Rehearsing Urban Futures: Generative Agents and Daily Life Narratives

Die Stadtplanung ist seit langem ein Gespräch zwischen zwei verschiedenen Sprachen. Auf der einen Seite sprechen Experten in technischen Karten, Bebauungsplänen und mathematischen Modellen, die vorhersagen, wie eine Stadt wachsen könnte. Diese Werkzeuge sind mächtig für Berechnungen, aber sie sind für Laien oft schwer zu lesen oder zu verstehen. Auf der anderen Seite sprechen Bewohner in Geschichten über ihr tägliches Leben: den Bus, auf den sie warten, die Abkürzung, die sie zum Lebensmittelladen nehmen, oder die Angst, die sie beim Gehen durch eine dunkle Straße empfinden. Wenn diese beiden Gruppen in einer Bürgerversammlung aufeinandertreffen, dominieren die technischen Werkzeuge oft die Diskussion und zwingen die Bewohner dazu, auf unmittelbare, kleine Probleme wie eine kaputte Straßenlaterne zu reagieren, anstatt sich vorzustellen, wie sich das gesamte Viertel im Laufe der nächsten Generation verändern könnte. Diese Lücke lässt viele große Fragen über Wohnraum, Klima und Gerechtigkeit außerhalb des Raumes. Forscher am Massachusetts Institute of Technology haben einen neuen Weg entwickelt, um diese Kluft zu überbrücken, indem sie Computerprogramme nutzen, die die Geschichte einer Person „anhören“ und sie dann in einer virtuellen Stadt „nachspielen“ können, sodass alle die Zukunft sehen und debattieren können, bevor sie gebaut wird.

Der Kern der Idee hinter dieser Arbeit besteht darin, eine Stadtsimulation in einen Ort der Probe statt nur der Vorhersage zu verwandeln. Anstatt zu versuchen, exakt vorherzusagen, was passieren wird, schafft das System einen Raum, in dem Bewohner ihre Ideen testen und die Konsequenzen sehen können. Die Forscher entwickelten zwei verschiedene Versionen dieses Systems, um zu sehen, wie Menschen mit ihnen interagieren. Die erste Version, die „Neighborhood Platform“, wurde im Inner Richmond-Viertel von San Francisco eingerichtet. Hier verwandelte das Team echte Interviews mit lokalen Bewohnern in drei unterschiedliche Charaktere: einen Lehrer, einen Kleinunternehmer und einen langjährigen Nachbarn. Jeder Charakter hatte eine spezifische tägliche Routine, die auf dem basierte, was sie den Forschern erzählt hatten. Das System erstellte daraufhin eine digitale Karte des Viertels und besiedelte sie mit diesen Charakteren, wobei gezeigt wurde, wie sie sich durch die Straßen bewegten. Die Installation nutzte große Bildschirme, um zwei Ansichten nebeneinander zu zeigen: Eine zeigte das Viertel, wie es heute ist, und die andere zeigte, wie es aussehen würde, wenn die Wünsche der Bewohner nach besserem Nahverkehr oder mehr Geschäften erfüllt würden. Dies ermöglichte es Gruppen von Menschen zu beobachten, wie eine Änderung in einem Teil der Straße das tägliche Leben eines Nachbarn beeinflussen könnte, den sie noch nie getroffen hatten, was ein tieferes Verständnis dafür förderte, wie politische Maßnahmen verschiedene Menschen beeinflussen.

Die zweite Version, die „Resident Platform“, kehrte das Skript um. Anstatt einen Charakter zu beobachten, der auf der Geschichte eines anderen basiert, wurde der Nutzer selbst zum Charakter. Ein Bewohner setzte sich vor einen Computer, beantwortete Fragen zu seinem eigenen Pendelweg und seinen täglichen Gewohnheiten, und das System baute eine digitale Version von ihm, einen sogenannten „Agenten“. Dieser Agent war nicht nur ein statisches Bild; er war ein Programm, das denken und sich bewegen konnte. Der Nutzer konnte den Spaziergang des Agenten an jedem beliebigen Punkt seiner Route unterbrechen und einen Änderungsvorschlag in einfacher Sprache machen, wie zum Beispiel „entferne die Autos“ oder „füge ein Café hinzu“. Das System bearbeitete daraufhin sofort ein Foto dieser Straßenecke, um die Änderung zu zeigen, und beobachtete dann, wie der Agent reagierte. Wenn die neue Straße sicherer oder angenehmer aussah, wählte der Agent vielleicht diesen Weg anstelle der üblichen Umleitung. Der Nutzer konnte die Begründung des Agenten lesen, die erklärt, warum er eine bestimmte Entscheidung getroffen hatte, und konnte dieser Logik zustimmen oder widersprechen. Dieser Prozess verwandelte die Planungssitzung in einen Dialog, in dem der Bewohner den Computer korrigieren konnte, falls dieser seine Bedürfnisse missverstand.

Um zu testen, wie gut dies funktionierte, brachten die Forscher die „Resident Platform“ zu Workshops in San Francisco und Boston und arbeiteten mit dreißig Bewohnern zusammen, die ihre Viertel gut kannten. Sie fanden heraus, dass die wertvollsten Momente auftraten, wenn der Computer etwas falsch machte. Wenn der digitale Agent eine Entscheidung traf, die der echte Mensch als unmöglich oder unsicher empfand, hielt der Bewohner inne und erklärte warum. Wenn beispielsweise der Agent eine Straße entlangging, die schlecht beleuchtet war, wies der Bewohner darauf hin, dass er dort niemals gehen würde, aufgrund eines vergangenen Vorfalls. Diese Korrektur lieferte den Forschern tiefgreifende, nuancierte Erkenntnisse, die eine einfache Umfrage niemals erfassen könnte. Die Studie zeigte, dass der Computer nicht perfekt genau sein musste, um nützlich zu sein; er musste nur nah genug dran sein, um eine Reaktion hervorzurufen. Der Agent fungierte als Brücke oder gemeinsames Objekt zwischen der Erinnerung des Bewohners und dem Modell des Planers. Es war ein Werkzeug, mit dem man debattieren konnte, was das System dazu zwang, von der spezifischen Erfahrung des Menschen zu lernen.

Die Ergebnisse legen nahe, dass dieser Ansatz die öffentliche Beteiligung von einer passiven Beschwerderunde in einen aktiven Designprozess verwandeln kann. Wenn Bewohner sahen, wie ihre Ideen visualisiert und gegen die täglichen Routen anderer getestet wurden, bewegten sich ihre Gespräche über kleine Reparaturen wie das Hinzufügen einer Bank hinaus. Sie begannen, über komplexe, langfristige Zukünfte zu diskutieren, wie etwa was mit einem Viertel geschieht, wenn Autos vollständig entfernt werden. Die Forscher stellten fest, dass die digitalen Agenten zwar gut darin waren, zu verstehen, was den Menschen wichtig war, aber weniger perfekt darin, genau vorherzusagen, wie Menschen sich verhalten würden, da sie oft auf allgemeine Annahmen statt auf persönliche Eigenheiten zurückgriffen. Diese Unvollkommenheit war jedoch Teil des Prozesses. Das System war als Entwurf konzipiert, nicht als endgültiges Urteil, und lud die Bewohner dazu ein, ihre eigene Realität zu bearbeiten. Indem die Simulation zu einem Ort für Debatten statt zu einer „Black Box“ Expertenwissens gemacht wurde, halfen die Werkzeuge den Bewohnern, sich stärker beteiligt und fähig zu fühlen, die komplexen Systeme zu gestalten, die ihre Städte regieren. Die Arbeit kommt zu dem Schluss, dass die Zukunft der Stadtplanung vielleicht nicht in perfekteren Vorhersagen liegt, sondern in besseren Wegen für Gemeinschaften, die Zukünfte, in denen sie leben wollen, zu proben und zu verfeinern.