AI-based Zoning als Antwort auf intelligente und gerechte Städte

Zoning Codes sind ein Jahrhundert alt und das Lebenselixier aller großen US-Städte (außer wohl Houston), bestimmen, was wo gebaut werden kann und welche Aktivitäten in einer Nachbarschaft stattfinden können. Angesichts der zunehmenden Komplexität untersuchen Wissenschaftler zunehmend, ob ihre regelbasierten Systeme zur Rationalisierung des städtischen Raums durch dynamische Systeme ersetzt werden könnten, die auf Blockketten, Algorithmen für maschinelles Lernen und räumlichen Daten basieren und möglicherweise die Stadtplanung und -entwicklung für die nächsten einhundert revolutionieren Jahre.

Diese Zukunftsvisionen sind inspiriert von meinen jüngsten Gesprächen mit Kent Larson und John Clippinger, einem dynamischen Urban Thinking-Duo, das die Verbesserung von Städten und Stadtverwaltung zu ihrem aktuellen Karrierefokus gemacht hat. Larson ist ein Forschungsleiter am MIT Media Lab, wo er die City Science Group leitet, und Clippinger war früher ein Research Scientist an der Human Dynamics Group am MIT Media Lab und ist heute Mitbegründer von Swytch.io Das ist die Entwicklung eines Utility-Tokens namens Swytch.

Eine der größten Herausforderungen für US-Großstädte ist der Preis für Wohnraum ist in den letzten Jahrzehnten in die Höhe geschossenDies belastet das Budget von Jung und Alt, Singles und Familien gleichermaßen. Der Durchschnitt Ein-Zimmer-Wohnung ist $ 3,400 in San Francisco und $ 3,350 in New York Cityund machen diese Mekkas der Innovation selbst gut finanzierten Start-up-Gründern, geschweige denn Künstlern oder Pädagogen, immer unzugänglicher.

Wohnen reicht jedoch nicht aus, um den modernen Wissensarbeiter zu befriedigen. Es wird erwartet, dass jede Nachbarschaft eine Wäscheliste mit Annehmlichkeiten hat, von netten und billigen Restaurants, Freiflächen und kulturellen Einrichtungen bis hin zu wichtigen menschlichen Dienstleistungen wie Lebensmittelgeschäften, chemischen Reinigungen und Friseursalons.

Ein Zoning Board würde heute lediglich versuchen, zu fordern, dass verschiedene Entwicklungen die notwendigen Annehmlichkeiten als Teil des Genehmigungsprozesses beinhalten, was dazu führt Essens-Desserts und die neugierigen Seelenlosigkeit einiger Stadtteile. In der Welt von Larson und Clippinger würden jedoch regelbasierte Modelle für „dynamische, sich selbst regulierende Systeme“ auf der Grundlage von Token, die agnostisch als Tokens bezeichnet werden könnten, auf den Markt gebracht.

Jede Nachbarschaft besteht aus verschiedenen Arten von Menschen mit unterschiedlichen Lebenszielen. Larson erklärte: „Wir können diese verschiedenen Szenarien modellieren, von wem wir hier arbeiten möchten und welche Art von Annehmlichkeiten wir möchten. Dann kann dies mathematisch als Algorithmus beschrieben werden und die Anreize können dynamisch sein, basierend auf Echtzeit-Datenfeeds.“

Die Idee ist, zuerst Datensätze wie Mobilitätszeiten, Wirtschaftlichkeit der Einheiten, Ausstattungswerte und Gesundheitsergebnisse zu verwenden und diese in ein maschinelles Lernmodell einzuspeisen, das versucht, das Glück der Anwohner vor Ort zu maximieren. Tokens wären dann eine Währung, um dem Markt zu signalisieren, welche Dinge der Community hinzugefügt oder entfernt werden sollten, um das Glück zu verbessern.

Ein Entwickler eines Luxusapartments muss möglicherweise Jetons bezahlen, insbesondere wenn das Gebäude keine kritischen Annehmlichkeiten bietet, während ein anderer Entwickler, der sein Eigentum in Freiflächen umwandelt, möglicherweise vollständig durch Jetons subventioniert wird, die zuvor in das System eingezahlt wurden. "Sie müssen die Signale nicht zu einem einzigen Preismechanismus zusammenfassen", sagte Clippinger. Stattdessen wissen Sie mit "Rückkopplungsschleifen, dass es dynamische Bereiche gibt, die Sie beibehalten möchten."

Vergleichen Sie diesen systembasierten Ansatz mit der Komplexität, die wir heute haben…

Lesen Sie die ganze Geschichte hier…