Связь между теорией города и искусственным интеллектом: мультиагентная рекомендательная система для устойчивого развития городов
Bridging urban theory and artificial intelligence: a multi-agent recommendation system for sustainable city development
2026-03-23
SCID: 54.1/qeh79dqw
Discuss with AI
классические городские теориибольшая языковая модельмультиагентная рекомендательная системаустойчивое развитие городовгородское планирование
Figures from the paper
Abstract (AI)
По мере того как города всё больше полагаются на искусственный интеллект (ИИ) для решения задач устойчивого развития, возникает критически важный пробел: применение ИИ в городском планировании и обеспечении безопасности в основном осуществляется без явного опоры на устоявшиеся городские теории, которые на протяжении десятилетий направляли устойчивое развитие. Наш анализ показывает, что в этой области доминируют технологически ориентированные исследования, тогда как проблемно-ориентированные подходы, направленные на решение реальных городских потребностей, остаются крайне малочисленными. Для преодоления разрыва между теорией и практикой мы разрабатываем мультиагентную рекомендательную систему на основе большой языковой модели (LLM) [доступна онлайн], которая переориентирует развитие ИИ в соответствии с принципами устойчивого города. Система использует специализированных агентов для рекомендации соответствующих теоретических рамок, методов ИИ и источников данных при решении городских задач, опираясь на классические городские теории. На примере разнообразных тематических исследований мы демонстрируем, как предложенный подход преобразует технологически ориентированные решения в теоретически обоснованные меры, учитывающие взаимосвязанные аспекты устойчивого развития. Наша концепция принципиально меняет постановку вопроса — с «что могут делать алгоритмы?» на «что требуется для получения устойчивых результатов в рамках данной городской задачи?» — обеспечивая, чтобы ИИ усиливал, а не подменял теоретические знания, необходимые для создания устойчивых, справедливых и пригодных для жизни городов, способствующих достижению глобальных целей устойчивого развития.
Key Findings
1
Примеры применения показывают, что система преобразует технологически ориентированные решения в теоретически обоснованные меры для создания более устойчивых, справедливых и пригодных для жизни городов.
2
Специализированные агенты используют классические городские теории для согласования разработки ИИ с принципами устойчивого развития городов и взаимосвязанными аспектами устойчивости.
3
В исследованиях ИИ для городского планирования и безопасности преобладают технологически ориентированные работы, тогда как подходы, исходящие из реальных городских потребностей, остаются ограниченными.
4
Предлагаемый подход меняет фокус городского ИИ: вместо вопроса о возможностях алгоритмов он определяет, что требуется каждой городской проблеме для достижения устойчивых результатов.
5
В работе разработана общедоступная многоагентная рекомендательная система на основе большой языковой модели, связывающая городские проблемы с подходящими теориями, методами ИИ и источниками данных.
Research Object
Мультиагентная рекомендательная система на основе LLM для устойчивого развития городов
Research Subject
Согласование разработки ИИ с классическими теориями города для рекомендации теоретически обоснованных методов ИИ и источников данных для взаимосвязанных задач городской устойчивости
Publication Details
Publication Date
2026-03-23
Journal
Publisher
ISSN
Cited by
3
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai11
XGBoost2016
Полуобучаемая классификация с использованием графовых сверточных сетей2016
Всеобъемлющий обзор графовых нейронных сетей2020
Преодоление катастрофического забывания в нейронных сетях2017
Пространственно-временные графовые сверточные сети: платформа глубокого обучения для прогнозирования трафика2018
Методы оптимизации для крупномасштабного машинного обучения2018
Научное машинное обучение с использованием физически информированных нейронных сетей: современное состояние и дальнейшие перспективы2022
Обзор безопасности и конфиденциальности больших языковых моделей (LLM): хорошее, плохое и ужасное2024
Дизайн исследования: методология рамочной модели междисциплинарного исследования2017
Кластеризация с помощью t-SNE: строгое обоснование2019
Обнаружение уязвимостей, специфичных для функциональности, путем поиска индивидуальных эквивалентных по функциональности API в открытых репозиториях2025