Planiści AI w Minecraft mogą pomóc maszynom w projektowaniu lepszych miast

Joel Filipe / Unsplash

Kilkanaście budynków o stromych dachach przylega do krawędzi kopalni odkrywkowej. Wysoko nad nimi, na szczycie ogromnego łuku skalnego, stoi niedostępny dom. W innym miejscu kolejka na palach okrąża grupę wielokolorowych wieżowców. Ozdobne pagody zdobią duży brukowany plac. A samotny wiatrak obraca się na wyspie otoczonej kwadratowymi świniami. To jest budowanie miasta Minecraft w stylu AI.

Minecraft od dawna jest płótnem dla dzikich wynalazków. Fani wykorzystali tę przebojową grę w budowanie bloków, aby stworzyć repliki wszystkiego od centrum Chicago oraz Królewska Przystań do działające procesory . W ciągu dekady od pierwszego wydania powstało wszystko, co można zbudować.

Od 2018 roku Minecraft jest także miejscem kreatywnego wyzwania, które poszerza możliwości maszyn. Roczny Projektowanie generatywne w Minecrafcie Konkurs (GDMC) prosi uczestników o zbudowanie sztucznej inteligencji, która może generować realistyczne miasta lub wioski w nieznanych wcześniej lokalizacjach. Konkurs jest na razie tylko dla zabawy, ale techniki badane przez różnych konkurentów AI są prekursorami tych, z których mogliby korzystać prawdziwi urbaniści.

Konkurs Generative Design in Minecraft rzuca wyzwanie AI do projektowania osiedli dla wcześniej niewidzianych lokalizacji

Pomyślne wpisy zazwyczaj wykorzystują szereg technik, aby określić, kiedy wyrównać teren lub gdzie umieścić mosty i budynki. Należą do nich oldschoolowe algorytmy wyszukiwania ścieżek, które łączą odległe części osady, automaty komórkowe, które mogą tworzyć złożone struktury przy użyciu prostych reguł, oraz uczenie maszynowe.

Konkurs przeszedł długą drogę w ciągu trzech lat. Za pierwszym razem osady często wyglądały na zbudowane maszynowo, z budynkami ułożonymi w powtarzające się rzędy lub losowe skupiska. Tegoroczni zwycięzcy, ogłoszeni w czwartek, prezentowali osiedla o wiarygodnych układach dostosowanych do każdej lokalizacji. Drogi przylegają do wzgórz, mosty łączą rzeki, a domy zawierają nawet meble.

Otwarte i subiektywne, GDMC zostało utworzone, aby przekroczyć granice AI . W przeciwieństwie do innych zawodów AI, takich jak wyzwania DARPA dla samochody autonomiczne lub roboty , nie ma wyraźnej linii mety. Co sprawia, że ​​wioska jest dobra? Nie ma wartości liczbowej, którą można by zoptymalizować, mówi współorganizator Christoph Salge, informatyk z University of Hertfordshire w Wielkiej Brytanii.

Otwartość wyzwania oznacza, że ​​sztuczna inteligencja musi opanować wiele celów. Aby wygrać, muszą zaimponować ośmiu sędziom z różnych środowisk, w tym architektom, archeologom i projektantom gier.

Jurorzy oceniają urbanistów wykorzystujących sztuczną inteligencję w czterech obszarach: jak dobrze dostosowują swoje projekty do konkretnych lokalizacji; jak dobrze działają układy, zgodnie z kryteriami, takimi jak mosty i drogi między różnymi obszarami; jak atrakcyjne są pod względem estetycznym; i jak bardzo projekty przywołują narrację – czy są szczegóły, które opowiadają historię o tym, jak powstało miasto, takie jak ruina lub dół, z którego mogły być wydobywane materiały budowlane? Stworzenie wioski Minecraft na niewidoczną mapę to coś, co mógłby zrobić 10-letni człowiek, mówi Salge. Ale to jest naprawdę trudne dla AI.

Wyrównywanie terenu

Na przykład jeden z uczestników zaczął od zidentyfikowania rodzaju środowiska — powiedzmy pustyni lub lasu — a następnie wygenerował budynki, które wyglądały, jakby zostały zbudowane z typowych lokalnych materiałów. Inny był dobry w wyrównywaniu krajobrazu i układaniu placów. Ta taktyka sprawdzała się na płaskim, otwartym terenie, gdzie tworzyła imponujące kompleksy świątynne w stylu japońskim. Ale mniej udała się na małej wyspie, którą całkowicie utwardziła.

Nawet zwycięskie zgłoszenia nadal popełniają głupie błędy. W jednej osadzie niektóre domy są zasypane piaskiem po okap. Wynika to wyraźnie z tego, że algorytm chce budować na solidnym gruncie, mówi Salge. Zatapia budynki, aż uderzają w skałę.

Claus Aranha, który studiuje obliczenia ewolucyjne na Uniwersytecie Tsukuba w Japonii, doradził trzem uczestnikom konkursu. Uważa, że ​​to dobry sposób na odkrywanie i testowanie nowych technik sztucznej inteligencji. Jedną rzeczą, która naprawdę mi się podoba, jest to, że istnieje wiele różnych podejść do tego wyzwania, mówi.

Realistycznie wyglądające światy gier to jedno. Ale sztuczna inteligencja jest już wykorzystywana do analizowania budowy miast. Techniki i podejścia podobne do tych stosowanych w konkursie mogą pewnego dnia pomóc w projektowaniu prawdziwych miast, które będą zdrowsze i bezpieczniejsze.

Na przykład Aranha odkryła, że ​​większość wpisów przyjmuje podejście odgórne, co oznacza, że ​​generator miast AI przygląda się danemu obszarowi i generuje odpowiednią osadę. To może dać dobre ogólne wyniki, ale szczegóły mogą być nieprawdziwe. Aranha uważa, że ​​podejście wieloagentowe, w którym kilka AI pracuje niezależnie w celu budowania struktur opartych na ich bezpośrednim otoczeniu, może prowadzić do bardziej spójnych i realistycznych projektów.

Teraz zamierza wykorzystać tę wiedzę, aby wspomóc swoją własną pracę, w której wykorzystuje symulacje do badania wpływu różnych polityk urbanistycznych na scenariusze katastrof, takich jak trzęsienia ziemi czy pożary. Generuje wirtualne miasta poprzez uczenie sieci neuronowej, jak wyglądają miasta z danymi z OpenStreetMap. Automatycznie generując tysiące wirtualnych miast różniących się właściwościami, takimi jak układ ulic lub liczba i położenie otwartych przestrzeni, może ocenić, czy polityka, która wymagała zarezerwowania 10% powierzchni mieszkalnej na parki, uratowałaby życie.

Projekt CityScope Champs-Élysée z MIT Media Lab wykorzystuje symulację opartą na agentach do badania proponowanych projektów

Tymczasem Arnaud Grignard i jego koledzy z MIT Media Lab wykorzystują symulację opartą na agentach, aby zbadać możliwe projekty dla ruchliwych przestrzeni publicznych, w tym zregenerowane Pola Elizejskie w Paryżu. Nowojorski startup Topos wykorzystuje sztuczną inteligencję, aby zrozumieć, w jaki sposób układ miasta wpływa na jego mieszkańców. W jednym projekcie wykorzystano szereg podejść AI, w tym rozpoznawanie obrazów i przetwarzanie języka naturalnego, aby dowiedzieć się, w jaki sposób mieszkający tam ludzie korzystają z różnych obszarów Nowego Jorku. To wtedy przerysowano granice pięciu dzielnic Nowego Jorku na podstawie podobieństw między dzielnicami, np. mieszkaniowej lub komercyjnej, zielonej lub miejskiej. Powstała mapa układa gminy jako mniej lub bardziej koncentryczne pierścienie wokół centralnego Manhattanu.

Jasper Wijnands z Uniwersytetu w Melbourne w Australii jest również przekonany, że sztuczna inteligencja ma miejsce w przyszłym projektowaniu urbanistycznym. On i jego koledzy zaczęli badać wykorzystanie generatywnych sieci adwersarzy (GAN) w celu: transfer stylu na zdjęciach z Google Street Pogląd.

Transfer stylu jest zwykle używany do reprodukcji jednego obrazu w stylu innego, na przykład do nadawania selfie wyglądowi, jak gdyby zostało namalowane przez Van Gogha. Ale zamiast stylu wizualnego Wijnands nauczył się swojej sztucznej inteligencji, aby nauczył się stylu, który odzwierciedlał dane dotyczące zdrowia publicznego w różnych blokach miejskich. Następnie poprosił o odtworzenie zdjęć Street View w stylu dzielnic, w których zdrowie publiczne jest dobre. Innymi słowy, jego sztuczna inteligencja może poprawiać obrazy złych dzielnic, aby wyglądały jak dobre. Planiści miejscy mogliby wtedy wykorzystać te poprawki – zieloną przestrzeń tutaj, szerszą ulicę tam – jako przewodnik dla ulepszeń miejskich.

Sztuczna inteligencja nie została nauczona, jakie rzeczy według planistów czynią miasta lepszymi, ale sama wpadła na wspólne idee. Interesujące jest to, że wyniki GAN są zgodne z naszym naukowym rozumieniem wpływu zielonej przestrzeni na zdrowie, mówi Wijnands.

Jego zespół ma teraz grant w wysokości 1,2 miliona dolarów na opracowanie tego podejścia i przedstawia go swoim studentom urbanistyki.

Wpływ na projekt

Jednym z bardziej bezpośrednich zastosowań sztucznej inteligencji w planowaniu miast jest zrozumienie wpływu projektowania miejskiego w skali globalnej. W styczniu Wijnands i jego koledzy opublikowali badanie w The Lancet Planetary Health, w którym przyjrzeli się 1692 miastom, zamieszkałym przez jedną trzecią światowej populacji. Wykorzystali splotowe sieci neuronowe, zwykle używane do rozpoznawania obrazów, aby sklasyfikować różne układy urbanistyczne według liczby poważnych wypadków drogowych, które miały w nich miejsce. Wykazano, że miasta z bardziej rozbudowanymi sieciami kolejowymi i gęstszymi układami ulic rozmieszczonymi wokół małych bloków są bezpieczniejsze niż bardziej rozległe układy rozmieszczone wokół ślepych uliczek.

Wyniki te mogą nie być zbyt zaskakujące, ale danych nie dałoby się w ogóle przeanalizować bez automatyzacji.

Wizje utopijnego życia zawsze opierają się na założeniach, jakie rodzaje przestrzeni miejskich czynią ludzi szczęśliwszymi lub zdrowszymi. Są one jednak trudne do przetestowania, a ambitne projekty rewitalizacyjne mogą się nie powieść. Planiści ze sztucznej inteligencji mogą pomóc na wiele sposobów, ujawniając ukryte wpływy niektórych istniejących układów lub symulując tysiące potencjalnych projektów. Salge pracuje obecnie z planistami w USA nad tym, jak przyszłe konkursy mogą zawierać bardziej realistyczne dane o tym, jak ludzie korzystają z miast, np. jak się poruszają lub gdzie robią zakupy. To może sprawić, że sztuczne twory będą jeszcze bardziej realistyczne i potencjalnie bardziej użyteczne.

Ale nie oczekuj, że sztuczna inteligencja całkowicie przejmie planowanie. Miasta są czymś więcej niż układem obiektów na ziemi: są w nich zamieszkane. A to oznacza, że ​​są wynikiem wielu kompromisów, mówi Dave Amos, urbanista, który ma popularny kanał na YouTube o nazwie Piękne Miasto. Jak Amos umieścił to w filmie przeglądanie zwycięskiego zgłoszenia do konkursu GDMC w 2018 r.: Planowanie jest z natury procesem politycznym. Potrzebujesz ludzi, którzy będą kłócić się o to, jak będzie wyglądał rozwój.

ukryć