AI 規劃師造城：它們在《我的世界》中進步驚人

十幾座尖頂建筑緊貼在露天礦井的邊緣，在它們的上方，一個巨大的巖石拱門上，坐落著一座無法接近的房子。在別處，一條高架鐵路環繞著一群五顏六色的塔樓，華麗的寶塔點綴著一片寬闊的鋪砌好的廣場。一臺風車孤零零地在一座小島上旋轉，四周圍繞著一群方塊小豬。

這就是《我的世界》中用AI風格建造的城市。

《我的世界》一直被玩家用來瘋狂發明創造。粉絲們借助這款大熱的沙盒游戲制作了很多復制品，從芝加哥市中心，到《權力的游戲》中的君臨城。自發布以來的十年里，所有可以構建的東西都在這個游戲中得到了復制。

自2018年以來，《我的世界》也成為一個挑戰創新能力的平臺，可以幫助提高機器的創新能力。一年一度的“我的世界生成式設計比賽”（簡稱GDMC）要求參賽者構建人工智能，這種人工智能可以在以前從未見到過的區域生成逼真的城鎮或村莊。雖然該比賽目前為止只是為了娛樂，但各位參賽選手所探索的AI技術，是現實世界中的城市規劃人員可以使用的技術先驅。

成功的參賽者通常會借助多種技術來判斷何時應把地面推平，或者是何處應該建造橋梁和建筑物。這些技術包括將居住區偏遠部分連接起來的老式尋路算法，可以利用簡單規則生成復雜結構的元胞自動機，以及機器學習。

《我的世界》中的生成式設計比賽向AI發起挑戰，要求其為前所未見的地點設計居住區

過去3年中，這項比賽取得了很大進展。在第一年的比賽中，一眼就能看出是機器建造的，建筑物重復地排列成排，或是隨機地堆在一起。今年的獲勝者于9月24日公布，其設計的居住區布局合理，完美契合每個不同的地點。道路圍繞山坡，橋梁橫跨河流，房屋內甚至擺放著家具。

既開放又帶有主觀性的GDMC，其宗旨就是推動AI進一步發展。同其它的AI比賽（例如美國國防先進研究計劃署發起的無人駕駛或機器人挑戰賽）不同，GDMC沒有明確的獲勝標準。什么樣的條件能造就一個好村莊？本大賽的聯合組織者，同時也是英國赫特福德郡大學的計算機科學家Christoph Salge表示，“不存在最佳數值。”

這項比賽的開放性意味著參賽的AI需要掌握多個目標。為了贏得比賽，它們必須打動八名擁有不同背景的裁判，包括建筑師、考古學家和游戲設計師等。

這些裁判從4個方面給AI城市規劃師打分：設計與特定地點的契合程度；根據不同區域之間是否有橋梁和道路等標準來評價布局是否合理；從美學角度看，其設計是否具有吸引力；以及是否可以從一個設計的細節中看出這個城鎮是如何形成的，比如一片廢墟，或是一個可以挖掘出建筑材料的礦井。

Salge表示，“一個10歲的小孩就能在《我的世界》中從平地上修建一個村莊，但對AI來說難度真的很大。”

平整土地

例如，一名參賽者在設計時首先確定環境類型（沙漠或是森林），然后生成像是用當地常見的建筑材料修建的建筑。另一名參賽者則負責平整地形和鋪設廣場。這種戰術在平坦開闊的地形上很適用，可以修建起引人注目的日式寺廟建筑群。但在小島上就沒那么成功了，這樣做通常會將小島完全鋪滿。

事實上，即便是獲勝者也會犯一些愚蠢的錯誤。在一個居住地，有些房子被埋進了沙子里，只露出個屋檐。Salge表示，這很顯然是因為算法想要將房屋建造在堅實的地面上。在碰到堅硬的地基之前，這些房屋會一直下沉。

在日本筑波大學研究進化計算的Claus Aranha推薦了3名選手參賽。他認為這是一種很好的探索和測試新AI技術的方式，“我非常喜歡這項比賽的一點是，選手們的想法都很有創新性。”

讓游戲世界更逼真只是一方面，現實中的AI已經被用來分析如何建造城市。有朝一日，比賽中所使用的類似技術和想法，可以幫助我們設計出更健康、更安全的城市。

例如，Aranha發現大多數選手采用的都是自上向下分析法，這就意味著AI城市生成器會先查看一個給定區域，然后生成合適的居住地。這樣得到的整體效果可能不錯，但細節會有偏差。與之相比，Aranha認為多主體方法（幾個AI獨立工作，根據各自周圍環境構建建筑物）設計出來的居住地可能更有條理，更符合實際。

他正打算將這種方法運用到自己的工作中，模擬探究不同城市規劃政策對地震或野火等災害場景的影響。他用 OpenStreetMap上的數據訓練神經網絡學習城市的樣式，以便生成虛擬城市。通過自動生成成千上萬個街道布局，或是開放空間位置和數量等特性不同的虛擬城市，Aranha可以評估要求將10%的居住區預留給公園的政策是否有助于延長居民的壽命。

MIT媒體實驗室的CityScope香榭麗舍大道項目，利用基于自主體的模擬方法來探索設計方案與此同時，來自麻省理工學院媒體實驗室的Arnaud Grignard和他的同事們，利用基于自主體的模擬方法為熱鬧的公共空間探究可能的設計方案，其中就包括重建巴黎的香榭麗舍大道。

來自紐約的初創公司Topos正在利用AI去理解城市布局是如何影響人們的生活。在一個項目中，該公司借助圖像識別和自然語言處理等AI方法來了解紐約的不同地區是如何被居民所利用的。隨后，其根據社區之間的相似性（如：住宅區還是商業區，高檔郊區社區還是都市社區）重新劃定了紐約5個區的邊界。在最終得到的地圖上，這些行政區就像同心圓一樣圍繞著中心的曼哈頓。

來自澳大利亞墨爾本大學的Jasper Wijnands也堅信AI會在未來的城市設計中占有一席之地。他和他的同事已經開始探索使用生成對抗網絡（GANs）對谷歌街景上的圖片進行風格轉換。

風格轉換通常是將一張圖片用另一種風格進行復制，比如將一張自拍變得看起來像是梵高的畫作。但Wijnands的AI所學習的并不是視覺風格，而是一種可以反映不同城市街區公共衛生數據的“風格 ”。隨后，他要求 AI 將谷歌街景上的圖片按照公共衛生情況良好的社區風格進行復制。換句話說，他的AI可以修改公共衛生情況不好的社區圖景，使其看起來同情況好的社區一樣。然后，城市規劃師可以將這些改變（比如在這加一個綠地，在那擴寬一下街道）作為改善城市的指南。

沒有人告訴AI規劃師怎樣可以使一個城市變得更好，而是AI自己偶然地獲得了同樣的想法。Wijnands表示，“有趣的是，GAN的輸出結果正好與我們對于綠色空間對健康影響的科學認知相一致。”

Wijnands 團隊目前有一筆120萬美元的撥款來進一步發展這一項目，而他本人也將這一項目介紹給了其城市規劃的學生。

設計影響

AI在城市規劃中最直接的應用之一，就是從全球范圍內了解城市設計的影響。今年1月，Wijnands和他的同事在《柳葉刀-星球健康》上發表了一項研究，他們調查了1692個城市，這些城市的人口占全世界人口的1/3。

他們利用卷積神經網絡（常用于圖像識別），根據城市內發生的嚴重交通事故數量對不同的城市布局進行分類。研究顯示，在小街區周圍布有更多軌道交通網絡和更密集街道的城市，要比在死胡同附近布局雜亂的城市更安全。

這些結果可能沒那么令人吃驚，但若沒有自動化的幫忙，研究人員就很難對這些這些數據進行分析。

美好的生活愿景總是建立在城市空間會讓人們更快樂、更健康的前提下。但這些很難去測試，雄心勃勃的重建計劃也可能會失敗。AI城市規劃師可以在很多方面提供幫助，比如揭示現有某些布局的潛在影響，或是模擬上千個可能的設計方案。Salge目前正在與美國的規劃人員合作，研究未來的比賽如何納入人們城市生活更真實的數據，比如如何移動，或者是去哪里購物。這可能會讓AI創造出來的城市更切實際，而且可能會更加有用。

但希望AI完全接管城市規劃的工作是不現實的。建造城市不僅僅只是地面上幾個物品的排列：城市是人們居住的地方。

城市規劃師Dave Amos表示，這就意味著城市的創造權衡了很多因素。正如Amos在一個回顧2018年GDMC競賽獲獎作品的視頻中提到的：“城市規劃本質上是一個政治過程。需要很多人對未來的發展情況去展開激烈的討論。”