جغرافيا عمياء وخوارزميات متحيزة: كيف يعيد “الذكاء المكاني” صياغة مدننا وفراغاتنا المعمارية؟

تبدو المدن الذكية المعاصرة وكأنها تُدار بعيون رقمية لا تخطئ؛ كاميرات استشعار حضري ترصد حركة المرور، وأنظمة رؤية حاسوبية تنظم تدفق المشاة، وخوارزميات توليدية ترسم ملامح ناطحات السحاب ومجمعات السكن المستقبلية في ورش التصميم. لكن خلف هذه الواجهة التقنية البراقة يكمن تساؤل مقلق: هل هذه “العيون الرقمية” حيادية حقًا؟ إن الأنظمة المعززة بما يُعرف بـ “الذكاء المكاني” – وهي القدرة التقنية على إدراك المعلومات الفراغية وتفسيرها والتفاعل معها – باتت اليوم اللاعب الخفي الذي يحدد ملامح الفضاء العمراني، ويقرر من يستحق استخدام الفراغ العام ومن يُستبعد منه. عندما ننظر إلى الخوارزميات التي تُصمم مدننا وتراقبها، نكتشف أنها ليست مجرد أدوات حسابية مجردة، بل مرآة تعيد إنتاج الانحيازات التاريخية، وتترجمها إلى حواجز مادية واجتماعية في صلب البيئة المبنية.

العيون العمياء في الفضاء الحضري: متلازمة “البيانات الناقصة”

تعتمد عمارة المدن الذكية وأنظمة التخطيط المعززة بالذكاء الاصطناعي على البيانات البصرية لتحديد احتياجات السكان وتوزيع الموارد الحضرية. ومع ذلك، فإن هذه الأنظمة تعاني من خلل بنيوي يبدأ من لحظة تغذيتها بالبيانات. في دراسة تحليلية شاملة قادتها الباحثة سيلفيا فابريزي وزملاؤها، تم الكشف عن تصنيف دقيق لانحيازات قواعد البيانات البصرية، حيث يبرز “انحياز الاختيار” كعقبة أساسية؛ فعندما تُستبعد فئات ديموغرافية معينة من عينات التدريب، تفشل الأنظمة الذكية تمامًا في التعرف عليها أو فهم سلوكها الفراغي. ويظهر هذا بوضوح في التدقيق الشهير الذي أجرته الباحثتان جوي بولامويني وتيمنيت جيبرو (كما ناقشته دراسة فابريزي)، حيث تبين أن معدلات الخطأ في أنظمة التعرف البصري التجاري على النساء ذوات البشرة الداكنة قفزت إلى ثمانية عشر ضعفًا مقارنة بالرجال ذوي البشرة الفاتحة، بسبب هيمنة الوجوه الفاتحة على قواعد البيانات المعتمدة عالميًا.

هذه الفجوة المعرفية الرقمية تمتد إلى قلب الممارسة المعمارية والتخطيطية. عندما تستخدم المكاتب الهندسية أدوات الذكاء الاصطناعي التوليدي لإنشاء محاكاة للمشاريع أو لتحليل سلوك المشاة في الساحات العامة، فإنها تعتمد على نماذج تعاني من عتمة معرفية تجاه هويات وثقافات كاملة. وقد أثبتت أبحاث قادها مورجان شيرمان بالتنقيب في اثنتين وتسعين قاعدة بيانات للصور المستخدمة في تحليل الوجه، أن معظم هذه القواعد تفتقر إلى أي توثيق منهجي لكيفية تعريف فئات العرق والنوع الاجتماعي، بل يجري التعامل مع هذه المفاهيم المعقدة تاريخيًا واجتماعيًا كحقائق “مبسطة ومحايدة سياسيًا”. هذا الغموض يعني أن مصممي المدن يدمجون اليوم – دون وعي – خوارزميات تعتبر أنماط حياة شريحة معينة من المجتمع هي المعيار العالمي الوحيد، مما يؤدي إلى تصميم فراغات حضرية تقصي الثقافات والمجموعات المهمشة بداعي “العقلانية والنمذجة القياسية”.

سيميولوجيا التنميط البصري: عندما تصنف الكاميرات “الجسد والمكان”

لا يتوقف ضرر الذكاء المكاني عند حدود العجز عن الرؤية، بل يمتد إلى تشويه ما يراه وتأطيره ضمن قوالب نمطية تكرس التمييز الطبقي والجندري داخل الفضاء المعماري. تشير الأبحاث إلى أن الخوارزميات تقع في فخ “الأضرار التمثيلية”، وهي الممارسات التي تسيء إلى كرامة المجموعات البشرية وتصنفهم بطرق مهينة. في دراسة دقيقة أجراها كريستيان شويمر وفريقه على منصات الرؤية الحاسوبية الكبرى المملوكة لعمالقة التكنولوجيا مثل جوجل وأمازون وميكروسوفت، تبين أن صور النساء في بيئات العمل كانت تُمنح وسومًا تتعلق بالمظهر الخارجي والجسدي (مثل “تسريحة الشعر” أو “الجمال”) بمعدل ثلاثة أضعاف مقارنة بالرجال في المخرجات المهنية ذاتها، بينما حظي الرجال بوسوم ذات مكانة مهنية عالية (مثل “جنتلمان” أو “موظف إداري”).

هذا التنميط البصري يظهر بوضوح في البرمجيات التي تصيغ بيئات الميادين العامة والمباني التجارية. يوضح الباحث سيلفيا فابريزي مفهوم “انحياز التأطير”؛ حيث تميل محركات البحث البصري ونماذج توليد الصور عند البحث عن مصطلح مثل “عامل بناء” إلى توليد صور نمطية مفرطة في الجنسنة أو الإقصاء، وهو ما يعيد إنتاج الصور النمطية السائدة في قطاع الإنشاءات والتصميم. عندما تُترجم هذه الخوارزميات سلوك الأفراد في المراكز التجارية أو المطارات بناءً على قوالب نمطية مشوهة – كأن تصنف خوارزمية الأمن الذكية سلوك فئات اجتماعية معينة كـ “مشبوه” لمجرد نمط حركتهم أو ملابسهم – فإنها تحول العمارة الحضرية من فضاءات ديمقراطية مفتوحة إلى بيئات خاضعة للمراقبة الانتقائية والإقصاء الممنهج.

الاستعمار الرقمي للبيانات: الأيدي الخفية التي تنظف الواجهات الذكية

وراء التصاميم المعمارية البراقة للمدن الذكية في العالم المتقدم يقبع نظام عالمي غير عادل لاستغلال العمالة في العالم النامي، وهو ما يطلق عليه الباحث أكشات أرورا وزملاؤه مصطلح “استعمار البيانات”. إن تغذية الذكاء المكاني الذي يوجه السيارات ذاتية القيادة في شوارع لندن أو كاميرات الرصد في دبي يتطلب ملايين الساعات من تصفية وتصنيف الصور والفيديوهات الحضرية. ويتم تسخير عمال في دول نامية مثل كينيا بأجور زهيدة للغاية لا تتجاوز دولارين للساعة الواحدة، ليقضوا ساعات طويلة في تصنيف مقاطع بصرية تحتوي على مظاهر العنف والخطاب العدائي لتطهير قواعد البيانات التي تستخدمها الشركات الكبرى.

هؤلاء “العمال غير المرئيين” يتحملون وطأة الصدمات النفسية الناتجة عن تنظيف البيانات، بينما تظل مجتمعاتهم المحلية محرومة من أبسط البنى التحتية الذكية أو خدمات الرعاية النفسية. ينشأ عن هذا الاستعمار الرقمي تفاوت حضري شاسع؛ فالمدن المستفيدة من هذه التقنيات تحقق قفزات في الكفاءة الفراغية وجودة الحياة، في حين تتحول المجتمعات النامية إلى مجرد مناجم للمواد الخام الرقمية. هذا التفاوت يعيد صياغة مفهوم التخطيط العالمي، حيث يتم تصميم تقنيات الفراغ الذكي لتلبية احتياجات الرفاهية في دول الشمال العالمي على حساب استنزاف الطاقات البشرية في الجنوب العالمي.

الإقصاء التوزيعي: عندما تحرم الخوارزميات السكان من حقوقهم الحضرية

يتجاوز ضرر الخوارزميات المنحازة الجوانب التمثيلية ليتحول إلى “أضرار توزيعية” ملموسة، تحرم شرائح واسعة من السكان من الخدمات الأساسية والرعاية الصحية والأمان داخل بيئاتهم الحضرية. ويظهر هذا الأثر التوزيعي المدمر جليًا عند دراسة العدالة الخوارزمية في المجالات الخدمية المرتبطة بالبنية التحتية للمدن. تكشف دراسة ريتشارد تشين وفريقه البحثي كيف تؤدي الخوارزميات الطبية المطبقة في المستشفيات والمراكز الصحية الحضرية إلى تشخيص خاطئ ومنخفض للمرضى من النساء والأقليات العرقية والفئات التي تعتمد على المساعدات الحكومية، نظرًا لضعف تمثيلهم في عينات التدريب على صور الأشعة السينية.

هذا الخلل لا يقتصر على التشخيص الداخلي بل يمتد إلى معايير تصميم الفراغات الاستشفائية وتوزيعها الجغرافي. في سياق متصل، أظهر الباحث أكشات أرورا أن خوارزميات فحص شبكية العين تفقد دقتها بنسب كبيرة عند التعامل مع المرضى ذوي البشرة الداكنة لعدم إدراج عينات كافية لهم في قواعد البيانات، مما يؤخر حصولهم على الرعاية ويسهم في تدهور جودة حياتهم العمرانية والصحية.

وفي قطاع العدالة الجنائية الذي يوجه سياسات المراقبة وتصميم العمارة الدفاعية في الأحياء السكنية، تبرز خوارزمية التنبؤ بالعودة إلى الإجرام الشهيرة المعروفة باسم “كومباس”. يكشف تحليل ليديبار بلنجير وميكا ألتمان أن هذه الأنظمة تصنف المتهمين ذوي البشرة الداكنة كعناصر عالية الخطورة بمعدلات تفوق نظرائهم من البيض بـ سبعة وسبعين بالمائة، حتى لو لم يرتكبوا أي جرائم لاحقة. هذه التنبؤات الجائرة تبرر فرض إجراءات تخطيطية قاسية على أحيائهم السكنية؛ حيث تتحول هذه المناطق إلى جزر معزولة تكثر فيها الحواجز العمرانية، وتُحرم من مشاريع التطوير العقاري أو الحدائق العامة بدعوى “مكافحة الجريمة”، مما يؤكد رؤية الباحث ميكا ألتمان في أن القرارات التصميمية للخوارزميات تملك القدرة على تغيير مسارات حياة الأفراد وهدم استقلاليتهم ورفاههم المكاني.

التمييز غير المباشر: الفخاخ الخفية في تخطيط المدن الرقمية

حتى عندما يحاول مهندسو الأنظمة الذكية تحييد المتغيرات الحساسة مثل العرق أو الجنس لضمان عدالة النظام، فإن الخوارزميات تقع في فخ “التمييز غير المباشر”. يقدم الباحث فريج كيرك تومسن تحليلًا فلسفيًا يوضح كيف يمكن للأنظمة المؤتمتة أن تسبب أضرارًا جسيمة لمجموعات معينة دون استخدام مباشر لبيانات الهوية الشخصية، وذلك عبر الاعتماد على متغيرات بديلة ترتبط ارتباطًا وثيقًا بالسمات المحمية قانونًا.

في سياق التخطيط العمراني، قد تعتمد خوارزمية تحديد أسعار العقارات أو توزيع مسارات النقل العام على متغيرات تبدو تقنية بحتة مثل “الطول” أو “الرمز البريدي” أو “معدل استهلاك المياه”. غير أن هذه المتغيرات ترتبط جذريًا بأنماط التوزيع الديموغرافي والجندري والتاريخي للمدينة؛ مما يجعل القرار النهائي يعيد إنتاج سياسات الفصل العنصري والطبقي القديمة تحت مسمى “المؤشرات الإحصائية الموضوعية”. ويشير تومسن إلى أن خطورة هذا التمييز تكمن في قدرته على تعميق هشاشة الفئات المستضعفة بالفعل؛ فالخطأ الخوارزمي الذي يقع في حي ميسور قد يمر دون أثر يذكر، ولكنه في حي مهمش قد يتسبب في تدمير النسيج الاقتصادي ومنع السكان من الوصول إلى فرص العمل الحيوية.

من جهة أخرى، يؤكد الباحث خافيير فيرير وفريقه في دراسة عابرة للتخصصات على ضرورة تبني منظور تقاطعي يفهم كيف تتفاعل الهويات المتعددة (مثل العرق والنوع الاجتماعي والطبقة الاجتماعية) معًا لإنتاج أشكال معقدة من التمييز المكاني. فالحلول التقليدية التي تعالج انحيازًا واحدًا تفشل في حماية الأفراد الذين يقعون عند تقاطع مظالم متعددة، مما يتطلب إعادة التفكير في طريقة بناء نماذج الذكاء المكاني وتدريبها واستخدامها في السياقات الحضرية المعقدة.

نحو فراغات عادلة: كيف نطهر “الذكاء المكاني” من انحيازاته؟

إن مواجهة هذه التحديات الرقمية والمادية تتطلب تبني استراتيجيات متعددة المستويات تبدأ من كود البرمجة وتنتهي بقرارات التخطيط على أرض الواقع:

• إصلاح بنية البيانات: يجب العمل على جمع وإنشاء قواعد بيانات بصرية ممثلة وعادلة، مثل مبادرة “قاعدة بيانات برلمان الطيارين” ومجموعة “التنوع في الوجوه”، مع توثيق شفاف وصارم لكيفية تعريف الفئات البشرية والاجتماعية داخل هذه القواعد كما يقترح الباحثان سيلفيا فابريزي ومورجان شيرمان.
• تقنيات المعالجة الرياضية المتقدمة: يقترح الباحث ريتشارد تشين تبني استراتيجيات تقنية تتضمن تعديل الأوزان الرياضية للبيانات قبل المعالجة، واستخدام تقنيات التعلم التنافسي لتقليل الانحياز أثناء التشغيل، وتفعيل نماذج “التعلم الاتحادي” التي تتيح تدريب النماذج على بيانات متنوعة ومحلية مع الحفاظ على خصوصية السكان وأمنهم الفراغي.
• أطر التقييم القائمة على قياس الضرر: يدعو الباحث ميكا ألتمان وفريقه إلى تطبيق إطار سببي افتراضي يقارن بين جودة حياة السكان تحت خيارات تصميمية خوارزمية مختلفة، لمعرفة الأثر الحقيقي لكل قرار برمجي على العدالة المكانية وصحة المجتمعات.
• الحوكمة والتنظيم العابر للحدود: يطالب الباحث ليديبار بلنجير بتأسيس هيئة تنظيمية دولية مستقلة للإشراف على أخلاقيات الذكاء الاصطناعي، تحاكي في قوتها هيئات الرقابة الدوائية، وتفرض إجراء تقييمات دورية للأثر الاجتماعي والبيئي قبل السماح بنشر أي نظام ذكاء مكاني في الفضاء العام، مدعومة بتشريعات متطورة مثل اللائحة العامة لحماية البيانات في الاتحاد الأوروبي لضمان حق المواطنين في الفهم والاعتراض.

إن صياغة مستقبل المدن الذكية لا يمكن أن تترك لحسابات الكفاءة الرقمية المجردة وحدها. إن دمج هذه الحلول التقنية والتنظيمية في نسيج الهندسة المعمارية والتخطيط الحضري هو السبيل الوحيد لضمان أن يكون “الذكاء المكاني” أداة لتحرير الفراغ الإنساني وجعله أكثر شمولًا وعدالة، لا وسيلة برمجية خفية لإعادة بناء جدران الإقصاء والتمييز.

المراجع

[1] أرورا، أ.، باريت، م.، لي، إ.، أوبورن، إ.، وبرينس، ك. “المخاطر ومستقبل الذكاء الاصطناعي: الانحياز الخوارزمي، واستعمار البيانات، والتهميش”. المعلومات والتنظيم، 2023.

[2] تشين، ر.، وانغ، ج.، ويليامسون، د.، وآخرون. “العدالة الخوارزمية في الذكاء الاصطناعي للطب والرعاية الصحية”. هندسة الطبيعة الطبية الحيوية، 2023.

[3] تومسن، ف. “التمييز الخوارزمي غير المباشر، والعدالة، والضرر”. الذكاء الاصطناعي والأخلاق، 2023.

[4] فيرير، خ.، نونين، ت.، سوتش، ج.، كوت، م.، وكريادو، ن. “الانحياز والتمييز في الذكاء الاصطناعي: منظور عابر للتخصصات”. مجلة معهد مهندسي الكهرباء والإلكترونيات للتكنولوجيا والمجتمع، 2021.

[5] فابريزي، س.، بابادوبولوس، س.، نتوتسي، إ.، وكومباتسياريس، إ. “مسح حول الانحياز في مجموعات البيانات البصرية”. رؤية الحاسوب وفهم الصور، 2022.

[6] شويمر، ك.، نايت، ك.، بيلو-باردو، إ.، أوكلوبدزيا، س.، شونفيلد، م.، ولوكهارت، ج. “تشخيص انحياز النوع الاجتماعي في أنظمة التعرف على الصور”. سوسيوس: أبحاث علم الاجتماع لعالم ديناميكي، 2020.

[7] شيرمان، م.، ويد، ك.، لوستيغ، ج.، وبروباكر، ج. “كيف علمنا الخوارزميات رؤية الهوية: بناء العرق والنوع الاجتماعي في قواعد بيانات الصور لتحليل الوجه”. سجلات رابطة آلات الحوسبة حول التفاعل بين الإنسان والحاسوب، 2020.

[8] بلنجير، ل. “انحياز الذكاء الاصطناعي: استكشاف نماذج اتخاذ القرار الخوارزمية التمييزية وتطبيق حلول ممكنة متمحورة حول الآلة ومقتبسة من صناعة الأدوية”. الذكاء الاصطناعي والأخلاق، 2022.

[9] ألتمان، م.، وود، أ.، وفايينا، إ. “إطار للحد من الأضرار لتحقيق العدالة الخوارزمية”. أمن وخصوصية معهد مهندسي الكهرباء والإلكترونيات، 2018.