هوش مصنوعی و عدالت پیاده (Walkability Equity)
چگونه AI میتواند نابرابریهای شهری را آشکار و اصلاح کند؟
مقدمه
هوش مصنوعی این روزها به یکی از جذابترین موضوعات در گفتمان برنامهریزی شهری تبدیل شده است. بسیاری آن را راهحلی «جهانی و قابل تعمیم» میدانند و با اشاره به تجربههای موفق نیویورک، سئول، بارسلونا یا توکیو سعی میکنند نشان دهند که چون نیازهای پیادهمحوری دراغلب شهرها مشابه است، مدلهای هوش مصنوعی نیز بهراحتی میتوانند در سایر شهرها تکرار شوند.
اما همزمان جریان انتقادیِ پررنگی هم وجود دارد؛ اینکه شهرها از نظر ساختار فضایی، ظرفیت حکمرانی دیجیتال، ویژگیهای فرهنگی و اجتماعی عابران و سطح توسعه یافتگی زیرساختهای پیاده چنان متفاوتاند که انتقال مستقیم هرمدل هوش مصنوعی بدون توجه به زمینه شهری، بهجای تولید معنا، تولید خطاست. در شهرهایی که فاقد زیرساخت داده، شفافیت، دموکراسی شهری و مدیریت توانمند هستند، نقشی که به AI داده میشود بیشتر یک «فناوری تزئینی» است تا ابزار تحول.
چند سال پیش در کتاب شهرهمگان (Inclusive City) نوشتم که «شهر زمانی قابل استفاده همگان است که دسترسی و استفادهٔ برابر از فضاهای شهری برای همهٔ شهروندان تضمین شود؛ از کودک و سالمند تا زنان، کمتوانان و افراد کمدرآمد». امروز آنچه با عنوان «عدالت پیاده» مطرح میشود، در حقیقت همان جوهرهٔ شهرهمگان در مقیاس خیابان است. پیادهروی باید حق برابر باشد، نه امتیاز یک طبقه، محله یا توانایی جسمی.
اما واقعیت این است که پیادهروی انتخاب فردی نیست؛ پیادهروی تابع مستقیم ساختارهای نابرابری فضایی، اجتماعی و زیرساختی است و درست در همینجا نقش هوش مصنوعی آشکار میشود: AI عدالت نمیسازد، نابرابری را آشکار میکند. این مقاله تلاش میکند با نگاه انتقادی، ظرفیتها و محدودیتهای AI را درمورد عدالت پیاده بررسی کند.
۱. چرا عدالت پیاده به AI نیاز دارد؟
شهرها معمولاً تصویر شفافی از تجربهٔ زیستهٔ گروههای مختلف ندارند. دادهها ناقصاند و تصمیمگیریها اغلب بر اساس برداشت شهودی است. ما هنوز نمیدانیم:
- کدام محلهها پیادهرو استاندارد ندارند؟
- سالمندان از کدام مسیرها دوری میکنند و چرا؟
- زنان در کدام فضاها احساس ناامنی میکنند؟
- افراد کمدرآمد چه مسافتهای ناایمنی را برای رسیدن به اتوبوس طی میکنند؟
- افراد دارای معلولیت کجا بیشترین موانع را تجربه میکنند؟
AI میتواند این «فاصله دانشی» را پر کند. توانایی آن در پردازش میلیونها تصویر و داده مکانی به ما اجازه میدهد برای نخستینبار عدالت فضایی را بهصورت کمی و قابلمشاهده ببینیم.
- موانع مسیرپیاده را اندازه میگیرد؛
- کیفیت فضا را تحلیل میکند؛
- نیاز گروههای آسیبپذیر را مدلسازی میکند؛
- نقاط پرخطر را شناسایی میکند.
اما باید تأکید کرد که AI نمیتواند:
- زونینگ غلط را اصلاح کند،
- حومهنشینی را متوقف کند،
- جایگزین دموکراسی مشارکتی شود،
- ساختارهای نابرابری فضایی را از ریشه حل کند.
بنابراین AI ابزار است، نه سیاست شهری؛ و عدالت پیاده پروژهای سیاسی است، نه صرفاً فناورانه.
۲. نقشها و کاربردهای کلیدی AI در عدالت پیاده
۱.۲. تحلیل نابرابری فضایی با دادههای تصویری
مدلهای بینایی ماشین میتوانند میلیونها تصویر خیابانی را سنجش و تحلیل کنند. همانگونه که نیویورک با تحلیل ۵ میلیون تصویر توانست، نقشهای دقیق از کیفیت پیادهرو در محلههای کمدرآمد را تهیه کند. لذا AI میتواند موارد زیر را شناسایی کند:
- ناهمواریها، ترکها، شیبهای خطرناک، باریکشدگیها
- انسداد مسیر با خودرو و موانع
- کیفیت سایه و پوشش گیاهی
- وجود یا فقدان رمپ مناسب
- روشنایی و امنیت شبانه
این دادهها امکان مشاهدهٔ نابرابری را در مقیاس خرد فراهم میکنند.
۲.۲. سنجش امنیت زنان، سالمندان و گروههای آسیبپذیر
AI میتواند:
- نقاط «احساس ناامنی» به خصوص در مسیرهای پرخطر در شب
- ریسک لغزندگی
- محدودههایی که سالمندان از آن اجتناب دارند را پیشبینی کند.
این دادهها نقش مهمی در عدالت جنسیتی و عدالت سنی دارند.
۲. ۳. تحلیل فقر حملونقل و وابستگی اجباری به خودرو
AI نشان میدهد که:
- افراد کمدرآمد چه مسافتهای ناایمنی را تا حملونقل عمومی طی میکنند؛
- کدام محلهها عملاً پیادهناپذیرند؛
- بار نابرابری بر دوش چه گروههایی است.
۲. ۴. عدالت حرارتی در عصر تغییرات اقلیمی
AI میتواند «نقاط گرمای غیرقابل تحمل» پیاده روی را شناسایی کند،
- شدت جزایر حرارتی،
- کمبود سایه،
و مسیرهای حرارتی ایمنتر را برای گروههای آسیبپذیر پیشنهاد دهد.
۲. ۵. مسیرهای مناسب ویلچر و معلولیت
هوش مصنوعی میتواند کیفیت سطح مسیرپیاده یا «نامرئیها» را آشکار کند:
- شیب واقعی مسیرها
- پهنای مؤثر پیادهرو
- نقاط شکست و موانع
۳. خروجیهای AI: نقشههای عدالت پیاده
نتیجهٔ همه این تحلیلها، تولید نقشههای عدالت پیاده است؛ نقشههایی که بهصورت شفاف نشان میدهند:
- شکاف کیفیت پیادهرو بین محلهها
- میزان سایه، روشنایی و امنیت
- نقاط پرخطر
- دسترسی عادلانه به حملونقل عمومی
این نقشهها ابزار قدرتمندی برای بودجهبندی عادلانه، اولویتبندی پروژهها و برنامهریزی راهبردی هستند.
۴. چالشها و ملاحظات اخلاقی
در کنار ظرفیتها، AI خطرات مهمی دارد:
- نادیدهگرفتن تجربهٔ زیسته و تکیهٔ افراطی بر داده کمی
- سوگیری اطلاعات بهویژه در محلههایی که دادهی کمتری دارند
- تداومبخشی به نابرابریهای تاریخی در مدلها
- استفاده تجاری از دادههای رفتاری به عنوان تهدیدی برای حریم خصوصی
- امکان شکلگیری شهر نظارتمحور (Surveillance Urbanism)
بنابراین AI باید مکمل تصمیمگیری انسانی و نه جایگزین آن باشد.
۵. آیا تجربههای جهانی قابل انتقالاند؟
انتقالپذیری تجربهها نسبی است و نمی تواند کامل باشد. چارچوبها، روش تحلیل، شاخصها و مدلهای یادگیری قابلانتقال اند، اما آنچه قابلانتقال نیست، زمینه فضایی و فرهنگی، الگوی شبکه خیابانی، عادتهای حرکتی و رفتار اجتماعی و سطح توسعه یافتگی حکمرانی و مدیریت داده ها است. با این حال، وجود شبکه خیابانی، تصاویر موبایل، GIS، سنسورها و نیاز مشترک شهرها به عدالت فضایی باعث میشود که بسیاری از اصول قابل استفاده باشند؛ به شرطی که متناظر با شرایط بومی بازتولید شوند.
۶. دید انتقادی: چرا در آمریکای شمالی کار نمیکند؟
شهرهای آمریکای شمالی عمدتاً خودرومحورند. چون کمتراکم هستند و دارای تفکیک کامل کاربری ( زونیگ تکمنظوره) هستند. غالبا دورافتاده از حملونقل عمومی و و فاقد شبکه پیوسته پیادهروی هستند. در چنین ساختارهایی AI میتواند مشکل را دقیقتر بسنجد، اما نمیتواند ساختاری را بسازد که وجود ندارد. به همین دلیل است که حتی شهرهای هوشمندی مانند تورنتو و لس آنجلس همچنان پیادهروی را بهعنوان «رفتار اقلیت» تجربه میکنند. و سهم چندانی در مدهای حمل و نقل ندارند.
AI در چنین بستری میتواند مشکل را ثبت و توصیف کند، اما قادر نیست فقدان را جایگزین کند. در شهرهای بدون پیادهرو، بهترین مدل AI هم تنها «نقشهٔ نبودن» تولید میکند.
۷. جمعبندی
در مسیر رسیدن به «شهر همگان»، هوش مصنوعی نقطهی آغاز نیست؛ بلکه شتابدهندهای است که میتواند روند اصلاحات شهری را سریعتر، دقیقتر و عادلانهتر کند. اما هر فناوری، بر بستری عمل میکند که پیش از آن ساخته شده است. شهرهایی که از دموکراسی شهری، زیرساخت پیادهمحور و سنت مشارکت عمومی برخوردارند، مانند بسیاری از شهرهای اروپایی، بهطور طبیعی ظرفیت بیشتری برای استفادهٔ مؤثر از ابزارهای هوش مصنوعی در این زمینه دارند. در چنین شهرهایی AI نه تنها اطلاعات دقیق تولید میکند، بلکه میتواند به ارتقای کیفیت زندگی روزمره، برنامهریزی عادلانهتر و توزیع بهتر منابع شهری منجر شود.
در مقابل، شهرهایی که ساختار آنها بر اتومبیلمحوری، زونینگ تکمنظوره یا جدایی کاربریها بنا شده اند، مانند بخش بزرگی از شهرهای آمریکای شمالی، با محدودیتهای عمیقتری مواجهاند. در این شهرها، حتی پیشرفتهترین مدلهای پیشبینی و تحلیل هوشمند، قادر نیستند مشکلاتی را حل کنند که از ابتدا در کالبد، سیاستگذاری و فرهنگ شهر ریشه دواندهاند. AI میتواند این مشکلات را دقیقتر اندازه گیری، طبقهبندی و به نمایش بگذارد؛ اما نمیتواند جای اصلاحات بنیادی را بگیرد که فقط از مسیر تغییرات سیاسی و اجتماعی، بازنگری در زونینگ، پیادهمحور کردن فضا و پذیرش عدالت فضایی حاصل میشود.
از این منظر، عدالت پیاده بیش از آنکه موضوعی فناورانه باشد، پروژهای اجتماعی، سیاسی و اخلاقی است. فناوری دراین میان نقشی توانمندساز دارد، اما تصمیمگیری درباره اینکه چه کسی، در کجای شهر، حق دسترسی برابر به خیابان، سایه، روشنایی، مسیر ایمن یا حملونقل عمومی داشته باشد، امری فناورانه نیست، بلکه امری سیاسی و ارزشمحور است. به کارگیری AI میتواند چشم ما را بازتر کند، اما ارادهٔ اصلاح را نمیتواند تولید کند.
در نهایت، «عدالت پیاده» زمانی محقق میشود که «حق پیادهروی ایمن، راحت و لذتبخش» برای همهٔ ساکنان و نه فقط برای محلات برخوردار یا گروههای خاص تضمین شود. فناوری میتواند مسیر رسیدن به این هدف را روشنتر کند، اما خود هدف نیست. آنچه شهر را برای همگان قابل استفاده میکند، ترکیب زیرساخت مناسب، حکمرانی دموکراتیک و به رسمیت شناختن کرامت انسانی در مقیاس خیابان است. بنابراین هوش مصنوعی تنها زمانی معنا پیدا میکند که در خدمت این ارزشها قرار گیرد.
چالش اصلی در این زمینه این است که اطمینان حاصل شود که الگوریتمهای هوش مصنوعی خودشان سوگیری (Bias) نداشته باشند و دادههای تاریخی نابرابری را تداوم ندهند. استفاده صحیح از هوش مصنوعی میتواند ابزاری قدرتمند برای ایجاد شهرهایی عادلانهتر، در دسترستر و پیادهمحورتر برای همه شهروندان باشد.
