Filter by دسته‌ها
chatGTP
ابزارهای هوش مصنوعی
اخبار
گزارش
تیتر یک
چندرسانه ای
آموزش علوم داده
اینفوگرافیک
پادکست
ویدیو
دانش روز
آموزش‌های پایه‌ای هوش مصنوعی
اصول هوش مصنوعی
یادگیری بدون نظارت
یادگیری تقویتی
یادگیری عمیق
یادگیری نیمه نظارتی
آموزش‌های پیشرفته هوش مصنوعی
بینایی ماشین
پردازش زبان طبیعی
پردازش گفتار
چالش‌های عملیاتی
داده کاوی و بیگ دیتا
رایانش ابری و HPC
سیستم‌‌های امبدد
علوم شناختی
دیتاست
رویدادها
کاربردهای هوش مصنوعی
کتابخانه
اشخاص
شرکت‌های هوش مصنوعی
محصولات و مدل‌های هوش مصنوعی
مفاهیم
کسب‌و‌کار
تحلیل بازارهای هوش مصنوعی
کارآفرینی
هوش مصنوعی در ایران
هوش مصنوعی در جهان
مقاله
 شهرسازی با هوش مصنوعی در بازی‌ Minecraft: طراحی بهتر شهرها با ماشین‌ها

شهرسازی با هوش مصنوعی در بازی‌ Minecraft: طراحی بهتر شهرها با ماشین‌ها

زمان مطالعه: 5 دقیقه

این گزارش درباره یک چالش رقابتی است برای اینکه ببینیم کدام هوش مصنوعی بهترین سکونتگاه‌ها را می‌سازد و در شهرسازی با هوش مصنوعی از چه تکنیک‌های جدیدی برای برنامه‌ریزی شهری استفاده می‌شود.

ده‌ها ساختمان با سقف‌های شیب‌دار به لبه‌‌های یک معدن روباز پیوسته‌‌اند. کمی بالاتر از آن‌ها‌، روی تخته سنگی عظیم‌، خانه‌‌‌ای غیرقابل دسترس جای گرفته است. در جایی دیگر‌، یک ریل راه‌آهن روی تخته‌‌های چوبی دور بلوک‌‌ها و برج‌‌های رنگین می‌چرخد. ساختمان‌‌‌هایی آراسته به سبک معماری پاگودا یک میدان بزرگ سنگفرش‌شده را زیبا کرده‌‌اند و تنها آسیاب بادی شهر، جذابیت‌‌های این جزیره زیبا را که با عناصر مربع‌شکل احاطه شده است، تکمیل می‌‌کند. این یکی از نمونه‌های شهرسازی Minecraft با هوش مصنوعی است.

بازی Minecraft

بازی Minecraft از مدت‌‌ها قبل بستری برای نوآوری‌‌های غیرمعمول بوده است. طرفداران این بازی، برای ساخت ماکت همه چیزها از مرکز شهر شیکاگو و کینگز لندیگ (بازی تاج و تخت) گرفته تا پردازنده‌‌های مرکزی، از بازی block building استفاده کرده‌‌اند. طی یک دهه پس از اولین خروجی این بازی‌، هر آنچه قابل ساخت بوده، در آن ساخته شده است.

از سال 2018‌، بازی Minecraft زمینه‌‌‌ای برای برگزاری چالش‌‌های خلاقانه‌‌‌ای بوده است که توانایی‌‌های ماشین‌‌ها را گسترش می‌‌دهند. مسابقه سالانه GDMC از شرکت‌کنندگان می‌‌خواهد یک هوش مصنوعی بسازند که بتواند شهرها یا روستاهای واقع‌گرایانه را در مکان‌‌های بکر ایجاد کند. در حال حاضر این مسابقه فقط برای سرگرمی است‌، اما تکنیک‌‌‌هایی که توسط رقبای مختلف هوش مصنوعی مورد بررسی قرار می‌‌گیرد‌، پیشرو روش‌هایی است که برنامه‌ریزان شهرهای واقعی می‌‌توانند از آن‌ها استفاده کنند.

در نمونه‌‌های موفقیت‌آمیز معمولاً از طیف وسیعی از تکنیک‌‌ها برای ترازکردن زمین یا محل قرارگیری پل‌‌ها و ساختمان‌ها استفاده می‌‌شود. این تکنیک‌‌ها شامل الگوریتم‌‌های مسیریابی در مدارس قدیمی نیز می‌‌شود که مکان‌‌های مسکونی دورافتاده را با ماشین‌‌های خودکاری پیوند می‌‌دهند و می‌‌توانند ساختارهای پیچیده‌‌‌ای را با استفاده از قوانین ساده و یادگیری ماشین ایجاد کنند‌.

این رقابت طی سه سال برگزاری، مسیر طولانی را طی کرده است. بار اول، سکونتگاه‌‌ها اغلب ساختمان‌‌‌هایی ماشینی به نظر می‌‌رسیدند‌، همراه با ساختمان‌هایی تکراری که در ردیف‌‌‌هایی پشت هم یا گروه‌‌های نامنظم مرتب شده‌‌ بودند. برندگان امسال‌، شهرک‌‌‌هایی با طرح‌‌های باورنکردنی ارائه کردند که متناسب با هر مکان و موقعیت‌‌اند. در طرحی که آن‌‌ها ارائه کرده‌اند، جاده‌‌ها دامنه تپه‌‌ها را دربر‌‌گرفته‌اند‌، پل‌‌ها رودخانه‌‌ها را پوشانده‌‌اند و خانه‌‌ها حتی دارای مبلمان‌اند.

رقابت GDMC Generate Design in Minecraft با قابلیت تغییرات آنی و ذهنی راه‌اندازی شد تا محدودیت‌‌های هوش مصنوعی را تحت تاثیر قرار دهد و به رفع آن‌‌ها کمک کند. برخلاف سایر مسابقات هوش مصنوعی‌، مانند چالش‌‌های DARPA برای اتومبیل‌‌های خودران یا ربات‌ها‌، این چالش خط پایان مشخصی ندارد. چه چیزی باعث می‌‌شود یک دهکده خوب ایجاد شود؟ کریستف سالج، یکی از سازمان‌دهندگان این چالش و از دانشمندان کامپیوتر دانشگاه هرتفوردشایر انگلیس در این‌باره می‌‌گوید: «یک مقدار عددی وجود ندارد که بتوانید بر اساس آن چالش را بهینه کنید.»

پایان باز چالش بدان معنا است که هوش‌‌های مصنوعی نیاز به تسلط بر اهداف متعدد دارند. برای پیروزی‌، آن‌ها باید هشت قاضی انسانی را در طیف وسیعی از زمینه‌‌ها و موضوعات تحت تأثیر قرار دهند‌، از جمله معماری، باستان‌شناسی و طراحی بازی.

این داوران، به برنامه‌‌ریزان شهر هوش مصنوعی در چهار زمینه از موضوعات امتیاز می‌‌دهند:

  • طراحان تا چه میزان توانسته‌‌اند طرح‌‌های خود را با موقعیت‌‌های مکانی مختلف سازگار کنند و وفق دهند.
  • طرح‌بندی موردنظر برای پل‌‌ها و خیابان‌‌ها و جاده‌‌ها در هر یک از نواحی تا چه میزان عملکرد خوبی دارد.
  • طرح‌بندی‌‌ها از نظر عناصر زیبایی چقدر جذاب‌اند.
  • و اینکه طرح‌‌ها چقدر تداعی‌گر روایت‌‌های داستانی‌اند.

آیا جزئیاتی در طراحی وجود دارد که داستانی درباره چگونگی پیدایش یک شهر را تعریف کند؟ مانند یک خرابه یا گودالی که ممکن است مصالح ساختمانی از آن استخراج شده باشد؟ سالج می‌‌گوید: «ساختن دهکده Minecraft روی نقشه‌‌‌ای که در جهان وجود ندارد و دیده نشده است، چیزی است که یک انسان 10 ساله می‌‌تواند انجام دهد؛ اما این کار برای هوش مصنوعی واقعاً دشوار است.»

شهرسازی با هوش مصنوعی؛ سطح‌بندی نوع زمین

به عنوان مثال‌، یکی از شرکت‌کنندگان کار خود را با شناسایی نوع محیط (مثلاً صحرا یا جنگل) شروع کرد و سپس ساختمان‌‌‌هایی را تولید کرد که به نظر می‌‌رسید از مواد معمول محلی ساخته شده‌‌اند. شرکت‌کننده دیگری در سطح‌بندی چشم‌اندازها و طرح‌بندی میدان‌‌ها مهارت داشت. این تاکتیک روی زمین‌‌های مسطح و باز‌، یعنی جایی که مجموعه ساختمان‌‌‌هایی به سبک ژاپنی ایجاد می‌‌کرد‌، به خوبی جواب می‌‌داد، اما در یک جزیره کوچک که لزوما فضای باز و سطح وسیع و همواری نداشت، کمتر موفق بود.

حتی نفرات ورودی‌‌ برنده هم هنوز اشتباهات ساده‌‌‌ای دارند. در یکی از شهرک‌‌های مسکونی‌، برخی از خانه‌‌ها تا برآمدگی لبه بام در ماسه‌‌ها دفن شده‌‌اند. سالج می‌‌گوید: «واضح است که چنین مشکلی پیش می‌‌آید، زیرا الگوریتم می‌‌خواهد بر روی زمین سخت ساختمان را بنا کند. برای همین، ساختمان‌ها را آن قدر در ماسه‌‌ها فرو می‌‌برد تا زمانی که به سنگ برخورد کنند!»

کلاوس آرانها که در دانشگاه تسوکوبا در ژاپن محاسبات تکاملی می‌‌خواند‌، به سه شرکت‌کننده در این مسابقه توصیه‌‌‌هایی کرده است. او معتقد است که این یک روش خوب برای کشف و آزمایش تکنیک‌‌های جدید هوش مصنوعی است. او می‌‌گوید: «یک چیزی که من واقعاً دوست دارم این است که رویکردهای مختلفی برای این چالش وجود دارد.»

دنیای بازی واقع‌گرایانه یک چیز مشترک بین همه است. اما از هوش مصنوعی در حال حاضر برای تجزیه و تحلیل نحوه ساخت شهرها استفاده می‌‌شود. تکنیک‌‌ها و رویکردهایی مشابه روش‌‌‌هایی که در این مسابقات به کار گرفته می‌‌شوند‌، می‌‌توانند روزی به طراحی شهرهای واقعی که از سلامت و ایمنی بیشتری برخوردارند‌، کمک کنند.

به عنوان مثال‌، آرانها دریافته است که اکثر شرکت‌کنندگان از رویکرد بالا به پایین استفاده می‌‌کنند. به این معنی که ایجادکننده شهر هوش مصنوعی، به یک منطقه خاص نگاه می‌‌کند و یک مجموعه شهرک سازگار و متناسب با آن را ایجاد می‌‌کند. این روش می‌‌تواند نتایج کلی خوبی داشته باشد‌، اما جزئیات ممکن است به دست فراموشی سپرده شوند. آرانها معتقد است یک رویکرد چندعاملی‌ که چندین هوش مصنوعی به طور مستقل بتوانند در آن برای ساخت سازه‌‌‌هایی از محیط اطرافشان به کار بپردازند، می‌‌تواند منجر به طراحی فضاهای منسجم و واقعی‌تر شود.

آرانها اکنون می‌‌خواهد از این بینش برای کمک به پروژه خود استفاده کند. در پروژه‌‌‌ای که او در دست انجام دارد، تأثیر سیاست‌‌های مختلف برنامه‌‌ریزی شهری بر سناریوهای فاجعه باری مانند زمین‌لرزه یا آتش‌سوزی با استفاده از شبیه‌سازی‌‌‌ بررسی می‌شود. در این پروژه، او با استفاده از داده‌‌های OpenStreetMap، یک شبکه عصبی را به شکل یک شهر آموزش می‌‌دهد و از این طریق، شهرهای مجازی ایجاد می‌‌کند. با تولید خودکار هزاران شهر مجازی که از جنبه‌‌‌هایی مانند چیدمان خیابان یا تعداد و موقعیت فضاهای باز با یکدیگر متفاوت‌اند‌، وی می‌‌تواند ارزیابی کند آیا سیاستی که 10 درصد از منطقه مسکونی را به پارک‌‌ها اختصاص می‌‌دهد، باعث نجات جان افراد می‌‌شود یا خیر.

در همین حال‌، آرنو گریگنارد و همکارانش در آزمایشگاه رسانه‌‌‌ای MIT از مدل‌سازی عامل بنیان agent-based simulation برای کشف طرح‌‌های احتمالی برای فضاهای عمومی شلوغ‌، از جمله خیابان شانزه لیزه در پاریس استفاده می‌‌کنند. استارتاپ نیویورکی Topos با استفاده از هوش مصنوعی می‌‌تواند استنباط کند که چطور طرح‌بندی و چیدمان یک شهر روی ساکنان آن تأثیر می‌‌گذارد. در یکی از پروژه‌‌ها از طیف وسیعی از رویکردهای هوش مصنوعی‌، از جمله شناسایی تصویر و پردازش به زبان طبیعی‌، برای یادگیری نحوه استفاده از مناطق مختلف نیویورک توسط ساکنان آن استفاده شد. سپس مرزهای پنج ناحیه نیویورک بر اساس شباهت‌‌های بین محله‌ها‌، از جمله مسکونی یا تجاری‌، حومه یا شهری‌ دوباره طراحی شد. نقشه حاصل‌، بخش‌های شهر را به صورت حلقه‌‌های کم و بیش متحدالمرکز در اطراف منهتن مرکزی آرایش‌بندی می‌‌کند.

جاسپر ویجناندز‌، از دانشگاه ملبورن استرالیا نیز معتقد است که شهرسازی با هوش مصنوعی در آینده جایگاه برجسته‌‌‌ای خواهد داشت. او و همکارانش شروع به کاوش در زمینه کاربرد شبکه های مولد تخاصمی برای انتقال سبک تصاویر از نمای Google Street کرده‌‌اند.

انتقال سبک معمولاً برای بازتولید یک تصویر به سبک تصویر دیگر استفاده می‌‌شود‌، مانند این‌که نوعی سلفی بسازیم که انگار توسط ون گوگ نقاشی شده باشد. اما به جای یک سبک بصری‌، ویجاندز هوش مصنوعی خود را برای یادگیری نوعی «سبک» به دست آورد. طرح او به این صورت بود که داده‌‌های بهداشت عمومی را در بلوک‌‌های مختلف شهر منعکس می‌‌کرد. وی سپس از هوش مصنوعی خواست که تصاویر و نماهای خیابان را به سبک محله‌‌‌هایی که بهداشت عمومی در آن‌ها خوب است بازآفرینی کند. به عبارت دیگر‌، هوش مصنوعی وی قادر بود تصاویری از محله‌‌های بد را بگیرد و آن‌‌ها را طوری تغییر دهد که به نظر محله‌‌‌ای خوب با سطح بالایی از امکانات و بهداشت به نظر برسند. پس از آن برنامه‌‌ریزان شهر می‌‌توانند از این تنظیمات به عنوان راهنمای بهسازی شهری استفاده کنند: مثلا یک فضای سبز در این‌جا‌، یک خیابان گسترده‌تر در آن‌جا و غیره.

به هوش مصنوعی آموزش داده نشده است که به نظر افراد برنامه‌‌ریز و نیروهای طراح چه چیزی باعث بهبود شهرها می‌‌شود‌، اما آن‌‌ها به‌خودی خود خلاف ایده‌‌های رایج عمل می‌کنند. به همین دلیل است که وقتی خروجی آن‌ها با دنیای ما شباهت نزدیکی دارد، یک دستاورد جالب تلقی می‌شود. ویجناندز می‌‌گوید: «جالب است که ببینیم خروجی یک شبکه مولد تخاصمی با درک علمی ما از تأثیر فضای سبز بر سلامتی سازگار است.»

تیم او اکنون یک میلیون و 200 هزار دلار کمک مالی برای توسعه این روش در اختیار دارد و وی این روش را به دانشجویان خود در رشته شهرسازی با هوش مصنوعی معرفی می‌‌کند.

تأثیرات طراحی در شهرسازی با هوش مصنوعی

یکی از فوری‌ترین کاربردهای هوش مصنوعی در شهرسازی، درک تأثیر طراحی شهری در مقیاس جهانی است. در ماه ژانویه، ویجناندز و همکارانش مطالعه‌‌‌ای را در مجله The Lancet Planetary Health منتشر کردند که در آن 1692 شهر را که محل زندگی یک سوم جمعیت جهان است‌، بررسی کرده بودند. آن‌ها برای طبقه‌بندی طرح‌های مختلف شهری بر اساس تعداد تصادفات جدی جاده‌‌‌ای که در آن‌ها اتفاق افتاده بود‌، از شبکه های عصبی پیچشی یا همگشتی که معمولاً برای شناسایی تصویر استفاده می‌‌شوند‌، بهره بردند. شهرهایی که شبکه‌‌های حمل‌ونقل پیشرفته ریلی و خیابان‌‌های متراکم‌تری در اطراف بلوک‌‌های کوچک دارند، نسبت به طرح‌‌های پراکنده‌تری که در اطراف کوچه‌های بن‌بست جای گرفته‌اند، ایمن‌ترند.

ممکن است این نتایج خیلی تعجب‌آور نباشد‌، اما داده‌‌ها بدون اتوماسیون اصلاً قابل تحلیل نبودند.

چشم‌اندازهای زندگی اتوپیایی همیشه بر اساس پیش‌فرض‌‌‌هایی درباره این‌که چه نوع فضاهای شهری باعث شادتر یا سالم‌ترشدن مردم می‌‌شوند‌، بنا شده است. اما آزمایش این موارد دشوار است و پروژه‌‌های بلندپروازانه بازسازی شهرها به همین دلیل می‌‌توانند به راحتی شکست بخورند. برنامه‌‌ریزان شهر هوش مصنوعی می‌‌توانند از طرق مختلفی به شما کمک کنند‌، تأثیرات پنهان برخی از طرح‌‌های موجود را نشان دهند یا هزاران طرح بالقوه را شبیه‌سازی کنند. سالج اکنون در حال کار با برنامه‌‌ریزان در ایالات متحده است تا ببیند که مسابقات آینده چگونه می‌‌تواند داده‌‌های واقع بینانه‌تری درباره چگونگی استفاده مردم از شهرها‌، مانند نحوه مهاجرت یا مکانی که برای خرید استفاده می‌‌کنند‌، داشته باشد. این می‌‌تواند خلاقیت‌‌های هوش مصنوعی را حتی زنده‌تر و مفیدتر کند.

اما از هوش مصنوعی انتظار نداشته باشید که همه برنامه‌‌ریزی‌‌ها را به‌طور کامل به عهده گیرد. دیو آموس‌، یک برنامه‌‌ریز شهری که یک کانال معروف یوتبوب به نام City Beautiful دارد، در این باره می‌‌گوید: طراحی چیدمان شهرها چیزی فراتر از چیدمان اشیا روی زمین است؛ چراکه در شهرها قرار است انسان‌‌‌هایی زندگی کنند و این بدان معناست که آن شهرها در نتیجه بسیاری از مبادلات تجاری به وجود آمده‌‌اند. همان‌طور که آموس در ویدئویی درباره بررسی برنده شدن در رقابت GDMC در سال 2018 می‌‌گوید: «برنامه‌‌ریزی شهری ذاتاً یک رویداد سیاسی است. شما به افرادی احتیاج دارید که درباره پیشرفت‌‌های آتی شهرها بتوانند برنامه‌‌ریزی داشته باشند.

انواع کاربردهای هوش مصنوعی در صنایع مختلف را در هوشیو بخوانید

میانگین امتیاز / 5. تعداد ارا :

مطالب پیشنهادی مرتبط

اشتراک در
اطلاع از
0 نظرات
بازخورد (Feedback) های اینلاین
مشاهده همه دیدگاه ها
[wpforms id="48325"]