Bet365亚洲官方网站(访问: hash.cyou 领取999USDT）

　　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。

　　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。

　　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。

　　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。

　　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。

　　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。