211service.com
AI-planerare i Minecraft kan hjälpa maskiner att designa bättre städer
Joel Filipe / Unsplash
Ett dussintal byggnader med branta tak klamrar sig fast vid kanterna av en dagbrottsgruva. Högt över dem, på toppen av en enorm bergbåge, sitter ett otillgängligt hus. På andra håll kretsar en järnväg på pålar en grupp flerfärgade tornblock. Utsmyckade pagoder pryder ett stort stenlagt torg. Och en ensam väderkvarn svänger på en ö, omgiven av fyrkantiga grisar. Detta är Minecraft stadsbyggnad, AI-stil.
Minecraft har länge varit en duk för vilda uppfinningar. Fans har använt det populära blockbyggande spelet för att skapa repliker av allt från centrala Chicago och King's Landing till fungerande processorer . Under decenniet sedan den första releasen har allt som kan byggas varit.
Sedan 2018 har Minecraft också varit miljön för en kreativ utmaning som tänjer på maskinernas förmågor. Den årliga Generativ design i Minecraft (GDMC) tävlingen ber deltagarna att bygga en artificiell intelligens som kan generera realistiska städer eller byar på tidigare osynliga platser. Tävlingen är bara för skojs skull, för nu, men teknikerna som utforskas av de olika AI-konkurrenterna är föregångare till sådana som verkliga stadsplanerare kan använda.
Generativ design i Minecraft-tävlingen utmanar AI:er att designa bosättningar för tidigare osynliga platser
Framgångsrika bidrag använder vanligtvis en rad tekniker för att identifiera när terrängen ska jämnas ut eller var man ska placera broar och byggnader. Dessa inkluderar gamla skolans vägsökningsalgoritmer som kopplar samman avlägsna delar av en bosättning, cellulära automater som kan producera komplexa strukturer med enkla regler och maskininlärning.
Konkurrensen har kommit långt på tre år. Första gången såg bosättningarna ofta ut maskingjorda, med byggnader ordnade i upprepade rader eller slumpmässiga kluster. Årets vinnare, som tillkännagavs på torsdagen, presenterade bosättningar med trovärdiga layouter anpassade till varje plats. Vägar omsluter sluttningar, broar sträcker sig över floder och hus innehåller till och med möbler.
Öppen och subjektiv, GDMC var inställd på tänja på gränserna för AI . Till skillnad från andra AI-tävlingar, såsom DARPA-utmaningarna för självkörande bilar eller robotar , den har ingen tydlig mållinje. Vad gör en bra by? Det finns inget numeriskt värde som du kan optimera för, säger medarrangören Christoph Salge, datavetare vid University of Hertfordshire, Storbritannien.
Utmaningens öppenhet innebär att AI:er måste bemästra flera mål. För att vinna måste de imponera på åtta mänskliga domare från en rad olika bakgrunder, inklusive arkitekter, arkeologer och speldesigners.
Dessa domare poängsätter AI-stadsplanerarna inom fyra områden: hur väl anpassar de sina designs till specifika platser; hur väl layouterna fungerar, enligt kriterier som om det finns broar och vägar mellan olika områden; hur tilltalande de är estetiskt; och hur mycket designen framkallar en berättelse – finns det detaljer som berättar en historia om hur en stad kom till, till exempel en ruin eller en grop från vilken byggmaterial kan ha utvunnits? Att göra en Minecraft-by för en osynlig karta är något en 10-årig människa skulle kunna göra, säger Salge. Men det är verkligen svårt för en AI.
Utjämna marken
Till exempel började en deltagare med att identifiera typen av miljö – öken eller skog, till exempel – och genererade sedan byggnader som såg ut som om de hade byggts av vanliga lokala material. En annan var duktig på att jämna ut landskapet och anlägga torg. Denna taktik fungerade bra på platt, öppen terräng, där den producerade slående tempelkomplex i japansk stil. Men det var mindre framgångsrikt på en liten ö, som det stenlade över helt.
Även de vinnande bidragen gör fortfarande fåniga misstag. I en boplats är några av husen begravda upp till takfoten i sand. Det beror helt klart på att algoritmen vill bygga på fast mark, säger Salge. Den sänker byggnader tills de träffar sten.
Claus Aranha, som studerar evolutionär beräkning vid universitetet i Tsukuba i Japan, tipsade tre deltagare till tävlingen. Han tycker att det är ett bra sätt att utforska och testa nya AI-tekniker. En sak som jag verkligen gillar är att det finns många olika förhållningssätt till den här utmaningen, säger han.
Realistiskt utseende spelvärldar är en sak. Men AI används redan för att analysera hur städer byggs. Tekniker och tillvägagångssätt liknande de som används i tävlingen kan en dag hjälpa till att designa riktiga städer som är hälsosammare och säkrare.
Till exempel har Aranha funnit att de flesta bidrag har ett uppifrån-och-ned-tillvägagångssätt, vilket innebär att AI-stadsgeneratorn tittar på ett givet område och genererar en bosättning som passar. Det kan ge bra övergripande resultat, men detaljerna kan vara felaktiga. Aranha tror att en multi-agent approach, där flera AI:er arbetar självständigt för att bygga strukturer som är informerade av sin närmaste omgivning, skulle kunna leda till mer sammanhängande och realistiska design.
Han kommer nu att använda denna insikt för att hjälpa sitt eget arbete, där han använder simuleringar för att utforska effekterna av olika stadsplaneringspolicyer på katastrofscenarier som jordbävningar eller skogsbränder. Han genererar virtuella städer genom lära ett neuralt nätverk hur städer ser ut med data från OpenStreetMap. Genom att automatiskt generera tusentals virtuella städer som skiljer sig åt i egenskaper som gatulayouter eller antal och positioner för öppna ytor, kan han bedöma om en policy som krävde att 10 % av bostadsområdet skulle reserveras för parker skulle rädda liv.
CityScope Champs-Élysée-projektet från MIT Media Lab använder agentbaserad simulering för att utforska föreslagna design
Samtidigt använder Arnaud Grignard och hans kollegor vid MIT Media Lab agentbaserad simulering för att utforska möjliga design för livliga offentliga utrymmen, inklusive en regenererad Champs-Élysées i Paris. Och New York startup Topos använder AI för att hjälpa till att förstå hur layouten för en stad påverkar de som bor i den. I ett projekt använde den en rad AI-metoder, inklusive bildigenkänning och naturligt språkbehandling, för att lära sig hur olika områden i New York användes av människorna som bodde där. Det då ritade om gränserna för New Yorks fem stadsdelar utifrån likheter mellan stadsdelar, till exempel om de är bostäder eller kommersiella, lummiga eller urbana. Den resulterande kartan arrangerar stadsdelarna som mer eller mindre koncentriska ringar runt ett centralt Manhattan.
Jasper Wijnands, vid University of Melbourne i Australien, är också övertygad om att AI har en plats i framtidens stadsdesign. Han och hans kollegor har börjat utforska användningen av generative adversarial networks (GAN) för att göra stilöverföring på bilder från Google Street Se.
Stilöverföring används vanligtvis för att återskapa en bild i stil med en annan, som att få en selfie att se ut som om den var målad av Van Gogh. Men istället för en visuell stil fick Wijnands sin AI att lära sig en stil som speglade folkhälsodata i olika stadskvarter. Han bad den sedan att återge Street View-bilder i stil med stadsdelar där folkhälsan var god. Med andra ord kan hans AI finjustera bilder av dåliga kvarter så att de ser ut som bra. Stadsplanerare kan sedan använda dessa tweaks - ett grönt utrymme här, en bredare gata där - som en guide för stadsförbättringar.
AI:n lärdes inte ut vilka slags saker planerare tycker gör städer bättre, men den träffade på vanliga idéer av sig själv. Det är intressant att se att GAN-produktionen stämmer överens med vår vetenskapliga förståelse av grönområdenas inverkan på hälsan, säger Wijnands.
Hans team har nu ett anslag på 1,2 miljoner dollar för att utveckla tillvägagångssättet, och han presenterar det för sina stadsplaneringsstudenter.
Designeffekter
En av de mer omedelbara användningsområdena för AI i stadsplanering är att förstå effekterna av stadsdesign i global skala. I januari publicerade Wijnands och hans kollegor en studie i The Lancet Planetary Health där de tittade på 1 692 städer, hem till en tredjedel av världens befolkning. De använde konvolutionella neurala nätverk, som vanligtvis används för bildigenkänning, för att klassificera olika urbana layouter efter antalet allvarliga trafikolyckor som hade hänt i dem. Städer med fler järnvägsnät med hög genomfartstrafik och tätare gatulayouter arrangerade runt små kvarter visades vara säkrare än mer vidsträckta layouter arrangerade runt återvändsgränder.
Dessa resultat kanske inte är alltför överraskande, men data kunde inte ha analyserats alls utan automatisering.
Visioner om ett utopiskt liv bygger alltid på antaganden om vilka slags stadsrum som gör människor lyckligare eller friskare. Men dessa är svåra att testa, och ambitiösa förnyelseprojekt kan misslyckas. AI-stadsplanerare kan hjälpa till på ett antal sätt, avslöja de dolda effekterna av vissa befintliga layouter eller simulera tusentals potentiella design. Salge arbetar nu med planerare i USA om hur framtida tävlingar kan innehålla mer realistisk information om hur människor använder städer, till exempel hur de rör sig eller var de shoppar. Det kan göra de konstgjorda skapelserna ännu mer verklighetstrogna – och potentiellt mer användbara.
Men förvänta dig inte att AI helt ska ta över planeringen. Städer är mycket mer än ett arrangemang av föremål på marken: de bor i. Och det betyder att de är resultatet av många avvägningar, säger Dave Amos, en stadsplanerare som har en populär YouTube-kanal som heter City Beautiful. Som Amos uttrycker det i en video granskar det vinnande bidraget till GDMC-tävlingen 2018: Planering är till sin natur en politisk process. Du behöver folk som tjatar om hur utvecklingen kommer att se ut.