Исследователи MIT оценили возможности визуального ИИ для изучения городов

Специалисты MIT Senseable City Lab представили книгу о применении компьютерного зрения в городских исследованиях. Метод помогает анализировать транспорт, выбросы и общественные пространства, но создает риски для приватности и может воспроизводить систематические ошибки.

Исследователи MIT Senseable City Lab представили книгу «How AI Sees the City: Urban Visual Intelligence», посвященную использованию визуального искусственного интеллекта в изучении городской среды. Авторы рассматривают компьютерное зрение как инструмент, который превращает фотографии и видеокадры в данные о транспорте, общественных пространствах, озеленении и повседневной жизни города.

Книгу, выпущенную Routledge в сентябре 2026 года, подготовили Фабиу Дуарте, Мартина Маццарелло, Карло Ратти и Фань Чжан. Их работа продолжает традицию визуальных городских исследований, но переносит наблюдение на масштаб миллионов изображений.

Камеры помогают оценивать транспорт и выбросы

В одном из проектов лаборатория применила машинное обучение к изображениям с 331 дорожной камеры в Нью-Йорке. Система распознавала типы транспортных средств, после чего исследователи оценивали выбросы отдельных автомобилей.

Объект анализа	Какие данные извлекает ИИ
Дорожное движение	Типы транспорта, интенсивность потока и возможные причины заторов
Улицы и перекрестки	Элементы среды, связанные с безопасностью
Парки и площади	Использование пространства посетителями
Озеленение	Видимость деревьев и зеленых зон с уровня улицы

Другой проект Senseable City Lab охватил изображения из 400 тысяч объявлений Airbnb. Анализ показал заметные географические различия в оформлении интерьеров, вопреки предположению о глобальной унификации дизайна.

Масштаб анализа усиливает риски

Авторы выделяют две ключевые проблемы: вмешательство в частную жизнь и систематические ошибки алгоритмов. Массовый сбор изображений способен сделать наблюдение за городской средой постоянным. Если исходные данные отражают социальные или территориальные перекосы, модель может закрепить их в результатах.

Поэтому компьютерное зрение нельзя считать нейтральным измерительным прибором. Исследователям необходимо объяснять происхождение изображений, правила отбора, ограничения распознавания и способы защиты людей, попавших в кадр.

Как использовать такие результаты в учебной работе

Студентам, которые изучают урбанистику, машинное обучение или анализ данных, стоит разделять наблюдение и вывод. Количество автомобилей на кадрах является измеряемым показателем, а объяснение причин пробки уже требует дополнительных данных.

При разборе подобных исследований следует проверить размер и географию выборки, период съемки, точность распознавания, наличие согласия на обработку изображений и связь визуальных признаков с итоговыми выводами. Эти параметры определяют, можно ли переносить результат на другие районы и города.