未来的城市AI不仅是算法与数据的狂欢，更是一场市民参与的“街头实验”。在康奈尔与Urban AI的深度对话下半场，智慧城市的拼图逐渐完整——从交通模型到树木护理，从资本博弈到地缘叙事，AI正以多元姿态融入城市的毛细血管。

　　柏林用两款开源APP掀起树木照护革命：市民通过“Gieß den Kiez”为80万棵树浇水打卡，而“QTrees”则用AI预测干旱风险，让灌溉更科学。当街边梧桐成为数据节点，AI不再是冷冰冰的算法，而是市民与自然协作的“绿色纽带”。

　　投资人Paul Healy直言，城市AI项目周期长、回报慢，却因政策红利与劳动力短缺迎来转机。从预测管道故障的Urbint，到打击违规短租的Deckard，资本正将AI变为“城市医生”，在基础设施与治理漏洞中寻找创新切口。

　　Ana Chubinidze揭示AI背后的价值观博弈：美国打造“服务型城市”，市民是客户；欧盟聚焦生态与隐私，技术为人权让路；中国推行“安全城市”，用监控换秩序。智慧城市不仅是技术试验场，更是意识形态的无声战场。

　　结论直指核心——城市AI的成功不在于简化复杂性，而在于“与混乱共舞”。无论是Replica的交通推演，还是柏林的树木众包，技术都在放大市民的能动性。最好的智慧城市，或许不是算法定义的乌托邦，而是让每个街角的故事都能被听见的“共生体”。当AI学会尊重本地基因，城市的未来才真正有了烟火气。

　　正如大多数城市系统一样，交通网络可能复杂又庞大。尽管存在这种复杂性，城市规划师仍努力通过不断做必要的修改，以确保交通和出行系统能够高效地服务于人们。因此，他们寻求方法简化交通系统的多面性，从而更好理解复杂的潜在过程和动态。各种交通建模技术（即以抽象化交通系统的特殊性来估计并构建交通系统的关键组成部分）有助于实现这一目的。使用这一些工具，规划师能回答有关人们如何、在何处以及为何出行的问题，以便更好地了解现有系统并为未来的变化做出规划。由于与传统交通建模技术（特别是“基于行程的模型”的模型子集）和相关输入数据集所关联的某些限制，它们往往产生过时的结果，并提供的是相当宏观的交通流动趋势。然而，新型城市数据源的可用性、体量和覆盖范围的增加，使得一种新的交通建模形式得以出现：“基于活动的模型”（Activity-Based Model：ABM）。

　　正如Replica的高级解决方案工程师Arthur Getman在本讲座中所描述的那样，他正在利用大数据和人工智能推动美国交通建模的未来。Replica寻求通过两种方式改善这一领域：一是使用更多当前数据增强分析，二是允许规划师对数据来进行细分，并追踪特定人群群体的旅程。美国的交通模型通常大量使用美国人口普查局的数据及相关衍生产品，以及通勤调查，这一些数据的更新频率很低。而Replica则使用覆盖手机位置数据、连网车辆数据、兴趣点数据、消费者和居民数据、经济活动数据和交通量计数数据等专有数据源，其中大部分可以近乎实时获取。Replica整理并结合这一些数据源与公开可用的数据，如OpenStreetMaps数据和GTFS信息源，以完善关于建成环境的信息。利用这些数据源，Replica能够执行高度细致且有时效性的分析。

　　Replica设计了许多AI算法，以提高他们所获得数据的实用性。首先，他们利用人口统计数据拟合人口，运用生成模型等技术来估计家庭内部关系，以及个性化训练工具来确定每个共同生活的亲属的典型工作、居住和学校位置。为了模拟建成环境，Replica使用OpenStreetMap（OSM）数据来支持多模式路径规划引擎。在模拟了人口数据和环境数据作为基于活动的模型（ABM）的输入后，Replica使用三种类型的机器学习模型来预测合成人口在构建空间中的移动情况：一种是活动序列模型，用于模拟个体选择的活动；一种是地点选择模型，用来模拟个体可能前往的不同活动地点；还有一种是交通方式选择模型，用于表现个体可能为其出行选择的交通方式。与这种高度详细的方法相比，传统的模型往往缺乏足够的数据来精确预测行程信息，它们通常只能提供大致的区域间起讫点的联系和基本的人口统计数据。Replica的方法独有的这种特定性使其应用于美国的许多案例，特别是在将公平视角纳入交通规划方面。

　　图文：自行车、行人及微型交通需求指数——地铁和SIR车站：此需求指数按照八种加权因素将地铁站分成五个层级。鉴于人口及就业密集度对需求影响显著，因此曼哈顿及周边区域的地铁站点显得很重要。

　　图文：自行车、行人及微型交通平等指数——地铁和SIR车站:此平等指数根据人口统计因素将地铁站点分为五个层级。纽约市道路交互与通行规划中，纽约市交通部（NYC DOT）关切的投资优先区域也包括在图中。因为要改善自行车、行人和微型交通工具使用者的出行条件，需要多方协调。大都会运输署（MTA）和纽约市交通部（NYC DOT）在优先级上保持高度一致，两个机构将继续合作，以改善交通设施的可达性。

　　随着创新性地引入城市大数据源，基于活动的模型（ABM）不仅在其创新方法上代表了城市人工智能的未来，还在其增强能力上发挥作用。因为这些模型能模拟人口特征和偏好以及环境特征，所以能通过调整任何输入值来预测相应的结果。因此，基于活动的模型（ABM）非常适合于场景建模应用，比如估计由于人口变迁或就业动态变化可能导致全市交通行为变化。基于活动的模型（ABM）还可以让规划者测试政策或建成环境的调整，从而使他们能够充分了解这些变化如何影响城市交通模式。因此基于活动的模型（ABM）不仅有助于塑造交通的实际发展的未来，同时也代表了一种技术未来。不过，Getman特别强调了将传统数据收集方法与合成数据结合使用作为获取真实情况信息来源的重要性。鉴于通勤调查具有较高的真实性和精确度，它们成为了校正模型数据的一个准确数据源。然而，像Getman展示的那样，AI方法在填补采样数据的空白方面具有很大的实用性，确实促成了更为定制化的交通系统干预措施。

　　城市树木为城市居民提供了诸多好处。因此，人们有必要了解并关心其城市森林。正如Sarah Beery在《城市人工智能的未来》第4节中所展示的那样，人工智能正塑造一个未来，在这个未来中，昂贵且耗时的树木普查可以被自动化，使城市能够更轻松地对本市内树木的地理和种类分布形成广泛而全面的了解。但是，一旦获得了全面的树木库存数据，城市应该怎样确保树木的健康呢？Julia Zimmermann和Technology Foundation Berlin以及CityLAB Berlin的团队开发了两款应用程序，使市民和政府都能利用开放的树木数据来确保城市森林的健康。在这一过程中，他们利用人工智能技术重新设计了树木照护和灌溉的优先顺序，以支持更绿色的城市未来。

　　尽管树木提升了城市居民的生活质量并带来许多积极效益，但人类无意间对城市森林造成了压力和损害。正如Zimmermann所分享的，许多直接由人类活动引起的挑战使得城市中的树木生长变得更加困难。这些挑战包括：树坑面积小，阻碍了足够雨水渗入土壤；人类对树坑的误用（例如，将汽车停放在上面或在上面储存家庭用品），可能会损害树木和根系；树木周围的建筑和开发活动将土壤压实，可能影响土壤中的氧气水平；狗尿和道路撒盐可能改变土壤的化学成分；以及玻璃窗和摩天大楼的反光，加强了局部地区的热量，基本上灼伤了附近的树木。除了这些城市挑战之外，气候变化效应，即温度上升、热浪以及降水模式的变化和干旱，也对树木的生命力带来了额外压力。鉴于这些因素使城市树木的生存更加艰难，它们需要额外的帮助以保持健康，并继续提供对城市居民有益的绿荫。

　　为了支持城市树木照护工作，Zimmermann和Technology Foundation Berlin以及CityLAB Berlin的团队开发了两款开源应用程序：Gieß den Kiez和QTrees Baumblick。这两款应用程序都旨在追踪和促进城市树木照护工作，但各有不同的方法。Gieß den Kiez利用社区成员与树木之间已有的关系来协调灌溉工作。多年来，柏林居民自发承担了额外的灌溉任务，尤其是在树木因干旱受影响的时候。然而，他们以很随意的方式进行这一工作。现在，通过Gieß den Kiez，柏林超过800,000棵城市树木在互动地图上可视化展示。通过点击每棵树，市民不仅可以探索柏林的树木种群，获取每棵树的种类、年龄和水分需求信息，还能够最终靠应用程序照顾和给他们最喜欢的树木浇水。

　　因此，邻居们对树木照护工作变得公开透明。通过这种方式，居民可以避免对树木的过度或不足浇水，并围绕确保城市森林持续健康形成了一个社区。CityLAB Berlin还创建了一个开放的Slack工作空间，以便于社区浇水者之间的沟通和协调。但有一个障碍：这个平台到目前为止只是基于树木的年龄估算应该浇多少水。

　　这就是量化树木（QTrees）的由来。QTrees 是一个由联邦环境部资助的研究项目，由柏林技术基金会负责协调，并与 Birds on Mars GmbH 和柏林米特区 绿化部门共同实施。该项目旨在通过提供一个基于人工智能的预测模型来确定何时为城市树木浇水，从而减轻气候变化对城市树木的影响。QTrees 采用基于机器学习的预测算法，考虑了树木的一系列健康指标，包括树种和树龄、浇水数据、天气数据、阴影指数数据、公众上报的树木受损信息以及土壤张力传感器数据，以预测哪些树木最有可能面临风险，需要额外护理才能保持健康。围绕一棵树的所有信息最终都会在应用程序 Baumblick 中显示出来。有了模型返回的预测结果，公共管理者和民间团体就可以有针对性地对最需要的树木进行干预。将人工智能融入城市林业管理是该领域的一项变革，它改进了以往确定树木养护优先次序的方法。Zimmermann认为，标准方法（如遵循标准化规则）会导致优先浇灌濒危程度较低的树木，而其他方法（如蒸散模型）则包含太多假设，缺乏具体环境的针对性。物联网传感器的普及为我们提供了更多有用的实时数据，但由于传感器和网络技术的成本及其对空间和环境影响，这种方式不易大规模使用。然而，QTrees 方法可以让城市森林管理者利用过去每种方法的优点做出决策，同时利用人工智能克服一些缺点。

　　Gieß den Gieß经历了三个非常干燥因而需求量大的夏季，而QTrees应用程序将于2023年初正式推出。Zimmermann的工作重点是扩大其覆盖面和在市政当局中的接受度。整个团队特别强调要在GitHub上提供他们的应用程序的开源代码，并利用市政当局的开放数据，希望柏林以外的城市也能创建这些应用程序的适配版本，以支持自己城市的树木护理工作。

　　人工智能已经渗透到许多领域，从根本上改变了我们的决策、经营和行为方式。然而，尽管其他行业在运营中采用人工智能技术的势头迅猛，面向城市的项目和用例的推广速度却迟缓得多。Paul Healy将这种差异归因于城市领域与商业领域在人工智能技术金融化能力上的差异。他的公司Commonweal Ventures寻求投资促进人工智能使用的机会，以鼓励在可持续经济（包括清洁能源和去碳化）和宜居社区（包括交通、基础设施、房地产、城市服务和治理）领域的快速创新。在本集中，Healy将讨论如何通过资金和政治优先顺序的调整来推动人工智能的实施和城市创新，从而真正塑造我们城市的未来。

　　随着各国政府集中精力提高可持续性，城市成为立法和拨款的主要场所。各种立法授权为人工智能驱动的技术创造了新的市场。例如，在纽约市和其他已经实施建筑能耗上限的地方，建筑业主对有效监控和降低能耗有了新的需求。这种需求为科技公司开发和改进可利用人工智能进行大规模监控和优化的平台打开了大门。此外，相关的立法工作也为绿色能源、去碳化以及基础设施的修复和改善工作分配了大量资金。获得这些资金的开发商和政府是创新人工智能技术的第二个需求来源，这些技术可以提高他们所建造的系统和结构的性能。最后，近期劳动力市场出现短缺，因此有必要使用能够提高现有劳动力能力和效率的技术。有了这些支持城市创新市场的外部因素，一些科技公司已经抓住机遇，以独特的创新方式将人工智能应用到城市治理和基础设施问题中。

　　风火轮：为什么热力图是政策制定者的梦想工具：政策制定者所掌握的最有力的工具之一就是历史数据 ，这些数据可以说明哪些地区是微型交通车辆使用最多的地区，我们很自豪地介绍三张新的热力图，正好能做到这一点。

　　在过去十年中，智慧城市（通过应用物联网（IoT）传感器和人工智能技术而扩张的城市中心）的建设已成为全球城市发展的趋势。某些国家和城市在塑造智慧城市形象并影响其他国家实施方面已成为关键角色。在本小节，Adalan AI公司的Ana Chubinidze分享了国际利益相关方制定的战略叙事怎么样影响城市人工智能的发展。

　　正如Chubinidze指出的那样，也正如技术理论学者经常描述的那样，技术并不是中立的。技术包含价值观，而价值观则是技术运作的现实框架（Welchel，1986年）。同样，人工智能作为一种直接与社会互动的技术形式，也带有自身的基本价值观和地缘政治取向。除此之外，Chubinidze还注意到，国际利益相关方正越来越多地将城市技术转化为战略资产，以及影响力和权力工具。在以城市为主的未来，城市的重要性与日俱增，了解推动城市人工智能技术和相关技术传播的力量也变得至关重要。为此，Chubinidze与Urban AI研究人员合作，分析了在美国、欧盟和中国三种叙事背景下推动城市技术发展和实施的战略叙事。

　　在美国叙事背景下，Chubinidze发现了一种利用智慧城市技术和人工智能促进 服务型城市 发展的趋势。在这种自下而上的模式中，市民既是客户又是共同生产者，对为满足自身需求所建立的系统具有影响力。美国地方政府将城市视为一个服务平台，为满足居民需求而存在。这种治理方式深受大卫·哈维（David Harvey）提出的城市创业概念的启发。因此，大多数项目都利用私营企业或公私合作伙伴关系来推动项目的实施。这种智慧城市的叙事方式突出了美国居民在技术决策中的民主定位，以及受市场影响对公共服务中服务要素的强调，居民期望城市的存在是为了高效、 有效地为他们服务。

　　在欧盟叙事背景下，Chubinidze描述了一种围绕生态和隐私的战略叙事的出现。美国的重点是优化城市活动，在降低运营成本的同时提高居民的生活品质，而欧盟则优先考虑利用技术使城市脱碳，同时保护城市生物多样性和隐私。在这一叙事中，人工智能优化了资源节约、能源和水消耗的监控和调节，并提高公共交通效率以减少私人汽车的使用。公民参与和数据隐私也是欧盟的考虑因素，欧盟在技术实施方面采取了以人为本的方法。因此，欧盟的重点也在于确保居民的独立选择权，而不是将公民视为需要服务的客户。这种叙事反映了欧洲改善现有建筑环境元素的愿望，以支持更环保、更宜居的未来。

　　最后，Chubinidze通过中国独特的话语体系来描述中国战略叙事的特点：安全城市。在这种模式下，传感器和人工智能技术旨在监控人们的行为，促进城市安全与社会和谐。与美国和欧盟的实施方式不同，中国采用的是一种自上而下的城市科技治理方式。国家政府负责管理包括100多个城市在内的安全城市项目，并选择将地方治理要素集中化和自动化的算法。为此，中国采取了高度以技术为中心的方法，开发、试点和出口国内创新技术。除了生产新技术，中国还寻求生产制度性知识，指导其他国家的城市如何使用中国的设备并按照中国的方法实施自己的安全城市。

　　通过了解文化意识形态和战略叙事在地方层面影响技术实施的不同方式，以及世界不同地区的城市之间在技术和知识转移方面的关系，研究人员和人工智能开发者可以更好地了解各种人工智能市场如何发展和塑造城市生活。此外，了解城市技术的区域发展背后的叙事方式也可以揭示这些技术与城市居民的互动方式，反之亦然。达到这种程度的了解，可促进评估与城市人工智能项目相关的风险和外部效应成为可能，以确保更顺畅、安全和符合道德伦理的实施。随着21世纪的城市在技术实施、治理和外交方面拥有更多自主权，这种分析将变得越来越重要。

　　我们能从对城市人工智能未来的探索中学到什么？我们能否看到不同国家和学科的发展模式或共同趋势？我们是否发现了城市利益相关方的共同关切或热情？

　　Ron Brachma、Michael Batty和Anthony Tonwsend在介绍中强调的第一个观点是城市的内在复杂性。在系统层面，复杂性意味着城市是由相互关联但仍然自主的主体的行为塑造而成的。这种个体层面的自由并不意味着城市是一个混乱的空间，而是指城市秩序是通过一种自下而上的动态来实现的；城市秩序通过人与城市环境的不断互动而不断发展和更新。

　　这种城市复杂性可被视为城市人工智能的前沿。在计算层面，它强调人工智能需要能够理解不断变化的情况，并适应不可预测的事件。人类你能够传递微妙的含义：一个眼神可能意味着行人要过马路。人类也会以意想不到的方式行动：人行道上移动的一棵树可能是一个穿着万圣节服装的孩子，而不是一棵真正移动的树。这些城市场景需要 常识 来很好地理解和处理。虽然这种能力对人类来说是显而易见的，但对人工智能来说却远非不言自明。事实上，一些研究人员认为，常识 可能只有通用人工智能（Artificial General Intelligence）才能获得——人工智能可以执行人类可以执行的任何任务。具体来说，这意味着城市人工智能可能需要经过计算（再）进化才能完全实现和可靠（第1小节）。

　　本系列网络研讨会提出并研究了与城市内在复杂性相关的其他前沿问题，包括构成城市系统的各种主体。城市由众多利益相关方组成，他们的利益和时间性各不相同，有时甚至相互对立。私营企业和初创企业主要以会计年度（12个月）为基础规划战略，而公共机构和地方政府通常有更长的时间框架（5至7年）。这种时间上的错位，再加上在城市中部署产品或服务所需的资本密集度，使城市创新变得更复杂，获得资金的风险也更高（第7节）。从Brochmans的观点来看，这意味着城市人工智能需要少花钱多办事。

　　本文探索的最后一个领域是城市人工智能的政治维度。城市人工智能是政治性的，既是受监管的技术，也是权力的工具（第8节）。城市人工智能的架构、组件或界面在不同城市可能会发生根本性的变化，这取决于当地的规范和监管。例如，在中国城市的天空中可以看到城市无人机，但在许多欧洲城市却看不到。相反，城市AI可以（重新）塑造当地行为并影响城市治理，正如现在著名的 Waze 案例所表明的那样。这些政治因素对城市技术的可扩展性和空间性提出了质疑。是否所有城市都能使用和应该使用同样的导航应用或拼车服务？就地方主权和城市性而言，巴黎、纽约或波哥大是不是真的应该由相同的技术系统来设计和规划？这些关于可扩展性和空间性的问题将一个城市的基本事实推回到最前沿：城市是本地化的结构。因此，城市人工智能属于定位技术。

　　这里提出的多维前沿往往被视为需要消除的障碍。过去，创新者试图简化城市或强化技术，使其在城市环境中发挥作用。然而，为 城市人工智能的未来 系列提供见解的专家们却提出了另一种方法。他们没提出简化城市，而是强调了通过信息技术丰富城市复杂性的战略。与其说他们在加强技术系统，不如说他们在展示如何赋予代理人权利。

　　在 Replica（第5节）和 CityScope（第4节）介绍的项目中，我们正真看到了这一些方法的应用。在这两个案例中，城市人工智能都被用来更好地理解城市动态和行为模式。这些技术并没有回避复杂性，而是利用复杂性为多个利益相关方提供可操作的洞察。同样，比利时的 Telraam 项目（第2节）和柏林的 QTrees 计划（第6节）也支持人类自治--利用城市人工智能赋予市民权利。第一个案例展示了为市民配备低成本传感器，赋予社区众包和分析移动数据的能力，从而促进自下而上的决策过程。第二个案例展示了通过提供环境信息，使人们能集体监测和照顾城市里的树木，从而对城市资源进行协同治理。

　　该系列的主讲者不仅揭示了城市人工智能的未来，还告诉我们什么是城市人工智能。他们展示了如何利用空间性开发情景技术。他们努力利用有限的能力开发节俭的计算系统。他们想象出能赋予人们力量的有意义的技术。通过做这些，他们为一种新的创新方式铺平了道路，在这种创新方式中，城市的复杂性不是被视为需要消除的障碍，而是一种值得欢迎的挑战。通过呈现这些未来，本系列的实践者们展示了人工智能城市化的意义。