
Hajigol Insights | Tehran 1410
Research Series
آیا میتوان بهجای ساخت دهها مدل جداگانه برای ترافیک، آلودگی هوا، گرما، مصرف انرژی و سلامت، یک مدل بنیادین شهری ساخت که ساختار پویای تهران را یاد بگیرد و سپس برای مسائل مختلف شهری مورد استفاده قرار گیرد؟
از نگاه من، این سؤال میتواند یکی از جدیترین موضوعات پژوهشی تهران ۱۴۱۰ باشد.
در این مرحله دیگر درباره یک «سامانه هوشمند شهری» صحبت نمیکنیم.
بلکه درباره ساخت یک:
Urban Foundation Model for Tehran
صحبت میکنیم.
۱. مشکل اصلی مدلهای فعلی شهری چیست؟
امروز برای هر مسئله معمولاً یک مدل ساخته میشود:
مدل پیشبینی ترافیک.
مدل پیشبینی آلودگی.
مدل پیشبینی مصرف انرژی.
مدل پیشبینی دمای شهری.
مدل پیشبینی تقاضای سفر.
مدل پیشبینی سلامت.
این مدلها تخصصیاند، اما یک مشکل بنیادی دارند:
City ≠ مجموعهای از مسائل مستقل
تهران یک سیستم پیچیده است.
تغییر در حملونقل میتواند آلودگی را تغییر دهد.
آلودگی میتواند سلامت را تغییر دهد.
گرما میتواند مصرف انرژی را افزایش دهد.
مصرف انرژی میتواند انتشار را تغییر دهد.
تغییر کاربری زمین میتواند الگوی سفر را تغییر دهد.
بنابراین اگر هر مسئله را جداگانه مدل کنیم، بخش بزرگی از وابستگیهای متقابل شهری را از دست میدهیم.
۲. Urban Foundation Model چیست؟
در سال ۲۰۲۶، پژوهشهای جدید به سمت Spatio-Temporal Foundation Models برای سیستمهای شهری حرکت کردهاند.
برای نمونه، UrbanFM با هدف یادگیری الگوهای عمومی دادههای مکانی–زمانی از شهرهای متعدد طراحی شده و مسئله تعمیم بین شهرها و وظایف مختلف را هدف قرار میدهد.
ایده اصلی ساده اما عمیق است:
بهجای اینکه مدل را فقط برای یک مسئله آموزش دهیم، ابتدا مدل را روی حجم عظیمی از دادههای شهری آموزش میدهیم تا:
«قواعد پنهان رفتار شهر»
را یاد بگیرد.
سپس از همان مدل برای وظایف مختلف استفاده میکنیم.
۳. تهران را به یک «زبان مکانی–زمانی» تبدیل کنیم
مدل بنیادین تهران باید بتواند شهر را مانند یک زبان بخواند.
در زبان طبیعی:
Token → Sentence → Context
در شهر:
Spatial Unit → Temporal Sequence → Urban Context
برای مثال یک سلول شهری میتواند در هر ساعت شامل:
Traffic
PM2.5
NO₂
Temperature
Humidity
Wind
Population
Mobility
Energy
Land Use
باشد.
پس تهران تبدیل میشود به یک توالی عظیم:
X(t, x, y)
که در آن:
t = زمان
و
x,y = موقعیت مکانی
مدل باید رابطه میان این سه بعد را یاد بگیرد.
۴. اما یک مشکل بزرگ وجود دارد: تهران فقط Grid نیست
اگر تهران را فقط به سلولهای مربعی تقسیم کنیم، بخشی از ساختار واقعی شهر از بین میرود.
تهران همزمان یک:
Grid
و یک:
Graph
است.
شبکه خیابانها.
شبکه مترو.
شبکه جریانهای انسانی.
شبکه جریان هوا.
شبکه خدمات شهری.
شبکه ارتباط مناطق.
بنابراین معماری مدل باید Hybrid Spatial Representation داشته باشد.
بهعنوان مثال:
Grid Encoder + Graph Encoder + Temporal Transformer
این معماری میتواند هم روابط محلی و هم روابط توپولوژیک را یاد بگیرد.
پژوهشهای ۲۰۲۶ نیز به سمت چارچوبهای Graph Neural Network یکپارچه برای تحلیل شهری و سلامت حرکت کردهاند که در آنها توپولوژی، ویژگیهای شهری و موقعیت مکانی در یک فضای یادگیری مشترک قرار میگیرند.
۵. تهران باید یک «Urban Tokenization» داشته باشد
یکی از ایدههای مهمی که میتوان برای تهران توسعه داد، تعریف توکنهای شهری است.
مثلاً:
Spatial Token
یک ناحیه مکانی
Mobility Token
یک الگوی حرکت
Environmental Token
یک وضعیت محیطی
Infrastructure Token
وضعیت زیرساخت
Population Token
ویژگی جمعیتی
Health Token
شاخص ریسک سلامت
مدل سپس این توکنها را در طول زمان مشاهده میکند.
در نتیجه بهجای اینکه فقط بگوییم:
PM2.5 فردا چقدر خواهد بود؟
مدل میتواند روابط پیچیدهتری را یاد بگیرد:
تغییر ترافیک + باد + ساختار شهری + تراکم جمعیت چگونه بر مواجهه جمعیت اثر خواهد گذاشت؟
این تفاوت بین:
Prediction
و
Urban Representation Learning
است.
۶. اما Prediction کافی نیست
اینجا به یکی از مهمترین نقاط این مقاله میرسم.
اگر مدل فقط بگوید:
«اگر این سیاست اجرا شود، PM2.5 کاهش مییابد.»
هنوز یک مشکل داریم.
آیا واقعاً سیاست باعث کاهش شده است؟
یا کاهش به دلیل تغییر باد بوده؟
این مسئله ما را وارد حوزه:
Causal AI
میکند.
۷. از Correlation به Causality
فرض کنید بعد از اجرای طرح ترافیکی، آلودگی کاهش پیدا کرده است.
مدل آماری ممکن است همبستگی را نشان دهد.
اما شورای شهر باید بداند:
«اگر این سیاست را اجرا نمیکردیم، چه اتفاقی میافتاد؟»
این همان:
Counterfactual Question
است.
بهصورت مفهومی:
Y(Policy = 1)
در برابر:
Y(Policy = 0)
تفاوت این دو میتواند اثر واقعی سیاست را تخمین بزند.
این موضوع برای شورای شهر بسیار مهمتر از یک پیشبینی ساده است.
زیرا شورای شهر نهادی برای:
Policy Intervention
است، نه صرفاً Forecasting.
۸. Digital Twin + Causal AI
در معماری پیشنهادی من، Digital Twin وضعیت شهر را بازسازی میکند.
Foundation Model رفتار پیچیده شهر را یاد میگیرد.
Causal AI اثر مداخله را تخمین میزند.
و Optimization بهترین تصمیم را پیدا میکند.
بنابراین:
Digital Twin
What is happening?
Foundation Model
What patterns govern the city?
Causal AI
What will happen if we intervene?
Optimization
Which intervention is preferable?
این چهار لایه میتوانند معماری نسل جدید حکمرانی تهران باشند.
۹. Physics-Informed AI؛ نقطهای که مدل شهری جدی میشود
یک خطر جدی در AI این است که مدل ممکن است رابطهای را از داده یاد بگیرد که از نظر فیزیکی معنادار نیست.
برای مثال، انتشار آلودگی تابعی از:
باد
پایداری جو
منابع انتشار
هندسه شهری
دما
اختلاط جوی
است.
بنابراین نمیتوان همهچیز را به یک Black Box سپرد.
در اینجا:
Physics-Informed Machine Learning
اهمیت پیدا میکند.
برای تهران میتوان مدل را با قیود فیزیکی آلودگی، انتقال حرارت و جریان هوا محدود کرد.
این یعنی:
Data-driven learning
با:
Physics-based constraints
ترکیب شود.
پژوهشهای جدید Digital Twin نیز به همین سمت حرکت میکنند؛ یعنی ترکیب مدلهای فیزیکی با AI و حرکت از Digital Twinهای صرفاً بازنماییکننده به سیستمهای پیشبین و مداخلهگر.
۱۰. یک معماری پیشنهادی برای «Tehran Urban Foundation Model»
من معماری مفهومی زیر را برای تهران پیشنهاد میکنم:
Layer 0 — Physical City
تهران واقعی:
Roads + Buildings + Population + Environment + Infrastructure
↓
Layer 1 — Sensing
Satellite + IoT + Traffic + Weather + Air Quality + Mobility
↓
Layer 2 — Spatio-Temporal Data Fabric
GIS + Data Lake + Streaming + Data Assimilation
↓
Layer 3 — Urban Foundation Model
Transformer + GNN + Multimodal Encoder
↓
Layer 4 — Physics-Informed Layer
Atmospheric + Thermal + Mobility Constraints
↓
Layer 5 — Causal Engine
Intervention + Counterfactual + Treatment Effect
↓
Layer 6 — Digital Twin
Simulation + Scenario Generation
↓
Layer 7 — Optimization
Multi-objective + Cost + Equity + Resilience
↓
Layer 8 — Decision Intelligence
Council Decision Support
این دیگر یک Smart City Dashboard نیست.
این یک:
Urban Intelligence Stack
است.
۱۱. دادههای تهران باید Multimodal باشند
یکی از اشتباهات رایج این است که فقط داده عددی استفاده شود.
اما تهران دادههای بسیار متنوعی تولید میکند:
Satellite Images
Street Images
Traffic Time Series
Weather
Air Quality
GIS Layers
Mobility
Text Reports
Citizen Complaints
Infrastructure Data
Health Indicators
پس مدل آینده باید:
Multimodal Urban Foundation Model
باشد.
یعنی بتواند تصویر، عدد، متن، شبکه و داده زمانی را در یک فضای مشترک تحلیل کند.
۱۲. یک مثال بسیار مهم برای تهران
فرض کنیم شورای شهر قصد دارد در یک منطقه:
۲۰ درصد از فضای سواره را به فضای سبز تبدیل کند.
مدل سنتی:
اثر اقتصادی را بررسی میکند.
مدل محیطزیستی:
اثر دما را بررسی میکند.
مدل حملونقل:
اثر ترافیک را بررسی میکند.
اما Urban Foundation Model میتواند اثر همزمان را بررسی کند:
Traffic
↓
Emission
↓
PM2.5
↓
Temperature
↓
Energy Demand
↓
Population Exposure
↓
Health Risk
و سپس چند سناریو را با هم مقایسه کند.
این همان چیزی است که من آن را:
Cross-Domain Urban Reasoning
مینامم.
۱۳. تهران باید «Counterfactual City» داشته باشد
یکی از ایدههای بسیار مهم برای شورای شهر آینده این است:
تهران واقعی
در کنار:
تهران جایگزین
قرار گیرد.
یعنی مدل بتواند بپرسد:
اگر در سال گذشته سیاست X اجرا میشد، امروز تهران چگونه بود؟
اگر محدودیت ترافیک اجرا نمیشد چه میشد؟
اگر فضای سبز در مکان دیگری توسعه پیدا میکرد چه میشد؟
اگر ایستگاه مترو در نقطه دیگری احداث میشد چه میشد؟
اگر سیاست دورکاری افزایش مییافت چه میشد؟
این یعنی:
Counterfactual Urban Planning
و از نظر من، این یکی از جذابترین حوزههایی است که میتواند وارد ادبیات سیاستگذاری تهران ۱۴۱۰ شود.
۱۴. تصمیم شورای شهر باید از «پروژهمحوری» به «اثرمحوری» تغییر کند
در مدل سنتی:
پروژه اجرا شد.
بودجه مصرف شد.
پیمانکار گزارش داد.
اما مدل پیشنهادی باید بپرسد:
What changed?
مثلاً:
چقدر مواجهه PM2.5 کاهش یافت؟
چقدر زمان سفر کاهش یافت؟
چقدر دمای سطحی کاهش یافت؟
چقدر مصرف انرژی تغییر کرد؟
چقدر عدالت فضایی بهتر شد؟
چقدر تابآوری افزایش یافت؟
این یعنی KPI باید از:
Output
به:
Outcome
تغییر کند.
۱۵. یک شاخص جدید برای تهران: Urban Decision Intelligence Index
پیشنهاد من این است که تهران ۱۴۱۰ یک شاخص جدید داشته باشد:
UDII
Urban Decision Intelligence Index
که ترکیبی از:
Prediction Accuracy
●
Causal Validity
●
Simulation Fidelity
●
Decision Lead Time
●
Intervention Effectiveness
●
Equity
●
Resilience
باشد.
در این صورت میتوانیم بگوییم:
تهران فقط «هوشمند» نیست؛
بلکه میزان هوشمندی تصمیمهای آن قابل اندازهگیری است.
۱۶. این مدل چه تغییری در شورای شهر ایجاد میکند؟
در ساختار سنتی:
Problem
↓
Committee
↓
Expert Report
↓
Decision
↓
Implementation
↓
Evaluation
در مدل پیشنهادی:
Real-time Data
↓
Foundation Model
↓
Risk Detection
↓
Causal Simulation
↓
Scenario Generation
↓
Optimization
↓
Council Decision
↓
Real-world Intervention
↓
Feedback
↓
Model Updating
این چرخه میتواند به یک:
Learning Governance System
تبدیل شود.
۱۷. مهمترین چالش: اگر مدل اشتباه کند چه؟
هرچه AI وارد سیاستگذاری شود، خطر نیز افزایش مییابد.
مدل ممکن است:
Bias داشته باشد.
داده ناقص باشد.
در منطقهای خوب و در منطقهای دیگر ضعیف باشد.
در شرایط اقلیمی جدید عملکردش افت کند.
در برابر تغییرات غیرمنتظره شکست بخورد.
بنابراین مدل تهران باید دائماً:
Calibrate
Validate
Stress Test
و
Audit
شود.
و مهمتر:
AI نباید جایگزین مسئولیت انسانی شود.
باید:
Human-in-the-loop
وجود داشته باشد.
۱۸. اینجا مفهوم «AI Safety برای شهر» مطرح میشود
وقتی یک مدل صرفاً یک پیشنهاد تجاری میدهد، خطای آن ممکن است محدود باشد.
اما وقتی مدل درباره:
ترافیک
سلامت
محیطزیست
زیرساخت
بودجه
بحران
تصمیمیار میشود، خطا میتواند اثر اجتماعی واقعی داشته باشد.
پس تهران ۱۴۱۰ نیازمند:
Urban AI Assurance Framework
است.
یعنی هر مدل شهری باید دارای:
Model Card
Data Card
Uncertainty Estimate
Validation Protocol
Drift Monitoring
Human Override
Audit Trail
باشد.
این دقیقاً جایی است که حکمرانی AI وارد مدیریت شهری میشود.
۱۹. عدم قطعیت باید روی میز شورای شهر دیده شود
یک مدل حرفهای نباید فقط بگوید:
«آلودگی فردا ۸۰ خواهد بود.»
باید بگوید:
«پیشبینی ۸۰ است، با بازه عدمقطعیت مشخص و احتمال وقوع سناریوهای مختلف.»
یعنی:
Prediction ≠ Certainty
در تصمیمگیری علمی، عدم قطعیت بخشی از اطلاعات است.
بنابراین:
Uncertainty-Aware Urban AI
باید یکی از اصول طراحی تهران ۱۴۱۰ باشد.
۲۰. جدیدترین مسیر: مدل شهری باید از «پیشبینی» به «Agentic Decision Support» حرکت کند
مرحله بعدی حتی از Foundation Model هم جلوتر است.
مدل میتواند به یک سیستم چندعاملی تبدیل شود:
Transportation Agent
اثر سیاست بر ترافیک را بررسی کند.
Environment Agent
اثر محیطزیستی را بررسی کند.
Health Agent
اثر سلامت را محاسبه کند.
Energy Agent
اثر انرژی را بررسی کند.
Economic Agent
هزینه و منفعت را بررسی کند.
Equity Agent
عدالت فضایی را بررسی کند.
و یک:
Policy Orchestrator
نتایج را ترکیب کند.
در نهایت شورای شهر بهجای صدها گزارش، یک Policy Evidence Package دریافت میکند.
۲۱. تهران ۱۴۱۰ میتواند یک «Policy Simulator» داشته باشد
تصور کنید اعضای شورای شهر بتوانند بپرسند:
اگر ۱۵ درصد از سفرهای خودرویی کاهش پیدا کند، چه اتفاقی میافتد؟
سیستم پاسخ دهد:
Traffic ↓
PM2.5 ↓
CO₂ ↓
Travel Time ↓
Energy Demand ↓
و همزمان:
Economic Cost
Equity Impact
Implementation Risk
را نیز نشان دهد.
این همان چیزی است که من آن را:
Policy Simulation as a Service
مینامم.
۲۲. تهران؛ از Smart City به Scientific City
به نظر من، حتی اصطلاح «Smart City» برای تهران ۱۴۱۰ دیگر کافی نیست.
چون Smart City بیشتر روی فناوری تمرکز دارد.
اما تهران آینده باید:
Evidence-Based City
باشد.
شهری که تصمیمهای آن:
Measurable
Predictable
Explainable
Auditable
Causal
و
Adaptive
باشند.
۲۳. چرا این موضوع برای شورای شهر مهمتر از یک پروژه فناوری است؟
چون شورای شهر نباید صرفاً ناظر اجرای فناوری باشد.
نقش اصلی شورا:
تعیین جهت حکمرانی
است.
بنابراین سؤال اصلی نباید:
«چه نرمافزاری بخریم؟»
باشد.
بلکه:
«چه معماری داده، مدل و حکمرانی لازم داریم تا تصمیمهای شهری قابل سنجش، پیشبینی و ارزیابی شوند؟»
این تغییر سؤال، تفاوت میان:
Technology Procurement
و
Governance Architecture
است.
۲۴. مدل نهایی Hajigol Insights برای تهران ۱۴۱۰
من مسیر تهران ۱۴۱۰ را بهصورت یک زنجیره هشتمرحلهای تعریف میکنم:
1. Observe
شهر را اندازهگیری کن.
2. Integrate
دادهها را یکپارچه کن.
3. Represent
شهر را بهصورت یک مدل مکانی–زمانی نمایش بده.
4. Predict
آینده را پیشبینی کن.
5. Explain
علت و عدمقطعیت را توضیح بده.
6. Simulate
سیاستها را قبل از اجرا آزمایش کن.
7. Optimize
بهترین ترکیب مداخله را پیدا کن.
8. Learn
از نتیجه واقعی برای تصمیم بعدی یاد بگیر.
Observe → Integrate → Represent → Predict → Explain → Simulate → Optimize → Learn
این از نظر من میتواند معماری مفهومی Hajigol Insights – Tehran 1410 Framework باشد.
جمعبندی نهایی
در ادامه بحثهای قبلی من، دیگر نمیتوانیم تهران هوشمند را صرفاً با تعداد سنسورها، دوربینها، اپلیکیشنها یا سامانههای دیجیتال تعریف کنیم.
مرحله بعدی، هوشمندی در سطح خودِ تصمیمگیری است.
تهران ۱۴۱۰ باید به سمت معماریای حرکت کند که در آن:
Urban Foundation Models
برای یادگیری الگوهای پیچیده شهر،
Digital Twins
برای بازنمایی و شبیهسازی،
Causal AI
برای فهم اثر واقعی سیاستها،
Physics-Informed AI
برای حفظ سازگاری با قوانین فیزیکی،
Multimodal AI
برای ترکیب انواع داده،
و
Optimization
برای انتخاب سیاستهای بهتر
در یک معماری واحد قرار گیرند.
در این مدل، شورای شهر دیگر فقط درباره پروژهها تصمیم نمیگیرد.
شورای شهر درباره «سناریوهای آینده شهر» تصمیم میگیرد.
و این، به اعتقاد من، تفاوت میان:
Smart Governance
و
Intelligent Urban Governance
است.
تهران ۱۴۱۰ اگر بخواهد واقعاً یک شهر پیشرو در منطقه باشد، نباید صرفاً فناوریهای جدید را خریداری کند.
باید توانایی محاسباتیِ فکر کردن درباره آینده شهر را ایجاد کند.
و شاید مهمترین زیرساخت تهران آینده نه یک بزرگراه باشد، نه یک ساختمان و نه حتی یک سامانه جدید.
مهمترین زیرساخت میتواند «مغز محاسباتی شهر» باشد.
Hajigol Insights
Tehran 1410 | Advanced Urban Intelligence
Science × AI × Engineering × Public Health × Urban Governance
دکتر امیرحسین حاجیگل