看著那長長的列表，我?guī)缀跛?，直到我看?ldquo;摩托車”這個詞。摩托車的數(shù)量或者人口中擁有摩托車的比例很好的說明了一座城市的潛力。我個人對此非常有共鳴（因?yàn)槲覔碛袃奢v摩托車）。
當(dāng)然，在各個城市尋找關(guān)于摩托車的統(tǒng)計(jì)數(shù)據(jù)還是會有很多來源，但是要記住，這些來自不同國家的不同來源的數(shù)據(jù)需要我們花費(fèi)大量的工作去抓取以及進(jìn)行規(guī)范化。Google街景的美妙之處就在于它將大城市作為了單個數(shù)據(jù)源，并且能在捕獲圖像中可見的任何信息。
AI的進(jìn)步，更具體來說，深度神經(jīng)網(wǎng)絡(luò)的進(jìn)步每周都讓我們感到驚訝，如果你依然懷疑AI技術(shù)在圖像中提取信息的能力不如人類的話，那么請參考一下下列AI擊敗人類的成果列表：
Google的AlphaGo擊敗李世石
卡內(nèi)基梅隆人工智能擊敗頂級職業(yè)撲克選手
微軟AI在語音識別方面擊敗人類
當(dāng)然了，摩托車只是我個人關(guān)心的用于打趣的所舉的一個例子，但不難想象，在人類可見（或者也許是不可見的）的圖像中提取任何知識。潛藏在Google捕捉來的數(shù)百萬張圖片背后，卻有很多線索來描述著這些城市的生活質(zhì)量。
這里有一個快速健全的檢查方法，去檢驗(yàn)我們知道的某些事情到底是否真實(shí)。我們?yōu)榘⒛匪固氐づ臄z另外了一萬張圖片，并在圖片中標(biāo)記計(jì)算自行車的出現(xiàn)情況：
不考慮人口密度（或?qū)嶋H計(jì)算每個圖像上有多少自行車），至少，直覺似乎被驗(yàn)證了。從計(jì)算自行車的數(shù)量和在地圖上追溯兒童在建筑物及社區(qū)涂鴉的情況，這個巨大的圖像數(shù)據(jù)印證了我們的移動動作是豐富眾多的。
遠(yuǎn)離街道
我們當(dāng)然不可能對街上看到的一切都關(guān)心。有時你必須離開熱鬧的街道，來個越野。舉個例子，Tanel P?rnamaa在Teleport實(shí)習(xí)時做了一些工作，他從Flickr那里拿到了一組公開地理標(biāo)記的照片，并使用機(jī)器視覺標(biāo)記來識別海灘。有趣的是，當(dāng)機(jī)器視覺數(shù)據(jù)信號受限時，他發(fā)現(xiàn)了很多沙地高爾夫球常
更甚者，隨著Planet再次發(fā)射的那88顆衛(wèi)星進(jìn)入軌道，我們又有了另一個驚人的可以讓AI技術(shù)進(jìn)入的圖像源。這樣一來，數(shù)據(jù)量將呈指數(shù)增長，而我們對城市生活質(zhì)量的理解也隨之增長。
選擇你的工作，選擇你的城市，選擇你的生活！
我們的一個投資者說道：“電腦和互聯(lián)網(wǎng)的傳播將把工作分為兩類：告訴電腦做什么的人，以及被電腦告知要做什么的人。”
我看到我們站內(nèi)一些在任者花了大價錢以捕獲那些可以用代碼完成的事情。而我卻相信，通過機(jī)器學(xué)習(xí)和眾包獲得的效率將為我們提供了巨大的競爭優(yōu)勢，長遠(yuǎn)來說，我渴望看到它將如何發(fā)揮作用。
同時，我要對那些更傾向于告訴電腦怎么做的人們一些具挑戰(zhàn)性的事實(shí)：
如何在各地理區(qū)域分布您的代理/探測器，同時使各種偏差實(shí)現(xiàn)最小化（由城市面積大小，人口密度等引起的）
為了促進(jìn)公平的比較，應(yīng)該如何規(guī)范化的捕捉城市地區(qū)的數(shù)據(jù)？
如何避免在近景中出現(xiàn)的重復(fù)計(jì)數(shù)？
如何在統(tǒng)計(jì)中減少天氣，季節(jié)，白天等的影響？
如何優(yōu)化觀看角度，在每個坐標(biāo)中采樣或組合圖像以被運(yùn)用到360度視圖中？
從圖像提取生活質(zhì)量數(shù)據(jù)后，要如何構(gòu)建/訓(xùn)練這些特定目標(biāo)的模型？
最后，那些從公共圖片捕捉來的數(shù)據(jù)也許與生活質(zhì)量相互對應(yīng)，并且也有可能影響你決定接下來要搬去哪兒？
本文系作者 圖普科技?授權(quán)鈦媒體發(fā)表，并經(jīng)鈦媒體編輯，轉(zhuǎn)載請注明出處、作者和 本文鏈接。