城市不仅仅是建筑与街道的集合；它们是受穿行其中的人们日常生活所塑造的生命环境。几十年来，城市规划师和设计师一直明白，一个成功的公共空间必须服务于每一个人，无论是去市场散步的老年居民，还是推着婴儿车的家长。然而，在设计方案建成之前，准确地弄清楚不同的人将如何体验一项新设计，一直是一项困难且昂贵的任务。传统上，这需要召集真实的人员进行研讨会和访谈，这一过程耗时且耗资巨大，往往无法捕捉到那些最边缘化或难以接触到的群体的声音。随着城市变得日益复杂，在设计过程中尽早理解这些多元人类体验的需求变得愈发紧迫，然而实现这一目标的方法却仍很大程度上停留在过去。
为了弥补这一差距，一个研究团队开发了一种名为 StakeSight 的新型数字化工具，该工具利用先进的人工智能来模拟不同类型的人对拟议城市设计的反应。该系统的构建基于真实的个人故事。研究人员首先从公共媒体渠道（如新闻档案和播客）中收集并分析了 3,017 则第一人称叙述，在这些渠道中，人们描述了他们与城市的真实经历。通过阅读这数千个故事，研究团队识别出了人们感知周围环境的五个关键维度：年龄与生命阶段、在空间中的活动状态、移动方式、生理与感官需求，以及与场所相关的个人价值观或记忆。这五个维度构成了系统的核心，使其能够理解，对于一名疲惫的通勤者来说，一个空间的感觉与对于一名在公园玩耍的孩子而言是截然不同的。
利用这种对人类经验的深度理解，研究人员构建了一个交互式系统，设计师可以上传一张新公共空间（如公园或广场）的草图或照片，然后创建一个特定的“角色”来对其进行测试。设计师可能会选择模拟一位使用轮椅的 7 岁女性，或者一位提着沉重购物袋的年轻父母的视角。一旦定义了角色，系统并不仅仅是猜测那个人可能会怎么想。相反，它会在其庞大的真实人类故事数据库中搜索与所选角色特征相匹配的叙述。随后，它利用强大的语言模型，将这些真实世界的经验与视觉设计交织在一起，生成一段详细的第一人称反馈。输出内容包括一段描述模拟对象所见所感的叙述、一份具体的优缺点清单，以及一个针对安全性、舒适度和无障碍性的数值评分。
研究人员使用十二位城市设计师、建筑师和学生对该工具进行了测试，以观察它是否能真正帮助他们进行更具包容性的思考。结果令人鼓舞。参与者发现该系统对于设计的早期阶段非常有用，并指出它允许他们在组织真实的社区会议之前，先探索想法并发现潜在问题。一位设计师将其描述为在见到真人之前“做功课”的一种方式，有助于他们提出更好的问题并为实际的公众参与做好准备。该工具在揭示那些经常被忽视的群体需求方面表现得尤为有效，例如残障人士或有特定行动限制的人。例如，当一位设计师测试一条新的自行车道时，系统生成了一位带着婴儿车的家长关于窄路径安全问题的反馈，同时也生成了一位重视路线效率的通勤者的反馈。这些冲突的需求在标准的方案审查中可能会被遗漏，但通过模拟却被清晰地凸显了出来。
然而，研究人员谨慎地指出，这个工具并不是真实人类的替代品。研究参与者诚实地指出了局限性，他们观察到虽然模拟的反馈通常很真实且有帮助，但有时会显得有些泛泛而谈，或者缺乏真实人类对话中的深刻细微差别。该系统的设计初衷是一个起点，旨在降低包容性思考的门槛，并帮助设计师在开始艰苦的现实世界咨询工作之前，考虑更广泛的视角。它并不声称完全了解一个社区想要什么，而是根据它所学习到的庞大人类经验库，建议他们可能需要什么。通过让设计师能够通过这些模拟过程“换位思考”，StakeSight 提供了一种全新的方式，去构想那些不仅具有视觉吸引力，而且能真正欢迎那些将居住其中的多元化生活的城市。
技术摘要：利用多模态大语言模型模拟城市设计早期的利益相关者视角
1. 问题陈述
有效的早期阶段城市设计需要对多样化的利益相关者体验有深入的理解，以确保社会包容性、公共健康和环境韧性。然而，传统的参与式方法（如工作坊和公众咨询）面临着显著的障碍：
- 资源密集型： 这些方法成本高昂、耗时较长，且需要复杂的协调工作。
- 代表性问题： 招募多样化的参与群体非常困难；参与往往向发声频繁或享有特权的群体倾斜，而边缘化人群（如老年人、低收入者、残障人士）经常被忽视。
- 时间限制： 在设计早期阶段，重点通常在于视觉或空间质量，而非评估策略。研究设计中的缺陷往往在无法通过低成本手段纠正时才显现出来。
- 现有替代方案的局限性： 试点研究（如弹出式公园）资源消耗大且缺乏普适性，而基于共情的设计则依赖于主观解释，存在偏见或误读的风险。
因此，迫切需要一种低成本、有据可依的工具，使设计师能够在进行正式用户研究之前，模拟多样化的利益相关者视角，从而优化参与策略并及早识别盲点。
2. 方法论
本文介绍了 StakeSight，这是一个利用多模态大语言模型（MLLM）和检索增强生成（RAG）技术来模拟利益相关者视角的交互式系统。该方法由四个主要部分组成：
2.1 实证基础与数据收集
为了使系统植根于现实世界的经验而非抽象的刻板印象，作者对 3,017 条第一人称城市叙事进行了实证分析。
- 来源： 数据采集自 Guardian Cities 和 99% Invisible，这些来源侧重于关于城市生活的个人、公民驱动的叙事。
- 处理： 通过自定义网络爬虫收集数据，随后利用 LLM 辅助的语义筛选，过滤出与城市空间（如街道、公园、交通）相关的叙事。
- 主题分析： 两名作者对叙事进行了开放式编码，确定了塑造人类感知城市空间的 五个核心维度：
- 人口统计特征： 年龄与性别。
- 活动： 参与频率及主要目的（例如：通勤 vs. 休闲）。
- 移动性： 旅行模式（步行、骑行、公共交通）及约束条件（例如：携带儿童、身体局限）。
- 无障碍性： 物理、感官及认知层面的障碍。
- 其他个人价值： 记忆、身份、文化归属感及社区信任。
2.2 系统架构：StakeSight
StakeSight 是一个基于 Web 的应用程序（使用 Streamlit 构建），它将这些维度整合到一个角色条件的 RAG 流水线中。
叙事数据库准备：
- 叙事被拆分为 角色配置文件单元（用于检索的结构化属性）和 叙事单元（用于 few-shot 提示的第一人称文本）。
- 人口统计属性（年龄、性别）被提取并分类（例如：年龄组），作为硬性过滤器。
- 经验属性通过 LLM 进行总结，以创建语义嵌入。
角色条件的混合检索：
- 第一阶段（人口统计过滤）： 系统根据人口统计约束（如“女性”、“65岁以上”）对数据库进行过滤。
- 第二阶段（语义搜索）： 对于经验属性，系统采用混合嵌入方法。它生成针对全文叙事的全局嵌入，以及针对特定属性（移动性、活动等）的维度级嵌入。
- 评分： 系统计算一个综合相似度得分 S(q,n)，该得分是设计师的角色配置与候选叙事之间余弦相似度的加权组合。系统将检索出前 5 条最相关的叙事。
检索增强的反馈生成：
- 系统构建一个包含以下内容的复合多模态提示词：检索到的前 5 条叙事（作为 few-shot 示例）、设计师的项目描述、上传的设计图像以及特定的角色配置。
- MLLM 生成结构化反馈，包括：
- 第一人称叙事： 一段关于模拟角色如何体验该空间的共情式描述。
- 结构化输出： 分类列出的优缺点。
- 评估分数： 基于评价量表，在五个维度（安全性、舒适度、无障碍性、美学、社交互动）上给出定量评分（1–5 分）。
2.3 用户研究
研究通过一项混合方法研究，邀请了 12 名参与者（城市设计师、建筑师、研究人员和学生）对系统进行评估：
- 流程： 参与者配置利益相关者角色（使用自定义角色或从预定义库中选择），并将这些角色应用于六个不同的城市设计场景（例如：步行化街道、重新设计交通枢纽）。
- 衡量指标： 参与者完成了基于技术接受模型（TAM）的问卷调查，评估了 有用性、真实性 和 包容性，并进行了半结构化访谈。
3. 核心贡献
- 城市叙事的实证分析： 从 3,017 条真实世界的第一人称叙事中识别出五个核心人类视角维度，为理解城市体验提供了数据驱动的框架。
- StakeSight 系统： 开发了一个交互式工具，结合 MLLM 与角色条件的 RAG 流水线，用于模拟多样化且具有实证基础的利益相关者视角，以支持早期阶段的城市设计。
- 角色模拟在设计中的评估： 通过用户研究证明，此类系统可以作为一种实用的准备工具，促进包容性思考，并帮助设计师在与真实社区接触前识别被忽视的需求。
4. 结果
- 有用性： 参与者对系统的早期构思效用（中位数 = 4.5/5）以及提升对社会影响理解的能力（中位数 = 4.5/5）给予了高度评价。它被视为在正式工作坊之前进行“做功课”的有效方式，使设计师能够制定更好的问题并识别潜在的权衡。
- 真实性： 评分褒贬不一但总体积极（中位数 = 3.5–4.0/5）。虽然反馈通常被认为“真实到足以发挥作用”并捕捉到了细微的约束（例如：家长带着婴儿车时的安全担忧），但一些参与者指出，输出有时会显得过于泛泛，或缺乏真实生活体验的深度。参与者强调，系统需要对其数据来源保持透明，以建立信任。
- 包容性： 系统在促使设计师考虑被忽视的声音方面非常有效（中位数 = 4.0/5）。它成功地引导设计师去思考那些在标准工作流中可能被忽略的边缘群体（如老年人、残障人士或具有特定移动限制的人群）。
5. 重要性与主张
本文主张 StakeSight 提供的是城市设计过程中一个有价值的准备步骤，而非直接用户参与的替代品。其主要意义在于：
- 降低包容性思考的门槛： 它允许设计师快速探索多样化的视角，并识别潜在的盲点，而无需承担早期阶段实地研究的高昂成本和物流障碍。
- 将设计植根于真实叙事： 通过使用 RAG 检索真实的、第一人称的叙事，该系统试图减轻纯生成式 AI 常有的“幻觉”和偏见风险，将其模拟过程锚定在现实世界的数据之上。
- 优化参与式研究： 它通过生成假设和具体问题，帮助设计师为真实的参与过程做好准备，从而可能带来更有效、更具针对性的社区咨询。
作者将该工具定位为现有参与式方法的 补充，能够支持用户研究本身的设计，并提升后续线下参与的质量。他们也承认，该系统在完全复制现实社会经济背景的复杂性方面仍存在局限性，并且未来的迭代需要整合更精确的地形和人口统计数据。
每周获取最佳 computer science 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。