人工智能通过卫星图像预测财富 - 彭博社
Laura Bliss
Stamen Design/DigitalGlobe/卡内基梅隆大学
Stamen/DigitalGlobe/卡内基梅隆阴影,游泳池,和太阳能电池板通常是富裕人群的标志,至少在美国城市中是这样。枯黄的草坪和工业往往标志着贫困社区。
这些财富模式是如此可预测,以至于连机器人都能学习它们。一个名为“Penny”的在线互动证明了这一点,并提出了机器在城市未来中可能扮演的角色的问题。
这是Stamen Design、DigitalGlobe和卡内基梅隆大学的联合合作,Penny是一种人工智能,可以“读取”两座截然不同城市的卫星图像,并判断其中社区的收入水平。好奇的用户可以通过在纽约市和圣路易斯的拼接航拍照片上移动取景器来测试她的能力;一旦运行,Penny将以不同的置信度判断中位收入水平。
彭博社城市实验室美国人如何投票导致住房危机加州大学伯克利分校为转学生提供专门建造的校园住所熊队首席警告芝加哥缺乏新NFL体育场的风险罗马可能开始对特雷维喷泉收费曼哈顿上东区?高中位收入。圣路易斯拱门?中高。
更有趣的是,佩妮允许进行一些类似模拟城市的玩法。如果在那个公园的位置出现一个网球场或温室,社区的预测中位收入水平会发生什么变化?如果一个校车停车场取代了那些房屋,或者一个著名的豪华酒店呢?再次运行佩妮,她会提供新的预测。
有时结果是直观的,有时则不是。在中城的特朗普大厦上盖一个停车场,你会降低佩妮对其为高财富区域的信心。这是有道理的。但如果把广场酒店放进哈莱姆的某些区域,你会增加她对其为低收入区域的预测。在某些情况下,种树以改善社区的预测社会经济地位是有效的,但在这里却不行。
斯塔门/数字地球/卡内基梅隆大学即使对人类用户来说并不明显,佩妮对每个解释都有逻辑上的解释。像所有人工智能一样,她的解释基于之前学习的模式。乔丹·温克勒,一位来自卫星图像和软件公司DigitalGlobe的地理空间数据工程师,帮助“训练”佩妮的神经网络,以记忆这两个城市的人口普查收入数据。该程序随后学习将这些知识与嵌入卫星图像中的线条、颜色和形状相关联。
“它对广场酒店没有主观概念,”温克勒说。“所以当你把广场酒店放到布朗克斯时,它在说这种新的形状和颜色的模式,以及被它覆盖的东西,看起来更像是它所见的低收入地方。”
这并不意味着将一家奢华酒店转移到高贫困社区在现实世界中必然会产生抑制收入的效果。佩尼只是知道如何绘制相关性,而不是因果关系。根据温克勒和斯塔门设计公司的战略顾问乔恩·克里斯滕森的说法,这个工具旨在引发围绕一个结论的讨论,有科学依据:财富从太空中是可见的——并且可以随着其轮廓的不可避免变化而被追踪。
尽管如此,佩尼还是触及了一个令人毛骨悚然的暗示:理论上,机器人可以做出比人类更“聪明”的城市规划决策。或者一个机器人可以在这种信念下被部署,却错过了其数据饮食中隐藏的一些关键人类元素——或者屈服于数据固有的偏见。
目前,人工智能已经在某些情况下被用于帮助管理城市,例如预测交通和犯罪可能发生的地方。 人工智能应该在城市空间中走多远?佩尼是一个思考的起点。