از «هوش مصنوعی برای شهر» تا «عامل های هوشمند شهری»: آیا AI می تواند از تحلیلگر به همکار برنامه ریز تبدیل شود؟
هوش مصنوعی در سال های اخیر از یک ابزار تحلیلی برای پردازش داده های شهری به یکی از مهم ترین فناوری های تحول آفرین در برنامه ریزی و مدیریت شهری تبدیل شده است. با این حال، بخش عمده کاربردهای کنونی هوش مصنوعی در شهرها هنوز بر پیش بینی، طبقه بندی، بهینه سازی و پشتیبانی از تصمیم گیری متمرکز است؛ یعنی انسان مسئله را تعریف می کند، داده را آماده می سازد، مدل را اجرا می کند و در نهایت تصمیم می گیرد. ظهور نسل جدیدی از فناوری تحت عنوان Agentic AI می تواند این رابطه را تغییر دهد. عامل های هوشمند قادرند یک هدف پیچیده را به مجموعه ای از وظایف تقسیم کنند، داده و ابزار مناسب را بیابند، تحلیل های چندمرحله ای انجام دهند، نتایج را ارزیابی کنند و در یک چرخه بازخوردی، مسیر حل مسئله را اصلاح کنند.
پژوهش های جدید سال ۲۰۲۶ مفهوم Agentic Urban Digital Twins را برای ترکیب عامل های هوشمند، مدل های زبانی بزرگ و دوقلوهای دیجیتال شهری مطرح کرده اند؛ رویکردی که هدف آن حرکت از «دوقلوی دیجیتال پیش بینی کننده» به سمت یک محیط شهری یادگیرنده، مشارکتی و تصمیم یار است. همچنین پژوهش جدید Xu و همکاران، معماری سه لایه ای برای ادغام هوش مصنوعی عامل محور با دوقلوهای دیجیتال شهری پیشنهاد کرده و امکان استفاده از آن را در حوزه هایی مانند لجستیک شهری، مدیریت ترافیک، انرژی ساختمان و واکنش به بحران بررسی می کند.
این مقاله با رویکرد تحلیلی–اسنادی، مفهوم «همکار هوشمند شهری» (Urban AI Co-Planner) را پیشنهاد می کند؛ الگویی که در آن AI نه جایگزین برنامه ریز شهری، بلکه یک عامل هوشمند برای کاوش، تحلیل، تولید سناریو، شبیه سازی، ارزیابی و یادگیری در کنار انسان است.
کلیدواژه ها: هوش مصنوعی عامل محور، برنامه ریزی شهری، دوقلوی دیجیتال، عامل هوشمند شهری، برنامه ریزی مشارکتی، حکمرانی هوش مصنوعی، شهر هوشمند.
۱. یک تغییر مهم در رابطه شهر و هوش مصنوعی
در نسل نخست کاربردهای AI در شهرها، سوال عمدتا این بود:
«AI چه چیزی را می تواند برای ما پیش بینی کند؟»
پیش بینی ترافیک، مصرف انرژی، آلودگی هوا، رشد جمعیت، تقاضای حمل ونقل و حتی تغییرات کاربری زمین.
در نسل بعدی سوال تغییر کرد:
«AI چه چیزی را می تواند برای ما تولید کند؟»
اینجا هوش مصنوعی مولد وارد عرصه برنامه ریزی و طراحی شهری شد و توانست متن، تصویر، سناریو، طرح اولیه و حتی گزینه های فضایی تولید کند. یک مرور منتشرشده در Nature Cities در اوت ۲۰۲۶ نشان می دهد که GenAI اکنون از تولید محتوا فراتر رفته و در حوزه هایی مانند تحلیل، تولید سناریو و پشتیبانی از تصمیم گیری شهری در حال گسترش است.
اما اکنون یک مرحله سوم در حال شکل گیری است:
«آیا AI می تواند یک مسئله شهری را دنبال کند، برای حل آن برنامه ریزی کند و مجموعه ای از ابزارها را به صورت خودکار به کار بگیرد؟»
این دقیقا نقطه ورود Agentic AI است.
۲. Agentic AI چیست؟
هوش مصنوعی مولد معمولا در پاسخ به یک درخواست، خروجی تولید می کند.
اما یک AI Agent می تواند یک هدف را دریافت کرده و برای رسیدن به آن مجموعه ای از اقدامات را سازماندهی کند.
برای مثال، به جای اینکه برنامه ریز از AI بپرسد:
«کدام محله بیشترین آسیب پذیری حرارتی را دارد؟»
می توان هدف بزرگ تری تعریف کرد:
«یک برنامه کاهش آسیب پذیری حرارتی برای محله های کم برخوردار طراحی کن.»
عامل هوشمند می تواند سپس:
- داده های جمعیتی را پیدا کند؛
- داده های دمایی را دریافت کند؛
- نقشه آسیب پذیری را تحلیل کند؛
- محله های اولویت دار را شناسایی کند؛
- گزینه های مداخله را تولید کند؛
- سناریوهای مختلف را شبیه سازی کند؛
- هزینه و پیامد هر گزینه را مقایسه کند؛
- و در نهایت مجموعه ای از پیشنهادها را برای برنامه ریز ارائه دهد.
یعنی:
AI از «پاسخ دادن» به «دنبال کردن مسئله» حرکت می کند.
۳. چرا این تحول برای برنامه ریزی شهری مهم است؟
مسائل شهری معمولا یک مرحله ای نیستند.
یک مسئله مانند آلودگی هوا می تواند هم زمان به:
حمل ونقل → کاربری زمین → تراکم → رفتار سفر → سلامت → اقتصاد
مرتبط باشد.
بنابراین اگر برای هر بخش از یک مدل جداگانه استفاده شود، هماهنگ کردن نتایج بسیار دشوار خواهد بود.
عامل های هوشمند می توانند نقش هماهنگ کننده را ایفا کنند.
برای مثال:
Planner Agent
مسئله را به وظایف تقسیم می کند.
Data Agent
داده های موردنیاز را پیدا و بررسی می کند.
Spatial Agent
تحلیل مکانی انجام می دهد.
Simulation Agent
سناریوها را شبیه سازی می کند.
Evaluation Agent
گزینه ها را از نظر هزینه، عدالت و تاب آوری مقایسه می کند.
Human Planner
تصمیم نهایی را اتخاذ می کند.
این ساختار می تواند برنامه ریزی را از یک فرآیند خطی به یک اکوسیستم همکاری انسان–ماشین تبدیل کند.
۴. دوقلوی دیجیتال؛ محیط عملیاتی عامل های شهری
Agentic AI بدون دسترسی به داده و ابزارهای واقعی شهری محدود خواهد بود.
اینجاست که Urban Digital Twin اهمیت پیدا می کند.
دوقلوی دیجیتال می تواند محیطی فراهم کند که عامل هوشمند در آن:
داده دریافت کند،
مدل اجرا کند،
سناریو بسازد،
نتیجه را ببیند
و
تصمیم بعدی را اصلاح کند.
پژوهش Xu و همکاران (2026) دقیقا به سمت چنین معماری ای حرکت می کند و سه مولفه اصلی را پیشنهاد می دهد:
Cognitive Module + Data & State Module + Task Execution Module
یعنی:
فکر کردن + شناخت وضعیت شهر + اقدام
۵. از Digital Twin به «Agentic Digital Twin»
دوقلوی دیجیتال سنتی معمولا می گوید:
«اگر این اتفاق بیفتد، چه اتفاقی برای شهر خواهد افتاد؟»
اما دوقلوی دیجیتال عامل محور می تواند یک گام جلوتر برود:
«اگر این هدف را داشته باشیم، چه مراحلی باید طی شود تا بهترین گزینه را پیدا کنیم؟»
این تفاوت بسیار مهم است.
در مدل سنتی:
Data → Model → Result
اما در مدل عامل محور:
Goal → Plan → Data → Analysis → Simulation → Evaluation → Action → Feedback
بنابراین دوقلوی دیجیتال از یک مدل شهری به یک محیط تصمیم گیری فعال تبدیل می شود.
پژوهش های جدید Agentic Urban Digital Twins نیز بر همین گذار از پیش بینی صرف به هم آموزی انسان و AI، طراحی سناریو و ملاحظات اخلاقی تاکید دارند.
۶. مفهوم پیشنهادی: «Urban AI Co-Planner»
بر اساس این تحولات، این مقاله مفهوم:
Urban AI Co-Planner
یا
«همکار هوشمند برنامه ریزی شهری»
را پیشنهاد می کند.
در این مدل، AI نه «شهردار دیجیتال» است و نه «برنامه ریز جایگزین».
بلکه یک همکار محاسباتی–تحلیلی است.
برنامه ریز می گوید:
«هدف من کاهش نابرابری دسترسی به خدمات درمانی است.»
AI سپس می پرسد یا بررسی می کند:
چه داده هایی لازم است؟
چه گروه هایی باید بررسی شوند؟
چه شاخص هایی باید محاسبه شوند؟
چه سناریوهایی باید شبیه سازی شوند؟
کدام مداخلات بیشترین اثر را دارند؟
و سپس نتایج را برای ارزیابی انسانی ارائه می دهد.
بنابراین:
AI مسئله را حل نمی کند؛ ظرفیت حل مسئله را افزایش می دهد.
۷. از «طراحی یک طرح» به «تولید مجموعه ای از آینده ها»
یکی از جذاب ترین قابلیت های این رویکرد، تولید چندین سناریوی شهری است.
فرض کنید یک شهر قصد بازطراحی یک محور شهری را دارد.
AI می تواند سناریوهای مختلفی تولید کند:
سناریو A
افزایش فضای سبز
سناریو B
افزایش حمل ونقل عمومی
سناریو C
کاهش ظرفیت خودرو
سناریو D
ترکیب فضای سبز، پیاده راه و حمل ونقل عمومی
سپس هر سناریو می تواند از نظر:
ترافیک،
انتشار کربن،
دمای سطح،
دسترسی،
هزینه،
عدالت فضایی
و
رضایت شهروندان
ارزیابی شود.
این همان جایی است که AI مولد، دوقلوی دیجیتال و مدل های شبیه سازی می توانند به یکدیگر متصل شوند. مرورهای جدید نیز GenAI را در مراحل مختلف برنامه ریزی، از درک نظری و تحلیل فضایی تا تولید و ارزیابی طرح ها، بررسی کرده اند.
۸. اما «خودکارسازی» با «خودمختاری» یکی نیست
اینجا باید یک خط قرمز مهم تعیین شود.
ممکن است AI بتواند:
داده پیدا کند،
تحلیل کند،
سناریو بسازد،
مدل اجرا کند
و
پیشنهاد بدهد.
اما این به معنای آن نیست که باید اختیار نهایی تصمیم گیری را به AI واگذار کنیم.
برای مثال:
اگر عامل هوشمند پیشنهاد دهد که یک خیابان به طور کامل به فضای پیاده تبدیل شود، باید مشخص باشد:
چه کسی تصمیم نهایی را می گیرد؟
چه کسی مسئول پیامدهای تصمیم است؟
آیا ساکنان مشارکت داشته اند؟
آیا گروه های آسیب پذیر بررسی شده اند؟
آیا الگوریتم سوگیری داشته است؟
پژوهش های جدید درباره Agentic Urban Digital Twins نیز بر چالش هایی مانند سوگیری، عدالت، محدودیت داده در مناطق کم داده، پایداری محاسباتی و هم راستایی نهادی تاکید می کنند.
۹. از Human-in-the-Loop به Human-AI Co-Learning
در مدل های قدیمی تر، انسان در حلقه قرار داشت:
AI → Human Approval
اما مدل آینده می تواند پیچیده تر باشد:
Human ↔ AI ↔ Urban System
در این مدل، انسان و AI از بازخوردهای یکدیگر یاد می گیرند.
برنامه ریز دانش زمینه ای و ارزش های اجتماعی را وارد سیستم می کند.
AI الگوهایی را که برای انسان دشوار است پردازش می کند.
برنامه ریز خروجی را نقد می کند.
AI مدل را اصلاح می کند.
و در نهایت، هر دو در یک فرآیند تکرارشونده به سمت راه حل بهتر حرکت می کنند.
این همان ایده Human–AI Co-Learning است که در ادبیات جدید دوقلوهای دیجیتال عامل محور نیز مورد توجه قرار گرفته است.
۱۰. کاربردهای بالقوه «همکار هوشمند شهری»
این مدل می تواند در حوزه های متعددی مورد استفاده قرار گیرد:
🚦 حمل ونقل
طراحی و ارزیابی هم زمان سناریوهای ترافیکی و حمل ونقل عمومی.
🌡️ تاب آوری اقلیمی
شناسایی مناطق آسیب پذیر و طراحی سناریوهای سازگاری.
🏙️ بازآفرینی شهری
تولید گزینه های مختلف برای احیای بافت های ناکارآمد.
🏘️ مسکن
بررسی هم زمان زمین، تراکم، قیمت و دسترسی به خدمات.
🌳 زیرساخت سبز
تعیین مکان های اولویت دار برای درختکاری و فضاهای سبز.
🚨 مدیریت بحران
هماهنگ سازی داده ها و پیشنهاد واکنش سریع به رخدادهای بحرانی.
⚡ انرژی
بهینه سازی مصرف انرژی ساختمان ها و زیرساخت های شهری.
پژوهش Xu و همکاران نیز حوزه هایی مانند لجستیک شهری، بهینه سازی ترافیک، مدیریت انرژی ساختمان و واکنش به بحران را از کاربردهای بالقوه Agentic Digital Twins معرفی می کند.
۱۱. یک معماری پیشنهادی برای «شهر عامل محور»
بر اساس ادبیات جدید، می توان یک معماری هفت مرحله ای پیشنهاد کرد:
۱. Goal | هدف
تعریف مسئله توسط انسان و نهاد شهری.
۲. Sense | ادراک
جمع آوری داده های شهری.
۳. Plan | برنامه ریزی
تقسیم مسئله به مجموعه ای از وظایف.
۴. Analyze | تحلیل
پردازش داده ها و اجرای مدل های تخصصی.
۵. Simulate | شبیه سازی
آزمون سناریوهای مختلف در دوقلوی دیجیتال.
۶. Deliberate | تعمق و ارزیابی
مقایسه گزینه ها با معیارهای اقتصادی، اجتماعی، محیطی و اخلاقی.
۷. Learn | یادگیری
دریافت بازخورد و اصلاح چرخه تصمیم گیری.
در نتیجه:
Goal → Sense → Plan → Analyze → Simulate → Deliberate → Learn
این چرخه می تواند اساس یک Agentic Urban Planning Framework باشد.
۱۲. آیا این همان «شهر خودکار» است؟
نه.
و این تمایز اهمیت زیادی دارد.
Automated City
شهری است که بخشی از عملیات آن توسط ماشین انجام می شود.
اما:
Agentic City
شهری است که در آن سیستم های هوشمند می توانند برای دستیابی به اهداف مشخص، مجموعه ای از اقدامات و تحلیل ها را سازماندهی کنند.
و:
Co-Governed Agentic City
مرحله ای پیشرفته تر است که در آن این توانایی در چارچوب حکمرانی انسانی، مشارکت عمومی، شفافیت و پاسخگویی قرار می گیرد.
به همین دلیل، هدف نهایی نباید:
Fully Autonomous City
باشد.
بلکه:
Human-Governed Agentic City
می تواند مدل مسئولانه تری برای آینده باشد.
۱۳. یک چالش اساسی: آیا AI واقعا «شهر» را می فهمد؟
این پرسش بسیار مهم است.
شهر فقط مجموعه ای از داده ها نیست.
شهر شامل:
تاریخ،
فرهنگ،
قدرت،
تعارض،
هویت،
خاطره،
ارزش ها
و
تجربه زیسته شهروندان
است.
بنابراین ممکن است AI بتواند الگوی ترافیک را بسیار دقیق تحلیل کند، اما هنوز نتواند اهمیت اجتماعی یک میدان شهری برای یک جامعه محلی را به درستی درک کند.
پژوهش های جدید درباره Agentic Urban Digital Twins نیز هشدار می دهند که دوقلوهای دیجیتال سنتی معمولا پیچیدگی اجتماعی، اخلاقی و مشارکت ذی نفعان را کمتر از ابعاد فنی بازنمایی می کنند.
بنابراین:
هرچه AI در شهر قدرتمندتر شود، اهمیت دانش انسانی و محلی نیز بیشتر خواهد شد.
۱۴. از «Smart City» به «Co-Intelligent City»
در نهایت می توان یک تحول مفهومی گسترده تر را پیشنهاد کرد:
Smart City
شهر از فناوری برای مدیریت بهتر استفاده می کند.
↓
AI City
شهر از هوش مصنوعی برای تحلیل و پیش بینی استفاده می کند.
↓
Generative City
شهر با AI گزینه ها و آینده های مختلف را تولید می کند.
↓
Agentic City
عامل های هوشمند وظایف پیچیده شهری را سازماندهی و اجرا می کنند.
↓
Co-Intelligent City
انسان و هوش مصنوعی به صورت مشترک شهر را می آموزند، طراحی می کنند و اداره می کنند.
این آخرین مرحله شاید مهم ترین افق نظری باشد.
۱۵. نتیجه گیری
هوش مصنوعی شهری در حال عبور از مرحله ای است که صرفا به عنوان ابزار تحلیل داده مورد استفاده قرار می گیرد.
ظهور AI مولد و سپس AI عامل محور، امکان شکل گیری نوع جدیدی از همکاری میان انسان، ماشین و زیرساخت شهری را فراهم کرده است.
دوقلوهای دیجیتال نیز می توانند محیط عملیاتی این همکاری باشند؛ محیطی که در آن عامل های هوشمند قادرند داده ها را بازیابی کنند، مدل ها را اجرا کنند، سناریوها را بسازند، نتایج را مقایسه کنند و از بازخوردهای جدید یاد بگیرند.
با این حال، آینده مطلوب الزاما شهری کاملا خودکار نیست.
آینده مطلوب می تواند شهری باشد که:
AI سریع تر می بیند،
AI گسترده تر تحلیل می کند،
AI سناریوهای بیشتری تولید می کند،
اما:
انسان ارزش گذاری می کند،
جامعه مشارکت می کند،
و
نهادهای مسئول تصمیم نهایی را می گیرند.
بنابراین شاید پارادایم آینده شهرها نه:
Artificial Intelligence for Cities
بلکه:
Artificial Intelligence with Cities
باشد.
و در نهایت، مفهوم پیشنهادی این مقاله را می توان در یک جمله خلاصه کرد:
آینده برنامه ریزی شهری، شهری نیست که AI به جای برنامه ریز تصمیم بگیرد؛ شهری است که برنامه ریز با کمک عامل های هوشمند بتواند بیشتر ببیند، بیشتر بیازماید و بهتر تصمیم بگیرد.
- Xu, H., Zlatanova, S., Li, X., Wachowicz, M., & Batty, M. (2026). Towards fully automated city operations: Integrating agentic AI with urban digital twins. Computers, Environment and Urban Systems, 128, 102449.
- Ye, X., Gong, W., Yang, Y., Zou, L., Tu, Z., Huang, X., Li, Z., Ning, H., et al. (2026). Towards Agentic Urban Digital Twins (AUDiTs): Advancing new urban science through Human-AI co-learning agents. Urban Informatics, 5, 9.
- Zhang, Y., Xu, F., Wang, Q. R., Moro, E., Yue, Y., Wang, H., Chen, B., Liu, Y., Fang, D., Gong, P., Bettencourt, L. M. A., Batty, M., et al. (2026). Generative AI in urban science and practice. Nature Cities, 3, 688–699.
- Generative AI for Urban Planning and Design: Progress Review and Future Perspectives. (2026). Engineering.
- 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.
- City Information Modelling and Urban Digital Twins: Global Implementation and Governance. (2026). ISPRS International Journal of Geo-Information, 15(6), 251.
