Op AI gebaseerde zonering stelde het antwoord voor slimme en 'billijke' steden

Bestemmingscodes zijn een eeuw oud en de levensader van alle grote Amerikaanse steden (behalve misschien Houston), bepalen wat waar gebouwd kan worden en welke activiteiten in een buurt kunnen plaatsvinden. Maar omdat hun complexiteit is toegenomen, onderzoeken academici in toenemende mate of hun op regels gebaseerde systemen voor het rationaliseren van stedelijke ruimte kunnen worden vervangen door dynamische systemen op basis van blockchains, machine learning-algoritmen en ruimtelijke gegevens, die mogelijk een revolutie teweeg kunnen brengen in stedelijke planning en ontwikkeling voor de komende honderd jaar.

Deze toekomstvisies werden geïnspireerd door mijn recente chats met Kent Larson en John Clippinger, een dynamisch stadsdenkende duo die het verbeteren van steden en stedelijk bestuur tot hun huidige carrièrefocus hebben gemaakt. Larson is een hoofdonderzoekswetenschapper bij het MIT Media Lab, waar hij de City Science Group leidt, en Clippinger voorheen Research Scientist was bij de Human Dynamics Group bij het MIT Media Lab en is nu mede-oprichter van Swytch.io die een utility-token ontwikkelt genaamd Swytch.

Een van de moeilijkste uitdagingen voor grote Amerikaanse steden is de prijs van woningen is de afgelopen decennia omhooggeschoten, waardoor het budget van jong en oud, alleenstaanden en gezinnen enorm wordt belast. Het gemiddelde appartement met een slaapkamer is $ 3,400 in San Francisco en $ 3,350 in New York City, waardoor deze innovaties steeds moeilijker te bereiken zijn voor zelfs goed gefinancierde startup-oprichters, laat staan ​​voor kunstenaars of docenten.

Huisvesting is echter niet voldoende om de moderne werknemer in de kenniseconomie te verzadigen. De verwachting is dat elke buurt een waslijst met voorzieningen heeft, van leuke en goedkope restaurants, open ruimtes en culturele instellingen tot kritische menselijke diensten zoals supermarkten, stomerijen en kapsalons.

Vandaag de dag zou een bestemmingsbord gewoon proberen te eisen dat verschillende ontwikkelingen de nodige voorzieningen bevatten als onderdeel van het vergunningsproces, wat leidt tot voedsel woestijnen en de nieuwsgierigen zielloosheid van sommige stedelijke buurten. In de wereld van Larson en Clippinger zouden regelsgebaseerde modellen echter worden weggegooid voor 'dynamische, zelfregulerende systemen' gebaseerd op wat agnostisch tokens zou kunnen worden genoemd.

Elke buurt bestaat uit verschillende soorten mensen met verschillende levensdoelen. Larson legde uit: "We kunnen deze verschillende scenario's modelleren van wie we hier willen werken, en wat voor soort voorzieningen we willen, die vervolgens wiskundig kunnen worden afgebakend als algoritmen, en de prikkels kunnen dynamisch zijn op basis van realtime datafeeds."

Het idee is om eerst datasets zoals mobiliteitstijden, eenheidseconomie, scores voor voorzieningen en gezondheidsresultaten te nemen, en vele anderen en dit in een machine-leermodel te verwerken dat het geluk van de plaatselijke bewoners probeert te maximaliseren. Tokens zouden dan een valuta zijn om signalen aan de markt te geven van welke dingen aan de gemeenschap moeten worden toegevoegd of verwijderd om het geluk te verbeteren.

Een ontwikkelaar van luxe appartementen moet mogelijk tokens betalen, vooral als het gebouw geen kritieke voorzieningen biedt, terwijl een andere ontwikkelaar die zijn eigendom omzet in open ruimte mogelijk volledig wordt gesubsidieerd door tokens die eerder in het systeem zijn betaald. "Je hoeft de signalen niet samen te vouwen in een enkel prijsmechanisme," zei Clippinger. In plaats daarvan weet u met "feedbacklussen dat er dynamische bereiken zijn die u probeert te behouden."

Vergelijk die systeemgebaseerde benadering met de complexiteit die we tegenwoordig hebben ...

Lees hier het hele verhaal ...