از «شهر دیجیتال» تا «شهر مولد»: بازتعریف برنامه ریزی شهری در عصر هوش مصنوعی مولد

از «شهر دیجیتال» تا «شهر مولد»: بازتعریف برنامه ریزی شهری در عصر هوش مصنوعی مولد

چکیده

هوش مصنوعی مولد در حال تغییر یکی از بنیادی ترین مراحل برنامه ریزی شهری، یعنی نحوه تصور و طراحی آینده شهرهاست. در مدل های سنتی، برنامه ریز عمدتا وضعیت موجود را تحلیل کرده، سناریوهای محدود را طراحی و سپس مناسب ترین گزینه را انتخاب می کند. در مقابل، نسل جدید مدل های مولد می تواند بر اساس داده های فضایی، شبکه معابر، فرم ساختمان ها، تراکم، شاخص های اجتماعی و محیطی، گزینه های متعدد برای آینده شهری تولید و مقایسه کند. پژوهش He و همکاران (2026) نشان داده است که یک مدل هوش مصنوعی مولد می تواند با استفاده از بخش کوچکی از داده های شهری، ساختارهای سه بعدی شهر را بازتولید و برای شبیه سازی آب وهوا، پیش بینی برخی شاخص های اجتماعی–اقتصادی و طراحی سناریوهای «چه می شود اگر؟» مورد استفاده قرار گیرد.

هم زمان، یک مرور نظام مند جدید درباره هوش مولد در شهرهای سبز نشان می دهد که مسیر پژوهش از استفاده منفرد از مدل های مولد به سمت معماری های ترکیبی و چندمنظوره در حال حرکت است؛ معماری هایی که می توانند داده، فرم شهری، محیط و تصمیم گیری را به یکدیگر متصل کنند.

این مقاله با رویکرد تحلیلی–اسنادی، مفهوم «شهر مولد» (Generative City) را پیشنهاد می کند؛ شهری که در آن هوش مصنوعی صرفا ابزار تحلیل شهر موجود نیست، بلکه به عنوان موتور تولید، ارزیابی و بازطراحی سناریوهای آینده شهری عمل می کند. استدلال اصلی مقاله آن است که آینده برنامه ریزی شهری از «پیش بینی یک آینده» به سمت «تولید و آزمون چندین آینده ممکن» حرکت خواهد کرد.

کلیدواژه ها: شهر مولد، هوش مصنوعی مولد، برنامه ریزی شهری، طراحی شهری، دوقلوی دیجیتال، سناریونویسی شهری، شهر هوشمند، هوش مصنوعی شهری.

۱. مقدمه: وقتی هوش مصنوعی فقط شهر را نمی خواند، بلکه آن را تولید می کند

برای دهه ها، برنامه ریزی شهری عمدتا بر یک چرخه نسبتا مشخص استوار بوده است:

مشاهده → تحلیل → پیش بینی → طراحی → اجرا

برنامه ریز ابتدا وضعیت موجود را می شناسد، سپس روندهای جمعیتی، اقتصادی، فضایی و محیطی را تحلیل می کند و در نهایت برای آینده طرح ارائه می دهد.

اما ورود هوش مصنوعی مولد، این چرخه را با یک پرسش جدید مواجه کرده است:

اگر هوش مصنوعی بتواند علاوه بر تحلیل شهر، گزینه های جدیدی برای ساختار فضایی آن تولید کند، نقش برنامه ریز چگونه تغییر خواهد کرد؟

این پرسش دیگر صرفا نظری نیست.

در سال ۲۰۲۶، He و همکاران مدلی مبتنی بر هوش مصنوعی مولد ارائه کردند که قادر است با استفاده از درصد کوچکی از اطلاعات موجود، ساختار سه بعدی شهری را تولید کند. این مدل برای ۳۳۰ شهر آمریکای شمالی با جمعیت بیش از ۱۰۰ هزار نفر آموزش داده شده و امکان تولید یا اصلاح سریع ساختار شهری و استفاده از آن در شبیه سازی های شهری را نشان داده است.

این تحول به معنای تغییر نقش AI از:

ابزار تحلیل

به:

ابزار تولید گزینه های شهری

است.

و دقیقا در همین نقطه، مفهوم شهر مولد اهمیت پیدا می کند.

۲. محدودیت مدل سنتی برنامه ریزی: چرا یک سناریو کافی نیست؟

یکی از مشکلات اساسی برنامه ریزی شهری این است که آینده را نمی توان با قطعیت پیش بینی کرد.

جمعیت ممکن است تغییر کند.

الگوی سفر ممکن است تغییر کند.

اقلیم ممکن است متفاوت شود.

فناوری های حمل ونقل ممکن است ساختار شهر را تغییر دهند.

قیمت زمین ممکن است جابه جا شود.

حتی ترجیحات شهروندان نیز ممکن است در طول زمان تغییر کنند.

بنابراین اگر برنامه ریزی بر یک پیش بینی مشخص از آینده بنا شود، احتمال خطا افزایش پیدا می کند.

مدل سنتی معمولا تلاش می کند بهترین پاسخ را برای یک مجموعه فرضیات مشخص پیدا کند.

اما شهر آینده به احتمال زیاد نیازمند چیزی متفاوت است:

توانایی تولید مجموعه ای از آینده های ممکن.

در اینجا هوش مصنوعی مولد می تواند مزیت مهمی ایجاد کند.

به جای اینکه برنامه ریز فقط یک گزینه طراحی کند، AI می تواند ده ها یا صدها پیکربندی فضایی تولید کند و سپس آنها را بر اساس شاخص هایی مانند:

• دسترسی؛
• تراکم؛
• مصرف انرژی؛
• تاب آوری اقلیمی؛
• کیفیت فضای عمومی؛
• هزینه زیرساخت؛
• عدالت فضایی؛
• و کیفیت زندگی

مقایسه کند.

در نتیجه، برنامه ریزی از:

Choosing One Future

به:

Exploring Multiple Futures

تغییر می کند.

۳. از «دوقلوی دیجیتال» به «دوقلوی مولد»

دوقلوهای دیجیتال تاکنون عمدتا برای بازنمایی وضعیت موجود شهر و شبیه سازی تغییرات احتمالی مورد استفاده قرار گرفته اند.

اما یک دوقلوی دیجیتال معمولی عمدتا می پرسد:

اگر این اتفاق رخ دهد، شهر چگونه واکنش نشان می دهد؟

دوقلوی مولد سوال متفاوتی مطرح می کند:

چه شکل هایی از آینده شهر می توانند وجود داشته باشند؟

این تفاوت بسیار مهم است.

در مدل جدید، دوقلوی شهری تنها بازنمایی کننده شهر نیست؛ بلکه به یک محیط آزمایش برای تولید آینده های شهری تبدیل می شود.

برای مثال، یک برنامه ریز می تواند مجموعه ای از محدودیت ها و اهداف را وارد سیستم کند:

افزایش ۲۰ درصدی فضای سبز + کاهش سفر خودرویی + حفظ ظرفیت مسکن + کاهش ریسک گرمایی

سپس سیستم می تواند مجموعه ای از پیکربندی های فضایی مختلف تولید کند.

در واقع:

Digital Twin = Simulation

اما:

Generative Digital Twin = Simulation + Creation

پژوهش He و همکاران نیز نشان می دهد که مدل های مولد شهری می توانند فراتر از بازسازی وضعیت موجود، برای تولید ساختارهای بالقوه آینده و سناریوهای «what-if» مورد استفاده قرار گیرند.

۴. شهر مولد چیست؟

بر اساس ادبیات جدید، می توان شهر مولد را چنین تعریف کرد:

شهر مولد شهری است که در آن هوش مصنوعی مولد، داده های فضایی، اجتماعی، اقتصادی و محیطی را ترکیب کرده و به صورت مستمر گزینه های مختلف برای طراحی، توسعه و سازگاری آینده شهر تولید و ارزیابی می کند.

در این تعریف، AI جایگزین برنامه ریز نیست.

بلکه نقش آن تغییر می کند.

برنامه ریز دیگر مجبور نیست تمام گزینه ها را از ابتدا و به صورت دستی تولید کند.

بلکه:

AI → گزینه تولید می کند

برنامه ریز → گزینه ها را تفسیر و ارزیابی می کند

جامعه → ارزش ها و ترجیحات را وارد می کند

سیستم → نتایج را شبیه سازی می کند

حکمرانی → گزینه قابل اجرا را انتخاب می کند

این مدل، برنامه ریزی شهری را از یک فرآیند صرفا طراحی محور به یک فرآیند تولید–ارزیابی–یادگیری تبدیل می کند.

۵. پنج لایه شهر مولد

برای عملیاتی کردن مفهوم شهر مولد، می توان آن را در پنج لایه متصور شد.

لایه اول: داده شهری

شامل:

GIS، تصاویر ماهواره ای، سنجش از دور، داده های حمل ونقل، ساختمان ها، جمعیت، کاربری زمین، IoT و داده های اجتماعی.

هرچه داده جامع تر باشد، مدل تصویر دقیق تری از سیستم شهری خواهد داشت.

لایه دوم: مدل مولد

در این مرحله، مدل های هوش مصنوعی می توانند ساختارهای مختلف فضایی، فرم ساختمان ها، شبکه های معابر یا سناریوهای توسعه را تولید کنند.

لایه سوم: موتور ارزیابی

هر سناریو باید از منظر شاخص های مختلف ارزیابی شود:

اقتصادی + اجتماعی + محیطی + فضایی + اقلیمی

لایه چهارم: موتور سناریو

سیستم می تواند سناریوهای مختلف را با تغییر پارامترها تولید کند.

مثلا:

تراکم بیشتر

یا

فضای سبز بیشتر

یا

حمل ونقل عمومی بیشتر

یا ترکیبی از همه آنها.

لایه پنجم: حکمرانی و انتخاب

در نهایت، تصمیم گیری همچنان به انسان و نهادهای شهری وابسته است.

بنابراین ساختار کلی شهر مولد را می توان چنین خلاصه کرد:

Data → Generate → Simulate → Evaluate → Compare → Decide → Learn

۶. از «طراحی یک شهر» به «تولید خانواده ای از شهرها»

شاید مهم ترین تحول مفهومی همین باشد.

در برنامه ریزی سنتی، معمولا یک طرح یا چند گزینه محدود ارائه می شود.

اما در شهر مولد، می توان یک فضای طراحی شهری ایجاد کرد.

برای یک محدوده مشخص، AI می تواند ده ها الگوی مختلف تولید کند:

• تراکم کم؛
• تراکم متوسط؛
• تراکم بالا؛
• شبکه فشرده؛
• شبکه باز؛
• توسعه سبز؛
• توسعه حمل ونقل محور؛
• توسعه مختلط؛
• یا ترکیبی از آنها.

پژوهش He و همکاران نشان داده است که حتی تغییرات هدفمند در نمایش نهفته مدل می تواند برای تغییر برخی ویژگی های شهری و تولید پیکربندی های متفاوت مورد استفاده قرار گیرد.

این یعنی برنامه ریز می تواند به جای طراحی یک نسخه نهایی، با یک فضای وسیع از گزینه های ممکن کار کند.

از این منظر، AI مولد شبیه یک «آزمایشگاه طراحی شهری» عمل می کند.

۷. اما آیا هر شهر تولیدشده، یک شهر خوب است؟

اینجا مهم ترین مسئله آغاز می شود.

Generative ≠ Good

اینکه AI بتواند یک شهر تولید کند، به این معنا نیست که آن شهر مطلوب است.

یک الگوریتم ممکن است ساختاری تولید کند که از نظر:

هندسه، تراکم یا کارایی

بسیار مطلوب باشد، اما از نظر:

هویت، عدالت، فرهنگ، تعلق مکانی یا تجربه انسانی

نامطلوب باشد.

این مسئله در پژوهش تازه ای درباره تصاویر شهری تولیدشده با GenAI نیز مورد توجه قرار گرفته است. مطالعه ای در Technology in Society در سال ۲۰۲۶ نشان داد که ارزیابی واقع گرایی و هویت شهری در تصاویر تولیدشده با AI وابسته به تجربه و شناخت افراد از مکان است و ساکنان باسابقه تر شهرها معمولا ارزیابی انتقادی تری نسبت به خروجی های GenAI دارند. این یافته اهمیت دانش محلی و تجربه زیسته را در کاربرد AI شهری برجسته می کند.

بنابراین:

شهر مولد نباید فقط شهر قابل تولید باشد؛ باید شهر قابل زیست باشد.

۸. خطر بزرگ شهر مولد: تولید سوگیری در مقیاس بزرگ

هر مدل هوش مصنوعی از داده یاد می گیرد.

اگر داده ها سوگیری داشته باشند، خروجی نیز می تواند سوگیرانه باشد.

این مسئله در شهرسازی اهمیت بیشتری پیدا می کند؛ زیرا داده های شهری در بسیاری از نقاط جهان از نظر پوشش جغرافیایی کامل نیستند.

پژوهش He و همکاران نیز به این مسئله اشاره می کند که داده های هندسی شهری برای بسیاری از شهرهای کوچک و متوسط ناقص تر است و داده های موجود به شدت تحت تاثیر شهرهای بزرگ و شناخته شده قرار دارند.

در نتیجه ممکن است AI:

شهرهای بزرگ را بهتر بشناسد

اما:

شهرهای کوچک، کم داده یا کم برخوردار را بدتر بازنمایی کند.

این مسئله می تواند نوعی «نابرابری مولد» ایجاد کند.

یعنی شهرهایی که داده بیشتری دارند، آینده های بیشتری برای خود تولید می کنند؛ در حالی که شهرهای کم داده از توانایی کمتری برای استفاده از این فناوری برخوردار خواهند بود.

بنابراین عدالت داده ای باید به یکی از اصول اساسی شهر مولد تبدیل شود.

۹. مشارکت شهروندان در شهر مولد

اگر AI بتواند گزینه های شهری را تولید کند، یک پرسش بسیار مهم مطرح می شود:

چه کسی تعیین می کند کدام گزینه بهتر است؟

پاسخ نمی تواند فقط الگوریتم باشد.

شهر متعلق به شهروندان است.

بنابراین می توان یک مدل Generative Participatory Planning پیشنهاد کرد.

در این مدل:

AI گزینه ها را تولید می کند.

برنامه ریزان آنها را ارزیابی می کنند.

شهروندان ترجیحات خود را بیان می کنند.

AI گزینه ها را بر اساس بازخورد جامعه بازتولید می کند.

و این چرخه ادامه می یابد.

در چنین ساختاری، مشارکت دیگر صرفا «نظر دادن درباره یک طرح آماده» نیست.

بلکه شهروندان در فرآیند:

تولید آینده شهری

مشارکت می کنند.

این می تواند یکی از مهم ترین تحولات مشارکت عمومی در برنامه ریزی شهری باشد.

۱۰. از «برنامه ریزی برای آینده» به «برنامه ریزی با آینده های ممکن»

برنامه ریزی شهری همواره با آینده سروکار داشته است.

اما تفاوت مهم شهر مولد این است که آینده را یک مسیر خطی در نظر نمی گیرد.

بلکه آینده را به صورت مجموعه ای از مسیرهای ممکن می بیند.

بنابراین:

Planning the Future

جای خود را به:

Planning with Multiple Futures

می دهد.

در این رویکرد، ارزش یک طرح فقط به این نیست که در شرایط فعلی مناسب باشد.

بلکه باید بررسی شود:

اگر جمعیت افزایش یافت چه؟

اگر دما افزایش یافت چه؟

اگر حمل ونقل خودران گسترش یافت چه؟

اگر الگوی کار از خانه تغییر کرد چه؟

اگر منابع مالی کاهش یافت چه؟

اگر ساختار اقتصادی شهر تغییر کرد چه؟

به عبارت دیگر، یک طرح خوب باید نه فقط بهینه، بلکه قابل سازگاری باشد.

۱۱. حکمرانی شهر مولد

ورود AI مولد به برنامه ریزی شهری، نیازمند شکل جدیدی از حکمرانی است.

زیرا تصمیمات شهری ممکن است تحت تاثیر مدل هایی قرار گیرند که حتی متخصصان نیز همیشه قادر به توضیح کامل فرایند درونی آنها نیستند.

از سوی دیگر، پژوهش های اخیر درباره امنیت AI شهری هشدار می دهند که سیستم های AI مورد استفاده در زیرساخت ها و خدمات عمومی، برخلاف بسیاری از سامانه های تجاری، هنوز از نظر چارچوب های پاسخگویی و مدیریت ریسک با شکاف های جدی مواجه اند.

بنابراین شهر مولد به حداقل پنج اصل حکمرانی نیاز دارد:

شفافیت الگوریتمی

قابلیت توضیح تصمیم

عدالت داده ای

مشارکت عمومی

مسئولیت پذیری انسانی

اصل اساسی باید این باشد:

AI می تواند آینده های ممکن را تولید کند؛ اما مشروعیت انتخاب آینده همچنان باید انسانی و عمومی باشد.

۱۲. نتیجه گیری: شهر آینده طراحی نمی شود؛ تولید، آزمون و یادگیری می شود

هوش مصنوعی مولد در حال تغییر رابطه میان فناوری و برنامه ریزی شهری است.

در گذشته، فناوری عمدتا برای:

اندازه گیری، تحلیل و پیش بینی

به کار می رفت.

امروز می توان از آن برای:

تولید، شبیه سازی، مقایسه و بازطراحی

نیز استفاده کرد.

پژوهش های جدید نشان می دهند که مدل های مولد قادرند ساختارهای سه بعدی شهری را تولید کنند، برخی شاخص های شهری را از هندسه فضایی استنتاج کنند و گزینه های مختلف برای سناریوهای «چه می شود اگر؟» ایجاد کنند.

در همین حال، ادبیات جدید درباره GenAI در شهرهای سبز از حرکت به سمت مدل های ترکیبی و چندمنظوره خبر می دهد که می توانند هوش مولد را با سیستم های شهری و محیطی پیوند دهند.

بر این اساس، مقاله حاضر مفهوم «شهر مولد» را پیشنهاد می کند؛ شهری که در آن AI نه صرفا برای شناخت وضعیت موجود، بلکه برای تولید و آزمون آینده های ممکن مورد استفاده قرار می گیرد.

در شهر مولد:

GIS شهر را می بیند.

AI شهر را تحلیل می کند.

Digital Twin شهر را شبیه سازی می کند.

اما:

Generative AI آینده های مختلف شهر را تولید می کند.

و شاید مهم ترین تغییر در برنامه ریزی شهری همین باشد:

آینده دیگر فقط چیزی نیست که برنامه ریز باید پیش بینی کند؛ آینده به مجموعه ای از گزینه ها تبدیل می شود که می توان آنها را تولید، آزمون، مقایسه و بازطراحی کرد.

با این حال، شهر مولد زمانی ارزشمند خواهد بود که تولیدپذیری را با عدالت، هویت، مشارکت، پایداری و تجربه زیسته شهروندان پیوند دهد.

بنابراین، آینده مطلوب نه «شهری که AI طراحی کرده»، بلکه:

شهری است که انسان و هوش مصنوعی، در یک فرآیند شفاف و مشارکتی، آینده های ممکن آن را با یکدیگر می سازند.

منابع

He, L., Kamath, H. G., Fei, S., Niyogi, D., & Aliaga, D. (2026). AI-based urban layout generation model. npj Urban Sustainability, 6, 87. https://doi.org/10.1038/s42949-026-00369-2

The next frontier of generative intelligence in smarter eco-cities: A systematic review of deep generative and hybrid modeling applications for environmental sustainability. (2026). Sustainable Cities and Society, 145, 107408. https://doi.org/10.1016/j.scs.2026.107408

Imagining the city: Evaluating visual realism and identity in AI-generated cityscapes using DALL·E 2. (2026). Technology in Society, 87, 103360. https://doi.org/10.1016/j.techsoc.2026.103360

Xu, Y., Seto, K. C., & Weng, Q. (2026). The invisible gap: Urban AI security. npj Urban Sustainability, 6, 101.

Tong, J., Wang, S., Wang, G., Wang, Y., et al. (2026). Bridging urban theory and artificial intelligence: A multi-agent recommendation system for sustainable city development. npj Urban Sustainability, 6, 77.

Leveraging multisource data in GeoAI frameworks for urban analysis: Challenges, opportunities, and future directions. (2026). ISPRS Open Journal of Photogrammetry and Remote Sensing, 21, 100128. https://doi.org/10.1016/j.ophoto.2026.100128