最近有一项研究让我十分好奇它似乎在尝试翻转我们熟悉的剧本——不是用人工智能去“分析”社区而是让社区来“教会”人工智能如何看世界。这听起来像是一种充满温度的技术民主化实验。通常当我们谈论机器学习与城市变迁总不免陷入一种略带冰冷的视角算法扫描街景识别模式输出结论。但有没有可能我们漏掉了故事里最关键的讲述者那些在同一个街角目睹了数十年晨昏的居民他们眼中的“变化”是否才是定义变迁的真正标尺一项来自费城的研究正是这么做的。研究者没有将学术文献中的绅士化指标直接编码给AI而是走进了社区的会议室问了一个简单却深刻的问题“在你们看来什么样的新建筑意味着‘他们’来了”答案具体而生动“方方正正像个盒子”、“黑框大窗户”、“三层高显得比老房子‘傲慢’”、“用了好多不同材质拼在一起”。这些来自日常观察的语言成了机器学习模型最核心的“教材”。于是我们得以看到一种全新的协作社区居民成为特征的“定义者”历史街景图像成为厚重的“证据集”而人工智能则充当了不知疲倦的“模式识别者”。它学习的不是抽象的理论而是一个地方集体记忆与视觉经验的凝结。这或许提醒我们在面对技术尤其是AI时我们并非只能被动接受它设定的框架。我们可以也应该将我们的地方知识、价值判断和生活经验“反向编码”进技术的内核。 这不仅是让研究更“准”或许也是让技术更“对”的一次尝试。走在费城的某些街区你可能会注意到一些“格格不入”的新建筑。它们线条方正、色调简约窗户是巨大的黑色面板在三层高的联排房屋中显得突兀。当地老居民会指着它们说“看这就是‘绅士化’来了。”这不是一种主观感受而正成为机器学习模型能够识别的视觉模式。一项发表于《PLoS One》的最新研究尝试教AI识别美国城市中一种特定的绅士化现象——“新建绅士化”。与以往研究最大的不同在于这次定义“何为绅士化特征”的不是学者而是生活在其中的社区居民。一、问题地图上的盲区“绅士化”并非新词它描述的是一个社区因富裕阶层迁入而发生的快速变迁。但传统研究多依赖人口普查数据如收入、教育水平或市政许可记录来描绘其图景。这些数据能告诉我们“谁来了”、“批了什么项目”却难以回答一个更直观的问题绅士化在街景中究竟长什么样更重要的是绅士化的“长相”因地而异。在费城涂鸦可能是社区艺术的表达而非衰败的象征即便是富裕社区路边也可能有零散垃圾。若仅用“焕然一新”、“整洁美观”这类笼统标准去训练AI很可能误读真正的社区脉络甚至固化对贫困或投资的刻板印象。于是研究团队转向了那些最熟悉街道每寸变化的人。二、方法让社区定义“特征”研究没有从理论或既有文献出发而是走进了费城的三个街区Port Richmond, Tacony, 和 Norris Square。在这里他们组织了焦点小组参与者多是居住数十年的中年女性她们亲手打造社区花园守护闲置空地亲眼目睹了街角的每一次变迁。讨论中“新建绅士化”成为共识。与“经典绅士化”由个体修缮历史住宅不同“新建绅士化”是开发商主导的大规模建设。用居民的话说这些新楼就像“扎眼的拇指”与周围环境截然不同。从居民具体指认的街道和地标出发研究团队结合历史街景图像将“方盒子造型”、“黑色窗框”、“凸窗”、“混合建材”等具体建筑语言提炼为一份识别清单对应论文中表1。这份清单成了AI学习的“教材”。三、训练给AI一双“社区之眼”有了“教材”下一步是准备“习题集”。团队从谷歌街景中获取了费城2009-2013年和2017-2021年两个时间段的170多万张全景图像。经过复杂的空间、时间和语义分割过滤比如剔除车辆、植被遮挡过多的图片他们最终手动审核出1040组成对的“前后”图像并依据社区协议打上“变化”即绅士化或“无变化”的标签。这些图像对清晰地展示了变化从空地或旧宅变为具有现代简约风格、三层高、材质对比鲜明的新建筑如图2示例。随后他们采用了一个名为Siamese ResNet-50的深度学习模型其架构见图3。这个模型的核心任务是比较同一地点的新旧两张图片判断其间是否发生了符合“社区定义”的新建绅士化。四、结果AI学到了什么模型的表现超出了预期。在测试中它的准确率和AUC衡量区分能力的指标都达到了84%。特别是它的“召回率”高达88%意味着它能捕捉到绝大多数真实的绅士化案例。这证明AI确实能从复杂的街景中学会识别那些被社区居民共同指认的、具有地域特色的建筑特征详细性能指标见表2分类结果见图5。更有趣的是与市政许可数据的对比。团队将模型识别出的点位与费城新建许可数据制成热力图两者在空间分布上呈现出高度相似的趋势绅士化活动密集于Lower North Philadelphia、Riverwards及南费城等区域对比结果见图4。这交叉验证了模型发现的可信度。当然也存在差异许可数据显示某些工业区改造活跃但街景图像却因过去是封闭厂区而缺乏历史影像反之一些视觉上翻天覆地的“内部全面翻新”在许可分类上可能不算“新建”。五、反思技术的光与影这项研究的价值或许不在于创造了一个多高的准确率纪录。实际上相比在独栋住宅为主的渥太华进行的研究准确率95.6%在建筑密集、视觉干扰多的费城取得84%的成绩更显得珍贵。它真正启示我们的是方法论在运用“黑箱”AI处理复杂社会议题时将定义问题的权力交还给切身相关的社区是打开透明度和可信度的一把钥匙。 这避免了研究者的个人审美或偏见被无意中编码进算法也让冰冷的图像识别接续上了鲜活的地方性知识。当然局限同样明显。街景图像的可用性受制于拍摄时间、遮挡物车辆、行人、天桥这使得产出完整细致的绅士化地图仍然困难。AI模型可以成为一个强大的补充或预警工具但在数据噪点极高的密集城区短期内还难以完全取代传统的行政数据。六、尾声不止于地图最终这项研究绘制的不仅是一张绅士化潜力地图更提供了一种思考城市变迁的新视角。当城市规划者、社区组织者和政策制定者试图理解绅士化、缓解其带来的 displacement displacement 时他们需要的不只是“哪里变了”更是“什么变了”以及“这对当地人意味着什么”。费城的实验表明通过融合社区智慧与机器学习的敏锐我们或许能更早地“看见”那些正在改变街区的力量并以更贴近在地感受的方式进行记录、讨论与应对。技术终究是工具而定义城市未来的永远是人。