AI赋能学科工作坊 - 系列1 （AI for Cities Workshop）圆满举行

开幕式与致辞

主题论坛1  AI城市前沿进展

佛罗里达大学的彭仲仁教授在其演讲“城市科学、人工智能与规划：推进城市创新的研究框架”中，介绍了如何通过人工智能技术进行城市科学研究。他强调了城市作为复杂的社会经济系统，需要跨学科的分析、理解和优化。彭教授指出，城市人工智能的优势在于增强模式识别、因果分析和系统优化，面临数据质量、透明性和道德隐私等挑战，但在实时处理、预测分析和自动决策方面具有显著潜力。

纽约州立大学布法罗分校的尹力教授在其演讲“从田园城市到AI赋能的城市景观：应用技术于城市设计与规划之旅”中，分享了城市设计与规划的历史发展和AI技术的应用。她强调了理解城市系统复杂性的必要性，探讨了研究人与环境的互动、在街景设计中的视觉计算、以及规划实务中数据获取的挑战。

佛罗里达大学的王申皓助理教授在其演讲“城市人工智能理论与实践”中，介绍了城市人工智能在社会科学、城市交通和计算社会学等领域的应用。他分享了融合计算机视觉与需求建模的行为分析研究，提出了未来城市人工智能的数据框架GLIN，探讨了如何实现人类智能与机器智能的有效整合。

香港大学的周钰伦助理教授在其演讲“迈向空间智能：空间最优化方法的发展与应用”中，阐述了感知、学习和优化在城市人工智能中的重要性。他分享了在利用大规模城市地下管网进行疫情早期发现和气候友好地城市土地利用智能规划方面的应用案例，总结了AI技术在解决现实问题、建构数字孪生、实现最优化中的关键作用，提出了优化技术的若干应用方向和研究案例。

主题论坛2 城市规划AI模型

首尔国立大学的权纪戈副教授在其演讲“人工智能辅助环境规划与设计：新趋势和机会”中，介绍了计算思维在解决城市问题中的应用。他讨论了将AI从理论、抽象和设计三个方面应用于环境规划与设计，分享了AI技术在公众参与、环境感知等方面的应用案例，并强调了发展面向公众的AI技术，使公众能够同样从新技术的发展中获益，同时增强其在环境规划和设计过程中的参与度。

北京大学的张文佳研究员在其演讲“规划大模型的研发与应用实践”中，分享了规划大模型（PlanGPT）的研发背景和过程，介绍了PlanGPT在规划数据治理与知识管理、辅助编制、智能审查、AI助手（AI Agent）等方面的应用，探讨了如何通过PlanGPT重构规划业务流程并提升规划管理效率的多种方式与可能性。

乔治亚理工大学的何伊伊助理教授在线上做了演讲“AI在韧性城市规划中的探索与应用”，探讨了基于机器学习的洪水模型在模拟洪水范围和深度方面的优势。她强调了物理引导的机器学习模型在提升模型准确性和泛化性方面的作用，分享了高分辨率气候数据在洪水模型中的整合应用案例。

休斯顿大学的王开来助理教授在线上做了演讲“AI如何赋能跨学科交通与社会科学研究”，探讨了AI技术在导航、交通信号、传感等方面的优势，分享了极端天气条件下的交通预测和交通基础设施评估的公平性等研究案例，展示了AI在优化供应链管理、交通流管理等复杂问题治理中的潜力。

主题论坛3  多模态数据应用

北京大学的张帆助理教授在“城市视觉智能：用图像对话世界”的主题演讲中，提出他关注的核心问题是：城市的方方面面在多大程度上可以被城市环境的‘外观’所解释。在测度城市环境的‘外观’这一方面，他分享了SCL实验室在巴黎通过在公交车布设传感器实现公共空间视觉感知的实验。在揭示隐藏的城市规律这一方面，介绍了从城市影像中提取各种视觉要素，来解释出行、健康、收入、犯罪率等社会经济指标的研究案例。

新西兰怀卡托大学高级讲师傅鑫羽在线上做了“公众反馈数据的文本挖掘”的主题演讲，认为“如何加强分析文本数据的能力”是当前规划师面临的重大挑战和机遇。他们收集了近2000个公众建议反馈，将ChatGPT、传统NLP技术、规划师的文本解读结果进行对比，发现人工解读准确率更高，但ChatGPT的解读已非常接近，且大幅领先于传统NLP技术。在此基础上他还反思了大语言模型处理存在细节缺乏、关键信息遗失、程序重于原理等等问题。

香港大学的张啸虎助理教授以“网络视角下城市科技空间的演变”为题，探讨了如何通过网络分析方法研究城市科技空间演变。通过2000-2018年城市科技演化路径的分析，他们发现了技术跃迁、技术分化等不同发展模式，识别了影响发展模式的关键技术领域。最后探讨并提出AI无法解决很多城市问题，最终需要回归到现实生活中。

密歇根州立大学的陈思助理教授分享了“利用多源社交媒体数据来探索绿地空间的使用”的研究，基于深度卷积神经网络的识别西雅图的多种绿地空间，结合文本数据分析其受欢迎程度、活动情况、功能划分，实现对城市绿地空间的综合分析与评价。

格拉斯哥大学的赵群山教授在线上做了 “利用人工智能和城市分析来理解城市”的演讲，他结合Drive-by sensing、遥感、深度学习等技术研究估计和预测建筑能耗的可能性。在收集了十六万条建筑内部和街景图像数据后，训练多要素融合的深度学习网络来预测建筑能耗，实现了较高精度，能够为碳中和政策、房屋改造计划提供参考。在未来还可以进一步融入激光雷达、高分辨率热影像等数据，实现更大范围的能耗监测。

圆桌对话：AI赋能教育

闭幕式