合阶段
研究结果与专家访谈(来自葡萄牙国家创新局ANI的信息系统协调员)相互印证。专家肯定了研究结果的价值,指出其有助于识别与动态模拟和伦理问题相关的战略因素,对于构建“正确和果断的决策树”至关重要。专家同时强调,决策过程中的主观性不可避免,而本研究的方法成功整合了客观和主观元素。讨论部分深入探讨了优势与挑战之间的相互作用。例如,动态模拟(A43)的优势依赖于实时数据优化(A47)等其他优势的协同作用,但目前这种协同效应有限。另一方面,伦理挑战(C88)是核心,它与技术依赖(如对AI公司维护的依赖C112)以及AI公司在城市规划中权力过大(C89)密切相关。解决伦理问题对于建立信任、促进技术采纳至关重要。研究还指出,整合不同技术知识水平(C61)这一挑战,不仅影响协作效率,也与将伦理考量融入AI工具设计密切相关。
5. 讨论
本研究在理论上的贡献在于,首次系统性地整合认知映射、中智逻辑和DEMATEL方法,分析了AI/GenAI在城市规划中优势与挑战的复杂因果关联,填补了该领域的研究空白。实践上,它提供了一个结构化、参与式的决策支持框架,能帮助城市规划者理解关键因素的相互作用,识别优先干预点,从而制定更有效的策略。例如,优先解决作为核心驱动因素的伦理关切(C88)和动态模拟(A43),可能产生最大的协同效益。社会意义上,研究强调了负责任地应用AI技术的重要性,通过关注伦理、公平性和社区参与,有助于推动建设更具包容性和可持续性的智慧城市。
6. 结论
该研究成功揭示了AI与GenAI整合进入城市设计与规划过程中的关键优势与挑战及其复杂的因果网络。动态数字城市模拟、场景创建与显示等优势被确定为系统的核心驱动力。同时,伦理关切被视为最关键的挑战,与算法透明度、数据偏见、技术依赖性和社会接受度等议题紧密交织。通过采用问题结构化方法和中智DEMATEL相结合的方法论,本研究为理解和应对这些复杂性提供了一个强有力的分析框架。研究结果强调,最大化AI在城市规划中的效益需要采取系统性的视角,协同处理技术能力、伦理规范、组织协作和社会影响等多维度问题。这项工作为未来的研究和实践指明了方向,即需要开发更具适应性、包容性和透明度的AI驱动规划工具与方法,以助力构建更智慧、更可持续的城市未来。研究的局限性包括其发现基于特定专家组的判断,未来需要在更广泛的城市背景中进行验证,并探索与AI增强平台集成以实现更高效的参与式规划。