十几座尖顶建筑紧贴在露天矿井的边缘，在它们的上方，一个巨大的岩石拱门上，坐落着一座无法接近的房子。在别处，一条高架铁路环绕着一群五颜六色的塔楼，华丽的宝塔点缀着一片宽阔的铺砌好的广场。一台风车孤零零地在一座小岛上旋转，四周围绕着一群方块小猪。
这就是《我的世界》中用 AI 风格建造的城市。
《我的世界》一直被玩家用来疯狂发明创造。粉丝们借助这款大热的沙盒游戏制作了很多复制品，从芝加哥市中心，到《权力的游戏》中的君临城。自发布以来的十年里，所有可以构建的东西都在这个游戏中得到了复制。
自 2018 年以来，《我的世界》也成为一个挑战创新能力的平台，可以帮助提高机器的创新能力。一年一度的 “我的世界生成式设计比赛”（简称 GDMC）要求参赛者构建人工智能，这种人工智能可以在以前从未见到过的区域生成逼真的城镇或村庄。虽然该比赛目前为止只是为了娱乐，但各位参赛选手所探索的 AI 技术，是现实世界中的城市规划人员可以使用的技术先驱。
成功的参赛者通常会借助多种技术来判断何时应把地面推平，或者是何处应该建造桥梁和建筑物。这些技术包括将居住区偏远部分连接起来的老式寻路算法，可以利用简单规则生成复杂结构的元胞自动机，以及机器学习。
过去三年中，这项比赛取得了很大进展。在第一年的比赛中，一眼就能看出是机器建造的，建筑物重复地排列成排，或是随机地堆在一起。今年的获胜者于 9 月 24 日公布，其设计的居住区布局合理，完美契合每个不同的地点。道路围绕山坡，桥梁横跨河流，房屋内甚至摆放着家具。
既开放又带有主观性的 GDMC，其宗旨就是推动 AI 进一步发展。同其它的 AI 比赛（例如美国国防先进研究计划署发起的无人驾驶或机器人挑战赛）不同，GDMC 没有明确的获胜标准。什么样的条件能造就一个好村庄？本大赛的联合组织者，同时也是英国赫特福德郡大学的计算机科学家 Christoph Salge 表示，“不存在最佳数值。”
这项比赛的开放性意味着参赛的 AI 需要掌握多个目标。为了赢得比赛，它们必须打动八名拥有不同背景的裁判，包括建筑师、考古学家和游戏设计师等。
这些裁判从四个方面给 AI 城市规划师打分：设计与特定地点的契合程度；根据不同区域之间是否有桥梁和道路等标准来评价布局是否合理；从美学角度看，其设计是否具有吸引力；以及是否可以从一个设计的细节中看出这个城镇是如何形成的，比如一片废墟，或是一个可以挖掘出建筑材料的矿井。
Salge 表示，“一个 10 岁的小孩就能在《我的世界》中从平地上修建一个村庄，但对 AI 来说难度真的很大。”
平整土地
例如，一名参赛者在设计时首先确定环境类型（沙漠或是森林），然后生成像是用当地常见的建筑材料修建的建筑。另一名参赛者则负责平整地形和铺设广场。这种战术在平坦开阔的地形上很适用，可以修建起引人注目的日式寺庙建筑群。但在小岛上就没那么成功了，这样做通常会将小岛完全铺满。
事实上，即便是获胜者也会犯一些愚蠢的错误。在一个居住地，有些房子被埋进了沙子里，只露出个屋檐。Salge 表示，这很显然是因为算法想要将房屋建造在坚实的地面上。在碰到坚硬的地基之前，这些房屋会一直下沉。
在日本筑波大学研究进化计算的 Claus Aranha 推荐了三名选手参赛。他认为这是一种很好的探索和测试新 AI 技术的方式，“我非常喜欢这项比赛的一点是，选手们的想法都很有创新性。”
让游戏世界更逼真只是一方面，现实中的 AI 已经被用来分析如何建造城市。有朝一日，比赛中所使用的类似技术和想法，可以帮助我们设计出更健康、更安全的城市。
例如，Aranha 发现大多数选手采用的都是自上向下分析法，这就意味着 AI 城市生成器会先查看一个给定区域，然后生成合适的居住地。这样得到的整体效果可能不错，但细节会有偏差。与之相比，Aranha 认为多主体方法（几个 AI 独立工作，根据各自周围环境构建建筑物）设计出来的居住地可能更有条理，更符合实际。
他正打算将这种方法运用到自己的工作中，模拟探究不同城市规划政策对地震或野火等灾害场景的影响。他用 OpenStreetMap 上的数据训练神经网络学习城市的样式，以便生成虚拟城市。通过自动生成成千上万个街道布局，或是开放空间位置和数量等特性不同的虚拟城市，Aranha 可以评估要求将 10% 的居住区预留给公园的政策是否有助于延长居民的寿命。
与此同时，来自麻省理工学院媒体实验室的 Arnaud Grignard 和他的同事们，利用基于自主体的模拟方法为热闹的公共空间探究可能的设计方案，其中就包括重建巴黎的香榭丽舍大道。
来自纽约的初创公司 Topos 正在利用 AI 去理解城市布局是如何影响人们的生活。在一个项目中，该公司借助图像识别和自然语言处理等 AI 方法来了解纽约的不同地区是如何被居民所利用的。随后，其根据社区之间的相似性（如：住宅区还是商业区，高档郊区社区还是都市社区）重新划定了纽约五个区的边界。在最终得到的地图上，这些行政区就像同心圆一样围绕着中心的曼哈顿。
来自澳大利亚墨尔本大学的 Jasper Wijnands 也坚信 AI 会在未来的城市设计中占有一席之地。他和他的同事已经开始探索使用生成对抗网络（GANs）对谷歌街景上的图片进行风格转换。
风格转换通常是将一张图片用另一种风格进行复制，比如将一张自拍变得看起来像是梵高的画作。但 Wijnands 的 AI 所学习的并不是视觉风格，而是一种可以反映不同城市街区公共卫生数据的 “风格”。随后，他要求 AI 将谷歌街景上的图片按照公共卫生情况良好的社区风格进行复制。换句话说，他的 AI 可以修改公共卫生情况不好的社区图景，使其看起来同情况好的社区一样。然后，城市规划师可以将这些改变（比如在这加一个绿地，在那扩宽一下街道）作为改善城市的指南。
没有人告诉 AI 规划师怎样可以使一个城市变得更好，而是 AI 自己偶然地获得了同样的想法。Wijnands 表示，“有趣的是，GAN 的输出结果正好与我们对于绿色空间对健康影响的科学认知相一致。”
Wijnands 团队目前有一笔 120 万美元的拨款来进一步发展这一项目，而他本人也将这一项目介绍给了其城市规划的学生。
设计影响
AI 在城市规划中最直接的应用之一，就是从全球范围内了解城市设计的影响。今年 1 月，Wijnands 和他的同事在《柳叶刀 - 星球健康》上发表了一项研究，他们调查了 1692 个城市，这些城市的人口占全世界人口的三分之一。
他们利用卷积神经网络（常用于图像识别），根据城市内发生的严重交通事故数量对不同的城市布局进行分类。研究显示，在小街区周围布有更多轨道交通网络和更密集街道的城市，要比在死胡同附近布局杂乱的城市更安全。
这些结果可能没那么令人吃惊，但若没有自动化的帮忙，研究人员就很难对这些这些数据进行分析。
美好的生活愿景总是建立在城市空间会让人们更快乐、更健康的前提下。但这些很难去测试，雄心勃勃的重建计划也可能会失败。AI 城市规划师可以在很多方面提供帮助，比如揭示现有某些布局的潜在影响，或是模拟上千个可能的设计方案。Salge 目前正在与美国的规划人员合作，研究未来的比赛如何纳入人们城市生活更真实的数据，比如如何移动，或者是去哪里购物。这可能会让 AI 创造出来的城市更切实际，而且可能会更加有用。
但希望 AI 完全接管城市规划的工作是不现实的。建造城市不仅仅只是地面上几个物品的排列：城市是人们居住的地方。
城市规划师 Dave Amos 表示，这就意味着城市的创造权衡了很多因素。正如 Amos 在一个回顾 2018 年 GDMC 竞赛获奖作品的视频中提到的：“城市规划本质上是一个政治过程。需要很多人对未来的发展情况去展开激烈的讨论。”
