از «شهر هوشمند» تا «شهر خودسازگار»: بازتعریف هوشمندی شهری در عصر عدم قطعیت اقلیمی
ز «شهر هوشمند» تا «شهر خودسازگار»: بازتعریف هوش شهری در عصر عدم قطعیت اقلیمی
شهر هوشمند طی دو دهه گذشته به یکی از مهم ترین پارادایم های توسعه شهری تبدیل شده است؛ پارادایمی که بر استفاده از داده، حسگرها، اینترنت اشیا، هوش مصنوعی و زیرساخت های دیجیتال برای افزایش کارایی و بهبود مدیریت شهری تاکید دارد. بااین حال، تشدید تغییرات اقلیمی، افزایش رخدادهای حدی و پیچیده تر شدن روابط میان سیستم های اجتماعی، اقتصادی و اکولوژیک نشان می دهد که هوشمند بودن لزوما به معنای تاب آور بودن نیست. شهر ممکن است در پیش بینی ترافیک، مدیریت انرژی یا پایش آلودگی بسیار هوشمند باشد، اما در مواجهه با رخدادی که خارج از الگوهای تاریخی قرار می گیرد، همچنان آسیب پذیر باقی بماند.
پژوهش های جدید سال ۲۰۲۶ این محدودیت را به چالش کشیده اند. مفهوم هوش بوم سازگار (Ecoadaptive Intelligence) پیشنهاد می کند که هوش شهری باید از پیش بینی، بهینه سازی و کنترل صرف فراتر رفته و بر یادگیری مستمر از تعامل میان فرم شهری، محیط، جامعه و پاسخ های تطبیقی استوار شود (Shaamala et al., 2026). هم زمان، پژوهش های جدید در زمینه حکمرانی هوش مصنوعی نیز بر گذار از «شهر هوشمند» به اشکال انعطاف پذیرتر، مشارکتی تر و آینده نگر حکمرانی شهری تاکید کرده اند.
این مقاله با رویکرد تحلیلی–اسنادی، مفهوم «شهر خودسازگار» (Self-Adaptive City) را پیشنهاد می کند؛ شهری که نه تنها از داده برای شناخت شرایط موجود استفاده می کند، بلکه قادر است از بازخوردهای اجتماعی و محیطی یاد بگیرد، سناریوهای جدید را بیازماید و سیاست ها و مداخلات خود را به صورت مستمر با شرایط متغیر تطبیق دهد.
کلیدواژه ها: شهر خودسازگار، هوش بوم سازگار، شهر هوشمند، هوش مصنوعی، تاب آوری شهری، حکمرانی تطبیقی، تغییر اقلیم، دوقلوی دیجیتال.
۱. مسئله شهر هوشمند کجاست؟
شهر هوشمند اساسا با یک وعده بزرگ شکل گرفت:
اگر شهر داده بیشتری داشته باشد، می تواند بهتر تصمیم بگیرد.
سنسورها، دوربین ها، اینترنت اشیا، داده های مکانی و سامانه های هوش مصنوعی به شهر اجازه دادند ترافیک را پیش بینی کند، مصرف انرژی را بهینه سازد، کیفیت هوا را پایش کند و خدمات عمومی را هدفمندتر ارائه دهد.
اما بحران اقلیمی یک مشکل اساسی ایجاد کرده است:
آینده الزاما شبیه گذشته نیست.
مدلی که بر اساس داده های تاریخی آموزش دیده است، ممکن است در مواجهه با رخدادی بی سابقه عملکرد ضعیف تری داشته باشد.
برای مثال، اگر یک شهر سامانه بسیار پیشرفته ای برای پیش بینی مصرف انرژی داشته باشد، اما موج گرمایی با شدت بی سابقه رخ دهد، مسئله فقط «پیش بینی» نیست؛ بلکه توانایی سیستم برای یادگیری، بازتنظیم و واکنش به شرایط جدید اهمیت پیدا می کند.
از این منظر، می توان گفت:
شهر هوشمند برای شرایط قابل پیش بینی طراحی شده است؛ شهر خودسازگار برای شرایطی که ممکن است قابل پیش بینی نباشند.
۲. از «Smart» به «Adaptive»
هوشمندی شهری معمولا با مفاهیمی مانند:
Prediction – Optimization – Automation – Control
تعریف شده است.
اما سازگاری به مفاهیم دیگری نیاز دارد:
Learning – Feedback – Adaptation – Experimentation – Co-evolution
این تفاوت بسیار بنیادین است.
در مدل سنتی:
داده → تحلیل → تصمیم → اجرا
اما در شهر خودسازگار:
داده → تحلیل → تصمیم → اجرا → بازخورد → یادگیری → اصلاح تصمیم
بنابراین، تصمیم شهری دیگر یک خروجی نهایی نیست.
بلکه بخشی از یک چرخه یادگیری مستمر است.
پژوهش جدید درباره «هوش بوم سازگار» نیز دقیقا بر همین تحول تاکید دارد و استدلال می کند که شهرها باید از مدل های مبتنی بر پیش بینی و کنترل به سمت سیستم هایی حرکت کنند که از تعامل میان محیط، فرم شهری و پاسخ های انسانی یاد می گیرند.
۳. شهر خودسازگار چیست؟
بر اساس ادبیات جدید، در این مقاله می توان شهر خودسازگار را چنین تعریف کرد:
شهر خودسازگار، شهری است که از طریق ترکیب داده های بلادرنگ، هوش مصنوعی، بازخوردهای اجتماعی و محیطی و سازوکارهای حکمرانی تطبیقی، قادر است سیاست ها، خدمات و مداخلات فضایی خود را در پاسخ به تغییرات محیطی و اجتماعی به صورت مستمر بازتنظیم کند.
نکته مهم این تعریف، واژه «مستمر» است.
در شهر هوشمند ممکن است یک سامانه تصمیم بگیرد.
در شهر خودسازگار، سامانه پس از اجرای تصمیم، نتیجه آن را اندازه گیری می کند و در صورت نیاز تصمیم بعدی را اصلاح می کند.
در نتیجه:
شهر خودسازگار فقط تصمیم نمی گیرد؛ از پیامد تصمیم خود یاد می گیرد.
۴. چرا تغییر اقلیم این پارادایم را ضروری کرده است؟
تغییر اقلیم یک مسئله خطی نیست.
یک موج گرما می تواند هم زمان بر:
سلامت → انرژی → حمل ونقل → آب → اقتصاد → رفتار اجتماعی
اثر بگذارد.
یا یک بارش شدید می تواند به صورت زنجیره ای باعث:
آب گرفتگی → اختلال حمل ونقل → قطع خدمات → آسیب اقتصادی → کاهش دسترسی گروه های آسیب پذیر
شود.
بنابراین نمی توان شهر را مجموعه ای از سیستم های مستقل در نظر گرفت.
پژوهش های جدید درباره دوقلوهای دیجیتال شهری نیز بر همین پیچیدگی تاکید دارند و تلاش می کنند داده، شبیه سازی، سیاست و نتایج واقعی مداخلات را در یک چرخه یکپارچه قرار دهند.
در نتیجه، تاب آوری آینده نیازمند چیزی فراتر از «پیش بینی خطر» است:
شهر باید بتواند پس از هر تجربه، خود را بهتر کند.
۵. دوقلوی دیجیتال؛ مغز آزمایشگر شهر خودسازگار
در اینجا Urban Digital Twin اهمیت ویژه ای پیدا می کند.
دوقلوی دیجیتال می تواند یک نسخه دیجیتال پویا از شهر ایجاد کند که در آن داده های واقعی، مدل های شبیه سازی و سناریوهای سیاستی به یکدیگر متصل می شوند.
برای مثال، اگر شهر بخواهد یک خیابان را به فضای سبز تبدیل کند، دوقلوی دیجیتال می تواند قبل از اجرای پروژه بررسی کند:
دمای محله چه تغییری می کند؟
ترافیک چگونه تغییر خواهد کرد؟
مصرف انرژی چه اثری خواهد داشت؟
چه گروه هایی بیشترین منفعت را دریافت می کنند؟
آیا یک پیامد منفی ناخواسته ایجاد خواهد شد؟
اما گام بعدی بسیار مهم تر است:
پس از اجرای پروژه، داده واقعی دوباره وارد مدل می شود.
بنابراین:
Digital Twin → Simulate → Implement → Measure → Learn
این چرخه می تواند پایه فنی شهر خودسازگار باشد.
پژوهش های سال ۲۰۲۶ نشان می دهند که دوقلوهای دیجیتال شهری هنوز عمدتا برای تجسم سه بعدی و برنامه ریزی استفاده می شوند و کاربرد آنها در سازگاری اقلیمی نسبتا محدودتر است؛ همین شکاف، یکی از مهم ترین فرصت های توسعه آینده محسوب می شود.
۶. از «بهینه سازی» به «یادگیری»
شاید مهم ترین تفاوت شهر هوشمند و شهر خودسازگار در همین نقطه باشد.
فرض کنیم الگوریتمی پیشنهاد دهد که برای کاهش دمای یک محله باید ۱۰ هزار اصله درخت کاشته شود.
در مدل بهینه سازی، مسئله تقریبا تمام شده است.
اما در مدل خودسازگار، سوال تازه شروع می شود:
آیا دما واقعا کاهش یافت؟
آیا درختان زنده ماندند؟
آیا شهروندان از فضای جدید استفاده کردند؟
آیا مصرف آب افزایش یافت؟
آیا سایه ایجادشده در ساعات بحرانی موثر بود؟
آیا گروه های کم برخوردار نیز از آن بهره مند شدند؟
اگر پاسخ ها با پیش بینی اولیه متفاوت باشند، سیاست باید تغییر کند.
بنابراین:
هدف شهر خودسازگار پیدا کردن یک راه حل بهینه نیست؛ بلکه ایجاد ظرفیت برای اصلاح مستمر راه حل است.
این نگاه با رویکردهای جدید در مدل سازی پویای شهری نیز هم راستا است که بر ترکیب AI، نظریه، شبکه های شهری، دسترسی انسانی و مدل های قابل تفسیر تاکید می کنند.
۷. شهر خودسازگار باید «اجتماعی» نیز باشد
یک خطر جدی وجود دارد:
ممکن است شهر بتواند از محیط یاد بگیرد، اما از شهروندان یاد نگیرد.
در چنین شرایطی، سیستم از نظر فنی adaptive است، اما از نظر اجتماعی نه.
برای مثال، یک الگوریتم ممکن است تشخیص دهد که تغییر مسیر یک خط اتوبوس کارایی شبکه را افزایش می دهد.
اما اگر این تغییر باعث شود سالمندان یا گروه های کم برخوردار دسترسی کمتری به خدمات پیدا کنند، آیا تصمیم واقعا هوشمندانه بوده است؟
بنابراین، سازگاری باید دو بعد داشته باشد:
Environmental Adaptation
و
Social Adaptation
پژوهش های جدید درباره حکمرانی AI نیز بر حرکت به سمت حکمرانی یکپارچه، مشارکتی و آینده نگر تاکید می کنند.
حتی مفهوم Social Urban Digital Twin نیز در پژوهش های سال ۲۰۲۶ برای تقویت مشارکت و هم حکمرانی شهری مورد توجه قرار گرفته است.
۸. معماری پیشنهادی «شهر خودسازگار»
بر اساس مباحث فوق، می توان یک معماری شش لایه پیشنهاد کرد:
لایه اول: Sensing
جمع آوری داده های محیطی، فضایی، اقتصادی و اجتماعی.
لایه دوم: Understanding
تحلیل داده ها و شناسایی الگوها با کمک AI.
لایه سوم: Simulation
آزمون سناریوهای مختلف در دوقلوی دیجیتال.
لایه چهارم: Decision
انتخاب مداخله با مشارکت متخصصان، مدیران و شهروندان.
لایه پنجم: Action
اجرای سیاست یا مداخله در شهر واقعی.
لایه ششم: Learning
اندازه گیری نتایج و بازگرداندن آنها به سیستم.
بنابراین چرخه اصلی چنین خواهد بود:
Sense → Understand → Simulate → Decide → Act → Learn → Adapt
و این چرخه می تواند به صورت دائمی ادامه پیدا کند.
۹. از «شهر هوشمند» به «اکوسیستم هوشمند شهری»
این تغییر فقط یک تغییر فناوری نیست.
در واقع، تعریف خود «شهر» تغییر می کند.
در مدل سنتی، شهر مجموعه ای از:
ساختمان ها + خیابان ها + زیرساخت ها + خدمات
است.
در شهر هوشمند، شهر به:
زیرساخت + داده + الگوریتم
تبدیل می شود.
اما در شهر خودسازگار:
شهر = انسان + محیط + زیرساخت + داده + هوش + یادگیری
این تعریف، شهر را یک سیستم اجتماعی–بوم شناختی–محاسباتی می داند.
این همان جهت گیری نظری جدیدی است که در ادبیات «Ecoadaptive Intelligence» مطرح شده است.
۱۰. چالش بزرگ: چه کسی به شهر اجازه می دهد «یاد بگیرد»؟
شهر خودسازگار بدون حکمرانی مناسب می تواند به یک سیستم بسیار قدرتمند اما غیرشفاف تبدیل شود.
اگر AI پیشنهاد تغییر یک سیاست شهری را بدهد:
چه کسی مسئول تصمیم است؟
اگر الگوریتم اشتباه کند:
چه کسی پاسخگوست؟
اگر داده های شهروندان جمع آوری شوند:
چه کسی مالک داده است؟
و اگر الگوریتم به نفع یک منطقه و به زیان منطقه دیگر تصمیم بگیرد:
چه سازوکاری برای اعتراض وجود دارد؟
پژوهش های جدید در حوزه حکمرانی AI شهری نشان می دهند که هوش مصنوعی در حال تغییر ساختارهای دانش و تصمیم گیری شهری است، اما در بسیاری از رویکردها هنوز ابعاد اخلاقی و تعاملی نسبت به منطق زیرساختی و فنی کمتر توسعه یافته اند.
بنابراین:
شهر خودسازگار بدون حکمرانی تطبیقی می تواند به شهر خودکار اما غیرمسئول تبدیل شود.
۱۱. معیار موفقیت شهر خودسازگار چیست؟
اگر بخواهیم این مفهوم را عملیاتی کنیم، دیگر نمی توان فقط شاخص های سنتی شهر هوشمند مانند سرعت خدمات، کاهش هزینه یا بهره وری را اندازه گیری کرد.
پیشنهاد می شود عملکرد شهر خودسازگار در پنج محور سنجیده شود:
۱. سرعت یادگیری: شهر با چه سرعتی از یک بحران یا تجربه جدید یاد می گیرد؟
۲. ظرفیت تطبیق: با چه سرعتی می تواند سیاست خود را اصلاح کند؟
۳. عدالت تطبیقی: آیا سازگاری به نفع همه گروه های اجتماعی است؟
۴. تاب آوری سیستمی: آیا اختلال در یک بخش به کل سیستم سرایت می کند؟
۵. ظرفیت مشارکت: آیا شهروندان در چرخه یادگیری و تصمیم گیری حضور دارند؟
در نتیجه، یک شهر ممکن است از نظر فناوری بسیار پیشرفته باشد، اما اگر نتواند خود را در برابر شرایط جدید تطبیق دهد، الزاما «هوشمند» نیست.
۱۲. نتیجه گیری: آینده شهرها «هوشمندتر» نیست؛ «یادگیرنده تر» است
پارادایم شهر هوشمند دستاوردهای مهمی برای مدیریت شهری داشته است؛ اما تغییرات اقلیمی و افزایش عدم قطعیت نشان می دهد که پیش بینی، بهینه سازی و کنترل دیگر به تنهایی کافی نیستند.
شهر آینده باید بتواند:
ببیند.
بفهمد.
آزمایش کند.
تصمیم بگیرد.
عمل کند.
بازخورد بگیرد.
و مهم تر از همه:
از تجربه خود یاد بگیرد.
بر این اساس، مفهوم «شهر خودسازگار» را می توان گام بعدی پس از شهر هوشمند دانست؛ شهری که در آن هوش مصنوعی، دوقلوهای دیجیتال، داده های بلادرنگ، مشارکت شهروندی و حکمرانی تطبیقی در یک چرخه یادگیری مستمر قرار می گیرند.
در چنین پارادایمی، هدف دیگر ساختن شهری نیست که همه چیز را از قبل بداند.
بلکه ساختن شهری است که:
وقتی شرایط تغییر می کند، بتواند خودش را تغییر دهد.
و شاید بتوان تحول پارادایم های شهری را این گونه خلاصه کرد:
Smart City: شهر را بهتر مدیریت کن.
Generative City: آینده های مختلف شهر را تولید کن.
Adaptive City: با تغییر شرایط، خودت را تطبیق بده.
Ecoadaptive City: از تعامل میان انسان، محیط و فناوری یاد بگیر.
بنابراین، پرسش آینده برنامه ریزی شهری دیگر صرفا این نیست که:
«چگونه شهری هوشمندتر بسازیم؟»
بلکه باید پرسید:
«چگونه شهری بسازیم که بتواند در جهانی نامطمئن، از خودش، از شهروندانش و از محیطش یاد بگیرد؟»
این شاید آغاز پارادایم جدیدی باشد که در آن هوش شهری نه در قدرت کنترل شهر، بلکه در ظرفیت آن برای یادگیری و سازگاری مستمر تعریف می شود.
- Shaamala, A., Yigitcanlar, T., & Rhodes, J. R. (2026). Smart cities fall short: why ecoadaptive urban intelligence is essential for climate resilience. npj Urban Sustainability.
- Tonks, G., et al. (2026). Smarter and healthier cities in the era of AI: A state-of-the-art review. Cities, 107436.
- Governing with artificial intelligence: Mapping the knowledge systems shaping urban intelligence. (2026). Technology in Society, 86, 103321.
- City Information Modelling and Urban Digital Twins: Global Implementation and Governance. (2026). ISPRS International Journal of Geo-Information, 15(6), 251.
- Ricciardi, G., Callegari, G., & Leone, M. F. (2026). Guidelines for creating a urban digital twin module for urban regeneration scenarios assessment that include climate change mitigation and adaptation. Cities, 174, 107020.
- From data to impact: Lifecycle-oriented digital twins for urban heat island mitigation and climate resilience. (2026). Sustainable Cities and Society, 146, 107511.
- Cai, Z. (2026). Urban spatial dynamic modeling in transition: Hybrid, human-centric, and scalable futures. Ambio.
- Ravid, B. Y., Axel, A., & Aharon Gutman, M. (2026). Smarter Participation: Co-Governance Protocol Using Urban Digital Twin and Design Thinking. Journal of Urban Technology.
- Digital twin–enabled urban systems for sustainable and resilient futures: A global urban science perspective. (2026). Sustainable Futures, 11, 101902.
