2026-Generative AI in urban science and practice


生成式人工智能在城市研究里,站在观测、解释,还是做决定的位置?

论文名片|Yunke Zhang、Fengli Xu、Qi R. Wang、Esteban Moro、Yang Yue、Huandong Wang、Bin Chen、Yu Liu、Dongping Fang、Peng Gong、Luís M. A. Bettencourt、Michael Batty、Yong Li,Generative AI in urban science and practice,Nature Cities,2026,3:688–699,2026年8月5日在线发表。DOI:10.1038/s44284-026-00492-2。综述文章。收稿日期2025年7月3日,接收日2026年6月22日。Yunke Zhang 与 Fengli Xu 为同等贡献作者,通讯作者为 Yong Li。本文依据 Nature Cities 2026年8月正式版解读。

设想规划科室同一天收到三份材料:一块云被补上的卫星图,一组看起来像真的日常活动轨迹,一段把技术方案写成白话的会议说明。三份材料都完整、流畅。这篇综述要回答的是,它们在城市科学和城市实践里各站哪一步。城市科学负责用假设、数据和解释模型理解城市;城市实践负责把这些知识用到规划、设计和治理。生成式人工智能可以进入两边,但每一边要的证据不一样。

方向先说清楚。综述把生成式人工智能放进从观测到解释、再到行动的流程,分成分布拟合模型和基础模型两类,对应城市感知、城市建模和城市决策三个环节。它能补观测、做情景、协助审议。高风险决定的说明责任和后果责任留在人和机构。技术新,并不能单独决定它该站在哪。

先说结论

  • 城市模型里早有“生成”:形状语法、元胞自动机、引力模型和多智能体靠显式规则产生城市形态。现在的分布拟合模型是从学到的数据分布里抽样,基础模型是按指令调用预训练表征。三种东西的检验标准因此不同。
  • 感知图转绘的日常活动预测里,真实数据量为 50、100、1000 三档时,真实数据加生成数据的 F1 柱都高于仅用真实数据。街景不平等代理的提升则随任务变化:基尼系数上微调抬升最明显,种族分布上只有微调并带推理的柱最高。
  • 人群仿真图以物理方法为基线。物理信息生成方法的最优传输高 16.0%、碰撞数低 10.3%;机器学习发现规则的生成方法分别高 17.7% 和低 36.0%。图上没有绝对基线值。参与式评分被限定为审议质量。
  • 位置还受代表性和问责约束。一项评估覆盖 107 个国家,大语言模型的回应聚向西方文化维度。开放街图的建筑完整度,南亚城市平均 9%,欧洲城市 71%。圣地亚哥的例子是审计 31 份社区区划条例,位置在既有制度文本上。

规则已经能“生成”一座城市,新工具新在哪里?

要看清新工具站在哪,先要把旧的“生成”放回原处。综述用结构生成模型(structurally generative models)称呼那些靠显式假设、方程或决策规则产生城市形态的框架。它们分成四类。空间形态用形状语法(shape grammar)、模式语言(pattern language)和元胞自动机(cellular automata),规则由人写好,和设计约束绑在一起。社会与行为用引力模型(gravity model)由相互作用势和距离阻抗生成空间流,用离散选择模型(discrete choice model)表示居住地或出行方式等选项上的偏好,用多智能体模拟隔离、邻里变化这类从互动中浮现的现象。交通模型在明确行为假设下模拟拥堵和路径分配。城市冠层模型(urban canopy model)用可解释的物理参数表示建筑与大气之间的热交换。

这些模型的长处是机制连贯、过程可读。短处也来自同一处:假设固定、规则手工编写,面对新数据、差异很大的城市和高维的隐含模式时,调整余地有限。验证因此分成三套。结构模型看机制是否自洽。分布拟合生成模型(distribution-fitting generative models),文中以生成对抗网络(GAN)和扩散模型为例,看生成分布是否忠实、外推到未观察情形时是否稳。基础模型(foundation model),包括大语言模型,还要面对对齐、数据来源和治理。预训练得到的是可迁移的统计表征。输出适合当作有条件的假设或情景,其科学价值取决于能否落地、能否验证、来源是否说得清。

一张图怎样把两类工具放进三个环节?

综述用一条工作流把分散的研究接起来:遥感和地理信息系统在做地理空间人工智能(geospatial AI,geoAI),城市科学在做数字孪生(digital twin)的预测和情景,设计与规划在做参与式原型,治理研究在看高风险决定的问责。它们常被分开讨论,实际是从观测到解释再到行动的同一条流程。不使用生成式计算方法的更广城市社会政治研究,不在这篇综述的范围内。

完整原论文图1,生成式人工智能进入城市感知、建模与决策的概念图

图 1|两类生成式人工智能被放在城市科学和城市实践的哪几步?

这张图没有子图字母,是一张概念示意图。左上,分布拟合模型从学到的数据分布 P(X) 抽样,图中标出 GAN 和扩散模型,用途写成捕捉分布模式、合成数据、隐私保护。左下,基础模型以 ChatGPT、LLaVA 为例,用途写成遵循指令、理解人类语言、快速原型。中间的城市分析把两类工具接到三个环节:感知负责增强数据合成和加深理解,建模负责数字世界中的城市系统和智能体行为推理,决策负责针对情景的模拟和生成式决策。右侧,城市科学是假设生成、实证检验和框架更新的循环,由数据基础和推演与感知、建模相连;城市实践从城市知识走向城市应用。图上没有样本量、误差或城市名单。来源:原论文 Fig. 1。

三个环节各自规定什么才算证据。城市感知看覆盖和偏差有没有量化、不确定性有没有写明、换城市或数据稀缺时还稳不稳。城市建模看有没有约束和一致性检查,有没有对照留出观测或可信模拟器做校准,有没有在观测范围之外做压力测试。城市决策要把评价延伸到预测分数之外:生成主张的来源和透明度、程序公平、机构问责。生成系统在这里的身份是决策支持。

补上的观测,什么时候可以进入证据?

城市感知收集自然环境、建成基础设施和人类活动。传统手段包括全球导航卫星系统(GNSS)、激光雷达(LiDAR)和卫星遥感。它们不可替代,也反复遇到空间稀疏、时间缺口,以及像素和社会含义之间的语义缺口。生成式工具被分成互补的两路:分布拟合负责合成与补洞,基础模型负责解释。

完整原论文图2,生成式人工智能增强城市感知

图 2|生成数据补上稀疏观测之后,任务分数相对谁提高?

(a)多模态城市数据分成自然环境(气温、植被)、建成基础设施(道路、土地利用)和人类活动(移动、人群密度)。传统感知来自卫星、传感器和无人机。(b)生成式增强在右上方并列两块。数据质量增强列出 GAN、变分自编码器(VAE)和物理信息神经网络(PINN);加深理解列出大语言模型、多模态对齐和智能体化推断。(c)日常活动预测的 F1。横轴是真实数据量,三档为 50、100、1000;纵轴 F1 从 0 到 0.40。蓝柱只用真实数据,红柱是真实数据加生成数据。三档里红柱都高于同档蓝柱;50 和 100 两档整体位于纵轴下部,1000 档两柱明显升高,红柱仍然更高。图上没有柱顶数字和误差线。对照是同一真实数据量下的仅真实数据模型。综述依据 Yuan 等,把增益联系到稀疏观测,并写明任何增益都取决于具体任务和数据集。综述没有说明这 50、100、1000 的计数单位是人、天还是轨迹。(d)用街景估计不平等相关指标的准确率,纵轴从 0 到 0.7,任务为基尼系数、种族分布和收入不平等。四种颜色依次是:视觉语言模型无推理、有推理、微调后无推理、微调后有推理。基尼任务上,两根微调柱明显高于两根未微调柱,且两根微调柱彼此接近;未微调时,有推理高于无推理。种族分布上,未微调且无推理的柱高于未微调有推理、也高于只微调无推理,只有微调并带推理的柱最高。收入不平等上四柱更靠近,微调柱略高。图上同样没有柱顶数字。综述依据 Zhang 等,把微调和结构化推理与代理估计的改善放在一起;面板显示改善幅度随任务变化。来源:原论文 Fig. 2。

物理感知里,GAN 和扩散模型被用于低分辨率卫星影像的超分辨率,以及云遮挡像素的填补。物理信息框架可以把物理约束写进城市微气候的稀疏传感器模拟。无人机上的实时模型被用来在基础设施监测中动态补充数据流。这里有一条硬边界:模型可能优先生成看起来合理的结果,而把物理上是否为真放在后面。信号恢复和凭空补全很难只凭肉眼分开,下游分析之前要用地面真值核验。

人类活动感知里,生成模型还被用来合成保留总体统计性质、同时模糊个人身份的移动轨迹,以便在原始数据不能共享时提供更细的代理。隐私收益不会随合成自动出现,需要明确的威胁模型和单独评价。综述把适合城市数据治理、又能反映真实再识别风险的隐私基准列为尚未建立的问题。

基础模型处理的是另一端:把影像、街景、移动轨迹和行政记录压进可以检索和比较的表征。视觉语言模型(vision–language model,VLM)从识别物体走向功能语义和情境解释。近期基准表明,它们可以支持识别功能属性、检测异常事件、叙述空间和时间上的变化。感知因此从被动测量走向任务驱动的语义推断,同时也要接受证据落地和失败模式审计。

图 2 的两张数据图都是转绘。综述明确写了,报告的提升不能外推成长期预测或政策结果,除非后面还有针对那些结果的评价。操作上,验证要写清四件事:底层观测的覆盖和代表性偏差,有独立地面真值或外部数据时的对照,在缺失、噪声和罕见情形下的压力测试,以及分布变化下的迁移,数据稀缺地区尤其要谨慎。

代表性风险写得很具体。分布拟合可能复制不出极端天气或少见的移动行为。主要用全球北方数据训练的基础模型,用到代表性不足的地区时,可能补出西方式的城市面貌。把非正规住区重建成规划郊区的纹理,会擦掉下游分析需要的不平等标记。综述把这种擦除称为数字隐身(digital invisibility):边缘群体在数据里消失,后续模型就更难看见他们。

仿真变快之后,样本为什么仍是样本?

建模一节把生成式人工智能分成两种能力。分布拟合模型充当高维仿真器,快速模拟物理过程。基础模型驱动的智能体则用自然语言目标、记忆、反思和规划,模拟日常行程和互动。二者支持新一代数字孪生:除了已观测到的状态,还可以在写明的假设下生成反事实和测试情景。表 1 按四个领域并列经典方法和生成式任务。其中的生成式条目来自综述引用的文献,本文没有重做这些实验。

自然环境里,经典方法是计算流体力学、天气研究与预报模式(WRF)和克里金插值;生成式例子包括用 GAN 做洪水淹没的快速成图、城市热岛的超分辨率,以及街尺度碳排放的生成式推断。建成环境里,经典方法是程序化生成和手工 GIS 制图;生成式例子包括保持拓扑的路网合成、由文本或卫星影像生成建筑足迹和分区方案,以及对交通情景做压力测试。人类活动里,经典方法是引力模型和调查校准的启发式规则;生成式例子包括用分布拟合合成总体移动轨迹(文中举 MoveSim),以及用大语言模型智能体模拟日常行程、导航和社交。混合系统里,经典方法是相互耦合的静态模型;生成式例子包括 AgentSociety、OpenCity 这类把移动、经济活动和社会网络放在一起的大规模模拟。

概率仿真器的运行时间更短,机制透明度也更低。科学价值要绑在具体任务上:在规定情形内与可信模拟器或留出观测一致,对分布变化敏感,测试情景下保持稳健。面向未来的情景往往没有政策结果的地面真值,这时不宜使用笼统的“准确”。

智能体从固定效用函数,改成可以按自然语言约束和情境线索行动,从而生成多样的日程,并出现极化这类社会结果。这不表示智能体在深层意义上理解了城市过程。输出是有条件的行为叙事,仍要经验检验。一项跨 107 个国家的评估记录到,大语言模型的回应系统性地聚向西方文化维度,非西方价值持续代表性不足。综述据此把城市社会模拟的困难放在表征上。缺少校准的智能体,可能只是在模仿训练数据里的表面社会规范。这篇综述没有印出那 107 国评估的聚类系数或各国样本量。

规模方面,综述把近期基于大语言模型的智能体模拟概括为 10⁴ 量级,依靠分布式编排和高效记忆管理。政策级的全市部署仍受推理成本、校准开销和治理要求约束。被引文献中有题名写到一百万智能体的系统,综述没有给出该系统的样本定义,因此这里沿用综述正文的 10⁴ 量级。综述倾向于混合结构:基础模型智能体加上结构化仿真器、分层角色、蒸馏或缓存,并保留可审计的评价协议。

评价要分开做。环境仿真器对照水动力学模拟或留出测量。行为智能体对照外部观测基准或受控实验。这些评价支持把生成模型用于情景探索和压力测试。它们本身没有建立地面真值缺失时的长期政策预测。

不确定性也被拆开。随机不确定性来自人的行为和测量噪声。认知不确定性来自模型设定不足和分布变化。情景不确定性来自结构变化和政策反馈。常见失败是把看似合理的样本读成预报,或者不把不确定性说出来。技术上一面用物理先验和一致性检查减少不合理输出;部署上一面用失效时的默认安全状态、审计轨迹和人在回路中的复核,使数字孪生保持决策支持的身份。

短、中、长期的决定,各让生成结果做什么?

决策支持原先依赖机制模拟、数学优化和强化学习。它们给出可解释性和约束保证,在分布变化或模型设定有限时会变脆。生成模型用灵活性换掉严格保证,用来探索开放情景,并表示更异质的行为。因为城市决定涉及法定权力、分配后果和有争议的价值,治理文献把生成系统放在决策支持的位置,说明理由和承担结果的仍是人类机构。

完整原论文图3,生成式人工智能参与城市决策的三个时间尺度

图 3|短、中、长期里,生成结果被拿来做情景、对照,还是做决定?

(a)短期应急管理。问题包括城市洪水、人群涌动、紧急医疗和交通中断。代表性框架是灾害数字孪生中的生成式强化学习和基于扩散的策略模型。(b)中期城市治理,时间尺度为数周到数月。问题包括缓解拥堵、控制污染、协调空间与资源。框架是在动态交通条件下合成并比较多种政策。(c)长期城市设计与规划。问题包括城市更新、规划中的公众参与和迁移模式模拟。框架是用指令微调的大语言模型,支持与利益相关者和公众的交互式共同设计、审议式规划。(d)图网络人群仿真器把环境约束、人口特征和城市资源优化接到生成的个体轨迹;图中标有边项、节点项和成对项。下方三行是轨迹示意,图中标有 φ_edge、φ_node 和 f_ij。(i)物理方法,标为基线。(ii)物理信息生成方法,相对该基线最优传输 +16.0%,碰撞数 −10.3%。(iii)由机器学习发现物理规则的生成方法,最优传输 +17.7%,碰撞数 −36.0%。百分比的分母是(i)。图上没有印出基线的绝对最优传输值或绝对碰撞次数,也没有说明最优传输越高越好还是越低越好。碰撞数的负号表示相对基线减少。图注把这组结果概括为:在受控基准上,相对经典社会力基线,与观测轨迹更一致。比较来自受控基准中的轨迹。(e)生成式交通仿真,综述称为移动仿真系统(mobility simulation system,MOSS)。上半是准备、运行、复制、快照、感知和更新的循环,强化学习动作包括信号配时、拥堵收费反馈、排放评估和动态车道分配。下半并排(i)真实世界道路状态和(ii)MOSS 道路状态。图注写,在特定测试下,相对规则基线,与留出仿真或观测代理的失配下降。本图没有印出失配的数值和分母。(f)鱼缸讨论(fishbowl)示意:居民、听众、修订,以及至少 1 个商业区、至少 2 所学校。这两条写在示意图的修订条件里。折线为服务、生态、满意度和包容,横轴是第 1 到第 4 轮讨论,纵轴从 0.70 到 0.78,不从 0 起。包容整体最高,生态最低,并在第 2 轮降到窗口底部附近;四条线在第 3 轮高于第 2 轮,第 4 轮有所回落。各点没有印出精确值,也没有印出评分人数。来源:原论文 Fig. 3。

短期工具的恰当用法,是为人员配置、路径和资源分配生成可检验的情景,输出要对照运行约束核验。中期治理里,生成模型用来快速合成系统轨迹和压力测试情景,经典仿真器继续承担核验和约束检查。交通治理中的生成建模,被用来覆盖经典仿真较少抽到的罕见情形;相对生成仿真训练的强化学习,被用来快速原型化适应性管理策略。长期规划里,证据不完整,目标携带价值判断。生成式人工智能在这里更像参与和沟通的中介:把技术方案写成可理解的叙述,用大语言模型智能体原型化社区审议和土地利用方案的多轮修订。图 3f 的评分变化,综述写明属于审议质量;长期城市结果的验证不在这项证据里。这些系统仍要人来主持,并配上制度性的保护。

两则机构风险来自政府算法部署的实证研究。自动化偏差(automation bias)是过度依赖算法建议,收窄讨论,官员更难发现模型失败。算法官僚制(algorithmic bureaucracy)是复杂系统在机构内部变成黑箱,看不清证据怎样变成建议,也更难满足法律上的透明度要求。对纽约、西雅图和圣迭戈市政算法部署的经验分析发现,透明度要求经常被放在结构性问责之前,社区参与常常停在象征性咨询,缺少通往机构内质疑的路径。这篇综述没有给出这三座城市的案件数量。

三场争论怎样限制它可以占据的位置?

表 2 把跨环节的争论收成三行:验证与可靠性、代表性与公平、治理与问责。生成从确定性流程变成概率生成之后,做出令人信服的产物更容易,说明何时、何地、为何信任它更难。

基于数据的评价问:在规定情形下,输出是否仍忠实于观测。这包括量化覆盖和偏差、对照独立地面真值、在噪声和缺失下保持稳健、在分布变化下能否迁移。基于应用的评价问:在真实决策过程里,主张能否追溯到证据,不确定性是否以决策用得上的形式说出来,治理约束能否阻止高风险场合的过度依赖。看起来合理,只说明结果落在常见样子附近。建模中的未来情景常常没有地面真值,可靠性来自与可信模拟器或留出观测的一致、校准过的不确定性,以及超出观测区间的压力测试。决策支持还要求生成主张能被检查、比较和质疑。

代表性问题是:模型学到的是谁的城市,谁的城市被擦掉。观测本身分布不均,并带有社会模式,合成和语义解释会把这种不对称放大。数据稀缺的地方,失败可能正好落在脆弱社区和非正规城市形态上。方法上的前沿,是审计代表性伤害:除了平均表现,还要报告遗漏和错误的空间结构、社会结构,以及它们怎样沿着工作流传递。

全球南方一节把这个边界写到了数据产品上。未来城市人口增长的很大部分被预计发生在非洲、南亚和东南亚部分地区,拉丁美洲和加勒比地区也有额外压力。这些地区同时面对快速结构变化、非正规性、破碎的登记、有限的感知设施,以及数据治理上的机构能力约束。分布拟合模型若用全球北方影像训练,有记录表明会抹平或擦除非正规住区的形态。跨城市泛化是瓶颈:在一座城市上训练的模型,迁到形态不同的城市时表现下降,即使仍在同一国家。全球建筑足迹数据扩大了基线覆盖,审计却显示出对更贫困、更乡村人口的系统性偏差。Google Open Buildings、Microsoft Building Footprints 和 OpenStreetMap 不能互相替换,三者都没有在几何之外记录建筑类型、用途或占用。

开放街图的覆盖同样不均。综述引用的比较中,南亚城市的建筑完整度平均为 9%,欧洲城市为 71%;撒哈拉以南非洲的全部编辑中,有组织的人道主义行动贡献了超过一半。综述没有印出参与这两个平均数的城市个数。综述由此认为,在许多全球南方的规划情境里,更紧的约束是机构正当性、财政能力和服务交付。智利圣地亚哥的近期工作被当作直接例证:用本地法律与城市话语微调的大语言模型,审计了 31 份社区区划条例,揭示维持空间隔离的规范不对称。这是对着既有制度文本的审计。综述没有印出不对称条款的条数,也没有印出隔离的量化指标。

伦理部分收成五个可审计的主题,每个都同时涉及技术方法和报告标准。偏差与公平要求按地点报告错误的空间和社会结构,适合城市影响的公平指标仍未标准化。隐私见前文,收益依赖威胁模型和评价。可解释性在决策里的关键是主张能否追溯到证据和假设,同时让非技术相关者也能理解,又不把不确定性抹平。可控性与安全针对的是把合理生成误读成预报,以及分布变化下的失控;城市部署仍缺少升级人工复核和回滚的一致阈值。参与式治理在能够质疑、能够问责时最有分量,象征性咨询不够。五个主题都把可重复和透明报告当作前提,因为没有可审计的输入、版本和流程,问责无法执行。

综述给出五条面向评价的后续方向,它们是待补的证据缺口,不是已经完成的结果。一是跨尺度、多模态的城市模型,CityGPT 和 UrbanLLaVA 是跨模态统一的尝试,如何接到透明验证和治理协议仍开放。二是把人的体验放进评价,包括谁的经验被记录、谁的缺失被写明,并指出城市人工智能教育里,模型训练和负责任决策支持所需的技能之间存在能力缺口:解释不确定性、追溯证据、比较情景、为审计和质疑准备机构文件。三是神经符号和物理约束等落地方法。智能体规模到 10⁴ 量级时,政策级可靠仍要单独证明;模拟更大、时程更长时,校准和失败检测会更难。四是全球南方的数据缺口。五是把伦理写成可审计要求。

这些位置能说到哪里

这篇综述综合的是既有文献。图 2c、图 2d 和图 3d 至图 3f 转绘自己发表研究。正文和图上能核对的是坐标、颜色、印出的百分比和图注限定。被引研究的原始样本定义、误差线和绝对基线没有在综述里重印。16.0% 与 36.0% 的分母是图 3d 里标为基线的物理方法。图 3e 只写了失配下降,没有给出数值。图 3f 的纵轴从 0.70 到 0.78,跨度 0.08,评分停留在这个窗口里。

分布拟合的输出是样本,基础模型的输出是有条件的假设或情景。与留出数据一致时,这些评价支持情景探索和压力测试。地面真值缺失时,长期政策预测仍待单独建立。某一任务上的高低只属于该任务和该数据集。平均表现也没有标出错误落在哪些人和哪些街区。透明度要求被放在前面;社区能够质疑决定,仍是另一项制度条件。

一句话总结

生成式人工智能在城市科学与实践中的位置,是分别进入感知、建模和决策支持,并按覆盖与偏差、留出检验、可追溯和可质疑来接受检查;高风险决定的责任留在人和机构。

核心来源

  • Nature Cities 正式页面,DOI:10.1038/s44284-026-00492-2。核对题目、作者、卷期页码与在线发表日期。Nature Cities,2026年8月,第3卷,688–699页。
  • 正文图为 Fig. 1–3,表为 Table 1–2。通讯作者 Yong Li,电子邮箱 liyong07@tsinghua.edu.cn。资助披露:国家重点研发计划 2024YFC3307605,国家自然科学基金 62472241。作者声明无利益冲突。
  • 图 2c、图 2d、图 3d–f 转绘自综述引用的既有研究,原图注已标明出处。

作者介绍

以下只采用论文署名机构、同等贡献标注、通讯作者和作者贡献说明。

  • Yunke Zhang:清华大学电子工程系、北京信息科学与技术国家研究中心。与 Fengli Xu 同等贡献。撰写初稿,整合全体作者意见并负责修订。
  • Fengli Xu:同一单位。与 Yunke Zhang 同等贡献。和 Yong Li 一起提出生成式人工智能兴起的概念框架,并撰写初稿。
  • Qi R. Wang:美国东北大学土木与环境工程系。参与构想研究框架;与 Esteban Moro、Dongping Fang 撰写城市建模部分。
  • Esteban Moro:东北大学网络科学研究所与物理系,以及麻省理工学院媒体实验室。参与构想研究框架,撰写城市建模部分。
  • Yang Yue:香港科技大学(广州)社会枢纽、城市治理与设计学域。参与构想研究框架;与 Bin Chen、Yu Liu、Peng Gong 撰写城市感知部分;与 Luís M. A. Bettencourt 参与挑战和未来方向。
  • Huandong Wang:清华大学电子工程系、北京信息科学与技术国家研究中心。撰写城市决策部分。
  • Bin Chen:香港大学气候与碳中和研究所、城市系统研究所,以及建筑学院未来城市与可持续环境实验室。参与撰写城市感知部分。
  • Yu Liu:北京大学地球与空间科学学院地理信息系统研究所。参与构想研究框架,参与撰写城市感知部分。
  • Dongping Fang:清华大学土木工程学院。参与构想研究框架,参与撰写城市建模部分。
  • Peng Gong:香港大学气候与碳中和研究所、城市系统研究所,以及地理系、地球与行星科学系。参与构想研究框架,参与撰写城市感知部分。
  • Luís M. A. Bettencourt:芝加哥大学生态与演化系、社会学系,以及圣塔菲研究所。参与构想研究框架,参与挑战和未来方向。
  • Michael Batty:伦敦大学学院高级空间分析中心。参与构想研究框架,贡献生成模型的历史回顾。
  • Yong Li:清华大学电子工程系、北京信息科学与技术国家研究中心,通讯作者。参与构想研究框架,和 Fengli Xu 提出概念框架,并撰写初稿。论文披露的研究资助归于 Yong Li。

延伸思考

以下是 AI 基于论文结果所作的延伸,不属于原论文结论。

规划科室可以把收到的生成结果先分成两个文件夹,再决定它进不进会议材料。一个文件夹只收已经写明覆盖审计、并能对上外部地面真值或留出观测的感知产品,例如补云之后仍保留未验证区域的卫星图。另一个文件夹只收标明“未经长期验证的情景”的模拟和叙述,例如疏散叙事、交通政策方案。若两份文件共用一个叫做人工智能输出的目录,图 1 里三个环节的证据标准在进会议室之前就已经混在一起。

采购生成式布局工具之前,可以先做一张只有两格的表:地面真值图层的名称,以及有权对遗漏提出异议的群体。南亚城市 9% 与欧洲城市 71% 的建筑完整度差,以及圣地亚哥对 31 份区划条例的审计,提示数据稀缺城市更近的一步可能是核对已有地图和已有规章。两格填不上时,情景生成还没有落到这篇综述所要求的位置。

图 3f 的评分画在 0.70 到 0.78 之间,只有四轮,且没有印出人数。若参与平台在进入议会文件之前必须同时公布纵轴起点和每一轮的评分人数,一句满意度上升就很难被写成数十年规划已经获得认可。审议质量和长期城市结果,因此会在文件格式上保持分离。


文章作者: 猴猴猴
版权声明: 本博客所有文章除特別声明外,均采用 CC BY 4.0 许可协议。转载请注明来源 猴猴猴 !
  目录