收益：
- 能够在工作流程的每个阶段（从数据收集到计划决策）在适当的范围内集成人工智能
- 能够在企业范围内建立即时库、验证协议、数据治理和隐私政策
- 能够设计一种审计文化，以维护人工智能支持的规划的公共利益、透明度、问责制和公众信任
之前的单元已经向您展示了如何在规划的各个任务中使用人工智能（规划分析、GIS、卫星、人口、交通、模拟、立法、参与、灾难）。最后一个单元将这些部分组合成一个连贯的工作流程，并将个人技能转化为组织能力。因为在市政府或规划办公室中，主要问题不是单个规划人员如何充分利用人工智能；而是单个规划人员如何充分利用人工智能。整个组织以安全、一致、保密和公共利益的方式使用人工智能。这需要三种结构来简化分布式和不受控制的使用：公共提示库、按输出类型的身份验证协议以及数据治理和隐私策略。在本单元中，您将学习建立这些结构并设计一种审计文化，以维持公众对人工智能规划的信任。
端到端工作流程
以下是人工智能从头到尾编织规划流程的方式（人工智能加速，每个阶段由人工验证）：
- 数据收集和组织。卫星、GIS、人口、交通、出勤数据——人工智能清理、表格。
- 分析。土地利用、可达性、风险——人工智能构建，专家验证。
- 场景制作。增长和交通场景——人工智能进行比较，处理选择。
- 监管控制。每项决定都经过立法检验——人工智能扫描，官方文本证实。
- 参与。收集和总结利益相关者的意见——人工智能分析，保持代表性。
- 决策和计划的规定。一个称职的规划者会做出决定并承担责任。
- 报告和批准。规划描述报告——AI草案，规划师负责。
- 监控。计划变更后跟踪——人工智能预扫描、现场确认。
在这条链条中，人工智能就像一个“路口助手”：它在每一站都提供帮助，但规划者始终在掌舵。
提示：端到端使用的最大风险是未经验证的输出将作为下一阶段的输入。不正确的人口数字可能会渗透到分析中，从分析中渗透到场景中，再从分析中渗透到决策中。在每个阶段退出时，“这是否已确认？”把门。
企业架构一：提示库
让每个计划者从头开始编写自己的提示既浪费时间，又会造成不一致。该机构在公共库中收集经过测试和验证的提示：“计划注释制表”、“立法文本相关查询”、“参与主题提取”等。每个提示都包含“需要验证”标签、禁止伪造数据、请求资源等安全规则。因此，质量取决于机构，而不是个人。
组织结构2：认证协议
每种输出类型都有其自己的验证级别。会议记录经过快速审查；一项立法需要官方文本确认；灾害风险指标需要专家研究。组织将“输出类型→强制验证→负责人”的映射写入表格并进行绑定。
组织结构3：数据治理和隐私
应该有一个书面政策来规定哪些数据可以进入云端，哪些不能进入云端，如何将其匿名化以及哪些工具得到批准。对敏感信息（例如未暂停的计划、包裹所有者、个人数据）有明确的规则；批准的车辆清单；而保证数据不用于教育是这一政策的核心。
循序渐进：培养企业人工智能人才
- 取出库存。哪些任务可以使用人工智能？
- 进行风险分类。将每个任务放在绿色/黄色/红色区域中。
- 安装提示库。安全规则是嵌入的、通用的。
- 编写一个身份验证协议。输出类型→验证→负责。
- 编写数据/隐私政策。批准的工具、匿名化、禁止的数据。
- 给予教育。让团队了解界限和验证。
- 检查并更新。保存痕迹并定期查看。
弱提示/强提示
弱方法：“让团队使用AI，每个人找到自己的方法。”
这意味着质量不一致、隐私泄露、输出未经验证以及缺乏问责制。
强有力的方法：“我们将组织中人工智能的使用与三个结构联系起来：（1）具有嵌入式安全规则的通用提示库，（2）对每种输出类型进行强制验证和负责任的映射，（3）具有批准工具和匿名规则的数据政策。并非每个人工智能输出都可以在没有通过相关验证的情况下进入下一阶段；红区输出在有能力的专家批准后关闭，并且整个过程受到监控。”
第二种方法将人工智能从个人习惯转变为组织可控的能力。
四个可复制模板
任务：将以下规划任务列表转化为企业人工智能使用矩阵。对于每项任务：风险区域（绿色/黄色/红色）、人工智能的作用、强制验证、负责。在红色任务中写上“必须经过授权专家批准和正式流程”。任务：[...]
任务：为以下输出类型生成身份验证协议表：输出类型|风险|强制验证步骤|负责角色|记录/跟踪要求。输出类型：[...]
任务：为规划机构编写 AI 数据/隐私政策草案。包括：不能上云的数据类型、匿名规则、批准的工具标准、不用于教育的要求、违规时的处理措施。上下文：[...]
任务：审核以下端到端规划工作流程。检查每个阶段出口处是否有“验证门”；标记未经验证的输出可能泄漏到下一阶段的点。工作流程：[...]
一张表：阶段、AI角色和验证所有者
舞台
人工智能的作用
强制验证
负责
数据编辑
清洗、制表
源/格式控制
分析师
分析
编辑、代码草稿
CRS、数据质量
规划师
场景
比较
假设透明度
策划团队
立法
基于文本的扫描
官方当前文本
规划师/法律
参与
主题提取
表示、原始数据
参与官
灾难/风险
合成、预筛选
专家研究
称职的专家
报告
草稿写作
内容+责任
称职的规划师
三个迷你箱子
情况 1 — 蠕变错误。未经核实的人口数据进入办公室进行分析，从那里转移到学校需求账户，然后从那里转移到计划规定。在计划批准阶段发现错误并恢复流程。在每个阶段都设置“验证门”的机构将在第二步切断这条链条。这是点对点使用的最大风险。
案例 2 — 与库的一致性。市政府切换到公共提示库；如今，每一个规划者质疑立法时，都带着同样的提示，“只凭文本，不杜撰文章”。由幻觉引起的错误显着减少，质量变得与人无关。制度化使质量不再是巧合。
案例 3 — 隐私政策的价值。实习生即将将未暂停的计划修订装载到免费车辆中；该机构的数据政策提醒我们“敏感数据不得上传至未经批准的工具，对其进行匿名处理”的规则。避免了可能的泄密和公众信任危机。书面政策可以保护善意失败的地方。
常见错误
- 没有设置验证门。未经验证的输出会在阶段之间泄漏和增长。
- 个人依赖的品质。如果没有共同的图书馆，每个规划者的工作方式就会不同且不一致。
- 不成文的隐私。如果没有政策，良好的意愿不足以防止泄密。
- 放松红色区域。为了速度而跳过灾难/监管许可会使公共安全面临风险。
- 不跟踪。公共程序必须负责；需要验证记录。
- 跳过训练。如果团队不知道界限，那么即使是最好的政策也只是纸上谈兵。
- 不更新政策。工具和立法发生变化；结构也应该更新。
总之
人工智能驱动的规划的真正成熟之处在于安全地管理端到端流程，而不是单个任务。这需要在从数据收集到监控的每个阶段建立一个人工智能加速但经过人工验证的链；最大的风险是未经验证的输出泄漏到下一个阶段，解决方案是每个阶段都有一个验证门。将个人技能转化为企业人才的三种结构：安全规则、嵌入式提示库、输出类型的身份验证协议以及数据/隐私策略。这些结构使质量独立于个人、流程负责并维护公众信任。人工智能加速规划；公共利益、透明度和责任始终属于人民。
应用任务
为您自己的机构（或样本城市）起草人工智能使用框架。 (1) 使用第一个模板将至少五个计划任务放入风险矩阵中。 (2) 用第二个模板编写三种输出类型的验证协议。 (3) 使用第三个模板制作简短的数据/隐私政策草案。 (4) 使用第四个模板，审核端到端工作流程并识别至少一个缺失的“验证门”并编写如何关闭它。
清单
- [ ] 我在每个工作流程阶段的输出处放置了一个验证门。
- [ ] 我创建了一个带有嵌入式安全规则的通用提示库。
- [ ] 我写了输出类型→验证→负责映射。
- [ ] 我已经使用批准的工具、匿名化和禁止的数据规则创建了隐私政策。
- [ ] 我已将红色区域输出提交给主管专家批准。
- [ ] 我为团队安排了有关限制和验证的培训。
- [ ] 我对整个过程进行了跟踪/日志和定期更新。
模块考试
1. 市政府的规划部门希望根据社区即将发生的灾害风险来确定是否实施建筑禁令，并正在考虑使用人工智能来加快这一决策。哪种做法才是最正确的呢？
- A）仅将人工智能用于数据整理和报告起草；经过主管专家的正式分析和批准，做出最终的风险评估和决策✔
- B) 将人工智能产生的风险评分直接转换为建筑禁令决策
- C）如果人工智能多次给出相同的结果，则无需正式分析即可接受
- D）跳过专家批准并加快流程
描述：基于灾害风险的建筑禁令对于生命安全而言是一项安全关键且具有法律约束力的决定。人工智能可用于文献综述、数据整理和报告起草；然而，最终的风险评估和决定必须根据适用的立法，经过主管地质/岩土工程和城市规划专家的正式分析和批准。人工智能输出并不能取代这种批准和正式流程。
2. 当你向AI询问地块的分区状态和施工条件（TAKS/KAKS、功能、绘图距离）时，避免得到假（幻觉）值的最安全方法是什么？
- A) 相信人工智能提供的价值并启动该项目
- B) 从主管部门的正式分区状况文件以及当前批准的规划和规划说明中确认施工条件。 ✔
- C）用不同的词再次问同一问题并取平均值
- D) 根据房地产网站上的广告描述进行处理
说明：虽然语言模型知道分区术语，但它可能会弥补特定地块的值、功能代码和费率或提供过时的信息。该信息只能通过主管部门（市）的官方分区状态文件以及当前批准的分区计划和计划说明来确认。
3. 您利用卫星图像中的人工智能检测到了城市变化（新建筑）。在分区检查过程中使用此输出时的最佳方法是什么？
- A) 将AI标记的每一个变化直接转化为违章建筑报告
- B) 认为图像日期和分辨率并不重要，并接受结果作为最终结果
- C) 通过将调查结果作为预筛选并通过现场控制、官方记录和测量来确认，从而为流程奠定基础 ✔
- D) 忽略阴影和云相关的错误
描述：AI图像分类和变化检测提供强大的预扫描功能，但包含分辨率、日期、阴影和分类错误。未经现场控制、产权契据/许可证登记和官方测量确认，检测到的变更不能基于合法交易；人工智能输出本身并不能作为证据。
4. 在真实项目数据上运行人工智能编写的 GeoPandas/Python 脚本之前最关键的检查是什么？
- A）检查代码是否导致任何错误并在整个数据集上运行。
- B）依靠输出图来好看
- C) 不读取主数据集，直接运行代码
- D) 读取代码并通过验证小样本数据上的坐标系和几何形状并将结果与已知参考进行比较来测试它✔
描述：AI 空间代码可能采用错误的坐标参考系 (CRS)、扭曲几何形状或使用错误的单位计算面积。应通过首先验证小样本数据上的坐标系和几何形状来读取和测试代码，并将结果与已知参考进行比较。
5. 通过人工智能进行人口预测的最佳用途是什么？
- A) 输入官方统计数据和假设，并让人工智能准备情景和报告草案，明确说明不确定性✔
- B）要求人工智能在没有来源的情况下自行编造人口数据
- C）使用人工智能产生的数字代替官方统计数据
- D) 提供单个精确数字而不指定不确定性范围
说明：人工智能本身并不能产生可靠的数值投影；处理官方统计数据（例如TURKSTAT）和经过验证的方法，并准备情景和报告草稿。正确的用法是通过明确说明输入数据、增长假设和不确定性范围，使用人工智能作为解释和编写工具。
6. 使用人工智能进行土地利用适宜性分析时，您使用的数据图层之一陈旧且空间精度较低。什么是最健康的方法？
- A）按原样使用图层并接受最终结果
- B) 评估数据的当前性和准确性，如果可能，将其替换为当前源，并将限制写入报告中 ✔
- C）因为人工智能生成了漂亮的地图而忽视数据质量
- D) 默默地从分析中删除缺失的层，并且不在报告中报告它
说明：空间分析的结果与输入数据的质量一样好（垃圾输入，垃圾输出）。旧的或低保真度的图层会系统性地误导结果。应评估数据的流通性和准确性，如果可能的话，用更新/验证的来源替换，并且应在报告中清楚地写出限制。
7. 您总结了在人工智能参与式规划中收集的数千条公民意见。就代表性而言，最关键的风险和预防措施是什么？
- A）将人工智能摘要视为所有意见的公平代表，而不是查看原始数据
- B）仅根据最频繁出现的主题做出决定
- C) 分别监测少数群体和边缘群体的观点，保护原始数据的获取并将决定留给透明的公共流程 ✔
- D）消除重复较少的意见作为噪音
说明：人工智能摘要可以突出大多数人的声音和经常重复的言论，并掩盖少数群体和边缘群体的观点。这是一种代表性偏差。摘要应单独监控这些群体，应保护对原始数据的访问，并应将最终决定留给透明的公共流程。
8. 向市议会提交城市增长模拟的结果时，最准确的框架是什么？
- A）将输出呈现为精确的未来预测
- B）正确展示单一场景，但不解释假设和不确定性
- C）用正式的规划过程代替模拟
- D) 清楚地说明假设、约束和不确定性，将输出作为情景/讨论工具呈现，并将决定留给官方流程 ✔
说明：模拟输出是某些假设下的场景，而不是精确的预测或未来。正确的表述是清楚地说明输入假设、约束和不确定性，并将输出作为决策的论据；最终决定权由官方规划流程和专家评估决定。
9. 当将尚未暂停的计划修改的图纸和地块数据提供给基于云的人工智能工具时，在隐私方面最好的行为是什么？
- A) 匿名化上下文、明确标识符并使用符合政策的工具，其中数据不会用于教育 ✔
- B) 按原样上传所有图纸和地块所有者信息
- C) 在不阅读隐私政策的情况下使用免费工具
- D) 假设为了结果的质量必须公开位置信息。
披露：未暂停的计划数据、地块所有者信息和位置作为个人数据和公共流程都是敏感的；早期泄漏会造成投机和不义之财的风险。有必要对上下文进行匿名化，清理诸如地块/坐标/名称之类的标识符，并选择符合策略的工具来保证数据不会在训练中使用。
10. 使用人工智能解释流量模型结果时最准确的方法是什么？
- A）要求人工智能自行计算交通量，无需模型
- B) 将校准和验证的模型的输出总结给AI，清楚地陈述假设，并将最终评估留给专家✔
- C) 即使模型没有通过现场计数进行校准，也接受结果的准确性。
- D) 使用AI产生的体积值代替官方研究
说明：AI本身并不计算流量分配；总结校准模型的输出。为了使结果有意义，模型必须通过实地普查进行校准和验证，假设（情景年份、需求矩阵）必须明确，并且最终评估必须由有能力的交通专家做出。
11. 为了维持人工智能规划部门的质量、公共利益和问责制，需要建立什么基本结构？
- A）每个员工都以自己的方式使用无监督的人工智能
- B) 将AI输出直接传输到计划而不保存任何内容
- C) 建立通用提示库、验证协议、数据治理和隐私政策，并在获得主管批准后关闭关键输出 ✔
- D) 在流程结束时仅执行一次验证
描述：人工智能的分布式和不受控制的使用会放大错误、偏见和隐私的风险，并损害公众的信任。建立企业规模的通用提示库、每种输出类型的验证协议、数据治理和明确的隐私政策；必须在主管部门批准的情况下关闭每一项安全和公共利益关键输出。
12.当你向AI询问分区管制文章时，他给出了明确的文章编号和费率。在您的计划决策中使用此信息之前应该做什么？
- A）直接申请，因为AI给出了明确的物质
- B) 用您从另一个项目中记住的值替换该项目
- C) 通过四舍五入使用商品编号而不查看来源
- D) 确认现行法规正式文本中的信息，并在必要时向主管部门核实 ✔
解释：法规条款随着时间的推移而变化，人工智能可能会返回过时的信息或来自不同立法的信息，甚至会产生幻觉的文章编号。该值必须根据现行相关法规的正式和现行文本进行确认，并在必要时由主管部门进行验证。
13. 在土地利用分析中使用人工智能最有效的方法是赋予它什么？
- A) 清晰、结构化地给出工作区域、图层、坐标系、标准和权重 ✔
- B) 只需提出一句话请求，例如“做好土地利用分析”
- C) 制作许多地图并在不提供任何背景的情况下选择一张地图
- D）将标准和权重留给人工智能本身承担
说明：AI的输出质量取决于输入质量。当您明确指定工作区域边界、要使用的图层、坐标系、分析标准和权重等约束时，输出效果良好；模糊的一句话请求会产生笼统、肤浅、甚至误导性的结果。
14. 您与人工智能起草了一份计划披露报告（计划论证报告）。对于这份草案最正确的态度是什么？
- A) 将草案原样放入批准文件中
- B) 使用草案作为框架，与有能力的规划者一起审查和纠正每一个数据、立法参考和理由 ✔
- C）不检查立法参考，因为人工智能提供了它们
- D) 接受分析数据而不将其与实际研究进行比较
说明：计划披露报告是法律审批流程的一部分，会产生技术/法律责任。 AI可以快速生成骨架草稿；然而，每一个数据、立法参考、比率和理由都必须由有能力的城市规划师审查，并根据现行立法和实际分析数据进行纠正，而责任必须由规划师承担。