💻 computer science

Pluralistic-Alignment Urbanism: Operationalizing a Right to AI for Inclusive Public Space

本文提出了多元对齐城市主义（Pluralistic-Alignment Urbanism, PAU），这是一种程序化治理框架，通过利用蒙特利尔的参与式案例研究，将结构化分歧与子群体差异转化为诸如差异化报告、版本化价值登记册和审议性监督等具体的治理机制，从而为市政公共空间系统落实人工智能权利（Right to AI）。

原作者： Rashid Mushkani

发布于 2026-06-12

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Rashid Mushkani

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，一座城市就像一个巨大的、活生生的拼图。长期以来，城市规划者一直试图通过观察这些碎片并为它们分配单一的分数来解决这个谜题：“这条街道安全吗？它漂亮吗？它方便吗？”过去，他们使用剪贴板和调查问卷来完成这项工作。现在，他们正在使用人工智能（AI）来更快地完成这一切：扫描成千上万张街道照片，以生成地图、评分，甚至生成关于街道改造后可能呈现样貌的虚构图片。

问题在于，正如这篇论文所指出的，每个人看待拼图的方式都不同。 一条街道对一个人来说可能感觉“安全”，但在另一个人眼中可能觉得“可怕”。一个“漂亮”的公园对某些人来说可能感觉是“排外的”。当 AI 试图给每条街道一个单一的数字或一张单一的“最佳”图片时，它在无意中抹去了这些不同的观点。它假装只有一个正确答案，而现实中其实有许多个。

这篇论文提出了一种新的城市 AI 运行方式，称为多元对齐城市主义（Pluralistic-Alignment Urbanism, PAU）。你可以把它想象成一套关于城市应如何使用 AI 的新规则手册，其核心理念是：分歧不是需要被修复的错误，而是需要被管理的现实。

以下是论文通过简单的类比对这一概念进行的拆解：

1. 问题所在：“一刀切”的陷阱

目前，城市使用 AI 就像使用一个拿着单一法槌的法官。AI 观察一条街道，应用一套规则，然后敲下法槌：“这条街道得分为 7 分（满分 10 分）。”

问题在于： 这个分数试图将“安全性”、“美观度”和“无障碍性”合并为一个数字。但这些要素并不总是相辅相成的。一条街道可能非常美观，但对于轮椅使用者来说却难以行走。如果你将它们取平均值，你就会失去关于“谁感到被排斥”这一特定真相。
论文的观点： 你不能把公共空间当作一个只有一个正确答案的数学问题。所谓的“真相”取决于观察者的身份。

2. 解决方案：用“群聊”代替“法槌”

作者建议不要将 AI 系统视为法官，而是将其视为一场大规模、持续进行的市民大会的引导者。他们称之为“AI 的程序性权利”。

与其要求 AI 选择“最佳”答案，不如设计一个系统来：

倾听不同群体的声音： 它询问不同的人（基于他们的背景）是如何看待这条街道的。
让分歧保持可见： 它不会将不同的分数平均成一个数字，而是保持不同分数的独立性。它会说：“A 组认为这里很安全；B 组认为这里不安全。”
尊重“我不知道”的回答： 当人们看到生成的公园新图并表示“我无法判断哪张更好”时，系统会将这种“中立”的回答视为重要的观测数据，而不是将其视为需要忽略的故障。

3. 两项实验（“概念验证”）

作者在加拿大蒙特利尔通过两种工具测试了这一想法：

工具 A：“街道评论”（评分卡）

做法： 他们请居民描述是什么让一条街道具有包容性。他们将这些描述转化为一份清单（无障碍性、美学、实用性、包容性）。然后，他们训练了一个 AI 来观察街道照片，并预测不同群体会如何评分。
结果： AI 变得非常擅长预测评分（准确率达到 89%）。但关键发现是，不同群体的评分是不同的。
教训： AI 证明了你可以通过规模化手段来映射这些不同的观点，但你必须保持地图的“非聚合性”。你不能只展示一张地图，你需要分别展示“无障碍性地图”和“安全性地图”，因为它们并不总是一致的。

工具 B：“LIVS”（图像生成器）

做法： 他们使用 AI 生成了街道可能呈现样貌的图片。他们要求人们根据特定标准选出“更好”的一张。
结果： 当人们被要求做出选择时，超过 50% 的时间，他们选择了“中立”或“我无法决定”。
教训： 这并不是 AI 的失败。这是一个信号！这意味着在超过一半的对比中，图片过于相似，或者标准过于模糊，导致无法选出胜者。论文认为，城市应该将这种高“中立率”视为一个停止信号。这意味着：“不要在这里使用 AI 来做最终决定；我们需要更多的人类讨论。”

4. 新的规则手册：城市究竟应该如何使用 AI

论文提出了一个被称为 PAU 的治理系统，它充当这些 AI 工具的安全带。其主要规则如下：

“价值登记册”： 想象一份列出城市关注点的动态文档。它清晰地将容易衡量的事物（如“有多少棵树？”）与存在争议的事物（如“这里感觉是否亲切？”）区分开来。AI 仅被允许对容易衡量的部分做出决策。对于有争议的部分，它仅负责报告不同的意见。
“审议小组”： 这是一个由普通公民组成的常设小组，定期参与审查 AI 的工作。如果 AI 开始做出奇怪的预测，或者人们感到困惑，该小组有权说：“暂停。停止使用这个工具，直到我们搞清楚问题。”
“暂停与回滚”按钮： 如果 AI 开始造成伤害，或者数据显示它在误导关于街道感受的信息，城市有权立即关闭它并退回到之前的版本。
禁止“黑箱”决策： AI 不能被用于做出个人决策（例如拒绝某个人的许可申请）或执行法律。它仅用于规划和头脑风暴。

核心总结

论文得出结论：城市中的 AI 不应该试图去解决“什么是好的城市”这一争论。 这种争论是健康且必要的。

相反，AI 应该是一个让争论保持可见的工具。它应该向我们展示在哪里人们存在分歧，为什么存在分歧，以及何时计算机只是在瞎猜。通过将分歧视为一种特性而非缺陷，城市可以利用 AI 来建设真正包容的空间，而不是仅仅在电子表格上看起来很完美的空间。

简而言之：不要要求 AI 担任市长。要让 AI 担任记录员，记录下每个人不同的观点，以便真实的人类能够做出最终决定。

技术摘要：多元对齐城市主义 (Pluralistic-Alignment Urbanism, PAU)

问题陈述

市政机构越来越多地部署机器学习系统来盘点公共空间、评分街景并生成用于城市规划的合成图像。这些系统充当了一个“认识论与算法层”，将异质的人类经验转化为可比较的人造物（分数、地图、图像），以指导预算分配和设计。然而，公共空间在包容性、安全性及归属感方面存在着持久的分歧。当前的治理框架通常将这些系统视为中立的决策支持工具，依赖于假设存在普遍共识的单一评估目标。这种方法存在风险：它可能掩盖了争议性的价值观，通过多数平均化抹杀了子群体的差异，并使那些未能考虑到公共生活多元本质的决策合法化。本文认为，将分歧视为需要消除的“噪声”是一种治理失败；相反，分歧和不确定性必须被视为具有决策相关性的证据。

方法论

本文提出了多元对齐城市主义 (PAU)，这是一个通过在加拿大蒙特利尔与社区组织合作开展的两项参与式案例研究进行操作化的程序性治理框架。该方法论不将参与视为事后验证，而是将其视为评价标准、数据和治理人工物的共同生产过程。

街道评论 (Street Review)（表征系统）：
- 目标： 基于居民的标准来评估街景，并将这些判断扩展至全市规模。
- 流程：
  - 启发 (Elicitation)： 通过对 28 名居民进行半定向访谈，生成了 600 多个描述符，并将其整合为四个标准：可达性 (Accessibility)、美学 (Aesthetics)、实用性 (Practicality) 和包容性 (Inclusivity)。
  - 评估： 12 名参与者分别对 60 张街景图像进行评分，随后通过引导式小组讨论产生集体判断。
  - 缩放 (Scaling)： 一个监督式多输出回归模型在 120 张已评分图像（按街区级数据点分组以防止数据泄露）上进行训练，用以预测 45,000 张街景图像的得分。该模型预测 28 个得分（4 个标准 × 6 个自识别子群体 + 4 个聚合指标）。
- 指标： 通过在留置测试集上的 $R^2$ 来衡量预测性能。
LIVS (局部交叉性视觉空间) (Local Intersectional Visual Spaces)（生成系统）：
- 目标： 使文本生成图像的模型与公共空间设计的多元偏好保持一致。
- 流程：
  - 数据构建： 与社区伙伴开展工作坊，启发了 634 个概念，并将其整合为六个标准（可达性、安全性、舒适度、诱人度、包中性、多样性）。利用 440 个参与者撰写的提示词，通过 Stable Diffusion XL 生成了 16,693 张图像。
  - 偏好收集： 18 名参与者通过网络平台对 37,710 组图像对比较进行了标注。至关重要的是，界面包含了一个明确的中立选项，用于表示冷淡或不确定性。
  - 对齐： 对 35,510 组非中立比较进行了直接偏好优化 (DPO) 微调。
  - 评估： 由 25 名居民组成的留置工作组提供了 2,100 组新的比较，用于评估微调后的模型相对于基准模型的表现，特别追踪了中立选择率。

核心贡献

多元对齐城市主义 (PAU)： 一个将公共空间 AI 系统视为需要程序性 AI 权利 (Right to AI) 的公民基础设施的治理框架。这种权利并非一般的获取权，而是一套针对塑造集体条件的系统的最低程序要求（包括权利、义务、人工物和追索权）。
证据对象 (The Evidentiary Object)： 一个概念性的转变，即将耦合的人造物（刺激物、标准、协议、聚合、表征）视为治理的单元。分歧和中立性是该对象的属性，而非错误。
治理架构： 一个具体的实现模型，其特征包括：
- 差异化报告： 避免默认的多数平均化；报告特定子群体的证据。
- 版本化价值登记册： 一种区分可基准化维度与争议性维度的市政记录。
- 常设审议单元： 拥有更新价值登记册以及建议暂停或回滚权限的参与式机构。
- 暂停与回滚权限： 基于记录的伤害、漂移或不确定性，设有明确的系统停止触发机制。

结果

实证研究得出了四个将技术约束与治理含义联系起来的命题：

P1：多元性是结构化的，而非噪声。
- 标准之间是不具通约性的。标准之间的相关性是中等且不均匀的（例如，实用性与美学之间不相关， $r = -0.05$ ；包容性与可达性及美学呈中度相关）。
- 同一刺激物在不同子群体间的评分存在显著差异，表明聚合方式具有后果性，且会抹杀与问责相关的差异。
P2：审议改变了证据对象。
- 小组判断并非个体评分的简单平均。讨论导致了对标准的重新解释以及产生新的评分理由。
- 审议后的残余分歧被记录为约束模型许可用途的证据，而非被强行纳入共识。
P3：协同生产的缩放是可行但受限的。
- “街道评论”模型实现了 $R^2 = 0.91$ （验证集）和 $R^2 = 0.89$ （留置测试集）。
- 然而，其模态（街景图像）限制了表征范围，仅能捕捉可见线索，无法捕捉如骚扰或象征性归属感等体验性因素。由此产生的地图是审计人工物，而非地面真相 (Ground Truth)。
P4：偏好对齐中的中立性是治理信号。
- 在 LIVS 留置评估（2,100 组比较）中，52.4% 的选择是中立的（95% 置信区间 [50.2, 54.5]）。
- DPO 微调后的输出仅在 33.3% 的案例中被偏好。
- 高中立率表明，许多比较并不支持在给定标准下的确定性排序，这应作为约束优化的信号，而非被平滑处理的标签。

意义与主张

本文主张，公共空间 AI 系统的合法性不仅取决于预测性能，更取决于机构能否维持持续的修订、争辩和范围控制。

将 AI 权利操作化： 本文将抽象的权利转化为可执行的市政程序，包括要求差异化报告和暂停权限的采购条款。
重构不确定性： 通过将中立性和分歧视为治理的输入而非模型的失败，PAU 提供了一种机制，用以证明系统可以且不能合法代表什么。
制度稳健性： 所提出的架构（审议单元、价值登记册）旨在防止被主流规范“治理俘获”，并确保经由 AI 中介的证据仍具可争辩性。

作者明确指出，目标不是解决关于公共空间的分歧，而是通过治理系统，使这种分歧保持可见、可争辩且具有后果性。该框架被呈现为一种程序性的底线，承认特定的标准和价值登记册必须在当地重新委托生成，且不能作为固定模板进行转移。