Mapping the City Through the Lens of Language Models
本文通过对匿名城市概况在40项指标上的评分，实证追踪了语言模型如何隐性地假设一个“平凡”的城市，揭示了其对规模更大、增长更快且基础设施更密集的城市形态所具有的共同偏见，而在这些形态中，典型性与理想性往往趋于一致。
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，你正走进一座巨大的、隐形的图书馆，书中的内容是由一个超级聪明的机器人编写的，它几乎读遍了互联网上的所有内容。这个机器人是一个“语言模型”，一种通过预测句子中下一个词出现的类型人工智能。但棘手的地方在于，有时人们会问一些模糊的问题，比如：“给我讲讲一座城市。”机器人并不知道你指的是哪座城市。是一座位于山间的小村庄？一座在沙漠中扩张的大都市？还是一座历史悠久的欧洲小镇？为了回答这个问题，机器人必须根据它所学到的知识进行猜测。它从它的数字帽子里掏出了一个“默认”城市。那么，这个默认城市究竟是什么样子的呢？机器人想象的是一座看起来像纽约的城市，还是一个看起来像通用卡通小镇的地方？这很重要，因为如果机器人的“平均”城市是错误的，它可能会给建筑师、规划师或任何试图理解我们世界运作方式的人提供错误的建议。这就像一位从未品尝过真正披萨的厨师，决定把“完美的披萨”仅仅定义为一盘奶酪和面包，却忽略了酱料和饼皮。
这篇论文就像是一个侦探故事，作者们试图弄清楚在从未命名真实地点的情况下，那个“默认城市”在机器人的大脑中究竟是什么样子的。他们没有问机器人：“什么是典型的城市？”因为那样只会得到一个充满机器人常用词汇的、混乱且富有诗意的答案。相反，他们玩了一个聪明的游戏。他们从全球数千个真实的城市中提取了真实数据——例如它们的大小、人口数量、道路数量以及绿化程度等等——但他们抹去了所有关于名称和位置的信息。他们将这些真实的城市转化成了匿名的“档案”，就像只有编号而没有名字的身份证一样。然后，他们将这些身份证展示给十个不同版本的语言模型，并问道：“在 1 到 7 的评分范围内，你认为这个看起来有多像一个‘城市’？”
结果非常引人入胜。机器人并没有随机选择一座城市。它们一致地将某些类型的城市评为“最典型”。在机器人脑海中的“默认城市”是出人意料地具体的。它是一个拥有大量人口（约 50 万人）、庞大建筑面积（约 21 平方公里）以及大量铺设道路和基础设施的地方。它不是一个安静、稀疏的小镇；它是一个繁忙、密集且正在发展的场所。事实上，机器人认为“典型”城市比地球上的平均城市规模更大、更发达。符合这种描述的大多数真实城市都位于欧洲和北美，而非洲和亚洲部分地区的许多城市被机器人评为“不太典型”，仅仅是因为它们规模较小或正以不同的方式发展。
作者还发现，机器人对“典型”城市的看法与其认为的“理想”城市紧密相关。如果一座城市看起来符合机器人的理想版本，机器人也会认为那是一个宜居之地。这表明机器人不仅仅是在描述客观存在，它还在描述它“希望”存在的东西。然而，这项研究谨慎地指出，这并不是一张完美的现实地图。机器人偏向于大型、现代、发达的地方，因为那是它们在训练数据中最常看到的内容。当研究人员针对城市规模和发展水平进行调整时，地域差异缩小了，但核心观点依然存在：机器人的“平均城市”是一个大型、快速增长且连接紧密的城市中心。
最后，这篇论文告诉我们，当我们询问人工智能关于“一座城市”的信息时，我们得到的并不是一个中立的事实。我们得到的是对机器人自身偏见和经验的一种反映。“默认城市”是一面镜子，它向我们展示了这些强大的工具倾向于将世界想象成一系列大型、现代、发达的枢纽，往往忽略了构成我们星球其余部分的那些多样化、规模较小或发展模式不同的城市。这提醒我们，即使在数字时代，我们的工具也有自己的视角，而确保这些视角包含每一个人是我们的责任。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。