综述梳理生成式AI赋能城市科学的路径，强调验证、公平、治理与人机协同。
冷月清谈：
怜星夜思：
2、城市数据本来就存在地区和群体偏差，生成合成数据究竟能弥补缺口，还是会把偏差包装得更隐蔽？
3、如果AI只能辅助城市决策，怎样设计“人在回路”，才能避免人类最后只是机械签字背锅？
原文标题：清华大学Nature Cities发文：为生成式AI赋能城市科学绘制“路线图”
原文作者：数据派THU
原文内容
来源：清华大学电子工程系本文约3000字，建议阅读5分钟本文指出在令人兴奋的技术浪潮面前，如何确保生成式AI能真正服务于城市和人民。
近日，清华大学电子工程系城市科学与计算研究中心联合麻省理工学院（MIT）、伦敦大学学院（UCL）、芝加哥大学、香港大学、香港科技大学等国际科研机构的专家学者，在期刊《自然·城市》（Nature Cities） 发表题为《生成式人工智能赋城市科学及实践》（Generative AI in Urban Science and Practice）的综述论文。跨学科国际研究团队系统审视了生成式AI在城市感知、建模与决策三大领域的应用现状与挑战，提出了一个贯穿“模拟评估—情境验证—人本部署”的全链条分析框架。文章指出在令人兴奋的技术浪潮面前，如何确保生成式AI能真正服务于城市和人民，关键不在于技术的新颖性，而在于它能否在具体情境中验证，并以人类判断和问责制为核心进行部署。
城市变化快于工具更新，亟需新范式
城市是人类活动最密集、变化最迅速的复杂系统。从人口流动、土地利用到交通拥堵、环境质量，城市无时无刻不在动态演化之中。然而，研究团队指出，城市变化的速度已经超越了传统分析工具的承载能力。长期以来，城市科学依赖重力模型、元胞自动机、基于智能体的模拟等方法来理解城市现象，但这些工具依赖固定假设和人工规则，适应新数据、表征异质性城市语境的能力有限。
与此同时，生成式AI的崛起为城市研究带来了全新的可能性。以扩散模型、大语言模型等为代表的新一代AI技术，不仅能合成图像、建模人类行为，还能在异构数据之间进行跨域推理。这些能力正在从根本上改变研究者观察城市、建模城市并辅助城市决策的方式。
两类生成式AI + 三领域研究工作流：一个系统分析框架
论文的核心贡献之一，在于构建了一个清晰的分析框架，将生成式AI分为两类，并将城市研究工作流划分为三个相互关联的领域：
两类生成式AI：第一类是分布拟合模型（如生成对抗网络GAN、扩散模型），从卫星影像、移动轨迹等城市数据中学习统计结构，生成合成样本用于数据增强和情景生成；第二类是基础模型（如大语言模型LLM），通过预训练和指令微调，具备跨模态推理、对话和工具调用能力，用于语义解释和决策支持。
三领域工作流：城市感知负责数据采集、填补空缺和语义解读；城市建模负责构建数字孪生、模拟物理环境和人类行为；城市决策则支持应急管理、中期治理和长期规划。三个领域环环相扣，构成从观测到解释再到行动的完整链条。
图1 生成式AI如何为城市科学与实践赋能
两类生成式AI——分布拟合模型与基础模型——支撑起城市感知、建模与决策三大任务，同时也在评估标准与治理机制上提出了新要求，共同定义了何为“负责任”的城市AI应用。
三大核心挑战：验证、公平与治理
论文并没有简单地罗列技术成果，而是以批判性视角系统梳理了生成式AI在城市场景中面临的三大核心挑战：
验证与可靠性：生成模型输出“合理”不等于“有效”。前瞻性情景往往缺乏真实观测，模型的可靠性必须通过与可信模拟器对比、压力测试和不确定性量化等方式建立。一个在城市A表现良好的模型，未必适用于城市B。
表征与公平性：城市观测数据分布不均且具有社会模式化特征，生成系统可能继承并放大这些表征不对称性。训练数据多来自全球北方，可能忽视全球南方非正规聚落的形态和需求，造成“数字隐形”。
治理与问责：即使模型任务指标提升，也可能因自动化偏见、算法黑箱、缺乏可争议性而侵蚀制度合法性。研究团队强调，必须将生成系统定位为“决策支持”而非“自动决策者” ，并设计人在回路、审计追踪、参与式反馈等制度护栏。
五个未来方向：以评估为导向
面向未来，论文提出了五个以评估为导向的研究方向：
多尺度多模态模型：融合卫星、街景、移动轨迹等多源数据，提高跨城市泛化能力和鲁棒性。
人类体验与评估：将安全、尊严等规范性目标纳入评估，采用参与式验证和社区反馈。
神经符号与约束融合方法：结合物理约束、行为约束和制度约束，减少不合理生成，增强可解释性。
弥合全球南方数据鸿沟：解决数据稀疏、非正规形态表征缺失问题，重视本地验证和制度能力建设。
伦理与包容性建模：围绕偏差、隐私、可解释性、可控性、参与式治理五个主题，建立可审计的标准和报告规范。
以“人机协同”推动负责任的城市AI
研究团队强调，生成式AI不是取代城市规划师和决策者的“自动机器”，而是人类的“智能助手”。在城市规划、交通管理、公共政策等涉及重大公共利益和伦理关切的领域，最终决策必须由人类做出。AI的定位是辅助者，而非替代者。
图 2 | 生成式AI增强城市感知的范式。
a、b,生成式AI方法通过赋能两类能力来扩展传统感知管道：分布拟合型数据合成用于重建与空白填补（a），以及基于基础模型的语义解释（b）。PINN，物理信息神经网络；GAN，生成对抗网络；VLM，视觉-语言模型；VAE，变分自编码器。c， 基于Yuan等人的数据：在稀疏观测条件下，生成式增强可提升日常活动预测的任务特定性能。d， 基于Zhang等人的数据：在城市数据上微调的VLM，在与结构化推理搭配使用时，可从街景影像中改善与不平等相关指标的代理估计。
香港大学副校长（学术发展）及全球可持续发展讲席教授 宫鹏表示：“生成式AI可以在明确护栏下增强城市分析和治理，但其可靠使用不取决于技术本身，而取决于评估标准、治理能力和伦理规范的同步发展。”
图 3 | 生成式AI为城市决策提供信息的代表性应用。
a–c，生成式方法可在不同时间尺度上增强决策过程：短期应急管理（a）、中期城市治理（b）和长期城市设计与规划（c）。d，物理信息生成模型模拟行人疏散动力学，报告指出在受控基准测试中，其与观测轨迹的一致性相对于社会力基线有所改善。ML，机器学习。e，生成式交通建模（移动性模拟系统，MOSS）支持快速情景评估，报告指出在特定测试设置下，其与留出模拟或观测代理的偏差相对于基于规则的基线有所减少。f，基于LLM的智能体已被用于参与式规划审议的原型设计，试点研究报告了在既定协议下参与者评分满意度的可测量变化。
国际合作与未来展望
该成果作为重要综述论文，在线发表于期刊 Nature Cities（《自然·城市》），题为 Generative AI in Urban Science and Practice（《生成式人工智能赋能城市科学及实践》）。论文由清华大学电子工程系张云柯、徐丰力两位青年学者为共同第一作者，李勇教授为通讯作者。合作单位包括麻省理工学院、伦敦大学学院、芝加哥大学、香港科技大学等国际顶尖科研机构。
研究团队表示，未来将继续推动“生成式AI + 城市科学”的深度融合，围绕多尺度多模态建模、人类体验与参与式评估、神经符号与约束融合方法、全球南方数据鸿沟弥合、以及伦理与包容性建模五大方向持续攻关，助力全球城市在快速变化的时代中实现更加科学、公平与负责任的治理与发展。
《自然·城市》是Nature Portfolio旗下专注于城市科学领域的顶级期刊。此次论文的发表，是清华大学电子系继在Nature Reviews Physics提出“反绎式人工智能”科学推理框架之后，在AI赋能城市科学领域的又一重要学术贡献。从科学推理的方法论创新到城市应用场景的系统审视，清华电子系正在构建从基础理论到应用实践的完整研究链条，持续引领AI for Science的前沿探索。
论文全文可通过Nature Cities官网查阅：https://rdcu.be/fx0g0
编辑：文婧
