07理论的终结？

　　YS：我们时常听说大数据将带来理论的终结。从方法论的角度看，我们发现许多数据分析技术，如机器学习，正在逐步挑战传统观点。您认为城市设计的相关理论是否会在新的城市数据环境中面临终结？

　　AP：这确实是一个问题。但是我并不完全确定机器学习是否能够帮助找到创造性的范式进而带来新的可能性，还是它只能用于在已知现实数据中寻找答案。设计师一直以来都试图寻找创新的可能。机器学习是否能够帮助预测之前没有尝试过的事情？对此我并不知道。

　　或者说，机器学习只擅长于顺藤摸瓜地揭示现实世界已经发生的事情。它能通过学习现实世界中存在的好的事情，从而帮助优化那些目前并不好的。但似乎没办法举一反三，并基于经验，思考出完全不同的行事方法。至少目前来看，还无法做到这一点。

　　现今，人们足智多谋。一旦你在城市设计方案中掌握了机器学习，就能做出不错的设计成果，你会突然发现，一些建筑师和设计师已经开始了新的颠覆。当他们着眼于一个艺术项目时，他们会通过机器学习做出大相径庭的东西。人工智能只有在能够完成某种“颠覆”时才能被真正地被称作一种智能。这类似于G？del提出的不完备定理。他已经证明世界上没有一种语言可以阐明数学。这意味着一种开放性：即使充分迭代后仍旧可以不断地增加新的语言。G？del告诉我们你总还可以建构别种公式。我怀疑对于大数据的诸多议题及它的预测性也存在这种不完备的特性。

　　YS：许多在有限数据条件下被证明很有效的简明模型，比如空间句法，如何在海量数据涌现的新数据环境下寻找自身理论发展的可能性？

　　AP：新的海量数据可以表征许多城市信息，这确实对于一些已经成功的模型来说存在某种挑战。但是我想先从一个不同的角度来谈这个问题。

　　几年前，我们曾做过一个项目，借助蓝牙感知设备探测手机来记录个体分布及其步行行为。我们有几个主要的感知设备能够识别路过的通信设备的MAC地址。通过这种方式采集的数据具有很好的时空精度。我们可以通过感知器判别谁靠近感知器，谁正好经过，并通过他们的移动速度来判断他们是驾车还是跑步。我们也可以知道哪些人同时同地出现。

　　我们还可以通过记录连续的蓝牙配对情况来判别同行的人，总是在城市中同来同往的人就有可能是夫妻。我们记录了18个月的相关数据。在这一段时间里，你可以看到人们来来往往，有些人只停驻一天，他们有可能是游客。而且他们的MAC地址显示他们来自日本或美国。电子设备的MAC地址会显示他们来自不同的地区。

　　这样我们有了许多数据来构建大数据的网络，接着我们构建了500天的支持蓝牙的电子设备之间的有向网络图。在该网络上，我们模拟了一种“病毒传播”的情景，即当两个通信设备用户同时出现在一个空间时，他们便有一定的概率相互传播手机病毒。

　　传播的时长会有一定的不同，从一秒到几分钟，甚至半个小时不等。因此所有的网络节点都将根据自身情况获得一定的传播性。这很接近于现在的流行病学研究领域的模型，即一种扩散模型。

　　流行病学的模型通常关注的是流感、非典型性肺炎等传播疾病。根据联系的网络中位置与时间的不同，人们在不同地区、不同时间有着不同的被感染概率。我们在根据蓝牙设备的联系关系所构建的网络中也发现了类似的现象。但是我们尝试的不是模拟，而是仿真。

　　我们模仿了流行病的传染机制，它是基于大数据感知手段获得人们在空间中的共现关系来测度的。这与流行病的传染是截然不同的，但也十分有趣。我们发现整个网络在某些地区联系度非常高，因此哪怕有些人在那个空间只待很短的时间，对整个系统影响也会非常大。

　　我们当时并没有探索巴斯城的空间结构如何影响不同时间的人们的联系网络。我可以想象在巴斯可能是一种情况，在纽约、北京和上海也许又是其他情况。我们可以将基于蓝牙大数据的分析与空间句法分析结合起来，但是也许也会涉及你之前提到的时间精度的问题。理解空间对传播的影响应该会帮助进一步的流行病学分析。但这不仅仅是问题，也是一种解决方案，即回应城市空间设计将如何帮助减少传染病的相关疫情，以及改变它的影响范围。但是这也意味着人们之间建设性的互动可能因此而受到影响。因为在流行病传播的同时人们也在交换着真实有用的信息。

　　因此，一个空间设计有可能阻止或减缓了禽流感的传播，但同时也限制了经济的新思想。这说明，要让一个空间设计得成功绝非易事，也并不是有了数据就能轻易办到的。所以，我认为新的数据环境和方法并不会危及现有的理论、方法及模型，反而会提供更多可能性去扩展并形成新的理论。对此我是很乐观的，现有理论会因为新的数据环境及研究方法等而演变，从而找到下一阶段发展的新起点。