用乐高玩具医治大城市病

城市应服务于人，而非机器。

造就第305位讲者：Kent Larson，麻省理工学院媒体实验室首席科学家

这是1908年的巴塞罗那。当时正处在城市历史上一个很有意思的时期，因为那时候有轨电车和地铁刚刚进入城市，汽车只是富人的玩具，还不是人人都买的商品。

你在这个视频里是看不到人行横道的，也看不到交通灯和停止标志。街道主要是为人而建的，在巴塞罗那这样的城市里，到处是紧密相连的社区，人们通常在一公里内的小范围内居住、玩乐、购物和创造。

然而50年后，却是完全不同的场景了：行人被汽车挤到路边，街道是为机器和城市分区而存在的。

△ MIT杰出城市规划师凯文·林奇拍摄的视频——《路上所见》片段

全球很多地方都开始对城市进行分区，将城市各种功能分隔开，并限定负荷密度和住宅区开发。而如今，人类不得不为此付出代价。

如何解决城市所面临的种种问题？

经过一番研究，我发现城市的能源、食物、水、交通和公共政策等系统，全都是分散而独立的，可以按照需求来进行部署配置。

让城市“变轻”

“基础设施”是18、19世纪留下的陈旧概念，要解决城市所面临的种种问题，摆脱所有沉重的基础设施是重中之重，这也是我们工作的终极目标。

事实上，“让城市变轻”这件事已在一些城市中逐渐出现了。

这是我几年前在阿姆斯特丹拍摄到的画面，它像极了1908年的巴塞罗那。由此可见，摆脱了臃肿的道路和基础设施后的城市是服务于人的，而不是机器。

有人问我为什么要研究城市，因为城市是所有行动的发生地。

要知道，世界上仅有2%的陆地被城市占据，但却有90%的人口增长将出现在城市地区，并且它所排放的二氧化碳占全球的80%。与此同时，它又是创新的聚集地，按照专利申请以及风险投资等数据来推算，大约80%的创新都出自城市。

所以我认为，如想有效地解决当前社会的重大挑战，如：气候变化、能源、经济、健康、食物、水、公平、和平或其他问题，就必须在城市里寻求解决方案。

我们这个来自麻省理工学院的团队，正在探索如何去重塑城市，接下来，我想通过以下几个关键词，来谈谈这个塑造城市的过程：

深刻见解（Insight）

转型（Transformation）

预测（Prediction）

部署（Deployment）

共识（Consensus）

治理（Governance）

关键词一：深刻见解

这个词意味着我们要参透当今各种事物的来龙去脉，通过收集和分析数据并将其可视化，从而了解城市的现状。

以安道尔——一个位于西班牙和法国之间的小国为例，我们有幸拿到它多年的手机通讯数据、无线网络控制器数据、游客和居民行为模式，以及人们居住和工作地信息等重要数据，我们可以用这些数据做出各种预测。

当然，小规模的数据同样是了解和研究城市的助力器。这是我们与宜家合作的实验项目，将一些MIT微型环境传感器布置在房子里，然后通过弹跳球的动态演示就可以看到人们日常的行为模式。

△ 某人准备一顿饭时，传感器的一连串激活反应

为什么我们要研究这种精细的人类行为？因为它可以让我们了解人们的需求，从而创造出能为生活和工作带来更多便捷的变革性解决方案。

关键词二：转型

我们需要改变目前城市的住房供给、交通和设计的现状，让它们更加以人为本。

首先是住房供给，一个我们在城市中必须关注的根本性系统。我们要设计出住房方案，让大多数人都以能接受的价格住到房子里。

几年前，我们曾针对住房问题制作过一个低价的小型公寓模型。简而言之，就是利用人工智能对室内空间做各种横向变形。公寓里的整个组合壁橱可以变形，以便在卧室和工作室之间无障碍切换，变为容纳六人的餐厅或客厅。

除生活空间外，我们也针对办公空间设计出一种名为「逃生舱」的工作间。如今的工作场所变得日益拥挤，人们需要找到一个可以释放自我的避难所。

有了“逃生舱”，你可以选择坐着或站着工作，也可以调节隔板的透明度以保护隐私，甚至打个盹都没问题。

其次是城市交通，合理的交通设计，能够增加城市的活力，让它健康高效地运转。

这是我几年前在北京拍摄到的画面，当时路况还不错，偶尔会出现严重拥堵的情况。世界上大多数城市的居民都是独自慢速地往返于两地，需要一种介乎中国的摩拜、ofo等共享单车和滴滴等拼车系统之间的交通解决方案。于是我们制造了一款小型三轮自动驾驶车，它像自行车一样轻便。

车和人的互动是我们目前最想研究的东西，这极为复杂，但也最有意思。我们的设想是运行一个像Uber那样的系统，你呼叫它，它就会赶到你的位置。

而自动性则体现在小车可以完成自动接送，系统中的动态寻路算法可以预测需求并预先定位。此外，自动驾驶车常见的车道探测和激光定位技术也被应用其中。

最后是城市设计，重塑城市的过程需要由数据驱动，并且让更多的人参与进来，从而打造出他们心目中的理想城市。

我们正在打造一些工具以集中地、动态灵活地重塑城市，乐高积木正好符合这个要求。在CityScope模型中，这些大大小小的乐高式组件，可以用来代表不同类型的住宅，而且，当你改变密度时，能看到那些道路从绿变红，意味着道路畅通和阻塞。

这个实时更新的雷达图可以告诉你街区密度、接近性、多样性、对能源的影响等各方面信息。当然，我们还可以在这套模型中引入我们的轻型自动驾驶车，看看会产生什么影响。

关键词三：预测

能够从现实情况出发，去构想创新的解决方案，这的确是一件大好事，但我们更需要的，是能准确地预测这些方案将带来的影响。

这是我们在波士顿做的研究，我们为此构建了一个ABM模型（agent-based model，目前主流的土地利用格局和演化模拟方法之一），它可以展示如今波士顿的城市交通情况，和未来私人自动驾驶车发展起来后的情况。

关键词四：部署

如果你想预测未来，想了解你的研究成果在遭遇外界干扰时表现如何，就得先做测试。

在长时间太空飞行中，宇航员必须把自己绑起来。我们尝试用硅胶制成一种有胳膊的柔软“生物”，让它把宇航员包起来，在零重力飞行情况下做了个测试。我认为这个项目在实际太空飞行中也是非常可行的。

关键词五：共识

这是我们正在研究的最重要的事情之一。如果不把所有的利益相关者都聚集起来，让他们就社区的未来达成共识的话，任何事情都会渐行渐止。

以我们的一个项目为例。在波士顿有一项提议，要建设新型快速公交系统，类似于建一个地面地铁站。

开车的人对此非常不满，因为这样一来汽车道就变少了；但它却受到公共交通工具使用者的欢迎，因为公交车会运转得更快。这种涉及公众利益的问题往往没有标准答案，主要取决于一个社区的价值观。

当整个社区聚集起来，难免会有很多争论，美国就常出现这种情况。我们为此建立了一整个社区规模的模型，你可以将车站设在不同的地方，还可以通过其中的街景模型观察街道边的标准车站，也可以选择设置自行车道和不设自行车道。一旦人们做出选择，规划者就会收到真实的数据反馈。

这样一来，如果还有人说某个提议不好，他们就可以说：“行，你不喜欢的话，倒是给我个更好的点子啊”。事实证明，这个办法非常有效。

最后，我想简单说几句关于城市治理的想法。

我本人最感兴趣的，是在某种紧凑型的社区里探索建立一个地方经济体，并在这个经济体中实行一套鼓励“亲社会行为”的多元激励机制。也就是说，你在某个划定地理区域内，可以享受到一些奖励性质的代币。但前提是，你要居住并且工作于这个地区内，使用自行车或者公共交通工具而不是汽车出行。再比如，你用电越少，电费可能会越低。如果你在当地做志愿者，还会得到更值钱的奖励。

这只是一个尚在萌芽阶段的想法，但我认为它的发挥空间很大。关于城市与科学的融合，还有更多可能性。

*文章为作者独立观点，不代表虎嗅网立场