算法、软件和智能技术在全球各地的城市中日益普及。人工智能（AI）、基于智能体的建模、物联网和机器学习如今几乎无处不在，几乎无处不在——从路灯到垃圾桶、交通信号灯和汽车。不仅如此，这些技术还在影响城市的规划方式，左右重大决策，涉及新建筑、交通和基础设施项目。
城市居民往往被动地接受这些技术的存在——如果他们注意到的话。然而，这种接受之中时而夹杂着对隐私的恐慌。例如，伦敦交通局最新计划拟利用无线网络追踪乘客在整个交通网络中的出行轨迹，招致批评，隐私专家对此提出质疑。如果人们更广泛地了解这些技术的运作方式，市民便能更好地判断哪些数据他们愿意分享，以及在城市中穿行时如何更好地保护自身隐私。
正因如此，我在近期一项研究中着手剖析人工智能和机器学习背后的一些算法如何运作，以及它们对街道、广场和咖啡馆等熟悉的城市场景所产生的影响。但我并未试图解释算法运作背后那些令人费解的数学原理，而是开始研究算法实际上如何“看”我们所生活的这个世界。
算法如何“看”
如果我们真想看看机器所看到的内容，就需要迫使自己像计算机一样思考。这意味着要暂且摒弃我们通常借助感官感知、再经由大脑推理的一切，转而遵循逐步的数据采集过程。这正是我们借助《机器之眼》试图展示的内容：这是一个模拟程序，展示假想的人工智能系统如何“解读”物理环境，并能够对其中的人员进行画像。
模拟从一片漆黑、毫无信息的状态开始，并逐步从多个相互连接的设备中收集数据：智能手机、麦克风、闭路电视及其他传感器。系统首先直接从物理环境中检测并整理信息：房间尺寸、场所类型、室内人数、他们使用的语言、口音、性别以及交谈类型。随后，系统将这些数据与网上可查到的每个人的信息相互印证，并从社交媒体、网络帖子、数据库和个人主页中挖掘数据。
我们的人工智能机器最终能够将所有这些数据汇总，形成一个针对目标个体的精准画像，并据此推断其建立人际关系的可能性、家庭前景、预期寿命、生产力，或“社会价值”——也就是在本虚构情境中，他们在财务和社会层面对社会的贡献。
在此模拟中，所有数据均为虚构——该视频的主要目的，是提高人们对一个真正互联的物联网在先进人工智能系统运作下可能产生何种假想后果的认识。
浅尝辄止
越来越多的公司正在探索算法如何看待建成环境。总部位于纽约的Numina例如，收集汽车和行人的城市人流数据，并实时显示其轨迹。沃尔沃还与知名摄影师芭芭拉·戴维森（Barbara Davidson）合作设计了一套自动化系统，利用摄像头和车载传感器呈现哥本哈根繁忙街道上的人员分布情况。
此类项目将机器驱动的数据呈现与人文视角相结合，但它们仅仅触及了算法在我们世界中真正所见的表层。实际上，传感器检测到的数据量，以及处理这些数据的算法的计算能力，能够描绘出一幅更为丰富、更加细致入微的城市环境图景。
City Scanner是一个智慧城市项目，由马萨诸塞州剑桥市与麻省理工学院的 Senseable City Lab 合作开发。垃圾车配备了一套传感器，可检测多项城市运行指标，包括某些区域的污染程度、燃气泄漏和路面坑洼。
传感器将其日常路线中收集的数据发送至中央服务器，由一系列算法对海量数据进行整合、分类和分析，几乎实时地呈现城市生活质量的状况。这种对城市运行的持续监测以既往观察为基础，有助于持续改善城市基础设施及其所依托的政策。
同样，快递公司UPS的工程师开发出了ORION（On-Road Integrated Optimisation and Navigation，道路综合优化与导航）算法。这部长达1000页的著作不仅能够推荐城市中两点之间的最快路线，而且会随时间推移变得越来越智能。ORION会持续从自身的输出结果中学习，衡量卡车从A点到B点的行驶速度，并将其与统计模型进行比较，从而提升其准确性和性能。
不言而喻，算法经过训练后，能够比任何人更细致地“看”懂我们的城市，并更高效地在其中穿行。但归根结底，它们本质上是数学和统计模型，被巧妙地应用于现实问题。这正是为何揭开这些黑箱技术的神秘面纱如此关键，以便理解并充分利用它们，从而改善城市环境。
