本文字数：3040字
阅读时间：约7分钟
指导
读
2023年12月10日，“特大城市智慧转型的未来展望——数字孪生赋能空间治理”年度学术研讨会在腾讯北京总部成功举办。智慧人居与空间规划与治理技术创新中心主任田力教授自然资源部中心、清华大学建筑学院教授致开幕词，并作题为《特大城市规划与治理的“智能模拟器”探索：基于复杂性视角》的专题报告。
田丽
清华大学建筑学院教授、自然资源部智慧人居环境与空间规划与治理技术创新中心主任
复杂性科学与特大城市规划与治理的复杂性
复杂性科学研究始于20世纪70年代和80年代，旨在超越传统简单研究范式在复杂问题上的局限性。 复杂范式与简单范式最大的区别在于出现。 涌现的科学内涵是个体的简单叠加无法演绎出系统整体，因此需要从还原论转向个体与宏观相结合的整体论，建立宏观与微观机制耦合的研究框架。
城市人居环境是一个非常典型的复杂系统，包括生态系统的复杂性和人本身的复杂性。 特大城市系统的复杂性更进一步，是同一环境下各种复杂问题的“空间耦合”。 从复杂系统的角度理解城市，除了单个系统的技术问题外，还需要思考这种耦合背后的平衡问题，提高整个系统的综合协同性。 在此基础上，需要建立全面的城市复合系统理论模型。
复杂性视角下的多学科特大城市研究实践
上世纪末，科学家们开始从复杂系统的角度探索城市研究。 此类研究通过脱离个体特征的研究视角，避免了还原论研究框架下“难以还原整个系统”的认知困境。 对于理解复杂系统中的“突现”现象、理解深层演化过程具有重要意义。 在系统研究层面，简单个体与复杂系统的决策存在着“遥远的相似性”，其演化机制具有紧密的规律。
近年来，随着信息技术的不断发展，快速增长的算力推动了机器学习、强化学习等一系列创新算法的实践。 城市科学领域也产生了许多技术创新驱动的研究。 目前，城市复杂系统研究已取得一定进展：摆脱了个体样本的复杂系统视角，实现了自然科学与社会科学模型的跨学科交叉，绕过了传统方法“还原城市”的困境。整个画面”。 但仍存在一些问题：仅拟合演化结果，忽视“机制”分析； 由于计算能力或技术方法的限制，结构过于简单； 缺乏城市相关学科专业知识的支撑。 复杂系统和多学科模型的理论框架仍需在城市专业知识库集成和信息计算技术支撑迭代两个维度上寻找突破。 我们可以借鉴冰山模型来解构人居环境，建立人居环境复杂系统的冰山模型，作为城市系统的复杂系统框架。
城市系统复杂系统框架——人居环境复杂系统冰山模型
复杂性视角下的特大城市规划与治理：
智慧人居1.0--3.0
当前，智慧城市治理的现状呈现出数字化进步巨大但“智慧不足”的特点。 因此，有必要逐步从智慧人居1.0迈向3.0。 基于可视化的智慧人居1.0阶段，通过计算机辅助信息统计和可视化，解决了传统分析方法统计能力不足的问题。 适用范围包括自然资源、土地、住房、道路交通、市政设施等领域。 智慧人居2.0阶段以分析、监测和预警为主，重点解决问题识别和预警监测，解决大量数据难以衡量的“深层次问题”。 基于人工智能的信息技术处理重点关注空间治理的问题诊断、监督预警等。
当前特大城市规划与治理研究的不足主要集中在复杂协作不足和智能分析不足。 传统模型消耗大量人力、物力和时间，难以支撑城市决策。 因此，需要开发“专业知识+数据智能”驱动的人工智能辅助决策模型，形成低门槛、通用性强的实用解决方案。 智慧人居3.0特大城市规划治理框架基于复杂系统视角分析、智能赋能辅助决策、高效开放的适应实践三个方面。
特大城市规划和治理的智能人居3.0框架
人工智能辅助大城市的规划和治理
“智能模拟器”：
以北京特大城市城中村改造为例
生成式人工智能是一个辅助宏观和微观耦合决策支持的框架。 生成式AI辅助的特大城市规划治理“智能模拟器”是基于“高精度地图+人口流动模型”的城市模拟器。 接入各专业子模型后，可对“政策-空间-行为”全流程的政策干预进行模拟推导，实现智能、精准、直观的决策，达到全流程决策的作用协助。 北京特大城市城中村改造是人工智能辅助特大城市规划和治理的一个例子。
基于生成大模型的“宏微观”主体交互空间优化框架，主要分析宏观政策影响，模拟微观使用行为，基于边界条件和模拟参数进行宏微观耦合分析，进行模块推演，提供迭代反馈。 北京城中村改造模拟器主要通过目标场景设定、智能规划模拟、方案绩效评估、规划治理决策、多重协同优化等进行宏观与微观耦合“政策-空间-行为”，实现智能化、精准化、精细化决策。 可视化。
北京城中村改造模拟器
在城中村改造模拟器中，可以以北京目前的城中村分布和各种资源条件为基础图，根据不同的发展目标进行推演和规划比较。 方案生成后，可以对改造方案进行信息统计和效果评估。 从使用过程来看，首先定义目标场景，代入参数，然后利用模型进行智能规划仿真。 然后，通过方案绩效评估和多目标协同过程，最终影响转型规划决策。
模拟器首先设定目标场景，主要设计转型的外部环境、政策背景和发展目标，为后续AI程序生成提供基础参考。 设置好各种参数后，就可以开始程序推演，将土地利用转化为城市POI和人口分布的变化，然后将其纳入城市模拟器的框架中，衡量新状态下的职住平衡等指标。 初始计划生成完成后，可以建立多目标优化评估，完成各种发展目标的计划比较。
模型完成场景设定-方案生成-方案迭代-多目标比较的过程后，可接入清华建筑学院土地利用与住房政策研究中心此前开发的城市更新多协商平台大学，进行更详细的需求评估。 和协商决策，大大提高转型实践的沟通效率。 此外，由于该规划基于开放的模型框架，未来可以根据发展需要，接入不同的政策需求框架，进行政策设计-方案制定-结果推演-多目标协同辅助决策-制定过程以实现真正的人工智能支持的规划“智能模拟器”。
“智能模拟器”与传统系统动力学模型相比具有一系列优势：模型从既笨重又困难的传统模型转变为简单而智能的“模拟器”，从单维驱动转变为双元模型。数据和知识。 推动转型，从固化流程模拟向全流程模拟转变，从长期决策向分钟级决策转变，从可扩展性弱的闭源模型向开放性高可扩展的模拟器转变。 只需调整参数即可快速生成新的绩效评估。 “智能模拟器”后续版本升级重点是模型优化、算法优化、框架升级。
结论
人工智能技术的快速发展提供了前所未有的强大计算能力，可以极大提高治理精细化水平，同时节省大量人力物力成本。 它可广泛应用于数据收集和分析、问题监控和识别、政策演化模拟、实时优化和决策等领域。人工智能的颠覆性来自于它学习和分析海量数据的能力，但这也给AI应用带来了局限性：数据本身的局限性、长期误差的积累以及难以预测模型之外的复杂因素。
强大的计算能力为个体智能和“个体智能+群体智能”的结合提供了技术支撑，为复杂系统的模拟和推演带来了希望。 特大城市从“基于大脑的决策”、“借助传统专业模型的有限理性决策”到“人工智能辅助的可视化、直观的智能辅助决策”的转变，有望为精准化决策提供参考。空间治理。 “智能模拟器”是从0到1模拟复杂城市系统的初步尝试，未来在算法数据、与专业知识的结合、模拟精度等方面还有很大的提升空间。
