アルゴリズム、ソフトウェア、スマート技術は、世界中の都市でその存在感を増しています。人工知能（AI）、エージェントベースモデリング、モノのインターネット、機械学習は、今やほぼあらゆる場所で見られます。街灯から街灯、ごみ箱、信号機、そして自動車に至るまでです。それだけではありません。これらの技術は、都市計画の進め方にも影響を及ぼし、重要な意思決定（新しい建物、交通、インフラ事業に関するもの）を左右しています。
都市生活者は、これらの技術の存在を、気づいたとしても、受け身で受け入れる傾向があります。しかし、その受容は、プライバシーをめぐる断続的なパニックによって中断されることがあります。例えば、ロンドン交通局が、Wi-Fiを使って交通網全体の乗客の移動を追跡する最新計画は、批判を招きました。プライバシーの専門家からの批判です。もしこれらの技術の仕組みについてより広く理解が浸透していれば、市民は、どのようなデータの共有に抵抗がないかを判断し、都市を移動する際にプライバシーをよりよく守る方法を判断できるようになるでしょう。
そこで、最近の研究では、私はAIや機械学習の背後にあるアルゴリズムの一部がどのように機能しているのか、また、通りや広場、カフェといった身近な都市の環境にどのような影響を与えているのかを解明しようと試みました。しかし、アルゴリズムがどのように機能するのかという神秘的な数学を説明しようとするのではなく、アルゴリズムが私たちの暮らす世界を実際にどのように「見ている」のかに着目しました。
アルゴリズムはどのように「見て」いるのか
機械が見ているものを本当に知りたいのであれば、コンピューターのように考える必要があります。つまり、普段は感覚で知覚し、脳で合理的に判断しているものをすべて度外視し、代わりにデータ取得の段階を一つずつ踏んでいく必要があります。これこそが、The Machine’s Eye（機械の目）で示そうとしたことです。これは、仮説上のAIシステムが物理的な環境を「読み取り」、そこにいる人々のプロファイルを作成できるまでの過程を示すシミュレーションです。
この過程は、何の情報もない真っ暗な状態から始まり、スマートフォン、マイク、CCTV、その他のセンサーといった多数の相互接続された機器から、徐々にデータを収集します。まず、物理的な環境から直接情報を検出し、整理します。部屋の広さ、施設の種類、室内にいる人数、話されている言語、アクセント、性別、会話の種類などです。次に、これらのデータを、ソーシャルメディアへの投稿、オンライン上の記事、データベース、個人のページからのデータマイニングによって、各個人についてオンラインで見つかる情報と照合します。
この虚構の中で、私たちのAIマシンは最終的に、これらのデータをすべて統合し、対象となる個人の正確なプロファイルを作成できるようになります。そのプロファイルからは、個人的な人間関係の可能性、家族の見通し、平均寿命、生産性、あるいは「社会的価値」（すなわち、財務面および社会面における社会への貢献度）が推測されます。
このシミュレーションに登場するデータはすべて架空のものです。この動画の主な目的は、高度なAIシステムによって運用される、真につながったモノのインターネットが、仮説上どのようなことを可能にしうるのかについて、人々の意識を高めることです。
表面をなぞるだけ
アルゴリズムが建造環境をどのように見ているのかを探る企業は、着実に増えています。ニューヨークを拠点とするNuminaは、例えば、自動車や歩行者の都市内の動きに関するデータを収集し、その軌跡をリアルタイムで可視化しています。また、ボルボは、著名な写真家バーバラ・デイヴィッドソンと協力し、カメラや車載センサーがコペンハーゲンの混雑した通りにおける人々の存在を描き出す自動化システムを設計しました。
こうしたプロジェクトは、データの機械的な表現と人間の視点を組み合わせたものです。しかし、それらは、アルゴリズムが私たちの世界で実際に何を捉えているのかという点について、表面をなぞっているにすぎません。実際には、センサーが検知するデータ量と、それを処理するアルゴリズムの計算能力によって、都市環境についてはるかに豊かで、より微妙なニュアンスを伴う全体像が生み出されています。
City Scannerは、マサチューセッツ州ケンブリッジが、MITのSenseable City Labと提携して開発したスマートシティ・プロジェクトです。ごみ収集車には一連のセンサーが搭載されており、特定地域の汚染レベルから、ガス漏れや道路の穴ぼこに至るまで、都市の性能に関する多くの基準を検知できます。
センサーは、通常の走行ルートで収集したデータを中央サーバーに送信します。そこでは一連のアルゴリズムが、膨大なデータを統合、分類、分析し、都市生活の質をほぼリアルタイムで示す全体像を返します。この都市の性能を継続的に監視する仕組みは、過去の観測結果を基に、都市のインフラやそれを支える政策を継続的に改善することを目指しています。
同様に、宅配会社UPSのエンジニアは、ORION（On-Road Integrated Optimisation and Navigation：道路統合最適化・ナビゲーション）アルゴリズムを開発しました。この1,000ページに及ぶ作業は、都市内の2地点間の最短経路を示すだけでなく、時間とともに賢くなっていきます。ORIONは自らの出力結果から継続的に学習し、トラックがAからBまでどれくらいの速さで移動したかを計測して、統計モデルと比較することで、その精度と性能を向上させています。
明らかに、アルゴリズムは、人間よりも詳細に都市を「見る」ことや、都市内をより効率的に移動することができるよう訓練できます。しかし結局のところ、それらは本質的には数学的・統計的モデルであり、現実の問題に巧みに適用されたものにすぎません。だからこそ、これらのブラックボックス技術の神秘性を取り除き、都市環境を改善するために、その仕組みを理解し、最大限に活用することが極めて重要なのです。
