Ngày nay, trong lĩnh vực quy hoạch không gian đô thị, các nhà thiết kế con người cũng có đối tác AI.
Nhóm nghiên cứu từ Đại học Thanh Hoa đã đề xuất mô hình thuật toán học tăng cường sâu. Dựa trên ý tưởng thành phố 15 phút, mô hình này cho phép quy hoạch không gian đô thị phức tạp. Kết hợp với đầu vào của con người, quy hoạch không gian đường bộ và đất đai được máy học hỗ trợ vượt trội hơn các thuật toán khác và các nhà thiết kế con người chuyên nghiệp, khoảng 50% trên tất cả các số liệu được xem xét và nhanh hơn tới 3.000 lần.
Bài nghiên cứu liên quan có tiêu đề "Quy hoạch không gian của cộng đồng đô thị thông qua học tập tăng cường sâu" và vừa được xuất bản trên tạp chí phụ NatureNature Computational Science số mới nhất.
Trong một bài báo Tin tức & Lượt xem đồng thời, Paolo Santi, một nhà khoa học nghiên cứu tại Phòng thí nghiệm Thành phố Senseable của MIT, đã viết: "Yu Zheng và cộng sự đã giải quyết những thách thức quan trọng về khái niệm và tính toán. Đồng thời, nó cũng chứng minh thành công tính khả thi của việc tích hợp AI và quy trình làm việc của con người trong lĩnh vực quy hoạch bố trí không gian, cung cấp nhiều hướng nghiên cứu cho tương lai**.
Quy hoạch đô thị đang cần thay đổi khẩn cấp và khái niệm “thành phố 15 phút” đang được phổ biến rộng rãi
Các thành phố đã trở thành trung tâm của sự đổi mới, sáng tạo và cơ hội, thu hút mọi người từ mọi tầng lớp xã hội tìm kiếm cơ hội giải trí, giáo dục, chăm sóc sức khỏe và việc làm. **Quy hoạch không gian hiệu quả là điều cần thiết cho hoạt động kinh tế và phát triển bền vững của các thành phố. **
Quy hoạch đô thị hiện đại thường hướng tới phương tiện giao thông, thiên về các chức năng tập trung và các phương thức vận tải phụ thuộc vào ô tô, điều này không chỉ tạo ra tắc nghẽn giao thông mà còn góp phần vào sự nóng lên toàn cầu. Đồng thời, đại dịch virus Corona cũng bộc lộ tính dễ bị tổn thương của các thành phố trong thời gian phong tỏa. Vì vậy, quy hoạch đô thị cần phải được chuyển đổi khẩn cấp và cần đẩy nhanh quá trình chuyển đổi từ hướng tới phương tiện sang hướng tới con người.
Điều đáng chú ý là khái niệm “thành phố 15 phút” đang ngày càng trở nên phổ biến trong việc quy hoạch các cộng đồng đô thị mới và cải tạo các cộng đồng hiện có, nơi cư dân có thể đi bộ hoặc đạp xe đến các dịch vụ cơ bản trong vòng 15 phút, phản ánh kỳ vọng của người dân về cách bố trí không gian hiệu quả cao. trong các cộng đồng đô thị.
Tuy nhiên, con người đã đầu tư hàng thập kỷ nỗ lực vào việc phát triển các mô hình tính toán và các công cụ hỗ trợ để tự động hóa quy hoạch đô thị. Mặc dù các nhà quy hoạch đô thị ngày nay có năng suất cao hơn rất nhiều khi sử dụng các công cụ GIS so với nhiều thập kỷ trước,** các công việc bố trí tẻ nhạt vẫn cần phải được thực hiện thủ công**.
Tác nhân AI có thể tạo ra các giải pháp lập kế hoạch hiệu quả hơn các chuyên gia về con người
Để giải quyết những thách thức trên, một nhóm nghiên cứu từ Đại học Thanh Hoa đã đề xuất một mô hình quy hoạch đô thị dựa trên học tăng cường sâu, có khả năng tạo ra cách sử dụng đất và bố trí đường cho cộng đồng đô thị.
Tuy nhiên, so với các nhiệm vụ có điều kiện lưới thông thường như thiết kế chip và cờ vây, cộng đồng đô thị thể hiện các dạng hình học khác nhau đa dạng và không đều hơn.
Để giải quyết vấn đề này, nhóm nghiên cứu đã đề xuất một biểu đồ liên tục đô thị để mô tả cấu trúc liên kết của hình học đô thị, với các yếu tố địa lý đô thị là các nút và tính liên tục không gian là các cạnh. Việc xây dựng đồ thị cho phép nắm bắt được các mối quan hệ không gian cơ bản của bất kỳ hình thức cộng đồng nào. Do đó, họ xây dựng quy hoạch không gian như một vấn đề quyết định tuần tự trên biểu đồ và sơ đồ ở cấp độ tôpô thay vì ở cấp độ hình học.
Ngoài ra, một thách thức lớn khác trong quy hoạch không gian là không gian giải pháp khổng lồ và không gian hành động đi kèm lớn hơn. Không gian hành động của một cộng đồng quy mô trung bình có thể dễ dàng vượt quá 4000 đến lũy thừa một trăm (4000 hành động có thể thực hiện mỗi bước, tổng cộng 100 bước để quy hoạch không gian cộng đồng), khiến cho việc tìm kiếm toàn diện không thể thực hiện được.
Để giảm không gian hành động, các nhà nghiên cứu đã đào tạo một tác nhân AI, bao gồm một mạng giá trị và hai mạng chính sách để tìm ra các chiến lược lập kế hoạch tốt thông qua việc khám phá và sử dụng hiệu quả trong không gian hành động khổng lồ. Cụ thể, mạng giá trị dự đoán chất lượng quy hoạch không gian dựa trên việc thực hiện khái niệm “thành phố 15 phút”, và hai mạng chính sách còn lại được tác nhân AI sử dụng để chọn mục đích sử dụng đất và vị trí đường. Bằng cách lấy mẫu các hành động từ mạng chính sách và ước tính phần thưởng bằng cách sử dụng mạng giá trị, không gian hành động sẽ giảm đáng kể.
Để có được sự thể hiện hiệu quả các yếu tố địa lý đô thị, các nhà nghiên cứu đã phát triển thêm bộ mã hóa trạng thái dựa trên mạng lưới thần kinh đồ thị (GNN), sử dụng việc truyền thông điệp và tổng hợp lân cận trên biểu đồ tính liên tục của đô thị để nắm bắt các đoạn đất, đường và mối quan hệ không gian giữa các điểm giao nhau. Bộ mã hóa trạng thái GNN này được chia sẻ giữa mạng giá trị và mạng chính sách, từ đó tạo điều kiện thuận lợi cho việc dự đoán phần thưởng và lựa chọn vị trí. Cuối cùng, các tác nhân AI có thể tạo ra các giải pháp lập kế hoạch hiệu quả hơn các chuyên gia về con người.
Kết quả thử nghiệm mở rộng cho thấy trong cùng điều kiện ban đầu và các hạn chế về quy hoạch, phương pháp này vượt trội hơn đáng kể so với các thuật toán tiên tiến và chuyên gia con người và có thể cải thiện hơn 48,6% các chỉ số khách quan về hiệu quả không gian. Đặc biệt khi sử dụng các cộng đồng thực hiện có làm điều kiện ban đầu, mô hình có thể tạo ra các kế hoạch chuyển đổi mục đích sử dụng đất giúp tăng đáng kể khả năng tiếp cận của người dân tới các cơ sở khác nhau lên hơn 18,5%.
Có tính đến sự hoàn thiện và phức tạp của các phương pháp quy hoạch đô thị, dựa trên mô hình DRL được trình bày, các nhà nghiên cứu đề xuất một quy trình làm việc để cộng tác AI với các nhà thiết kế con người, trong đó nhà thiết kế con người tập trung vào việc tạo nguyên mẫu khái niệm và sử dụng mô hình để hoàn thành công việc nặng nhọc và nỗ lực lập kế hoạch tốn thời gian.
Kết quả chứng minh rằng các nhà thiết kế con người có thể hưởng lợi từ quy trình cộng tác AI-con người vượt trội hơn lao động hoàn toàn của con người về cả số liệu lập kế hoạch khách quan và thử nghiệm mù chủ quan với 100 nhà thiết kế con người chuyên nghiệp. Hoàn thành quy trình làm việc và cải thiện hiệu quả thời gian lên 3000 lần.
Ngoài ra, mô hình có thể học các kỹ năng lập kế hoạch chung từ các tình huống đơn giản và áp dụng chúng vào các nhiệm vụ lập kế hoạch phức tạp quy mô lớn trong việc thiết kế các phong cách khác nhau, chẳng hạn như cộng đồng xanh và cộng đồng dịch vụ.
Học máy thúc đẩy phát triển đô thị bền vững và sự tham gia của nhiều bên liên quan
Tuy nhiên, trong thử nghiệm này, mặc dù số lượng sơ đồ không gian được tạo ra vượt quá 1 triệu nhưng vẫn chưa đủ lớn so với các bộ dữ liệu được sử dụng trong các tác vụ DRL tương tự (như Go và thiết kế chip). Ngoài ra, việc mở rộng phương pháp nghiên cứu này đến cấp thành phố đòi hỏi phải thu thập một số lượng lớn mẫu đào tạo từ các cụm phân tán và sử dụng nhiều GPU trên nhiều máy chủ để đào tạo các mạng lưới thần kinh lớn hơn.
Điều đáng chú ý là ba không gian con của phân rã (lập kế hoạch cái gì, lập kế hoạch ở đâu và lập kế hoạch như thế nào) có thể được tác nhân tối ưu hóa chung, nhưng điều này đòi hỏi nhiều mẫu đào tạo hơn. Ngoài ra, phần kế hoạch có thể được mở rộng để bao gồm các yếu tố quan trọng khác liên quan đến tính bền vững của đô thị, chẳng hạn như các tuyến và nhà ga giao thông công cộng. Ngoài ra, khuôn khổ này cũng bỏ qua một số chỉ tiêu đánh giá chủ quan về quy hoạch không gian như điểm thẩm mỹ, nghệ thuật.
Các khuôn khổ hiện tại phần lớn được hướng dẫn bởi các chỉ số tĩnh và mặc dù có thể tạo ra các quy hoạch khu dân cư với hiệu quả không gian cao, nhưng quy hoạch toàn bộ thành phố là một nhiệm vụ phức tạp hơn đòi hỏi phải xem xét các mục tiêu đa dạng bao gồm tăng trưởng kinh tế và sức khỏe người dân. Hầu như không thể đánh giá tác động của quy hoạch cấp thành phố thông qua một số chỉ số tĩnh.
Trong hầu hết các thí nghiệm, các nhà nghiên cứu đã bỏ qua hàng trăm quy tắc quy hoạch đô thị và không tính đến các vấn đề chính trong quy hoạch thành phố thực tế như quyền sở hữu đất đai, khả năng tiếp cận công cộng, phân chia và cải tạo đô thị. Tuy nhiên, với những điều chỉnh cần thiết và hợp lý, cách tiếp cận này có thể giải quyết tốt các vấn đề pháp lý và chính trị của quy hoạch thực tế.
Tuy nghiên cứu vẫn còn những thiếu sót nhưng chúng ta không thể phủ nhận tầm quan trọng của nó.
Học máy như một công cụ hỗ trợ có thể tăng năng suất của các nhà quy hoạch con người và cũng có khả năng tạo ra cuộc sống đô thị bền vững hơn. Ngoài ra, ngoài việc giúp người lập kế hoạch đẩy nhanh quá trình bố trí không gian, nó còn có thể mang lại lợi ích rộng rãi hơn cho những người tham gia khác. Bằng cách đưa các tùy chọn tùy chỉnh vào mô hình, một nền tảng công cộng có thể được xây dựng để tạo điều kiện thuận lợi cho người dân và nhà phát triển tham gia vào quá trình lập kế hoạch.
Như đã đề cập trong bài nghiên cứu, quy hoạch đô thị không bao giờ là một trò chơi đơn giản trong việc lựa chọn mục đích sử dụng đất và vị trí đường mà là sự tương tác phức tạp giữa nhiều bên liên quan. Khung đề xuất trong nghiên cứu này thể hiện khả năng có sự tham gia cao hơn của tất cả các bên và là một bước nhỏ hướng tới một thành phố minh bạch và toàn diện hơn.
Liên kết tham khảo:
Xem bản gốc
Trang này có thể chứa nội dung của bên thứ ba, được cung cấp chỉ nhằm mục đích thông tin (không phải là tuyên bố/bảo đảm) và không được coi là sự chứng thực cho quan điểm của Gate hoặc là lời khuyên về tài chính hoặc chuyên môn. Xem Tuyên bố từ chối trách nhiệm để biết chi tiết.
Mô hình AI của Thanh Hoa đăng trên tạp chí Nature: Chơi đùa với quy hoạch không gian đô thị, nhanh hơn con người 3000 lần
Nguồn: Tiêu đề học thuật
Tác giả: Yến Yimi
Biên tập viên: Viện sĩ
Ngày nay, trong lĩnh vực quy hoạch không gian đô thị, các nhà thiết kế con người cũng có đối tác AI.
Nhóm nghiên cứu từ Đại học Thanh Hoa đã đề xuất mô hình thuật toán học tăng cường sâu. Dựa trên ý tưởng thành phố 15 phút, mô hình này cho phép quy hoạch không gian đô thị phức tạp. Kết hợp với đầu vào của con người, quy hoạch không gian đường bộ và đất đai được máy học hỗ trợ vượt trội hơn các thuật toán khác và các nhà thiết kế con người chuyên nghiệp, khoảng 50% trên tất cả các số liệu được xem xét và nhanh hơn tới 3.000 lần.
Bài nghiên cứu liên quan có tiêu đề "Quy hoạch không gian của cộng đồng đô thị thông qua học tập tăng cường sâu" và vừa được xuất bản trên tạp chí phụ Nature Nature Computational Science số mới nhất.
Quy hoạch đô thị đang cần thay đổi khẩn cấp và khái niệm “thành phố 15 phút” đang được phổ biến rộng rãi
Các thành phố đã trở thành trung tâm của sự đổi mới, sáng tạo và cơ hội, thu hút mọi người từ mọi tầng lớp xã hội tìm kiếm cơ hội giải trí, giáo dục, chăm sóc sức khỏe và việc làm. **Quy hoạch không gian hiệu quả là điều cần thiết cho hoạt động kinh tế và phát triển bền vững của các thành phố. **
Quy hoạch đô thị hiện đại thường hướng tới phương tiện giao thông, thiên về các chức năng tập trung và các phương thức vận tải phụ thuộc vào ô tô, điều này không chỉ tạo ra tắc nghẽn giao thông mà còn góp phần vào sự nóng lên toàn cầu. Đồng thời, đại dịch virus Corona cũng bộc lộ tính dễ bị tổn thương của các thành phố trong thời gian phong tỏa. Vì vậy, quy hoạch đô thị cần phải được chuyển đổi khẩn cấp và cần đẩy nhanh quá trình chuyển đổi từ hướng tới phương tiện sang hướng tới con người.
Điều đáng chú ý là khái niệm “thành phố 15 phút” đang ngày càng trở nên phổ biến trong việc quy hoạch các cộng đồng đô thị mới và cải tạo các cộng đồng hiện có, nơi cư dân có thể đi bộ hoặc đạp xe đến các dịch vụ cơ bản trong vòng 15 phút, phản ánh kỳ vọng của người dân về cách bố trí không gian hiệu quả cao. trong các cộng đồng đô thị.
Tác nhân AI có thể tạo ra các giải pháp lập kế hoạch hiệu quả hơn các chuyên gia về con người
Để giải quyết những thách thức trên, một nhóm nghiên cứu từ Đại học Thanh Hoa đã đề xuất một mô hình quy hoạch đô thị dựa trên học tăng cường sâu, có khả năng tạo ra cách sử dụng đất và bố trí đường cho cộng đồng đô thị.
Tuy nhiên, so với các nhiệm vụ có điều kiện lưới thông thường như thiết kế chip và cờ vây, cộng đồng đô thị thể hiện các dạng hình học khác nhau đa dạng và không đều hơn.
Để giải quyết vấn đề này, nhóm nghiên cứu đã đề xuất một biểu đồ liên tục đô thị để mô tả cấu trúc liên kết của hình học đô thị, với các yếu tố địa lý đô thị là các nút và tính liên tục không gian là các cạnh. Việc xây dựng đồ thị cho phép nắm bắt được các mối quan hệ không gian cơ bản của bất kỳ hình thức cộng đồng nào. Do đó, họ xây dựng quy hoạch không gian như một vấn đề quyết định tuần tự trên biểu đồ và sơ đồ ở cấp độ tôpô thay vì ở cấp độ hình học.
Để giảm không gian hành động, các nhà nghiên cứu đã đào tạo một tác nhân AI, bao gồm một mạng giá trị và hai mạng chính sách để tìm ra các chiến lược lập kế hoạch tốt thông qua việc khám phá và sử dụng hiệu quả trong không gian hành động khổng lồ. Cụ thể, mạng giá trị dự đoán chất lượng quy hoạch không gian dựa trên việc thực hiện khái niệm “thành phố 15 phút”, và hai mạng chính sách còn lại được tác nhân AI sử dụng để chọn mục đích sử dụng đất và vị trí đường. Bằng cách lấy mẫu các hành động từ mạng chính sách và ước tính phần thưởng bằng cách sử dụng mạng giá trị, không gian hành động sẽ giảm đáng kể.
Để có được sự thể hiện hiệu quả các yếu tố địa lý đô thị, các nhà nghiên cứu đã phát triển thêm bộ mã hóa trạng thái dựa trên mạng lưới thần kinh đồ thị (GNN), sử dụng việc truyền thông điệp và tổng hợp lân cận trên biểu đồ tính liên tục của đô thị để nắm bắt các đoạn đất, đường và mối quan hệ không gian giữa các điểm giao nhau. Bộ mã hóa trạng thái GNN này được chia sẻ giữa mạng giá trị và mạng chính sách, từ đó tạo điều kiện thuận lợi cho việc dự đoán phần thưởng và lựa chọn vị trí. Cuối cùng, các tác nhân AI có thể tạo ra các giải pháp lập kế hoạch hiệu quả hơn các chuyên gia về con người.
Có tính đến sự hoàn thiện và phức tạp của các phương pháp quy hoạch đô thị, dựa trên mô hình DRL được trình bày, các nhà nghiên cứu đề xuất một quy trình làm việc để cộng tác AI với các nhà thiết kế con người, trong đó nhà thiết kế con người tập trung vào việc tạo nguyên mẫu khái niệm và sử dụng mô hình để hoàn thành công việc nặng nhọc và nỗ lực lập kế hoạch tốn thời gian.
Kết quả chứng minh rằng các nhà thiết kế con người có thể hưởng lợi từ quy trình cộng tác AI-con người vượt trội hơn lao động hoàn toàn của con người về cả số liệu lập kế hoạch khách quan và thử nghiệm mù chủ quan với 100 nhà thiết kế con người chuyên nghiệp. Hoàn thành quy trình làm việc và cải thiện hiệu quả thời gian lên 3000 lần.
Ngoài ra, mô hình có thể học các kỹ năng lập kế hoạch chung từ các tình huống đơn giản và áp dụng chúng vào các nhiệm vụ lập kế hoạch phức tạp quy mô lớn trong việc thiết kế các phong cách khác nhau, chẳng hạn như cộng đồng xanh và cộng đồng dịch vụ.
Học máy thúc đẩy phát triển đô thị bền vững và sự tham gia của nhiều bên liên quan
Tuy nhiên, trong thử nghiệm này, mặc dù số lượng sơ đồ không gian được tạo ra vượt quá 1 triệu nhưng vẫn chưa đủ lớn so với các bộ dữ liệu được sử dụng trong các tác vụ DRL tương tự (như Go và thiết kế chip). Ngoài ra, việc mở rộng phương pháp nghiên cứu này đến cấp thành phố đòi hỏi phải thu thập một số lượng lớn mẫu đào tạo từ các cụm phân tán và sử dụng nhiều GPU trên nhiều máy chủ để đào tạo các mạng lưới thần kinh lớn hơn.
Điều đáng chú ý là ba không gian con của phân rã (lập kế hoạch cái gì, lập kế hoạch ở đâu và lập kế hoạch như thế nào) có thể được tác nhân tối ưu hóa chung, nhưng điều này đòi hỏi nhiều mẫu đào tạo hơn. Ngoài ra, phần kế hoạch có thể được mở rộng để bao gồm các yếu tố quan trọng khác liên quan đến tính bền vững của đô thị, chẳng hạn như các tuyến và nhà ga giao thông công cộng. Ngoài ra, khuôn khổ này cũng bỏ qua một số chỉ tiêu đánh giá chủ quan về quy hoạch không gian như điểm thẩm mỹ, nghệ thuật.
Trong hầu hết các thí nghiệm, các nhà nghiên cứu đã bỏ qua hàng trăm quy tắc quy hoạch đô thị và không tính đến các vấn đề chính trong quy hoạch thành phố thực tế như quyền sở hữu đất đai, khả năng tiếp cận công cộng, phân chia và cải tạo đô thị. Tuy nhiên, với những điều chỉnh cần thiết và hợp lý, cách tiếp cận này có thể giải quyết tốt các vấn đề pháp lý và chính trị của quy hoạch thực tế.
Học máy như một công cụ hỗ trợ có thể tăng năng suất của các nhà quy hoạch con người và cũng có khả năng tạo ra cuộc sống đô thị bền vững hơn. Ngoài ra, ngoài việc giúp người lập kế hoạch đẩy nhanh quá trình bố trí không gian, nó còn có thể mang lại lợi ích rộng rãi hơn cho những người tham gia khác. Bằng cách đưa các tùy chọn tùy chỉnh vào mô hình, một nền tảng công cộng có thể được xây dựng để tạo điều kiện thuận lợi cho người dân và nhà phát triển tham gia vào quá trình lập kế hoạch.
Như đã đề cập trong bài nghiên cứu, quy hoạch đô thị không bao giờ là một trò chơi đơn giản trong việc lựa chọn mục đích sử dụng đất và vị trí đường mà là sự tương tác phức tạp giữa nhiều bên liên quan. Khung đề xuất trong nghiên cứu này thể hiện khả năng có sự tham gia cao hơn của tất cả các bên và là một bước nhỏ hướng tới một thành phố minh bạch và toàn diện hơn.
Liên kết tham khảo: