MIT: jak wizualna AI zmienia badania miast i niesie ryzyko

Naukowcy z MIT Senseable City Lab opublikowali nową książkę, w której analizują, jak wizualna sztuczna inteligencja zmienia sposób badania miast — oraz jakie ryzyko niesie ta technologia. Publikacja „How AI Sees the City: Urban Visual Intelligence” trafiła na rynek we wrześniu nakładem wydawnictwa Routledge.

Punktem wyjścia dla autorów był konkretny przykład: kilka miesięcy wcześniej zespół Senseable City Lab opublikował badanie o zanieczyszczeniu powietrza w Nowym Jorku, wykorzystując uczenie maszynowe do identyfikacji typów pojazdów na obrazach z 331 kamer ulicznych i szacowania emisji generowanych przez każdy z nich. Przy odpowiedniej liczbie kamer takie techniki wizualnej AI mogłyby monitorować emisje z niespotykaną dotąd precyzją i skalą.

Kluczowe wnioski

• Wizualna AI pozwala analizować ruch drogowy, bezpieczeństwo skrzyżowań, natężenie ruchu pieszych w parkach i placach oraz emisje spalin z pojazdów na niespotykaną wcześniej skalę.
• W badaniu zanieczyszczenia powietrza w Nowym Jorku naukowcy wykorzystali 331 kamer miejskich do identyfikacji typów pojazdów i oszacowania ich emisji.
• Autorzy książki – Fábio Duarte, Martina Mazzarello, Carlo Ratti i Fan Zhang – ostrzegają jednocześnie przed intruzywnością powszechnej wizualnej inwigilacji i ryzykiem wzmacniania uprzedzeń przez systemy AI.
• Technologia wpisuje się w długą tradycję wizualnych badań miast, sięgającą map rzymskich, fotografii XIX-wiecznej i prac urbanistów Kevina Lyncha oraz Williama H. Whyte'a.
• Zdaniem badaczy AI powinno być traktowane jako narzędzie służące ludzkim celom w projektowaniu i doskonaleniu przestrzeni miejskiej – a nie jako samodzielny cel.

Obrazy jako dane – nowa skala starej metody

Zespół Senseable City Lab, założony w 2004 roku, od lat wykorzystuje dane do lepszego zrozumienia dynamiki miejskiej. Jak podkreśla Fábio Duarte, główny naukowiec i zastępca dyrektora laboratorium, dzisiejsze obrazy cyfrowe można traktować jako pełnoprawne zbiory danych.

„Możemy traktować te obrazy cyfrowe jako dane i kwantyfikować cechy miasta” – mówi Duarte. „Dzięki technikom widzenia komputerowego każdy obraz jest zbiorem danych”. Zaraz jednak dodaje: „Musimy jednak być ostrożni”.

Martina Mazzarello, badaczka i liderka globalnych inicjatyw laboratorium, zwraca uwagę, że obserwacja środowiska miejskiego nie jest niczym nowym – zmienia się jednak skala tego procesu. „Każdy obserwował środowisko miejskie i próbował z tego wyciągnąć jakieś wnioski” – mówi Mazzarello. „Ale co, jeśli możemy to robić na dużą skalę i zdobywać te wnioski wszędzie?”.

Autorzy w książce wskazują wprost, że dzisiejsza wizualna AI wpisuje się w kontynuację długiej tradycji „patrzenia” na miasto, do której odwoływali się m.in. Kevin Lynch i William H. Whyte. Carlo Ratti, profesor praktyki, założyciel i dyrektor MIT Senseable City Lab, podkreśla to podobieństwo: „Wielcy urbaniści tacy jak Kevin Lynch i William H. Whyte pokazali nam niezwykłą wartość »patrzenia« na miasto. Dzisiaj wizualna AI daje nam nowe sposoby, by budować na tej tradycji – pozwalając obserwować miasta w skali i z poziomem szczegółowości, które wcześniej były niemożliwe”.

Od papieru i pióra do skalowania obserwacji

Lynch, były profesor MIT, w wydanej w 1960 roku książce „The Image of the City” wpłynął na pokolenia badaczy miast. Whyte, socjolog znany z „The Organization Man”, stał się natomiast urbanistą dokładnie badającym przestrzenie publiczne. Autorzy nowej publikacji celowo osadzają wizualną AI w tej samej linii rozwoju – sugerując, że mimo swojej mocy technologia ta pozostaje przede wszystkim narzędziem w rękach ludzi.

„Kevin Lynch w MIT korzystał wyłącznie z papieru i pióra” – mówi Duarte. „Teraz możemy skalować to, co on robił, korzystając z wizualnej AI, jednocześnie analizując wiele różnych wymiarów miast”.

Zakres możliwych zastosowań wizualnej AI w planowaniu urbanistycznym jest szeroki – od emisji spalin i przepływu ruchu, przez bezpieczeństwo, po lepsze obrazowanie aktywności na poziomie ulicy i chodników. Książka omawia też przykład miejskiej zieleni: satelitarne zdjęcia pokazują, jak dużo drzew i terenów zielonych mają miasta, ale wszechobecne obrazy z telefonów i innych źródeł mogą też ujawnić, w jakim stopniu ludzie faktycznie widzą zieleń w codziennym życiu – co, jak zauważają autorzy, ma znaczenie dla poczucia dobrego samopoczucia.

Fan Zhang, adiunkt w Institute of Remote Sensing and GIS na Peking University i współautorka książki, podsumowuje sens tej pracy: „Prawdziwa obietnica wizualnej AI nie polega po prostu na tym, że komputery mogą przeglądać miliony obrazów. Chodzi o to, że możemy połączyć to, co widoczne na tych obrazach – ulice, budynki, zieleń”.

Prywatność, uprzedzenia i granice inwigilacji

Wraz z możliwościami rośnie jednak lista wątpliwości. Autorzy wskazują, że więcej obrazów w miastach oznacza więcej danych i wniosków, ale też więcej obaw o prywatność i sprawiedliwość. W książce wyraźnie zaznaczają wieloznaczne potencjalne problemy związane z technologią – w tym intruzywność szeroko rozpowszechnionej wizualnej inwigilacji oraz ryzyko, że systemy AI mogą wzmacniać istniejące uprzedzenia, a nie je korygować.

To napięcie – między bezprecedensową precyzją analizy i skalą obserwacji a rosnącym ryzykiem nadzoru – stanowi centralny temat całej publikacji. Kwestie te przypominają dyskusje toczące się także wokół innych systemów AI wykorzystujących dane wizualne i behawioralne na dużą skalę, w których problem gromadzenia danych bez odpowiednich zabezpieczeń bywa równie istotny jak same możliwości technologiczne, o czym pisaliśmy m.in. w kontekście agenta AI Meta Muse, wzbudzającego niepokój dotyczący sposobu zbierania danych.

Autorzy nie proponują jednoznacznych rozwiązań tych dylematów, lecz raczej otwierają dyskusję o tym, jak wykorzystywać nowe możliwości technologiczne w sposób odpowiedzialny, zachowując równowagę między postępem badań urbanistycznych a ochroną prywatności mieszkańców miast.

Książka „How AI Sees the City: Urban Visual Intelligence” pokazuje więc dwie strony tej samej monety: wizualna AI może zrewolucjonizować sposób, w jaki rozumiemy i projektujemy miasta – ale wymaga to świadomego zarządzania ryzykiem związanym z prywatnością i uprzedzeniami wpisanymi w systemy algorytmiczne.