AI planuotojai „Minecraft“ galėtų padėti mašinoms kurti geresnius miestus

Joelis Filipe / Unsplash

Prie atviros kasyklos pakraščių glaudžiasi keliolika pastatų stačiais stogais. Aukštai virš jų, ant didžiulės uolos arkos, stovi neprieinamas namas. Kitur geležinkelis ant polių juosia įvairiaspalvių bokštų kvartalų grupę. Puošnios pagodos puošia didelę grįstą aikštę. O vienišas vėjo malūnas sukasi saloje, apsuptas kvadratinių kiaulių. Tai yra „Minecraft“ miesto kūrimo, AI stiliaus.

Minecraft jau seniai buvo laukinių išradimų drobė. Gerbėjai naudojo sėkmingą blokų kūrimo žaidimą kurdami visko kopijas Čikagos centre ir Karaliaus nusileidimas į veikiantys CPU . Per dešimtmetį nuo pirmojo išleidimo viskas, ką galima sukurti, buvo sukurta.

Nuo 2018 m. „Minecraft“ taip pat yra kūrybinio iššūkio, išplečiančio mašinų galimybes, vieta. Metinis Generatyvus dizainas „Minecraft“. (GDMC) konkurse dalyvių prašoma sukurti dirbtinį intelektą, galintį sukurti tikroviškus miestus ar kaimus anksčiau nematytose vietose. Kol kas konkursas skirtas tik pramogai, tačiau įvairių AI konkurentų ištirtos technikos yra tų, kurias galėtų naudoti realaus pasaulio miestų planuotojai, pirmtakai.

„Generative Design in Minecraft“ konkursas meta iššūkį AI projektuoti gyvenvietes anksčiau nematytose vietose

Sėkminguose įrašuose paprastai naudojami įvairūs metodai, siekiant nustatyti, kada reikia išlyginti reljefą arba kur pastatyti tiltus ir pastatus. Tai apima senosios mokyklos kelio paieškos algoritmus, jungiančius nutolusias gyvenvietės dalis, korinio ryšio automatus, galinčius sukurti sudėtingas struktūras naudojant paprastas taisykles, ir mašininį mokymąsi.

Per trejus metus konkursas nuėjo ilgą kelią. Pirmą kartą gyvenvietės dažnai atrodė mašininės, o pastatai buvo išdėstyti pasikartojančiomis eilėmis arba atsitiktinėmis grupėmis. Šių metų nugalėtojai, paskelbti ketvirtadienį, išryškino gyvenvietes su patikimais kiekvienai vietai pritaikytais išplanavimais. Keliai juosia kalvų šlaitus, tiltai driekiasi per upes, o namuose netgi yra baldų.

Neribotas ir subjektyvus, GDMC buvo įsteigtas peržengti AI ribas . Skirtingai nuo kitų AI konkursų, tokių kaip DARPA iššūkiai savarankiškai važiuojantys automobiliai arba robotai , jis neturi aiškios finišo linijos. Kas daro gerą kaimą? Nėra skaitinės vertės, kurią galėtumėte optimizuoti, sako vienas iš organizatorių Christophas Salge'as, kompiuterių mokslininkas iš Hertfordšyro universiteto, JK.

Iššūkio neapibrėžtumas reiškia, kad AI turi pasiekti kelis tikslus. Norėdami laimėti, jie turi padaryti įspūdį aštuoniems teisėjams iš įvairių sluoksnių, įskaitant architektus, archeologus ir žaidimų dizainerius.

Šie teisėjai vertina dirbtinio intelekto miestų planuotojus keturiose srityse: kaip jie pritaiko savo dizainą konkrečioms vietoms; kaip gerai veikia maketai, atsižvelgiant į tokius kriterijus kaip, ar tarp skirtingų vietovių yra tiltų ir kelių; kiek jie patrauklūs estetiškai; ir kiek dizainas sukelia pasakojimą – ar yra detalių, pasakojančių apie miesto atsiradimą, pavyzdžiui, griuvėsiai ar duobė, iš kurios galėjo būti išgaunamos statybinės medžiagos? Padaryti Minecraft kaimelį nematytam žemėlapiui yra tai, ką gali padaryti 10 metų žmogus, sako Salge. Tačiau dirbtiniam intelektui tai tikrai sunku.

Žemės išlyginimas

Pavyzdžiui, vienas dalyvis pradėjo nustatydamas aplinkos tipą – tarkime, dykumą ar mišką – ir tada sukūrė pastatus, kurie atrodė taip, lyg būtų pastatyti iš įprastų vietinių medžiagų. Kitas puikiai išlygino kraštovaizdį ir įrengė aikštes. Ši taktika puikiai pasiteisino plokščioje, atviroje vietovėje, kur ji sukūrė įspūdingus japoniško stiliaus šventyklų kompleksus. Tačiau tai buvo mažiau sėkminga mažoje saloje, kurią jis visiškai nutiesė.

Net ir laimėję darbai vis tiek daro kvailas klaidas. Vienoje gyvenvietėje dalis namų iki pat karnizo įkastas smėlyje. Taip yra aiškiai todėl, kad algoritmas nori sukurti tvirtą pagrindą, sako Salge. Jis griauna pastatus, kol atsitrenkia į uolą.

Clausas Aranha, Japonijos Tsukuba universitete studijuojantis evoliucinį skaičiavimą, patarė trims dalyviams dalyvauti konkurse. Jis mano, kad tai geras būdas tyrinėti ir išbandyti naujas AI technologijas. Vienas dalykas, kuris man labai patinka, yra tai, kad yra daug skirtingų požiūrių į šį iššūkį, sako jis.

Realiai atrodantys žaidimų pasauliai yra vienas dalykas. Tačiau dirbtinis intelektas jau naudojamas analizuojant, kaip kuriami miestai. Metodai ir metodai, panašūs į tuos, kurie naudojami konkurse, vieną dieną galėtų padėti sukurti tikrus miestus, kurie būtų sveikesni ir saugesni.

Pavyzdžiui, Aranha nustatė, kad daugumoje įrašų taikomas metodas „iš viršaus į apačią“, o tai reiškia, kad AI miesto generatorius žiūri į tam tikrą sritį ir sukuria gyvenvietę, kad ji tilptų. Tai gali duoti gerų bendrų rezultatų, tačiau detalės gali būti netinkamos. Aranha mano, kad kelių agentų metodas, kai kelios AI dirba savarankiškai, kurdamos struktūras, kurias informuoja jų artimiausia aplinka, galėtų lemti nuoseklesnius ir tikroviškesnius projektus.

Dabar jis ketina panaudoti šią įžvalgą, kad padėtų savo darbui, kuriame jis naudoja modeliavimą, kad ištirtų skirtingų miestų planavimo strategijų poveikį nelaimių scenarijams, pvz., žemės drebėjimams ar gaisrams. Jis kuria virtualius miestus mokyti neuroninį tinklą, kaip atrodo miestai su duomenimis iš OpenStreetMap. Automatiškai generuodamas tūkstančius virtualių miestų, kurie skiriasi savo savybėmis, pvz., gatvių išdėstymu ar atvirų erdvių skaičiumi ir padėtimi, jis gali įvertinti, ar politika, pagal kurią 10 % gyvenamojo ploto būtų skirta parkams, išgelbėtų gyvybes.

„CityScope Champs-Elysée“ projektas iš MIT Media Lab naudoja agentais pagrįstą modeliavimą, kad ištirtų siūlomus dizainus.

Tuo tarpu Arnaud Grignard ir jo kolegos iš MIT Media Lab naudoja agentais pagrįstą modeliavimą, kad ištirtų galimus judrių viešųjų erdvių dizainus, įskaitant atnaujintas Eliziejaus laukas Paryžiuje. O Niujorko startuolis „Topos“ naudoja dirbtinį intelektą, kad padėtų suprasti, kaip miesto išdėstymas veikia jame gyvenančius žmones. Viename projekte jis naudojo įvairius AI metodus, įskaitant vaizdo atpažinimą ir natūralios kalbos apdorojimą, kad sužinotų, kaip ten gyvenantys žmonės naudojasi skirtingomis Niujorko sritimis. Tai tada perbrėžė penkių Niujorko rajonų ribas remiantis kaimynų panašumais, pavyzdžiui, ar jie yra gyvenamieji ar komerciniai, žaliuoti ar miesto. Gautame žemėlapyje rajonai išdėstyti daugiau ar mažiau koncentriniais žiedais aplink centrinį Manheteną.

Jasperas Wijnandsas iš Melburno universiteto Australijoje taip pat įsitikinęs, kad dirbtinis intelektas turi vietą ateities miestų projekte. Jis ir jo kolegos pradėjo tyrinėti generatyvių priešininkų tinklų (GAN) naudojimą. stiliaus perkėlimas ant vaizdų iš Google Street Žiūrėti.

Stiliaus perkėlimas paprastai naudojamas norint atkurti vieną vaizdą kito stiliumi, pavyzdžiui, padaryti asmenukę taip, lyg ją būtų nupiešęs Van Goghas. Tačiau vietoj vizualinio stiliaus Wijnands išmoko AI išmokti stilių, atspindintį visuomenės sveikatos duomenis skirtinguose miesto kvartaluose. Tada jis paprašė atkurti „Street View“ vaizdus rajonų, kuriuose visuomenės sveikata buvo gera, stiliumi. Kitaip tariant, jo AI gali pakeisti blogų rajonų vaizdus, ​​kad jie atrodytų kaip geri. Miesto planuotojai galėtų panaudoti šiuos pakeitimus – žalią erdvę čia, platesnę gatvę ten – kaip miesto tobulinimo vadovą.

AI nebuvo mokoma, kokie dalykai, planuotojų nuomone, daro miestus geresnius, tačiau jis pats pataikė į įprastas idėjas. Įdomu pastebėti, kad GAN produkcija atitinka mūsų mokslinį supratimą apie žaliosios erdvės poveikį sveikatai, sako Wijnands.

Jo komanda dabar turi 1,2 mln. USD dotaciją metodui sukurti, ir jis supažindina su juo savo miesto planavimo studentus.

Dizaino poveikis

Vienas iš artimiausių AI panaudojimo būdų miesto planavime yra suprasti miesto dizaino poveikį pasauliniu mastu. Sausio mėnesį Wijnandsas ir jo kolegos žurnale „The Lancet Planetary Health“ paskelbė tyrimą, kuriame jie apžvelgė 1692 miestus, kuriuose gyvena trečdalis pasaulio gyventojų. Jie naudojo konvoliucinius neuroninius tinklus, paprastai naudojamus vaizdų atpažinimui, kad klasifikuotų skirtingus miesto išdėstymus pagal juose įvykusių rimtų eismo įvykių skaičių. Buvo įrodyta, kad miestai su didesniu tranzito geležinkelių tinklu ir tankesniu gatvių išdėstymu, išdėstytu aplink mažus kvartalus, yra saugesni nei plačiau išdėstyti išdėstymai aplink aklagatves.

Tie rezultatai gal ir nestebina, bet duomenų nebūtų buvę galima iš viso išanalizuoti be automatizavimo.

Utopinio gyvenimo vizijos visada grindžiamos prielaidomis apie tai, kokios miesto erdvės daro žmones laimingesnius ar sveikesnius. Tačiau tai sunku išbandyti, o ambicingi regeneravimo projektai gali žlugti. AI miestų planuotojai galėtų padėti įvairiais būdais, atskleisdami paslėptą tam tikrų esamų maketų poveikį arba imituodami tūkstančius galimų dizainų. Šiuo metu Salge'as bendradarbiauja su JAV planuotojais, siekdamas, kad būsimi konkursai galėtų apimti tikroviškesnius duomenis apie tai, kaip žmonės naudojasi miestais, pavyzdžiui, kaip jie juda arba kur apsipirkinėja. Tai galėtų padaryti dirbtinius kūrinius dar gyvesnius ir galbūt naudingesnius.

Tačiau nesitikėkite, kad AI visiškai perims planavimą. Miestai yra daug daugiau nei objektų išdėstymas ant žemės: juose gyvenama. Tai reiškia, kad jie yra daugelio kompromisų rezultatas, sako Dave'as Amosas, miestų planuotojas, turintis populiarų „YouTube“ kanalą „City Beautiful“. Kaip Amosas sako vaizdo įraše laimėjusio kūrinio peržiūra į GDMC konkursą 2018 m.: planavimas iš esmės yra politinis procesas. Reikia, kad žmonės susimąstytų apie tai, kokia bus plėtra.

paslėpti