Как сообщает издание MIT, несколько месяцев назад исследователи из Лаборатории умных городов MIT опубликовали исследование о загрязнении воздуха в Нью-Йорке, в котором были представлены новые методы. С помощью машинного обучения они идентифицировали типы транспортных средств, появляющихся на 331 камере наблюдения в городе, и оценили выбросы, исходящие от каждого автомобиля. При достаточном количестве камер эти технологии визуального искусственного интеллекта могут мониторить выбросы с беспрецедентной точностью и масштабом. Визуальный ИИ сегодня может решать множество вопросов для городских планировщиков. Почему именно затруднено движение? Какие аспекты различных перекрестков наиболее опасны? Какие части площадей или парков привлекают наибольшее количество людей? В разных городах больше изображений означает больше данных, больше понимания и больше опасений по поводу конфиденциальности и справедливости. «Мы можем рассматривать эти цифровые изображения как данные и количественно оценивать особенности города», — говорит Фабио Дуарте, исследователь MIT и соавтор новой книги о визуальном ИИ и городских исследованиях. «С помощью технологий компьютерного зрения каждое изображение является набором данных». Тем не менее, он добавляет: «Мы должны быть осторожны с этим». Хотя городские исследователи давно использовали визуальный анализ для формирования своих идей, теперь это возможно в беспрецедентных масштабах. «Все наблюдали за городской средой и пытались получить какие-то инсайты», — говорит Мартина Маццарелло, ученый MIT и соавтор новой книги. «Но что если мы можем делать это в большом масштабе и получать инсайты повсюду?» В книге «Как ИИ видит город» авторы описывают множество потенциальных проблем с этой технологией, включая навязчивость повсеместного визуального наблюдения и возможность усиления предвзятости через ИИ-системы. Авторы исследуют эти темы в книге «Как ИИ видит город: Городской визуальный интеллект», опубликованной в этом месяце Routledge. Авторы — Дуарте, главный научный сотрудник и заместитель директора Лаборатории умных городов MIT; Маццарелло, научный сотрудник и руководитель глобальных инициатив Лаборатории; Карло Ратти, профессор практики и основатель Лаборатории; и Фан Чжан, доцент Института дистанционного зондирования и ГИС Пекинского университета. «Великие городские исследователи, такие как Кевин Линч и Уильям Х. Уайт, показали нам необычайную ценность «наблюдения» за городом», — говорит Ратти, ссылаясь на двух известных мыслителей о динамике городов, чья работа описана в книге. «Сегодня визуальный ИИ дает нам новые способы опираться на эту традицию, позволяя нам наблюдать за городами в масштабе и с уровнем детализации, которые ранее были невозможны». «Как ИИ видит город» возникла из работы Лаборатории умных городов MIT, основанной в 2004 году, которая использует данные для лучшего понимания городских динамик. Как обсуждают авторы в книге, существует долгая история визуальных представлений, которые формируют наше представление о городах, начиная с римлян, строивших мраморные карты, до появления фотографии — которая произвела влиятельные городские изображения, такие как преобразование Парижа Хауссманом или переполненность многоквартирных домов на Нижнем Ист-Сайде Нью-Йорка в 19 веке. Недавно некоторые ученые использовали визуальные исследования для лучшего понимания городской формы, включая Линча, бывшего профессора MIT, чья книга 1960 года «Образ города» повлияла на многих ученых. Уайт, социолог, известный своей книгой «Человек организации», затем стал городским исследователем, внимательно изучающим общественные пространства. Явно помещая ИИ в континуум с этими визуальными городскими исследованиями, авторы подчеркивают: насколько бы мощным он ни был, мы все еще можем рассматривать ИИ в первую очередь как инструмент, служащий человеческим целям, поскольку мы стремимся проектировать и совершенствовать городскую форму. «Кевин Линч в MIT использовал только бумагу и ручку», — говорит Дуарте. «Теперь мы можем масштабировать то, что он делал, с помощью визуального ИИ, одновременно рассматривая многие различные аспекты городов». Существует множество возможностей для применения визуального ИИ в городском планировании, начиная от выбросов и потока транспорта, безопасности, лучшего изображения активности на уровне улиц и тротуаров и многого другого. Книга также рассматривает, например, городскую зелень. Хотя спутниковые изображения могут показать, сколько деревьев и зеленых пространств есть в городах, почти повсеместные изображения с телефонов и других источников также могут показать, насколько люди видят зелень в повседневной жизни, что является фактором в сообщаемом благополучии. «Истинное обещание визуального ИИ заключается не только в том, что компьютеры могут смотреть на миллионы изображений», — говорит Чжан. «Это связано с тем, что мы можем связать то, что видно на этих изображениях — улицы, здания, зелень, транспорт, общественное пространство — с более крупными вопросами о том, как функционируют города и как люди их воспринимают». Лучшее распознавание изображений ИИ даже распространяется на городские интерьеры. Используя изображения из 400 000 объявлений AirBnB по всему миру, одно недавнее исследование Лаборатории умных городов показывает, что, в отличие от некоторых утверждений, стили интерьеров не становятся глобально более однородными, а отражают значительные географические различия. «Что бы это ни было, мы можем учиться на том, что мы видим, а затем использовать это как городские дизайнеры, планировщики, политики и граждане», — говорит Маццарелло. «Это могут быть наши глаза или камеры с компьютерами, но в конечном итоге это одна и та же методология, и теперь мы пытаемся оптимизировать способы использования этих инструментов». Если обещание визуального ИИ для городских исследований велико, то подводные камни вызывают беспокойство. В книге «Как ИИ видит город» авторы описывают множество потенциальных проблем с этой технологией, включая навязчивость повсеместного визуального наблюдения и возможность усиления предвзятости через ИИ-системы. Установка повсеместных камер может быстро вызвать опасения по поводу наблюдения. Лондон, рано принявший системы видеонаблюдения, имеет около 210 камер на квадратную милю. Но восемь из десяти самых «камерных» городов мира находятся в Китае; в Шанхае насчитывается более 5000 камер на квадратную милю. Такие практики наблюдения вызвали споры в других частях света, и в этом году в США также всплыли дебаты о применении дорожных камер. Оценивая потенциальные выгоды от интенсивной видеозаписи, авторы пишут: «польза должна быть взвешена против значительного ухудшения личной свободы и потенциальных злоупотреблений, присущих системе постоянного мониторинга». Тем не менее, ИИ-системы также могут усиливать социальные предвзятости, что приводит к созданию данных, которые подтверждают прежние представления так же, как и основные реальности — о людях, районах и целых городах. Если модели ИИ обучаются на группах большинства населения, они могут не оценивать меньшинства так же. «Мы должны научить ИИ видеть, и в зависимости от того, как вы его учите, он увидит то, что заложено в культуре», — говорит Дуарте. «ИИ не нейтрален». Тем не менее, как добавляет Маццарелло, «наши глаза тоже не нейтральны. Каждый инструмент должен направляться правильным образом и обучаться наилучшим образом». Другие ученые похвалили книгу «Как ИИ видит город». Майкл Бэтти из Университетского колледжа Лондона назвал ее «увлекательной книгой», которая «показывает, как мы начинаем интерпретировать мир городского дизайна, предлагая способы улучшения дизайна с помощью городской аналитики, ИИ и больших языковых моделей». В конечном итоге, хотя авторы считают, что есть большая ценность в использовании визуального ИИ для изучения наших городов, их функционирования и возможных улучшений, с осторожностью и независимым мышлением прогресс возможен. Или, как они заключают в книге, «Мы должны исследовать это мудро, критически и креативно». Материал подготовлен нейросетью на основе оригинальной публикации. ИИ может ошибаться в деталях (цифры, имена, даты, цитаты) — для важной информации сверяйтесь с первоисточником. Muse появится на смарт-очках Meta с новыми функциями Contrastive-LM представила CLM-8B: модель, ускоряющую действия агентов NVIDIA представила NV-Reason-CT, языковую модель для анализа 3D КТ. Anthropic объявила о значительном открытии в своей биологической лаборатории, используя ИИ для исследований. NVIDIA представила инструмент для проверки готовности GPU-кластеров к задачам ИИ.