سناریوهای طراحی شهری با استفاده از هوش مصنوعی

تولید سناریوهای طراحی شهری با استفاده از هوش مصنوعی

شهرها امروز با سرعتی رشد می کنند که ابزارهای سنتی طراحی و برنامه ریزی شهری دیگر به تنهایی از پس پاسخ گویی به آن برنمی آیند. تغییرات اقلیمی، افزایش جمعیت شهرنشین، محدودیت منابع و پیچیدگی روزافزون زیرساخت ها، طراحان و برنامه ریزان شهری را وادار کرده اند تا به دنبال روش هایی سریع تر، داده محورتر و انعطاف پذیرتر برای بررسی آینده های ممکن یک بافت شهری باشند. در همین نقطه است که «تولید سناریوهای طراحی شهری با استفاده از هوش مصنوعی» به یکی از پرکاربردترین و امیدبخش ترین حوزه های پژوهشی و حرفه ای در شهرسازی معاصر تبدیل شده است.

هوش مصنوعی، به ویژه شاخه های یادگیری عمیق و مدل های مولد، این امکان را فراهم کرده که به جای طراحی یک طرح واحد و قطعی، ده ها یا حتی صدها گزینه ی طراحی جایگزین در بازه ای زمانی کوتاه تولید و مقایسه شوند. این رویکرد نه تنها سرعت فرایند طراحی را افزایش می دهد، بلکه به تصمیم گیران شهری اجازه می دهد پیش از اجرای واقعی یک پروژه، پیامدهای اجتماعی، اقتصادی و زیست محیطی آن را در قالب سناریوهای گوناگون بسنجند. در ادامه ی این مقاله، به صورت جامع بررسی می کنیم که سناریوسازی شهری مبتنی بر هوش مصنوعی چیست، از چه فناوری هایی بهره می برد، در عمل چگونه به کار گرفته می شود و چه فرصت ها و چالش هایی پیش روی آن قرار دارد.

سناریوی طراحی شهری چیست و چرا به هوش مصنوعی نیاز دارد؟

سناریوی طراحی شهری در معنای کلاسیک خود، تصویری فرضی از آینده ی یک محدوده ی شهری است که بر پایه ی مجموعه ای از فرضیات درباره ی رشد جمعیت، الگوی کاربری زمین، شبکه ی حمل ونقل یا تغییرات اقلیمی ساخته می شود. برنامه ریزان به کمک این سناریوها می توانند اثر تصمیمات امروز را بر شکل شهر در افق های بیست یا سی ساله بسنجند. با این حال، روش های سنتی سناریوسازی عمدتا بر تجربه و قضاوت کارشناسی متکی هستند و همین موضوع باعث می شود در مواجهه با پیچیدگی روزافزون سامانه های شهری، توانایی محدودی برای پوشش دادن طیف واقعی حالت های ممکن آینده داشته باشند؛ محدودیتی که در ادبیات پژوهشی به روشنی به آن اشاره شده است (Hao et al., 2024).

از سوی دیگر، فرایند طراحی شهری به شکل سنتی زمان بر و پرهزینه است، چرا که هر گزینه ی طراحی باید به صورت دستی ترسیم، ارزیابی و بازبینی شود. ورود هوش مصنوعی به این حوزه دقیقا همین شکاف را پر می کند: الگوریتم های یادگیری ماشین می توانند حجم بزرگی از داده های مکانی، جمعیتی و زیست محیطی را در زمانی کوتاه پردازش کنند و بر اساس آن، طیف گسترده ای از گزینه های طراحی را به صورت خودکار یا نیمه خودکار تولید کنند. مرور نظام مندی که اخیرا بر روی بیش از صد و هشتاد پژوهش منتشرشده در بازه ی سال های ۲۰۱۶ تا ۲۰۲۵ انجام شده، نشان می دهد که هوش مصنوعی مولد به طور فزاینده ای در حال بازتعریف تولید دانش، طراحی فضایی و شیوه های برنامه ریزی شهری است (Huang et al., 2026).

فناوری ها و روش های هوش مصنوعی در تولید سناریوهای طراحی شهری

در قلب بسیاری از ابزارهای امروزی سناریوسازی شهری، شبکه های مولد تخاصمی یا GAN قرار دارند. این مدل ها از دو شبکه ی عصبی رقیب تشکیل شده اند که یکی طرح های جدید تولید می کند و دیگری صحت و واقع گرایی آن ها را می سنجد؛ نتیجه ی این رقابت، تولید طرح های شهری متنوع و در عین حال قابل قبول از نظر معیارهای کالبدی و کارکردی است. برای نمونه، سامانه ای موسوم به Urban-GAN به طور خاص برای کمک رسانی محاسباتی به طراحی تکثرگرای شهری توسعه یافته و امکان تولید همزمان چند گزینه ی طراحی متفاوت برای یک قطعه ی زمین را فراهم می کند (Quan, 2022). این نوع رویکردها به طراحان اجازه می دهند به جای اتکا به یک ایده ی طراحی، طیفی از راه حل های جایگزین را همزمان بررسی کنند.

در کنار GANها، مدل های یادگیری عمیق مولد دیگری مانند اتوانکودرهای متغیر (VAE) و مدل های انتشار (diffusion models) نیز به سرعت در حال ورود به فرایند طراحی شهری هستند؛ برخی از این مدل ها حتی امکان دریافت دستورهای کاربر، مانند تعیین نسبت فضای سبز یا تراکم ساختمانی، را دارند و بر همان اساس طرح را تولید می کنند. علاوه بر این، مفهوم دوقلوی دیجیتال شهری (Urban Digital Twin) به یکی از بسترهای کلیدی برای اجرای این سناریوها تبدیل شده است؛ دوقلوی دیجیتال، نسخه ای مجازی و به روزرسانی شونده از شهر واقعی است که هوش مصنوعی مولد می تواند در دل آن، داده ها، طرح ها و مدل های سه بعدی جدید را برای پیشبرد شهرهای هوشمند تولید کند (Bibri et al., 2024). ترکیب این فناوری ها به معنای آن است که سناریوهای طراحی دیگر تصاویر ایستا نیستند، بلکه مدل هایی پویا و قابل آزمایش در محیطی شبیه سازی شده به شمار می روند.

📷

کاربردهای عملی هوش مصنوعی در تولید سناریوهای طراحی شهری

در عمل، نقش هوش مصنوعی در سناریوسازی شهری معمولا در سه مرحله ی اصلی دیده می شود: تولید طرح، تولید سناریو و ارزیابی طرح. در مرحله ی تولید طرح، الگوریتم ها بر اساس داده های موجود از بافت شهری، چیدمان های جدیدی برای کاربری زمین، شبکه ی معابر یا فضای سبز پیشنهاد می دهند. در مرحله ی تولید سناریو، این طرح ها در قالب آینده های محتمل، مانند رشد سریع جمعیت یا وقوع سیلاب های شدید، قرار می گیرند تا واکنش شهر به این شرایط سنجیده شود؛ پژوهشی که چارچوب این سه مرحله را به طور مفصل تشریح کرده، نشان می دهد هوش مصنوعی می تواند در کنار متخصصان انسانی، سناریوهای چالش برانگیزی تولید کند که ممکن است از دید برنامه ریزان انسانی پنهان بماند (Hao et al., 2024).

نمونه ی دیگری از کاربرد عملی این فناوری، استفاده از مدل های زبانی بزرگ برای تولید روایت های توصیفی از آینده ی حمل ونقل یا فضای عمومی شهر است؛ در چنین کاربردهایی، هوش مصنوعی نه یک طرح کالبدی، بلکه یک روایت قابل فهم برای ذی نفعان شهری تولید می کند که هزینه ی پایین و سرعت بالای آن، از مزیت های اصلی اش به شمار می رود (Hao et al., 2024). در مقیاسی بزرگ تر، شهرداری ها و شرکت های مهندسی از ترکیب دوقلوهای دیجیتال و مدل های مولد برای ساخت مدل های سه بعدی شهر، تحلیل ریسک سیل و بهینه سازی شبکه ی حمل ونقل استفاده می کنند؛ کاربردی که به طور مشخص در مرور نظام مند اخیر درباره ی نقش هوش مصنوعی مولد در دوقلوهای دیجیتال شهری مستندسازی شده است (Bibri et al., 2024).

مزایای استفاده از هوش مصنوعی در تولید سناریوهای طراحی شهری

نخستین و ملموس ترین مزیت این رویکرد، افزایش چشمگیر سرعت و مقیاس پذیری فرایند طراحی است. جایی که یک تیم طراحی انسانی ممکن است هفته ها زمان صرف ترسیم و بازبینی چند گزینه ی طراحی کند، ابزارهای مبتنی بر هوش مصنوعی می توانند در عرض چند ساعت ده ها گزینه ی متفاوت تولید کنند. مروری نظام مند بر کاربردهای هوش مصنوعی در طراحی شهری نشان می دهد که این روش ها به ویژه در مراحل تحلیل داده، تولید و بهینه سازی طرح و تصویرسازی، توانسته اند بسیاری از محدودیت های کلیدی گردش کار سنتی را که عمدتا به فرایندهای دستی و زمان بر متکی است، کاهش دهند (Huang et al., 2026).

مزیت دیگر، توانایی هوش مصنوعی در کشف الگوها و ارتباطات پنهانی است که ممکن است از دید تحلیل انسانی دور بماند؛ برای نمونه، ارتباط میان الگوی خیابان بندی و تاب آوری شهر در برابر رویدادهای اقلیمی حدی، موضوعی است که مدل های یادگیری ماشین می توانند آن را در مقیاس بزرگ و با دقت بالا تحلیل کنند. همچنین، امکان تولید سناریوهای بصری و تقریبا واقع گرایانه از رویدادهای نامطلوب، به تصمیم گیران و شهروندان کمک می کند تا پیامدهای هر گزینه را ملموس تر درک کنند، موضوعی که نقش مهمی در مشارکت عمومی و شفافیت فرایند تصمیم گیری شهری ایفا می کند (Hao et al., 2024).

چالش ها و محدودیت های هوش مصنوعی در سناریوسازی شهری

با وجود همه ی مزیت ها، ورود هوش مصنوعی به طراحی شهری بدون چالش نیست. یکی از مهم ترین دغدغه ها، نبود چارچوب های ارزیابی استاندارد برای سنجش کیفیت واقعی خروجی های تولیدشده است؛ پژوهشی که بر پایه ی تحلیل هزینه و تفاوت میان سناریوهای تولیدشده انجام شده، تاکید می کند که ارزیابی این خروجی ها باید فراتر از کفایت بصری آن ها برود و به شاخص های اقتصادی و عملکردی قابل سنجش در مقیاس شهری متصل شود تا بتوان از آن ها در تصمیم گیری واقعی استفاده کرد. این موضوع نشان می دهد که صرفا زیبا یا متنوع بودن یک طرح تولیدشده، کافی نیست و باید قابلیت اجرا و توجیه اقتصادی آن نیز سنجیده شود.

چالش دیگر، فاصله ی میان پژوهش های آزمایشگاهی و عمل واقعی حرفه ی طراحی شهری است. پژوهشی که بر اساس مصاحبه با طراحان شهری شاغل در بریتانیا انجام شده، نشان می دهد که با وجود آزمایش گسترده ی ابزارهای هوش مصنوعی توسط طراحان، تاثیر واقعی این ابزارها بر طرح های نهایی هنوز محدود است و ابزارهای فعلی محدودیت های قابل توجهی دارند، هرچند ادغام هوش مصنوعی در این حرفه اجتناب ناپذیر به نظر می رسد. به این موارد باید کیفیت و دسترس پذیری داده های شهری، نیاز به تفسیر انسانی برای سنجش پیامدهای اجتماعی و فرهنگی، و ضرورت حفظ نقش کارشناسان برنامه ریزی در نظارت بر خروجی الگوریتم ها را نیز افزود؛ نکته ای که به صراحت در ادبیات این حوزه بر آن تاکید شده است (Hao et al., 2024).

آینده ی هوش مصنوعی در سناریوسازی طراحی شهری

روند رو به رشد پژوهش ها نشان می دهد که آینده ی این حوزه به سمت ترکیب عمیق تر هوش مصنوعی مولد با دوقلوهای دیجیتال شهری و داده های زنده ی حسگرها پیش می رود. در چنین بستری، سناریوهای طراحی دیگر خروجی های ثابت و یک باره نخواهند بود، بلکه به صورت پیوسته با تغییر داده های واقعی شهر، به روزرسانی و بازتولید می شوند؛ رویکردی که در پژوهش های مرتبط با دوقلوی دیجیتال شهری به عنوان مسیر آینده ی هوش مصنوعی مولد در مدیریت شهر هوشمند معرفی شده است (Bibri et al., 2024).

از سوی دیگر، انتظار می رود مدل های ترکیبی، یعنی مدل هایی که تخصص انسانی را با قدرت محاسباتی مدل های انتشار و زبانی بزرگ در یک گردش کار مرحله به مرحله ادغام می کنند، جایگزین رویکردهای کاملا خودکار شوند؛ چرا که تجربه نشان داده بهترین نتیجه زمانی حاصل می شود که هوش مصنوعی نقش دستیار طراح را ایفا کند نه جایگزین کامل او. با رشد این مدل های ترکیبی و توسعه ی چارچوب های ارزیابی اقتصادی و عملکردی دقیق تر، می توان انتظار داشت که تولید سناریوهای طراحی شهری با هوش مصنوعی از یک ابزار آزمایشی به بخشی استاندارد از گردش کار حرفه ای شهرسازی و معماری تبدیل شود.

جمع بندی

تولید سناریوهای طراحی شهری با استفاده از هوش مصنوعی، مسیری است که به شهرسازان امکان می دهد به جای تکیه بر یک طرح واحد و قطعی، طیف گسترده ای از آینده های ممکن یک شهر را کاوش، مقایسه و ارزیابی کنند. فناوری هایی مانند شبکه های مولد تخاصمی، مدل های انتشار و دوقلوهای دیجیتال شهری، این امکان را فراهم کرده اند که فرایند طراحی، سریع تر، داده محورتر و شفاف تر از گذشته پیش برود، بدون آنکه لزوما جایگزین قضاوت حرفه ای طراحان و برنامه ریزان شهری شود.

با این حال، برای بهره برداری واقعی و پایدار از این فناوری، باید به چالش های آن نیز توجه جدی داشت؛ از کیفیت داده ها و نبود چارچوب های ارزیابی استاندارد گرفته تا لزوم حفظ نقش نظارتی متخصصان انسانی. آینده ی این حوزه به احتمال زیاد در گرو ترکیب هوشمندانه ی توان محاسباتی هوش مصنوعی با تجربه و قضاوت انسانی است؛ ترکیبی که می تواند شهرهای آینده را نه تنها هوشمندتر، بلکه تاب آورتر و انسانی تر نیز بسازد.

منابع

Bibri, S. E., Huang, J., Jagatheesaperumal, S. K., & Krogstie, J. (2024). The synergistic interplay of artificial intelligence and digital twin in environmentally planning sustainable smart cities: A comprehensive systematic review. Environmental Science and Ecotechnology. https://doi.org/10.1016/j.ese.2024.100433

Hao, H., Wang, Y., & Chen, J. (2024). Empowering scenario planning with artificial intelligence: A perspective on building smart and resilient cities. Engineering, 43(12), 272–283. https://doi.org/10.1016/j.eng.2024.06.012

Huang, T., Ye, X., Yigitcanlar, T., Xu, B., Newman, G., Zhao, B., Ennemoser, B., Wu, D., Kim, J., & Wang, D. (2026). Artificial intelligence in urban design: A systematic review. Cities, 169, Article 106527. https://doi.org/10.1016/j.cities.2025.106527

Quan, S. J. (2022). Urban-GAN: An artificial intelligence-aided computation system for plural urban design. Environment and Planning B: Urban Analytics and City Science, 49(9), 2500–2515. https://doi.org/10.1177/23998083221100550