“元宇宙”来了 城市会消亡吗?

本文探讨了元宇宙概念及其可能对城市集聚力量的影响。尽管元宇宙技术不断发展,但面对面交流和城市提供的多元化需求仍无法被完全替代。当前,城市集聚的力量并未因技术革新而削弱,反而在专业化分工和个性化需求驱动下更加显著。因此,元宇宙不太可能立即颠覆城市格局,反而可能强化某些领域的集聚效应,同时在一定程度上改变部分业务的分布。
摘要由CSDN通过智能技术生成

在这里插入图片描述

近段时间以来,“元宇宙”的概念受到社会广泛关注。“元宇宙”来了,世界会怎样?或者直接地说,在这个由城市主导的世界中,“元宇宙”会在多大程度上改变推动城市发展的集聚力量?城市会消亡吗?

“元宇宙”究竟是什么

“元宇宙”很早就出现在科幻小说和科幻电影中,但似乎只是存在于“科幻”里,从未像今天这样让我们感到如此真实。在数字化电子通信技术和媒体技术蓬勃发展初期,互联的计算机编织的数字网络就被学者称为“赛博空间”。1991年,迈克尔·本尼迪克特在其书中,第一次把“赛博空间”看作是“一个平行的宇宙”,一个类似于元宇宙的存在。

但真正使用“元宇宙”一词并进入大众视野的,是尼尔·斯蒂芬森1992年的科幻小说《雪崩》。此后,备受科幻迷推崇的《黑客帝国》和《阿凡达》,以及近年比较火的《头号玩家》和《勇敢者游戏》,都使用了类似概念。

说到这里,大家都明白了,“元宇宙”并非一个真正的世界,而是一个基于数字信息的虚拟世界。近年来,随着芯片技术、网络通信技术、虚拟现实技术(VR/AR/MR/XR)、游戏技术(游戏引擎、游戏代码、多媒体资源)、人工智能技术、区块链技术的迅速发展,虽然还未满足“元宇宙”的真正需求,但可以确定的是,提出快30年的“元宇宙”在今天已经让人觉得不再那么遥不可及了。

然而,“元宇宙”作为一个虚拟的平行世界,受制于沉浸感的脑接机技术,要想真正成为可以工作、生活、娱乐的超大虚拟社区,同时形成跟现实世界相仿的规则与体验,仍较遥远。从目前能看到的用途来看,“元宇宙”更多是一种对线下社交、会议、教育以及娱乐等方面的增强,在脑连机技术没有实现之前,不会取代面对面交流,也不太可能颠覆当前世界运行逻辑。

历史上城市集聚力量从未真正削弱

我们知道,推动城市发展有集聚和扩散两股关键力量。从空间经济学的观点来看,城市的兴起源自于城市化经济和地方化经济,前者是可交易性的相互依赖,得益于城市基础设施、城市公共服务和大规模城市市场的共享;而地方化经济则是不可交易性的相互依赖,受益于产业和企业间在特定地方集聚实现的成本节约,比如特殊技能的劳动力储备、特定服务机构和地方知识群的发展等。在讨论“元宇宙”对城市的影响前,需要先回答一个问题:在交通以及信息技术不断革新下,城市越来越多,城市规模越来越大,为什么集聚还是当前世界运行的主导力量呢?

历史上对城市集聚产生影响的主要技术变革是交通和信息技术革命,特别是铁路、汽车、高铁以及电话、互联网和移动互联网等。这里,我们简单地以电话和互联网技术变革对集聚产生的影响做分析,这也是曾被认为可能导致“城市消亡”的力量。

19世纪电报、电话出现后,特别是到了20世纪中叶随着电话技术的成熟和普及,以及伴随传真机的出现,一度让不少人喊出“地理已死”和“城市消亡”的观点。原因是,电话和传真机几乎可以让人轻松实现远程办公。这些观点认为,人们完全没有必要集中到一起,而只需要在家或任何地方办公即可。但事实是,即使是现在,移动互联网和视频通话技术得到广泛应用,城市中集聚的力量也并没有丝毫减弱。即使肆虐全球的新冠疫情一度让很多公司推行灵活办公,但新近仍有公司颁布命令,让员工回归公司集中上班。

过去20-30年的城市发展结果也进一步证实了集聚的力量。在这个时期,世界范围内城市人口激增,特别是大城市、超大城市的增长更为显著,一些顶尖城市的城市中心人口又再次增长,经济持续繁荣,甚至出现了所谓的“赢者通吃”式的城市发展格局。虽然在这个时期,也伴有郊区化和区域化,但结果只是让城市变成大都市区、都市圈甚至城市群,让中心城市和城市群成为承载人口和经济要素的主要空间形式。

出现这样的结果,或许有两个关键原因。一方面,随着专业化分工越来越深入,从社会大分工到产业分工,再到当前的产品内分工,企业和企业间的合作越来越密切,高技能劳动力、服务机构以及隐性知识等不可交易性的相互依赖越来越强,企业扎堆的优势大于分散,集聚在所难免。特别是,从对电话或视频通话与面对面交流的对比研究中发现,面对面交流的质量和沟通的强度是前两者根本无法比拟的。另一方面,随着收入水平和教育水平的不断升级,人们追求个性化和多元化的需求也在不断提升,留在城市中获得更多的工作机会和满足更丰富的生活需求,让不少人难以迈出离开城市的脚步。

“元宇宙”要让城市消亡还很遥远

真正的“元宇宙”到底会对集聚产生什么影响,还不得而知。但我们似乎可以基于“元宇宙”的技术特点,从上面所说的电话、移动互联网对集聚的影响中窥见一斑。

在可以预见的未来,“元宇宙”不会改变集聚的城市对人们需求的满足,这个需求包括对城市化经济的追求,也包括人作为社会性动物对交往和群聚的社交需求。某种程度上,“元宇宙”技术可能会形成两种趋势,那些依赖隐性知识的企业仍会集聚扎堆,而一些被控制和协调的地方业务可能会分散全球,通过“元宇宙”的技术融入全球产业网络中。当然,一旦“元宇宙”的脑接机技术等关键技术获得突破后,人们对线下的需求很可能会出现质变,“元宇宙”与真实世界平行存在,这将完全是另一番景象。这虽然需要关注,但为时尚早。

更重要的是,城市的集聚产生的原因并不是纯粹技术的。如著名的城市史学家刘易斯·芒福德认为,古代城市最早起源于政治、军事或宗教需要;彼得·霍尔则在鸿篇巨制的《文明中的城市》中把文化、技术和秩序作为理解历史长河中城市发展的关键钥匙;爱德华·格拉泽更是直接将城市视为人类最伟大的发明与最美好的希望,在《城市的胜利》中直接喊出“平坦的世界,高耸的城市”的口号。可以说,集聚仍将是当前城市发展的主导力量。

借用地理学家大卫·哈维在《世界的逻辑》中的观点,“元宇宙”作为升级版的时空压缩技术,会进一步让空间障碍减少,但空间的细微差异仍将主导资本和人才流向和集聚地。在当下城市竞争中真正能起作用的,可能还是西尔和克拉克在《场景》中所言的“回归土地,归因场景”。因此,在“城兴人,人兴业”的城市发展新逻辑和创意阶层主导的就业结构中,满足个性化和多元化需求的城市舒适性将成为决定空间吸引力和竞争力的关键,场景城市和场所品质或许是加速城市新一轮发展的新赛道。

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值