مقاله مرتبط
The Metaverse Unleashed: The Rise of Human-Scale Dixhital Venues
با حسن نیت جان مارکس اشتراک گذاری اشتراک گذاری فیس بوک توییتر ایمیل پینترست واتساپ یا https://www.archdaily.com/1016826/ai-data-and-predicting-urbanism-interview-with-peter-hirshberg-and-anna-fedorova این مقاله نهمین مقاله از مجموعه ای است که بر روی آن تمرکز دارد معماری متاورس. ArchDaily با جان مارکس، AIA، موسس اصلی طراحی و مدیر ارشد هنری معماری Form4، برای ارائه مقالات ماهانه برای شما که به […]
این مقاله نهمین مقاله از مجموعه ای است که بر روی آن تمرکز دارد معماری متاورس. ArchDaily با جان مارکس، AIA، موسس اصلی طراحی و مدیر ارشد هنری معماری Form4، برای ارائه مقالات ماهانه برای شما که به دنبال تعریف Metaverse هستند، پتانسیل این قلمرو جدید را منتقل می کنند و همچنین محدودیت های آن را درک می کنند. در این ویژگی، معمار جان مارکس مصاحبه می کند هدر گالاگر، یک متخصص بین المللی در رویدادهای تحول آفرین و اقتصاد تجربه و رئیس سابق فن آوری در Burning Man.
من این لذت را داشتم که چندین ساعت را با آنها سپری کنم پیتر هیرشبرگ، رئیس و آنا فدورووا، مدیر در پروژه شهر ساز، جایی که هر دو عمیقاً در پتانسیل فناوری های جدید با تأکید بر هوش مصنوعی و علم داده مولد برای تغییر و ارتقای روش طراحی، اداره، تجربه و بهبود شهرهایی که در آن زندگی می کنیم، کاوش کرده اند. آنچه در ادامه می آید تقطیر است. مجموعه ای بسیار پیچیده و همیشه در حال تغییر از فرصت هایی که این فناوری های جدید به ما ارائه می دهند.
به طور کلی، چه رابطه ای بین بحران های پیچیده مدنی امروزی و ظهور سریع علم داده های پیشرفته و فناوری های هوش مصنوعی وجود دارد؟
شهرها از پیچیده ترین سیستم های روی زمین هستند. در طول قرن گذشته، عملکردهای متعدد خود را انجام داده اند –به عنوان مثال برنامهریزی، مجوز، لجستیک، عملیات – به توسعه و شکوفایی فوقالعاده شهری دست یافته است و در عین حال بوروکراسیهایی را با قوانین، الزامات، مکانیسمهای نظارتی و سیلوهای اطلاعاتی متعدد ایجاد کرده است. امروز یک سوال کلیدی این است: آیا این مکانیسم ها می توانند مقیاس شوند یا به ناچار به سمت آهسته و اسکلروتیک گرایش دارند؟ با توجه به بحرانهای مختلفی که شهرهای ما با آن روبرو هستند، این امر در دوران پس از همهگیری ما ضروریتر است: مسکن به طرز دردناکی مقرون به صرفه نیست، استفاده از زمین در مرکز شهر باید با کاهش فعالیتهای فروشگاهها و ادارات بازسازی شود، و بیخانمانی همچنان یک چالش پیچیده است. چگونه در میان این همه پیچیدگی به روشی یکپارچه تصمیمات سازنده بگیریم؟ امید -و فرصت قابل توجه- در اینجا این است که همگرایی فناوریهای نوظهور هوش مصنوعی و علوم داده که پیچیدگیهای چندوجهی زندگی مدنی را در نظر میگیرند، ممکن است بوروکراسی را کاهش دهد، حکمرانی شهر را بهبود بخشد و به عنوان ابزارهای جدید قدرتمند برای برنامهریزی شهری و مشارکت مدنی عمل کند.
قدرتهای محاسباتی با کارایی بالا امروزی شامل فناوریهایی مانند مدلسازی مبتنی بر عامل، هوش مصنوعی مولد، مدلسازی سیستم پیچیده و AR/VR میشود (ما در زیر به قابلیتهای آنها خواهیم پرداخت). هنگامی که این ابزارها عاقلانه استفاده شوند، پتانسیل بی سابقه ای برای تقویت عاملیت جمعی ما و تسریع بهبود در زندگی شهری و حکمرانی دارند. آنها میتوانند دادههای واقعی اقتصادی و رفتاری را در زمینههای مدنی شبیهسازی کنند و به سرعت ایدههای پیچیده را تجسم کنند، به ما این امکان را میدهند تا تأثیر عملی سیاستهای مورد نظر را نشان دهیم، و جوامع را قویتر به مشارکت در تصمیمگیری مدنی آگاه و متقاعد کنیم. ما ممکن است این را به عنوان “امکان پنجم” در نظر بگیریم – شکل جدیدی از عاملیت جمعی که توسط افراد بیشتری فعال شده است. توزیع شده است فن آوری های جدید (در دسترس) که به شهروندان مدنی و رهبران به طور یکسان کمک می کند تا مؤسسات ما را پاسخگو نگه دارند و اقدامات جمعی را در جهت نتایج سودمند متقابل انجام دهند.
چه نوع ابزارهای جدیدی در حال ظهور هستند؟
مدلهای مبتنی بر عامل، انقلاب بعدی فناوری هستند. در علم اقتصاد، نشان دادهایم که چگونه مدلهای مبتنی بر عامل میتوانند در زمان واقعی (قبل از واقعیت) پیشبینیهای بهتری نسبت به مدلهای استاندارد انجام دهند. این فقط نوک یک کوه یخ بزرگ است… — پروفسور جی دوین فارمر، INET (موسسه تفکر اقتصادی جدید)، دانشگاه آکسفورد
از لحاظ تاریخی، ابزارهای شهری – از تاکتیکهای مشاهدهای ویلیام اچ وایت تا مدلهای کامپیوتری بدوی، تا رابطهای هوشمند شهرهای هوشمند – به ما در درک و شکلدهی محیطهای شهری کمک کردهاند. با این حال، در طول تاریخ محاسبات، ما نتوانسته ایم به طور قابل اعتماد پیش بینی نتایج سیاست های خاص در بافت های پیچیده شهری فناوریهای امروزی مدلسازی شهری محاسباتی را متحول کرده و درک ما را از آنچه در حکمرانی شهری و مشارکت مدنی مشترک ممکن است تغییر میدهد. با باز کردن قابلیتهای تعاملی و پیشبینی قدرتمند، قرن بیست و یکم ابزار دیجیتال به انتقال از هوش جمعی کلاسیک به شکلی جدید دامن می زنند – جایی که مشکلات مدنی صرفاً مشاهده و بحث نمی شود، بلکه به صورت پویا شبیه سازی می شوند و به صورت بصری نقشه برداری می شوند تا راه را برای اقدامات و سیاست گذاری های جمعی آگاهانه تر هموار کنند.
برای مثال، مدلسازی مبتنی بر عامل، شبیهسازیهای دیجیتالی محیطهای دنیای واقعی را قادر میسازد که به ورودیهای عاملهای فردی و تعاملات پویا بین آنها، از جمله حلقههای بازخورد، پیامدهای ناخواسته، شوکهای سیستم و محدودیتها پاسخگو هستند. با نمایش دقیق رفتارها و تأثیر متقابل عوامل فردی و نهادهای نهادی (به عنوان مثال خانوادهها، بانکها، مشاغل و غیره) در سیستمهای پیچیده اجتماعی-اقتصادی، ABM به عنوان یک ابزار پیشبینی قدرتمند در تحقیقات اقتصاد و سیاست عمل میکند. این رویکرد جدید ظرفیت ما را برای ارائه بینش های قابل اعتماد و درک تأثیرات مداخلات سیاستی پیچیده قبل از اجرای آنها در زندگی واقعی به طرز عظیمی بهبود می بخشد. یک مثال قابل توجه: محققان آکسفورد و بانک انگلستان از مدل سازی مبتنی بر عامل برای مطالعه اثرات مداخلات سیاست احتیاطی کلان بر بازار مسکن انگلستان استفاده کرده اند.
دوقلوهای دیجیتال کپی مجازی موجودیتهای فیزیکی مانند ساختمانها، زیرساختها یا حتی کل شهرها هستند که برای شبیهسازی و تحلیل فرآیندهای بلادرنگ و عملکرد آنها در محیطهای واقعی استفاده میشوند. این امر به برنامه ریزان شهری و تصمیم گیرندگان اجازه می دهد تا واکنش ها به تغییرات محیط های فیزیکی را پیش بینی کرده و بر اساس آن تصمیم گیری کنند. دوقلوهای دیجیتال به حسگرهای IoT (اینترنت اشیا) و سایر منابع داده برای به روز رسانی مداوم مدل مجازی متکی هستند و اطمینان حاصل می کنند که وضعیت فعلی همتای فیزیکی خود را منعکس می کند.
علاوه بر این، هوش مصنوعی مولد و قابلیت های بصری آن (یعنی تصاویر، ویدئو) و AR/VR، راههای جدیدی را برای تولید و تجسم ایدهها فعال میکنند. توانایی نشان دادن سریع مفاهیم به ما امکان می دهد آنها را آزمایش و بهینه سازی کنیم، به علاوه احتمالات جدید را با هم ارتباط برقرار کنیم، بازخورد جمع آوری کنیم، و با تفکرات بیشتری با جوامع محلی تعامل کنیم – همه اینها قبل از هر برنامه کاربردی در دنیای واقعی. تصور کنید این کار را با پیشنویسهای خشن و در عین حال پیچیده مفاهیم هنر عمومی، ساختمانها، باغهای پشت بام، مناظر شهری و سبک زندگی و غیره انجام دهید.
آیا میتوانید کمی عمیقتر به نحوه کارکرد همه اینها بپردازید؟
بیایید چند مثال را مرور کنیم که پتانسیل تحول آفرین این فناوری ها را نشان می دهد.
۱- هوش مصنوعی مولد
ما هوش مصنوعی مولد را به دلیل مدلهای زبان بزرگ معروف (LLM) مانند Chat GPT و ابزارهای تبدیل متن به تصویر مانند Midjourney میشناسیم. مقررات دولتی – قوانین، کدهای ساختمانی و برنامههای مزایای اجتماعی – اسناد بسیار پیچیده و اغلب متراکمی هستند که مورد استفاده عالی برای LLM هستند. بیش از ۵۰۰ دولت از پلت فرم Citizen Lab استفاده می کنند که هوش مصنوعی را برای خوشه بندی، گروه بندی و سازماندهی نظرات عمومی در خود جای داده است. در Accelerate SF Hackathon معماران پرسیدند که آیا یک هوش مصنوعی ممکن است کدهای ساختمان و آتش سوزی شهر را «بخواند» و متوجه شود که کجا با یکدیگر در تضاد هستند. یک نمونه اولیه در یک آخر هفته در نوامبر ۲۰۲۳ توسعه یافت و به سرپرستان شهر ارائه شد. تافتس و استادان دانشگاه نورث ایسترن ابزاری را توسعه دادند که به خانوادههای کودکان با نیازهای ویژه اجازه میدهد با برنامه آموزشی فردی خود که در غیر این صورت به صورت PDF 50 تا ۱۰۰ صفحهای با قوانین پیچیده وجود دارد، «مکالمه داشته باشند».
UrbanistAI یک ابزار تجسم هوش مصنوعی است که از قابلیت متن به تصویر برای تبدیل ایده های عمومی در مورد نحوه استفاده از فضای عمومی به رندرهای توسعه واقعی در محیط ساخته شده موجود استفاده می کند. مثلا، این ویدیو راه هایی را نشان می دهد که در آن میادین عمومی در هلسینکی ممکن است احیا شوند.
ساختار شهر یک ابزار علم داده مبتنی بر هوش مصنوعی است که برای ارزیابی فرصتهای توسعه برای ساختمانهای یک خانواده و چند خانواده در شهرستانهای سانفرانسیسکو و سن دیگو استفاده میشود و حداکثر ارتفاع و پتانسیل ارزش هر بسته را طبق آخرین مقررات نشان میدهد.به عنوان مثال ADU های احتمالی، افزوده ها، پتانسیل تقسیم لات). CityStructure به طور محاسباتی دادههای قوانین شهری پیچیده را رام میکند تا حداکثر مساحت مجاز ساختمان، ارتفاع (تعداد سطوح)، تعداد واحدها و ارزش افزوده بالقوه صاحبان خانه را تعیین کند – از جمله امکانات درآمدزایی از گزینههای توسعه موجود. ارزیابی CityStructure که توسط Felicia Nitu در یک هکاتون توسعه داده شد و در اوایل سال ۲۰۲۴ راه اندازی شد، هزاران دلار در هزینه های معمار در این گام مهم قبل از مشارکت یک پیمانکار یا معمار در فرآیند برنامه ریزی و توسعه بیشتر صرفه جویی می کند. سادهسازی و خودکارسازی این مرحله، تجزیه و تحلیل توسعه را برای بسیاری از صاحبان دارایی، از جمله کسانی که ممکن است قبلاً فرصتهای توسعه را در نظر نگرفتهاند، در دسترس قرار دهد. بنابراین، این فناوری می تواند تسهیل کند [ much ] تولید سریعتر واحدهای مسکونی به شدت مورد نیاز
تصویر زیر و این ویدئوی نمایشی نشان دادن قدرت علم داده در تغییر دادههای مقررات شهری برای کمک به صاحبان خانهها برای ارزیابی و توسعه ویژگیهای خود تا حداکثر پتانسیل از نظر ارتفاع و ارزش، بهینهسازی برای اهداف مورد نظرشان.
۲- AR/R: افزوده شده و واقعیت مجازی فن آوری ها
تجسمهای قدرتمند در AR/VR باعث میشود که جوامع بتوانند در یک صفحه درباره بهبودهای پیشنهادی در یک محیط شهری راحتتر باشند. به عنوان مثال، برنامه ریزان شهر نیو روشل، رندرهای AR/VR از طرح های احیای مرکز شهر خود ایجاد کردند. روی نقشه های موجود منطقه پوشانده شده است. این رندرها به جامعه نیو روشل این امکان را میدهد که این احتمالات را در مقابل واقعیت ضعیف موجود تجربه کنند و تضاد فاحش بین آنچه هست و آنچه میتواند باشد را ببینند. مهمتر از آن، این رویکرد بازخورد ارزشمندی را از ساکنان شهر جمع آوری کرد، به همکاری عادلانه (= هوش جمعی) دامن زد و اجماع جامعه را تسریع بخشید.
۳- همگرایی فناوری های محاسباتی با کارایی بالا
در آزمایشگاه علوم شهری MIT، بسیاری از این تکنیکها در پروژه CityScope، یک سیستم شبیهسازی شهری به کارگردانی کنت لارسون، همگرا میشوند. چندین ذینفع شهری در مقابل یک مدل فیزیکی از یک محله یا توسعه… ساخته شده از لگو گرد هم می آیند. جابهجایی ساختمانهای لگو یا افزایش ارتفاع به آنها عواملی را در مدلها تغییر میدهد. سایر لگوها بهعنوان لغزنده برای شمارهگیری در گزینههای حمل و نقل یا پارکینگ استفاده میشوند، به غیر از مبادله در استفاده مسکونی، تجاری یا خردهفروشی. بر روی صفحه نمایش بالای مدل، مبادلات ضمنی در ترافیک، تراکم مسکن، تنوع، استفاده در شب و روز، سطوح آلودگی و غیره نمایش داده می شود. این ترکیبی از مدل سازی مبتنی بر عامل، هوش مصنوعی مولد و ابزارهای واقعیت افزوده به بهینه سازی برنامه ریزی شهری در هامبورگ کمک کرده است. ، آلمان و میدان های هاروارد و کندال در کمبریج، ماساچوست.
جدیدترین نسخه های این سیستم کل جمعیت را ترکیب می کند. با شروع با پروفایل های جمعیتی یک جمعیت و با اطلاع از داده های تحرک (که از حامل ها جمع شده است) و داده های اقتصادی (از مسترکارت)، سیستم می تواند عوامل فردی را ترکیب کند، رفتارها و تعاملات آنها را شبیه سازی کند، و در طول چندین نسل (عملاً با سرعت ماشین نصب شده است) این مجازی را انجام دهد. جمعیت های عامل مانند همتایان انسانی خود رفتار می کنند. اینها را می توان برای پیش بینی نتایج مرتبط یک سیستم پیچیده استفاده کرد: سلامت عمومی، انتشار سرانه CO2، سناریوهای مختلف که برای تراکم حل می شوند، جایگزین های زیرساخت لجستیکی مختلف و غیره.
هوش مصنوعی گفتگو در هنر، فناوری، آموزش، قانون/ مقررات و حتی موسیقی را به عهده گرفته است. هنوز در معماری، برنامهریزی شهری و حکمرانی شهری علامت مهمی ایجاد نکرده است، اما این رشتهها با بحرانهای بزرگی روبرو هستند که این ابزارها میتوانند به حل آن کمک کنند. چگونه مسکن بیشتری توسعه دهیم، مطمئن شویم که مقرون به صرفه است، و چگونه ممکن است در مورد مکان ساخت آن به توافق برسیم؟ چگونه می توانیم بوروکراسی را کاهش دهیم؟ پس از تغییر الگوهای تجاری و مسکونی، چگونه میتوانیم مرکز شهرها را احیا کنیم؟
پیتر هیرشبرگ بیش از ۳۰ سال است که شرکت های رسانه ای و فناوری نوظهور را در مرکز تغییرات مخرب قرار داده است. حساسیتهای او در مورد اینکه چگونه فناوری میتواند افراد را توانمند کند به روزهای اولیه او در اپل برمیگردد، جایی که او در مدیریت استیو جابز، بازارهای سازمانی را رهبری کرد. او نویسنده کتاب پرفروش «شهر سازنده: راهنمای عملی برای اختراع مجدد ما» است. شهرها، که شرح کار او با کاخ سفید اوباما برای تقویت توسعه اقتصادی در شهرهای سراسر آمریکا است. در حال حاضر، او یکی از مدیران CoPlace است، یک توسعه شهری ۳۰ هکتاری در سن دیگو که مفاهیم Maker City را برای توسعه اقتصادی، نیروی کار و مسکن در جنوب کالیفرنیا به کار میبرد. در سال ۲۰۰۸، هیرشبرگ Gray Area، یک مرکز خلاق پیشگام برای تمرین یکپارچه هنر و فناوری، یک موسسه سانفرانسیسکانی که در سطح جهانی به دلیل برنامهریزی آیندهنگر خود در زمینه آموزش کدگذاری خلاقانه و جوجهکشی فرهنگی شناخته شده است، تأسیس کرد. تیم های او در استفاده از پروژه های داده باز مدنی در سانفرانسیسکو پیشگام بودند. او معتقد است که فناوریهای Al/lIm امروزی به طور مشابه داراییهای اطلاعات و دادههای مدنی را متحول میکند و آنها را برای شهروندان، برنامهریزان و سیاستگذاران بسیار مفیدتر میسازد. هیرشبرگ در هیئت مدیره آژانس توسعه اقتصادی بین المللی GobalSF سانفرانسیسکو خدمت می کند و عضو ارشد مرکز رهبری و سیاست ارتباطات USC Annenberg و عضو هنری کراون در موسسه آسپن است.
آنا فدورووا یک حرفه ای باتجربه مدیریت محصول با سابقه قوی در هدایت نوآوری، رشد و راه حل های استراتژیک در استارتاپ های فناوری است که صنایع را متحول می کند. در این نقش در دهه گذشته، آنا به ساخت پلتفرمهای دیجیتال در سلامت از راه دور، تجارت الکترونیک و بازارهای دوطرفه، بهرهوری و ابزارهای تحلیل پیشبینیکننده، هوش مصنوعی ساختوساز، و فناوری اجتماعی و دولتی کمک کرد. کار او شامل توسعه فناوریها از مفهوم تا راهاندازی میشود که شامل تحقیق، تحلیل، استراتژی و ترکیب اصول طراحی کاربر محور با روشهای روششناسی چابک است. او همچنین در مورد تمام موارد فوق مشاوره یا مشاوره می دهد. پیشینه قبلی آنا شامل مدرک اقتصاد در دانشگاه کالیفرنیا برکلی، و کار پژوهشی و تحلیلی در یک مشاور اقتصادی در دعاوی و امور مالی است. در حال حاضر، او در حال بررسی راه حل های موثر برای بحران مسکن کالیفرنیا است. آنا مشتاق درک و پرداختن به مسائل پیچیده مدنی با استفاده از تجربه عملی خود در طراحی سیستم ها و فرآیندهای کارآمد، همراه با تفکر تصویری بزرگ و دانش سیاست و پویایی بازار است. علاقه شدید آنا به اقتصاد سیاسی، معماری و شهرسازی انگیزه او را برای بهبود تجربه مدنی در مکان هایی که او خانه می نامد – یعنی منطقه خلیج سانفرانسیسکو و لس آنجلس، هدایت می کند. او میخواهد هوش تحلیلی و کارآفرینی خود را در توسعه و سیاستگذاری املاک و مستغلات به کار گیرد، زیرا میداند که گسترش دسترسی به مسکن مقرونبهصرفه، شهرهایی پر جنب و جوش، ایمن، کارآمد و مرفهتر را ایجاد میکند که خودانگیختگی همزمانی را فراهم میکند که محیطهای شهری را به زیبایی خاص میسازد.
“هوش مصنوعی، داده ها و پیش بینی شهرسازی: مصاحبه با پیتر هیرشبرگ و آنا فدورووا” توسط معمار نوشته شده است جان مارکس، AIA، بنیانگذار اصلی طراحی و مدیر ارشد هنری معماری Form4، یک شرکت مستقر در سانفرانسیسکو برنده جوایز که ساختمان ها، پردیس ها و فضاهای داخلی برجسته را برای شرکت های فناوری Bay Area مانند گوگل و فیس بوک، آزمایشگاه هایی برای مشتریان علوم زندگی، و محل کار برای شرکت های متعدد دیگر طراحی می کند. مارکس در سالهای ۲۰۰۰ تا ۲۰۰۷ دورهای را با موضوع مکانسازی در فضای مجازی در دانشگاه کالیفرنیا، برکلی تدریس کرد و در سال ۲۰۲۰ اولین پروژه خود را در Metaverse طراحی کرد. مرد سوزان: موزه بدون تماشاگر. سال بعد، جان مارکس یک تیم طراحی را رهبری کرد که مسئول ایجاد یک پورتال ۵۰۰ میلیارد دلاری برای متاورس بود.
منبع:
۱- shahrsaz.ir ,هوش مصنوعی، داده ها و پیش بینی شهرسازی: مصاحبه با پیتر هیرشبرگ و آنا فدورووا
,۲۰۲۴-۰۵-۲۲ ۰۷:۰۰:۰۰
۲- https://www.archdaily.com/1016826/ai-data-and-predicting-urbanism-interview-with-peter-hirshberg-and-anna-fedorova