理论研究 | 人工智能驱动城市变革的趋势和交互范式研究——基于“AI×City”共生进化视角

导读

伴随科技的飞速发展，人工智能（Artificial Intelligence，AI）已成为推动社会进步与城市变革的重要力量。本文从AI与城市共生进化视角出发，以AI演进逻辑变革为切入，分析其对城市形态演化的影响，揭示城市向可计算化、超情景感知、高弹性适应及分布式协同方向发展的趋势。探讨AI技术从设计工具向自主决策跃迁过程中，与城市的交互模式从描摹、优化设计、动态驱动、人机协同定义以及多样化促进阶段的演变。同时，基于AI与人类动机行为差异，识别AI与城市交互中的潜在风险，从非中心化与群策智能技术、价值对齐与博弈规则、规划下沉与自组织场景、风险监测与管控机制等方面提出准备性策略框架，以保障技术进步与城市发展的和谐共生。

本文字数：13158字

阅读时间：39分钟

作者 | 徐珺

上海发展战略研究所，上海发展改革研究院

关键词

人工智能 未来城市 人机交互 自组织 分布式治理

引 言

自卡尔·马克思提出“生产工具革命推动社会关系重组”[1]的论断以来，城市研究者始终关注着技术变革与城市化的互动关系。控制论创始人N.维纳强调：“任何时代的城市都是人类控制论系统的具象化表达，技术既是城市问题的解决者，又是新矛盾的制造者”[2]。这些辩证认知揭示了城市与技术间的共生本质：以蒸汽机为代表的工业革命通过能量转换效率提升，推动工厂体系集聚，形成了生产和居住的二元空间结构[3]，催生曼彻斯特式工业城市；电力技术凭借能源的网络化输送，孕育出CBD等超越时空边界配置资源的功能分区，以空间层级的重构孕育出纽约的网格化垂直都市[4]；信息技术革命进一步突破物理边界，催生“隧道效应”，形成了东京都市圈这类跨区域分工合作的拓扑结构[5]。当前，人工智能（AI）作为继蒸汽机、电力、信息技术后的第四次通用技术革命[6]，体现出面向全要素的渗透性、深度强化学习的超越性和决策能力的自主性等特殊属性，正潜移默化地颠覆着传统技术与城市互动范式，悄然进入共生进化的新阶段。

基于此，本文提出“AI×City”共生进化的分析视角，力求突破传统的技术决定论与社会建构论的二元对立，将AI视为城市复杂适应系统（Complex Adaptive System，CAS）的内生变量，以AI技术的突破性进展为切入口，探究其对城市形态的影响方向和特性变革，展望AI与城市的交互范式演进阶段与路径，探讨当AI技术具备自主演进能力时，城市系统可能的适应性调整和新稳态方向，为推动技术与城市共同演进为新型有机体做好技术与制度准备。

01

赋能与催变：技术驱动的城市演化

当前，人工智能技术正经历从工具理性到自主意识的范式跨越，其底层逻辑的革新将深度影响城市形态的发展走向，并为未来城市研究提供新的视角。

1.1

AI逻辑的变革趋势

近年来，AI技术突破正以指数级速度发展。从算法设计权的下放、认知生成机制的重构，到决策流程的范式颠覆、具身智能的知行统一，不仅体现为性能提升，更重构了技术发展的底层逻辑，推动AI系统从“人为设计”向“自发自主”的范式跃迁。

1.1.1 算法的自进化：从硬编程转向深度强化学习

传统的程序设计逻辑，强调开发者需要预先对详尽的算法逻辑进行明确定义，这种以人类经验来构建问题的解决路径及对专家经验的依赖性往往导致技术垄断和进度缓慢。深度学习（Deep Learning，DL）的出现重构了这一范式，如卷积神经网络（Convolutional Neural Network，CNN）以数据驱动的方式显著降低了针对细节的“硬编码”规模。更深层的跃迁发生在强化学习（Reinforcement Learning，RL）领域，智能体（Intelligent Agents）可通过奖励函数与环境交互的闭环反馈，自主探索出超越人类经验的最优策略，如AlphaZero基于深度强化学习（Deep Reinforcement Learning，DRL），在无人类先验知识输入情况下，实现了复杂策略规则的掌握并达到顶尖水平。算法的进化奠定了技术平权化的底层逻辑：当AI系统能够通过数据闭环自主整合物理规则与数据规律时，人类经验不再是技术突破的必要条件。

1.1.2 认知的自生成：基于设计转向基于涌现

在传统经济社会系统中，对规律和趋势的认知根本上是由顶层设计驱动的，并由精英大脑与信息流通网络共同构建，这种将复杂系统压缩至单一表征空间的中心化部署具备高效性，但也容易导致知识偏差与迁移壁垒。AI系统的认知革命源于对“中心化思维架构”的根本性质疑，并探索形成分布式认知架构。如混合专家模型（Mixture of Experts model，MoE）通过动态路由机制激活特定子模型，以子模型协同形成超越线性叠加的认知涌现（Cognitive Emergence，CM），进而实现了认知维度的指数级扩展。更深层的逻辑变革在于系统功能的生成机制，如多智能体系统（Multi-Agent System，MAS）的博弈论激励机制，运用微观节点的局部交互规则取代顶层设计，推动实现复杂功能。如清华大学团队开发的AgentSociety系统，通过大规模社会智能体的并行执行，展示了如何通过“生成式”方式从个体行为中涌现复杂的社会现象[7]。这种“简单规则驱动复杂能力”的范式，突破了传统系统设计的因果链束缚，推动智能系统从静态设计的结果走向动态演化的涌现。

1.1.3 决策的自驱动：从模块化转向端到端

传统的智能决策机制是一种基于规则驱动的“模块化”架构，即将感知、定位、决策、控制等任务拆分为多个独立模块，通过接口传递完成工作协同。其根本缺陷在于认知割裂、语义损耗与误差累积。随着深度学习技术的发展，基于数据驱动的“端到端（end to end）”架构开始出现，通过多模态的神经网络模型直接从输入的传感器数据生成最终的决策和控制信号。相对于“模块化”架构，“端到端”架构的革命性在于重构了认知流程的本质逻辑，更加贴近人类行为模式，消除人工定义中间表征的认知降维过程，具备更强的泛化和复杂场景适应能力[8]，促使智能化部署从“自动化的部件协同”升级为“自主化的整体行动”[9]。这种整体性认知框架表明，当系统通过数据分布学习而非规则编程建立输入输出关系时，能够更好处理开放环境中的不确定性，实现对现实世界复杂性的无监督建模。

1.1.4 行为的自组织：外部指令转向VLA协同

智能系统的高阶形态突破在于消解感知、认知与执行的物理界限，构建具身化的自主认知体。当前，人工智能模型架构正经历从大型语言模型（LLM）到视觉语言模型（Visual Language Model，VLM），再到语言-视觉-行动融合模型（Language-Vision-Action Model，VLA）的演进过程。这种融合与端到端系统的结合，将极大增强模型在非指令性场景下的自我感知能力、自发意识以及自主决策水平。如Figure AI于2025年2月20日正式发布的基于VLA的新型机器学习模型Helix，已初步呈现对人类决策逻辑的机器复刻[10]，标志着智能系统从“被动响应指令”到“主动构建目标”的范式迁移。

综上所述，当前AI技术底层逻辑的变革，反映出智能系统进入了“认知主体”的演化轨道。而人类在其中的角色，正悄然从主导设计者向生态构建者演化。

1.2

城市形态的重构方向

AI技术的突破，正在重新定义物理、社会与数字的三元空间；城市的复杂多元，也为AI技术提供了丰富的试验环境。二者的深度融合，正在加速解构传统城市形态和运行逻辑，预示着城市正在从“功能容器”向“智能有机体”进化。

1.2.1 可计算城市：多模态数据的认知集成

城市空间的可计算化本质是物理世界、社会运行与数字空间的深度耦合。传统的城市运行状态分析与预测，多依赖静态统计与经验推演，难以捕捉城市系统内各类要素间复杂、动态、非线性的关联。AI技术的发展为城市要素的多模态感知、大规模处理与多要素分析提供了新的手段。如一些城市探索数字孪生（Digital Twin，DT）和联邦学习（Federated Learning，FL）在城市模型中的联合应用，支持跨域应用、动态学习和成本效益预测，使规划决策从“因果推断”转向“关联挖掘”[11]。又如虚拟新加坡（Virtual Singapore）平台通过整合建筑信息模型（BIM）、地理信息系统（GIS）与社会活动数据，推动城市治理范式向数据驱动模式的迁移[12]。顺应上述变革，城市规划与管理者的角色也正在从系统建构师向系统参数调优师转变。

1.2.2 超情景城市：涌现机制的空间表达

传统的城市规划受限于专家、专业和部门的认知边界，往往呈现有限的情景组合，AI则展示了自底向上涌现的强大力量。一方面，预测的条件组合将显著放大。多智能体（MAS）的联合部署将纳入人口、产业、气候与文化等更多变量，通过协同评估支撑城市综合决策。另一方面，规划的空间可能性将指数级扩展。如生成对抗网络（Generative Adversarial Network，GAN）与强化学习（RL）的结合，不完全受限于现实世界的规则逻辑，可在理想与可能之间催生无数种截然不同的战略与策略，为城市创造“可选择的未来”。这种涌现机制将有助于城市摆脱既有范式束缚，在保持战略定力的同时获得应对不确定性的敏捷能力。

1.2.3 高弹性城市：多功能融合与交叉

传统城市规划将居住、商业、工业等功能进行刚性分割，随着市民需求的多样化和城市面临突发情况的高频化，这种简化模型愈发难以应对多样化需求与非线性风险。AI与物联网、区块链等技术的组合，则有望解构传统功能分区的机械性约束，建立一种动态耦合机制。其底层逻辑在于将城市视为复杂适应系统，突破传统的“有限预案-条件触发”模式，通过实时感知与预测，驱动的响应式决策和行为自组织，实现对空间功能的多元叠加，对要素流动的随需调配，对应急预案的即时生成。这种高弹性机制将使城市真正获得类似生物体的环境适应能力——通过要素的自主重组与功能的弹性伸缩，在不确定性中持续进化。

1.2.4 分布式城市：城市细胞的闭环运行

传统的“中心-边缘”模式容易导致资源配置僵化和引发诸多城市病，AI的发展则有望使城市单元逐步获得自主决策权，推动城市的去中心化和有机生长。例如，边缘计算（Edge Computing，EC）的普及，有望推动社区、园区、商区、校区等功能节点向细胞级进化，根据在地条件自主调整空间功能设置、公共服务配置和资源响应处置。在此基础上，有望孕育出城市“自治单元”，每个单元通过针对关键效能指标的供需测算，形成智能合约集并予以落实，在能源管理、产业组织、交通微循环、设施运维、公共服务和社会治理等领域形成各具特色的优化策略，既保障隐私又提升系统韧性。这种面向中层和基层的分布式架构，将激活城市组团活力，使城市摆脱“摊大饼”式扩张，转向自组织、自优化生长。

综上所述，AI的突破性变革正在从各个维度动态重构城市的未来：可计算化建立数字治理基座，超情景规划涌现创新可能，高弹性设计提升适应能力，分布式架构保障系统韧性，共同创造技术与社会关系的全新范式。这种范式迁移，也将推动城市规划和治理，在技术适配性、机制灵活性和运行鲁棒性间寻找新的平衡。

02

伴生到共生：“AI×City”交互范式演进

上述系统变革，尽管尚未规模化爆发，但从即刻起，我们必须从“共生系统”的视角来审视人工智能与城市之间的关系。基于此，笔者初步构建了“AI×City”交互范式的“5D”演进路径：即AI首先作为观察者，通过数字孪生等技术描摹城市复杂系统（AI Describe City）；紧接着作为设计者，优化资源配置与规划决策（AI Design City）；随后作为驱动者，通过强化学习与生成式技术突破传统治理瓶颈（AI Drive City）；进而同人类共同作为定义者，重塑城市愿景与价值体系（AI Define City）；最终作为多样化推动者，促进城市在统一框架下展现独特基因（AI Diversify City）。这一融合演进，将重塑城市发展的底层逻辑，推动其从“人类意志的具象载体”向“人机共生的有机生命体”跃迁。

图1 “AI×City”交互范式演进路径示意

2.1

AI Describe City：

AI描摹城市

AI对城市的描摹，主要将通过数字孪生（DT）、联邦学习（FL）、深度强化学习（DRL）等技术，建立物理世界、社会系统与数字空间的同步映射，并依此发掘城市复杂系统的运行规律。首先，数字孪生技术结合物联网、遥感和移动设备等多模态感知网络，实时采集海量数据，构建城市运行的全息镜像。进而，海量数据通过深度学习与复杂网络等工具，重点揭示城市系统的非线性关联与涌现特性，辅助高阶城市科学的发现，为规划、建设与治理奠定新的理论基础。在这一过程中，AI的关键作用，在于帮助决策者理解和概念化高度不确定性的事物，而非精确预测和评估其影响[13]。在这方面，吴恩达[14]、李飞飞[15]等都提出，能自主感知、自主学习和复杂推理的自主智能体（AI Agent）技术有望成为重要的知识生产支撑工具。相应地，人类规划与决策者，则需要将一线实践经验进行系统化整理和总结，形成可信知识空间并融入自主智能系统，以应对多步骤、多变量的任务挑战。

2.2

AI Design City：

AI设计城市

在城市设计领域，AI的生成对抗网络（GAN）、强化学习（RL）以及多目标优化算法（Multi-objective optimization algorithm，MOA），将展现出显著优势。AI技术通过综合考虑多元约束条件，快速生成海量差异化方案，更主动匹配城市复杂特征，更精准配置城市资源系统，推动城市规划逻辑从“经验导向”到“算法增强”的范式迁移。例如，在土地利用规划中，AI算法可以综合考虑人口分布、交通流量、生态环境等多方面因素，生成更合理的用地布局方案。同时，AI技术有望将政策模拟器从单目标、小范围评估向多目标、泛领域拓展，实现数据驱动的重大项目与政策决策。

2.3

AI Drive City：

AI驱动城市

传统的城市治理，依赖预设规则与线性流程，难以应对突发性挑战与非线性风险。AI驱动城市的革命性在于通过强化学习（RL）与生成式技术（Generative AI），使智能体可依托环境反馈自主构建价值函数，推动决策逻辑从检索预案转向动态规划，在提升治理效率的同时，更可拓展城市应对复杂挑战的能力。以AI城市大脑为例，通过神经网络建模，可有效突破传统交通流模型的简化假设，优化交通治理的底层逻辑。AI驱动城市的核心价值，不仅在于执行既定任务，更在于自主优化变革甚至重构业务流程，并将相关经验扩展至复杂决策情境中。例如，如果应用AI关联训练车路协同调度、公交线网优化与信号配时模型，将系统提升城市交通网络的运行效率与韧性。AI的驱动加持，将使城市治理从“被动应对”转变为“主动适应”，实现不确定性中的持续优化。

2.4

AI Define City：

AI协同定义城市

在传统的规划模式中，城市价值体系与愿景目标设定通常依赖专家与公众参与的单向流程，难以调和多元利益诉求与复杂系统约束之间的矛盾。AI协同定义城市的本质是通过机器智能与群体智慧的协同，重塑城市愿景与价值体系。AI通过知识图谱、群体智能算法等技术手段，将有效汇集治理者、市民与企业多方的视角和诉求，并依托群策框架推动城市发展目标的动态优化。以赫尔辛基为例，当地已建立参与式设计平台UrbanistAI，尝试在街道设计等项目中收集公众和企业意见，并生成匹配的设计方案[16]。这一举措尽管只是协同定义城市的初级阶段，但已开辟了人机协作推动城市发展的新渠道。这种“AI协同定义”的核心价值体现在将城市愿景从“静态蓝图”转变为“动态共识”，治理方式从“单向决策”转变为“全过程民主”，推动多元利益博弈中找到最优平衡点。

2.5

AI Diversify City：

AI促进城市的多样化

作为AI与城市交互的高阶范式，AI推动城市多样化发展的核心目标，是在确保城市基本功能架构相对一致的基础上，推动城市深度契合自身基因，从而避免陷入“千城一面”的同质化困境。城市的地方性禀赋是一方发展的宝贵财富，而传统规划模式对经济、产业、社会单元与城市机理的模板嵌入倾向，往往容易忽视地方特色的细致挖掘。AI通过大规模样本参与、多样性行为模拟以及动态激励机制，有望促进自下而上地大规模涌现，进而形成符合其发展基因的空间形态与社会结构。在这一过程中，依托本地资源禀赋、文化传承、要素流动特点，在通用模型基础上强化特色智能体建设尤为重要。例如，对于一些历史文化名城，可以依托软实力评估类智能体，推动文化遗产保护与有机传承；对于科技型城市，则可以利用经济地理类智能体促进创新链、产业链、供应链联动布局。普适大模型与个性小模型的共存，将有效推动城市从“标准化产品”转变为“个性化作品”，形成各具特色、优势互补的城市发展格局。

综上所述，伴随人机交互的深入，AI将在城市进化中扮演越来越重要的角色——描摹建立认知基座，设计优化资源配置，驱动突破治理瓶颈，协同定义价值体系，守护多样城市基因。当AI深度融入城市发展逻辑时，规划将不再是对终极蓝图的描绘，而是对持续进化过程的引导，人类智慧与机器智能将协同探索更可持续的城市未来。

03

考验与筹谋：系统化应对潜在挑战

尽管AI与城市的共生进化的前景可期，但道路并非一帆风顺。鉴于AI与人类动机和行为的差异，这一进程仍将面临若干挑战与风险，如AI模型决策逻辑与人类价值观的偏离、AI“黑箱”特性导致的低解释性与不确定性、AI快速迭代导致“技术奇点”来临……这些风险表明，AI与城市的共生不仅需要技术突破，更需要对其风险挑战深入认知和有效管控。更为严峻的现实在于，当前，学界、政界与业界尚未就如何识别、测度、管控风险形成共识，认知上的滞后可能加剧失控风险。因此，从技术、理念、场景与机制等方面做好先期引导和准备深有必要。只有事先确立清晰的价值锚点与路径导引，才能在AI能够自主进化、城市可以动态重构时，确保这场人机共生的文明跃迁始终沿着良性轨道稳健前行。

3.1

技术准备：

非中心化与群策智能的探索

为了应对传统集中式模型的决策复杂性不够、单点故障风险及数据隐私问题，需要通过涌现机制（EM）、联邦学习（FL）、多智能体系统（MAS）与群体智能（Swarm Intelligence，SI）等新技术的联合创新来适应城市系统的复杂性与多样性，并为未来城市通用智能（Urban General Intelligence, UGI）的实现奠定基础。

一方面，可利用涌现机制和联邦学习技术来创立非中心化的城市基础模型（Decentralized Urban Foundation Model, DUFM）[17]。其中，涌现机制强调通过局部规则的简单交互形成全局的复杂行为，联邦学习技术支持构建分布式城市数据平台和数据本地训练，从而在确保隐私安全的前提下，实现知识的协同优化，这与城市系统的自组织特性高度契合。

另一方面，可深度融合城市系统复杂性构建城市多目标决策体系（Urban Multi-Objective Decision System, UMDS）。为应对城市系统涉及的经济、社会、环境等多维目标复杂需求，可通过多智能体系统（MAS）和群体智能技术（SI），推动城市智能体的协作与竞争，以实现“智慧协同治理”。多智能体系统通过模拟城市中各主体（如交通、能源、公共服务等）的交互行为，优化资源配置与决策效率。例如，北京大学人工智能研究、北京大学工学院、计算机学院和伦敦国王学院协作完成的“大规模多智能体系统的高效强化学习”成果已在智慧交通和智慧能源领域应用，初步证实了其在提升治理效率与优化资源配置方面的潜力[18]。

3.2

规则准备：

价值对齐与博弈模式的建立

为引导AI与城市共生向善发展，需要在治理层面聚焦两大核心内容，即统一价值观标准与动态博弈机制，以在制度弹性与技术可控性间寻求平衡。

一方面，需进一步深化价值观对齐标准（Value Alignment Standards, VAS）。当前，欧盟于2019年和2021年分别提出的《可信人工智能伦理准则》《人工智能法案》、我国于2021年出台的《新一代人工智能伦理规范》等都强化了在隐私保护、安全可控、公平公正等方面的要求。下一步，需结合联合国可持续城市发展议程及我国城市工作高质量发展系列要求，重点围绕公平性、透明度、可解释性与包容性等原则，完善伦理框架以确保AI与人类共同价值的一致性。

另一方面，需建立多利益相关方博弈机制（Multi-Stakeholder Game Mechanism, MSGM）。AI与城市共生的治理需要平衡技术开发者、政府机构、企业与公众等多方诉求，避免“技术霸权”或“监管僵化”的极端情况。基于此，可借鉴博弈论机制设计理论，构建动态均衡的治理框架。例如，同济大学吴志强院士团队研发的“城市博弈模型（CityGo）”，从政府、规划师、投资商、市民等四方利益相关者视角出发，开展了对职业、居住、商业、医疗、教育、休闲等六元功能的分散决策与职能配置。这种虚拟协商模式的探索实践，对统筹规划策略、化解潜在冲突与践行多元目标具有积极意义。

3.3

场景准备：

规划下沉与自组织模式的压力测试

为破解刚性规划对多样化场景适配性不足、集中式决策对突发扰动的响应度不够等问题，需探索开展规划机制的“下沉式创新”，即通过激活城市“细胞单元”的自治能力与多层级协同机制，结合压力测试实现治理的精准适应与系统韧性。

一方面，探索建立城市细胞“端侧自组织”机制。可依托社区、园区、街区等城市微小功能单元建立端侧自组织系统，围绕能源供给、公共服务、韧性设施等主题，借助区块链分布式账本（Distributed Ledger Technology，DLT）与智能合约（Smart Contract，SC）等技术，构建去中心化的社区自治框架，开展分布式治理试验。

另一方面，探索建立“众脑”协同的模式，通过主脑、辅脑、分脑和端脑的协同运作，形成自组织的分布式治理体系[19]。借助末端决策系统打破只依靠城市大脑决策的局面，实现分区、分级决策，将单向指令模型转变为自组织模型。

3.4

机制准备：

风险监测与管控的深化

AI与城市共生过程中，将面临复杂多变的现实挑战，需要建立相关风险的动态监测与适应性治理机制。

一是构建动态风险监测与预警机制。面向城市治理中的多维度、多尺度风险，可结合实时数据采集与机器学习模型，对AI方案的社会、经济与环境影响进行持续跟踪与评估，在直接收益或外部效应出现阈值突破时及时识别和预警，调整算法参数，避免潜在矛盾的激化。

二是建立风险量化与责任追溯机制。AI在城市治理中的应用涉及多方利益，其风险责任难以界定。为此，可结合多目标优化模型，量化AI方案的社会成本与收益，配套建立责任追溯框架，提升风险管控的科学性，为决策提供权衡依据。

04

结论与展望

本文围绕“AI与城市共生进化”这一视角，从AI对城市形态变革的驱动作用、同城市进化的交互影响范式等多个维度，探讨了AI与城市共生进化的可能方向与作用机理。从AI与城市共生的现实语境出发，识别面临的潜在风险，提出技术、规则、场景与机制层面的先期筹谋。面向未来，可以从以下几方面开展深化研究，推动技术、治理与机制的协同创新。

一是推动AI与城市交互的基础性技术实现。进一步探索非中心化城市基础模型与多智能体系统的技术实现路径。例如，在智慧交通、能源管理、气候基础设施等领域开展试点项目，评估其性能与风险。

二是深化“负责任AI”推动城市创新的治理框架。深入研究可持续城市发展理念下的价值对齐标准与博弈机制的设计，保障推进策略的公平性与透明性，清晰人机权责边界划分，平衡技术、商业与社会目标。

三是构建服务AI涌现机制的城市知识体系。推动经济、社会、生态与文化等多学科的深度协同，构建综合性的城市治理知识体系和跨领域专家协作平台，提升AI涌现机制的可解释性。

AI与城市的共生进化既充满机遇，也面临巨大挑战。正如“红旗法案”无法阻止汽车的发展一样，AI与城市的共生也无法被简单限制，而是需要人类智慧的深度参与，才能推动AI与城市共同走向光明的未来。

参考文献（上滑查看全部）

[1] 马克思，恩格斯 . 共产党宣言[M] . 北京：人民出版社，2015.

[2] 维纳 . 人有人的用处——控制论与社会[M] . 陈步，译 . 北京：北京大学出版社，2010.

[3] 刘易斯·芒福德 . 城市发展史：起源、演变与前景[M] . 陈恒，宋俊，译 . 上海：上海三联书店，2018.

[4] HUGHES T.P . Networks of Power: Electric Supply Systems in Western Society,1880–1930[M] . Baltimore：JHU Press，1983.

[5] STEPHEN G.，SIMON M . Splintering Urbanism: Networked Infrastructures, Technological Mobilities and the Urban Condition[M] . London ; New York：Routledge，2001.

[6] BRYNJOLFSSON E.，MCAFEE A . The Second Machine Age-Work, Progress, and Prosperity in a Time of Brilliant Technologies[M] . New York：W. W. Norton & Company，2014.

[7] 量化研究方法 . 清华团队构建大型社会模拟器，推动智能社会治理与研究范式变革[EB/OL] . (2025-03-22)[2025-03-30] . https://mp.weixin.qq.com/s?__biz=MzA3NzIxNDQ3MQ==&mid=2650330813&idx=3&sn=b2213355d9d126d5607c96992a332bd7&chksm=861d97ff2bc84b4d383cb31f601ba52be0c7982a63ff06b79e47e79891f1ef9b59bfd4671b2f&scene=27

[8] 艾瑞咨询 . 中国人工智能产业研究报告（VI）[R] . 2024.

[9] 徐珺 . 立足数据驱动，加速构建人形机器人产业技术生态[EB/OL] . (2025-01-26)[2025-03-30] . https://www.thepaper.cn/newsDetail_forward_30028917

[10] 金融界 . Figure发布通用具身智能模型Helix，仅需500小时训练数据实现高效泛化，(2025-02-21)[2025-03-30] . https://baijiahao.baidu.com/s?id=1824649285765752206&wfr=spider&for=pc

[11] ZHANG Z F，CHEN M Z，YANG Z H，etal . Mapping Wireless Networks into Digital Reality through Joint Vertical and Horizontal Learning . arXiv:2404.14497v1 [cs.NI](2024-04-22)[2025-03-30] . https://arxiv.org/pdf/2404.14497

[12] 倪旻卿，徐鹏，纪律 . 新加坡数字化协同治理创新模式研究[J] . 全球城市研究（中英文）[J] . 2022，3(01)：111-127+192.

[13] CURTIS C, MCLEOD S, HULTÉN J, et al. Knowledge for Policy-Making in Times of Uncertainty: the Case of Autonomous Vehicle Model Results[J]. Transport Reviews, 2021, 41(4):478-498.

[14] 真格基金 . 吴恩达：AI智能体的未来[EB/OL] . (2024.04.03)[2025-03-30] . https://finance.sina.cn/tech/2024-04-03/detail-inaqpxcw2061353.d.html?from=wap

[15] 硅发布 . 李飞飞最新 TED 演讲全文：空间智能和真实世界[EB/OL] . (2024-05-15)[2025-03-30] . https://mp.weixin.qq.com/s?__biz=MjM5NTAyODE0MQ%3D%3D&mid=2650818431&idx=1&sn=8983677f3563862e058e95729605764d&chksm=bd0a2abd8a7da3ab6ba431a99a3043ec5093c4b056ca6b057a1437c333a1e862f3ea4d1e090b&scene=27

[16] Urbanistai . Co-Designing the Helsinki Summer Streets[EB/OL] . (2023-01-15)[2025-03-30] . https://site.urbanistai.com/helsinki-summer-streets-1

[17] FUJITA M，OGAWA H . Multiple Equilibrium and Structural Transition of Non-Monocentric Urban Configurings[J] . Regional Science and Urban Economics，1982，12（2）：161-196.

[18] MA C D, LI A M, DU Y L, etal . Nature Machine Intelligence[J/OL] . 2024（6）：1006-1020(2024-09-03)[2025-03-30] . https://www.nature.com/articles/s42256-024-00879-7

[19] 吴志强，甘惟，李舒然，等 . “城市众脑”：理论模式及关键议题[J] . 城市规划学刊，2023(06)：20-26.

*本文为2025中国城市规划年会论文

【免责声明】本公众号发布的内容仅供学习交流使用，不以任何形式进行牟利。内容版权归原作者所有。如有侵犯您的权益，请及时与我们联系，我们将于第一时间协商版权问题或删除内容。内容为作者个人观点，不代表本公众号立场和对其真实性负责。

理论研究 | 茅明睿：社区体检到更新的AI场景创新

点击图片阅读全文

CCPR期刊进校园 | AI 时代背景下的城市更新与宜居城市

点击图片阅读全文

学术报告 | 杨超：AI时代城市交通规划面临的挑战

点击图片阅读全文