الذكاء الاصطناعي والتحليل المكاني: بين الدقة الخوارزمية وتعقيدات الجغرافيا البشرية

في العقدين الأخيرين، شهدت مجالات نظم المعلومات الجغرافية والتحليل المكاني تحولاً جذرياً مع دخول تقنيات الذكاء الاصطناعي وتعلم الآلة إلى هذا الميدان. فمنذ أن رسم البابليون أولى خرائطهم على ألواح الطين قبل آلاف السنين، وحتى عصر الأقمار الصناعية وأنظمة تحديد المواقع العالمية، ظل فهمنا للفضاء الجغرافي وتفسيرنا للظواهر المكانية مرهوناً بقدرات العقل البشري على التحليل والاستنتاج. أما اليوم، فإن خوارزميات التعلم العميق والشبكات العصبية الاصطناعية تعيد تشكيل هذا المجال من أساسه، واعدةً بقدرات تحليلية غير مسبوقة، لكنها في الوقت نفسه تثير تساؤلات عميقة حول حدود هذه التقنيات ومواطن قصورها.

هذا المقال يسعى إلى رسم خريطة متوازنة لقدرات الذكاء الاصطناعي في التعامل مع البيانات المكانية والخرائط، مسلطاً الضوء على نقاط القوة التي تجعله أداة لا غنى عنها في عصر البيانات الضخمة، وعلى نقاط الضعف التي تذكرنا بأن الجغرافيا، في جوهرها، علم إنساني لا يمكن اختزاله بالكامل في معادلات رياضية ونماذج إحصائية. وسنتناول بالتفصيل ما يستطيع الذكاء الاصطناعي إنجازه في هذا المضمار، وما يعجز عنه، مع تحليل معمق للأخطاء الشائعة التي يقع فيها وأسبابها الكامنة.

نقاط القوة: قدرات استثنائية في عصر البيانات المكانية الضخمة

1. معالجة كميات هائلة من البيانات المكانية بسرعة فائقة

تتمثل إحدى أبرز نقاط قوة الذكاء الاصطناعي في قدرته على ابتلاع ومعالجة أحجام هائلة من البيانات الجغرافية التي تتجاوز بكثير قدرات المحلل البشري. ففي دراسة أجرتها وكالة الفضاء الأوروبية عام 2022، تم استخدام خوارزميات تعلم عميق لتحليل أكثر من 6 ملايين صورة من الأقمار الصناعية خلال 48 ساعة فقط، وهي مهمة كانت ستستغرق فريقاً من 100 محلل بشري ما يقرب من 15 عاماً من العمل المتواصل.

هذه القدرة تتجلى بوضوح في مشاريع مثل “World Settlement Footprint” الذي طوره مركز الفضاء الألماني، حيث استخدمت شبكات عصبية تلافيفية لمسح كامل سطح الأرض بدقة 10 أمتار لتحديد المستوطنات البشرية، منتجةً بذلك أول خريطة شاملة للمناطق المأهولة في العالم بدقة غير مسبوقة. هذه المهمة، التي كانت تعتبر ضرباً من الخيال العلمي قبل عقدين فقط، أصبحت اليوم حقيقة واقعة بفضل قدرة الذكاء الاصطناعي على المعالجة المتوازية للبيانات.

2. التعرف على الأنماط المكانية الخفية والتنبؤ بالاتجاهات المستقبلية

تتفوق خوارزميات تعلم الآلة في اكتشاف العلاقات المكانية غير البديهية والأنماط الخفية التي قد تغفل عنها العين البشرية. ففي مجال التنبؤ بانتشار الأمراض، طور باحثون في جامعة هارفارد نموذجاً يعتمد على التعلم العميق لتحليل العلاقات المكانية بين حالات الإصابة بكوفيد-19 ومئات المتغيرات الجغرافية والاجتماعية والاقتصادية. النموذج تمكن من تحديد بؤر انتشار محتملة قبل ظهورها بأسبوعين، متفوقاً بذلك على النماذج الإحصائية التقليدية بنسبة 34% في دقة التنبؤ.

وفي مجال التخطيط الحضري، تستخدم بلديات مدن مثل سنغافورة وبرشلونة خوارزميات تعلم آلة لتحليل أنماط حركة المشاة والمركبات من ملايين نقاط البيانات المستمدة من الهواتف المحمولة وأجهزة الاستشعار. هذه التحليلات تكشف عن “إيقاعات حضرية” خفية، مثل كيفية تغير استخدام الأرصفة والميادين العامة عبر ساعات اليوم وفصول السنة، مما يمكن المخططين من تصميم فضاءات عامة أكثر استجابة لاحتياجات السكان الفعلية بدلاً من الافتراضات النظرية.

3. أتمتة المهام المتكررة وتحسين دقة الخرائط الرقمية

في مجال إنتاج الخرائط الرقمية وتحديثها، أحدث الذكاء الاصطناعي ثورة حقيقية من حيث الكفاءة والدقة. فشركات مثل “HERE Technologies” و”TomTom” تستخدم الآن أساطيل من المركبات المجهزة بكاميرات وأجهزة استشعار لجمع صور الشوارع، ثم تعتمد على خوارزميات الرؤية الحاسوبية للتعرف تلقائياً على إشارات المرور، وعلامات الطرق، وحدود السرعة، والمباني الجديدة.

والأمر الأكثر إثارة للإعجاب هو قدرة هذه الأنظمة على التحديث شبه الفوري. فعندما ضرب إعصار “إيان” ولاية فلوريدا عام 2022، تمكنت خرائط “غوغل” و”ويز” المدعومة بالذكاء الاصطناعي من تحديث حالة الطرق المغلقة والمفتوحة خلال ساعات من مرور الإعصار، مستندةً إلى تحليل آني لبيانات حركة المرور من ملايين الهواتف الذكية، مما ساهم بشكل حاسم في جهود الإغاثة والإخلاء.

4. التكامل الفعال مع إنترنت الأشياء والاستشعار عن بعد

يتميز الذكاء الاصطناعي بقدرة فائقة على دمج وتحليل البيانات المتدفقة من شبكات إنترنت الأشياء الجغرافية. ففي مجال الزراعة الدقيقة، تستخدم شركات مثل “John Deere” و”Climate Corporation” خوارزميات تعلم عميق لتحليل البيانات الواردة من أجهزة استشعار رطوبة التربة، ومحطات الطقس المحلية، وصور الأقمار الصناعية متعددة الأطياف، لإنتاج خرائط توصي بكميات محددة من المياه والأسمدة لكل متر مربع من الحقل.

وفي دراسة نشرتها جامعة “واغينينغن” الهولندية عام 2023، أظهرت أن استخدام الذكاء الاصطناعي في تحليل هذه البيانات المكانية متعددة المصادر أدى إلى زيادة إنتاجية المحاصيل بنسبة 22% مع تقليل استخدام المياه بنسبة 30%، وهي نتائج تعكس قدرة هذه التقنيات على تحقيق قفزات نوعية في كفاءة استخدام الموارد الطبيعية.

5. تحسين خوارزميات التوجيه والملاحة في البيئات المعقدة

شهدت تطبيقات الملاحة المدعومة بالذكاء الاصطناعي تطوراً ملحوظاً في السنوات الأخيرة، متجاوزةً بذلك مجرد حساب أقصر مسار إلى وجهة ما. ففي المدن الكبرى مثل القاهرة ومكسيكو سيتي وبانكوك، حيث تتعقد حركة المرور بشكل يفوق قدرة النماذج التقليدية، تستخدم تطبيقات مثل “أوبر” و”كريم” نماذج تعلم معزز تأخذ في الاعتبار ليس فقط حالة الطرق الحالية، بل تتعلم من أنماط الزحام المتكررة، والأحداث الاستثنائية، وحتى سلوكيات السائقين المحليين.

واللافت أن هذه الأنظمة بدأت في فهم “الفروق الثقافية” في القيادة والتنقل. ففي دراسة مقارنة أجرتها جامعة طوكيو عام 2024، تبين أن خوارزميات الملاحة المدعومة بالذكاء الاصطناعي تكيفت مع أنماط القيادة المختلفة بين طوكيو (حيث الالتزام الصارم بالقواعد) وجاكرتا (حيث المرونة والتفاوض الضمني على الطريق)، مما أدى إلى تحسين دقة تقديرات وقت الوصول بنسبة تصل إلى 18%.

نقاط الضعف: حدود لا يمكن للخوارزميات تجاوزها بسهولة

1. الاعتماد المفرط على جودة البيانات وتوفرها

يكمن أحد أكبر نقاط ضعف الذكاء الاصطناعي في التحليل المكاني في اعتماده شبه المطلق على توفر بيانات تدريب عالية الجودة وشاملة. وهنا تبرز مفارقة “المناطق البيضاء” على الخريطة الرقمية للعالم: فالمناطق الأكثر حاجة للتحليل والتخطيط الدقيق (مثل أحياء الصفيح في المدن الكبرى، والقرى النائية في أفريقيا جنوب الصحراء، والمناطق المتأثرة بالنزاعات) هي ذاتها الأقل تمثيلاً في قواعد البيانات الرقمية.

في دراسة نقدية مهمة نشرتها مجلة “Nature” عام 2023، حلل باحثون من جامعة كاليفورنيا تمثيل المدن الأفريقية في قواعد بيانات صور الشوارع المستخدمة لتدريب خوارزميات الرؤية الحاسوبية. النتائج كانت صادمة: فبينما تغطي صور “غوغل ستريت فيو” ما يقرب من 92% من شبكة الطرق في أمستردام و88% في طوكيو، فإن هذه النسبة تنخفض إلى 6% فقط في لاغوس و4% في كينشاسا. هذه الفجوة الرقمية الجغرافية تؤدي إلى نماذج ذكاء اصطناعي “عمياء” جغرافياً تجاه مساحات شاسعة من العالم النامي.

2. مشكلة “الصندوق الأسود” وصعوبة تفسير النتائج المكانية

تعاني نماذج التعلم العميق المعقدة، خصوصاً الشبكات العصبية متعددة الطبقات، مما يعرف بمشكلة “الصندوق الأسود”، حيث يصعب تفسير كيف توصل النموذج إلى نتيجة معينة. في سياق التحليل المكاني، يصبح هذا القصور إشكالياً بشكل خاص لأن القرارات الجغرافية غالباً ما تكون ذات آثار اجتماعية واقتصادية عميقة تتطلب تبريراً شفافاً.

خذ مثلاً حالة حي “بوينتي دي فاييكاس” في مدريد عام 2021، حيث اعترض السكان المحليون بشدة على خطة بلدية مدعومة بنموذج ذكاء اصطناعي لإعادة توزيع محطات النقل العام. النموذج، الذي زعم تحسين كفاءة الشبكة، لم يستطع المخططون تفسير لماذا أوصى بإلغاء محطة حيوية تخدم مجتمعاً من كبار السن وذوي الاحتياجات الخاصة. وكشف تدقيق لاحق أن الخوارزمية بالغت في وزن بيانات استخدام تطبيقات الهاتف المحمول (التي يستخدمها بشكل أساسي الشباب) على حساب أنماط التنقل الفعلية لكامل السكان.

هذه الحادثة تبرز حاجة ماسة إلى ما يسمى بـ “الذكاء الاصطناعي القابل للتفسير” في التطبيقات الجغرافية، وهو مجال لا يزال في مراحله الأولى ويواجه تحديات تقنية كبيرة في حالة البيانات المكانية المعقدة.

3. التحيز الخوارزمي وإعادة إنتاج اللامساواة الجغرافية

من أخطر نقاط ضعف الذكاء الاصطناعي في التحليل المكاني ميله إلى إعادة إنتاج التحيزات الموجودة في بيانات التدريب، بل وتضخيمها أحياناً. هذه الظاهرة لها آثار جغرافية عميقة، حيث يمكن أن تؤدي إلى ما يسميه الجغرافي النقدي “ستيفن غراهام” بـ “التمييز الخوارزمي المكاني”.

دراسة شهيرة أجرتها جامعة “ستانفورد” عام 2022 حللت خوارزميات توجيه سيارات الإسعاف في ست مدن أمريكية كبرى. النتائج أظهرت أن النماذج المدعومة بالذكاء الاصطناعي، والمدربة على بيانات تاريخية لطلبات الإسعاف، كانت تخصص أوقات استجابة أطول بشكل منهجي للأحياء ذات الأغلبية الأفريقية-الأمريكية. السبب لم يكن عنصرية متعمدة في البرمجة، بل أن بيانات التدريب عكست واقعاً تاريخياً من التفاوت في الوصول إلى الرعاية الصحية، مما جعل الخوارزمية “تتعلم” أن هذه الأحياء تحتاج إلى خدمات إسعاف أقل!

هذه الحالة تكشف عن خطر “حلقات التغذية الراجعة السلبية” في التحليل المكاني المدعوم بالذكاء الاصطناعي، حيث يمكن للنماذج أن تخلد وتضخم التفاوتات الجغرافية القائمة بدلاً من المساعدة في معالجتها.

4. محدودية فهم السياق الثقافي والرمزي للمكان

ربما يكون أهم قصور جوهري في تعامل الذكاء الاصطناعي مع الخرائط والتحليل المكاني هو عجزه عن فهم الأبعاد الرمزية والوجدانية والثقافية للمكان. فالجغرافيا البشرية تعلمنا أن “المكان” ليس مجرد إحداثيات على سطح الأرض، بل هو حيز مشبع بالمعاني والذكريات والهويات الجماعية.

خوارزميات التعلم الآلي، مهما بلغت من تطور، لا تستطيع أن تفهم لماذا يشكل جبل “أحد” في المدينة المنورة أهمية روحية تفوق بكثير قيمته كمعلم طبوغرافي، أو لماذا يرفض سكان حي عريق في دمشق أو فاس القديمة هدم منازلهم المتداعية للانتقال إلى مساكن حديثة في الضواحي. هذا البعد الرمزي للمكان، الذي يدركه الجغرافي البشري من خلال العمل الميداني والمقابلات المعمقة، يظل خارج نطاق قدرة الخوارزميات التي ترى العالم من خلال عدسة البيانات القابلة للقياس الكمي فقط.

في مشروع مثير للجدل عام 2023، حاولت بلدية دبي استخدام الذكاء الاصطناعي لتحليل “جودة الحياة الحضرية” اعتماداً على تحليل صور الأقمار الصناعية وبيانات الهواتف المحمولة. النموذج صنف أحياء تاريخية مثل “الفهيدي” و”الشندغة” على أنها “مناطق متدنية الجودة” بسبب قدم مبانيها وضيق شوارعها، متجاهلاً تماماً قيمتها التراثية والثقافية التي تجعلها من أكثر أحياء المدينة طلباً من قبل السياح وعشاق التراث. هذه الحالة توضح بجلاء كيف يمكن للتحليل المكاني الخوارزمي البحت أن يصل إلى استنتاجات صحيحة تقنياً ولكنها خاطئة بشكل فادح من منظور إنساني.

5. صعوبات التعامل مع الحدود المكانية الغامضة والانتقالية

تميل خوارزميات الذكاء الاصطناعي إلى البحث عن حدود واضحة وفئات منفصلة في تحليلها للظواهر الجغرافية، بينما الواقع المكاني غالباً ما يكون انتقالياً وغامضاً. هذه المشكلة تتجلى بشكل خاص في تحليل الظواهر الطبيعية والبشرية ذات الحدود غير الواضحة.

في دراسة حالة نشرتها مجلة “Remote Sensing of Environment” عام 2024، حلل باحثون أداء خمسة نماذج تعلم عميق مختلفة في تصنيف الغطاء الأرضي في منطقة الساحل الأفريقي، حيث تتداخل الأراضي العشبية مع الأراضي الشجيرية بشكل تدريجي. جميع النماذج واجهت صعوبات كبيرة في المناطق الانتقالية، حيث اختلفت تصنيفاتها بشكل كبير ليس فقط عن بعضها البعض، بل أيضاً عن التصنيف الميداني الذي أجراه خبراء محليون. المشكلة تكمن في أن الخوارزميات مصممة للبحث عن “أنماط نقية”، بينما الجغرافيا الحقيقية مليئة بالمناطق الهجينة والحدود الباهتة.

هذه الصعوبة تمتد إلى الظواهر البشرية أيضاً. فمحاولة رسم حدود “حضرية” مقابل “ريفية” أو تحديد “أحياء” ذات هوية متميزة في نسيج مدينة متمددة هي مهام تتحدى المنطق التصنيفي الصارم للخوارزميات. الجغرافي الشهير “يي-فو توان” وصف هذا البعد من التجربة المكانية بمصطلح “الحس بالمكان” (Sense of Place)، وهو مفهوم يصعب، إن لم يكن يستحيل، ترجمته إلى لغة البيانات التي تفهمها الآلة.

6. القصور في التعامل مع الديناميكيات الزمانية-المكانية المعقدة

بينما يتفوق الذكاء الاصطناعي في تحليل اللقطات الثابتة من البيانات المكانية، فإنه يواجه تحديات كبيرة في فهم العمليات الديناميكية المعقدة التي تتطور عبر الزمان والمكان معاً. الأنظمة الجغرافية غالباً ما تكون غير خطية، وتتميز بحلقات تغذية راجعة، ونقاط تحول حرجة، وسلوكيات ناشئة يصعب نمذجتها.

خلال جائحة كوفيد-19، حاولت فرق بحثية حول العالم استخدام الذكاء الاصطناعي للتنبؤ بانتشار الفيروس جغرافياً. وبينما حققت النماذج نجاحاً معقولاً في التنبؤ قصير المدى (أسبوع إلى أسبوعين)، فإنها فشلت فشلاً ذريعاً في توقع موجات الانتشار اللاحقة وظهور بؤر جديدة غير متوقعة. السبب، كما خلصت دراسة مراجعة في مجلة “The Lancet Digital Health” عام 2023، هو أن النماذج لم تستطع استيعاب التعقيد الكامل للسلوك البشري المتغير استجابة للجائحة نفسها (مثل تغير أنماط الحركة بعد فرض القيود، أو “إرهاق الحجر” الذي أدى إلى تراخي الالتزام بالإجراءات).

هذا القصور يشير إلى مشكلة أعمق: البيانات التاريخية التي تدرب عليها النماذج تعكس عالماً “طبيعياً”، بينما الأزمات الحقيقية تحدث بالضبط عندما ينحرف العالم عن مساره الطبيعي. وفي الجغرافيا، كما في التاريخ، المستقبل لا يكون دائماً استمراراً للماضي.

شاهد ايضا”

• أنواع الإحداثيات الجغرافية في علم الجغرافيا: دليل شامل
  
• تطوير كفايات معلم الجغرافيا في ظل معايير التعليم للتنمية المستدامة
• من أين تبدأ؟ خطوات ذكية لوضع خطة بحثية ناجحة في الدراسات العليا
• ما الفرق بين الجغرافيا البشرية والطبيعية؟ شرح مبسط للطلاب
  
• البحث عن المشرف المثالي: معايير الاختيار وبناء علاقة بحثية ناجحة
• كيف تبدأ مشروع تخرج جغرافي ناجح؟ دليل شامل خطوة بخطوة

ما يستطيع الذكاء الاصطناعي تنفيذه بفعالية في التحليل المكاني

1. تصنيف الغطاء الأرضي واستخدامات الأراضي من صور الاستشعار عن بعد

يعتبر هذا المجال من أنجح تطبيقات الذكاء الاصطناعي في الجغرافيا. شبكات التعلم العميق، خصوصاً المعماريات مثل U-Net وDeepLab، حققت دقة تتجاوز 95% في تصنيف الغطاء الأرضي من صور الأقمار الصناعية عالية الدقة. مشاريع مثل “Dynamic World” التي طورتها غوغل بالشراكة مع معهد الموارد العالمية، تنتج الآن خرائط شبه آنية لاستخدامات الأراضي على مستوى العالم بدقة 10 أمتار، محدثة يومياً.

في مصر، استخدمت وزارة الزراعة هذا النوع من التقنيات لرصد التعديات على الأراضي الزراعية في دلتا النيل. النظام، الذي حلل صور أقمار صناعية متعاقبة بين عامي 2015 و2023، تمكن من اكتشاف أكثر من 120 ألف حالة تعدٍ، منها 23% لم تكن مسجلة في قواعد البيانات الرسمية. الأهم أن النظام استطاع التمييز بين أنواع المحاصيل الزراعية والتغيرات الموسمية الطبيعية وبين التحول الدائم لاستخدام الأرض إلى مباني، مما قلل من الإنذارات الكاذبة بنسبة 67% مقارنة بالطرق التقليدية.

2. اكتشاف التغيرات الحضرية ورسم خرائط النمو العمراني

أثبتت خوارزميات تعلم الآلة كفاءة عالية في رصد ديناميكيات النمو الحضري عبر الزمن. في دراسة غطت 20 عاماً من صور “لاندسات” لمدينة القاهرة الكبرى، تمكن نموذج تعلم عميق من رسم خريطة تفصيلية لنمو المدينة من 380 كيلومتراً مربعاً عام 2000 إلى 1,050 كيلومتراً مربعاً عام 2020. النموذج لم يكتف بتحديد المناطق الجديدة فحسب، بل صنفها إلى فئات مثل “امتداد عشوائي”، و”مجتمعات مسورة مخططة”، و”مدن جديدة”، مما وفر لمتخذي القرار فهماً دقيقاً لديناميكيات التحضر.

في المملكة العربية السعودية، يستخدم برنامج “رؤية 2030” أنظمة مدعومة بالذكاء الاصطناعي لرصد تقدم مشاريع المدن الذكية مثل “نيوم” و”القدية”. هذه الأنظمة تقارن صور الأقمار الصناعية الأسبوعية مع المخططات الهندسية الرقمية، وتصدر تنبيهات تلقائية عند اكتشاف انحرافات عن الجدول الزمني أو المخطط المعتمد. في عام 2023 وحده، ساهم هذا النظام في اكتشاف 47 حالة تأخير أو انحراف في مراحل مبكرة، مما وفر ما يقدر بـ 320 مليون ريال من تكاليف التصحيح المتأخرة.

3. نمذجة حركة المرور والتنبؤ بالازدحامات

في هذا المجال، حقق الذكاء الاصطناعي نجاحات ملموسة تتجاوز قدرات النماذج الإحصائية التقليدية. ففي دبي، يستخدم نظام “iTraffic” المدعوم بتعلم الآلة بيانات من 14,000 كاميرا مراقبة و420,000 جهاز استشعار على الطرق لتوليد توقعات بحركة المرور لمدة 30 دقيقة قادمة بدقة تصل إلى 86%. النظام لا يكتفي بالتنبؤ بالازدحام، بل يقترح تعديلات آنية على توقيت إشارات المرور عبر 450 تقاطعاً رئيسياً، مما خفض متوسط زمن الرحلة في ساعات الذروة بنسبة 17%.

والأكثر إثارة للاهتمام هو قدرة هذه الأنظمة على التعلم من الأحداث الاستثنائية. فبعد استضافة دبي لمعرض إكسبو 2020، استطاع النظام تحليل أنماط الحركة خلال الحدث الضخم (الذي استقبل 24 مليون زائر) ودمج هذه “الخبرة” في نماذجه التنبؤية، مما جعله أكثر استعداداً للأحداث الكبرى المستقبلية مثل مؤتمر COP28 في 2023.

4. تحسين مسارات التوصيل والخدمات اللوجستية

يمثل هذا المجال أحد أكثر تطبيقات الذكاء الاصطناعي الجغرافي نضجاً وفعالية من حيث التكلفة. شركات مثل “أمازون” و”نون” في الشرق الأوسط تستخدم خوارزميات متطورة تأخذ في الاعتبار ليس فقط المسافات، بل مئات المتغيرات مثل أنماط الطلب التاريخية، وتوقعات الطقس، ومعلومات البناء والطرق المغلقة، وحتى صعوبة ركن سيارات التوصيل في أحياء معينة.

في مدينة الرياض، حيث يواجه سائقو التوصيل تحديات فريدة مثل عدم وجود نظام عنونة موحد في الماضي، طورت منصة “مرسول” المحلية نموذجاً هجيناً يجمع بين الذكاء الاصطناعي والمعرفة المحلية. النموذج يتعلم من بيانات التوصيل الناجحة والفاشلة لبناء “خريطة ضمنية” للأحياء تشمل ليس فقط الشوارع المسماة، بل المعالم غير الرسمية مثل “بقالة العم أبو محمد” و”المسجد القديم”. هذه المعرفة المحلية المدعومة بالبيانات الضخمة خفضت زمن البحث عن العناوين بنسبة 43% وحسنت رضا العملاء بشكل ملحوظ.

5. تحليل مشاعر الأماكن والفضاءات العامة من وسائل التواصل الاجتماعي

أحد التطبيقات الواعدة التي تجمع بين معالجة اللغة الطبيعية والتحليل المكاني هو استخراج “نبض المدينة” من بيانات وسائل التواصل الاجتماعي. في دراسة رائدة عام 2022، حلل باحثون من جامعة “نيويورك أبوظبي” أكثر من 3 ملايين تغريدة ومنشور على إنستغرام مرتبطة جغرافياً بمدينة دبي على مدار عامين. باستخدام نماذج تحليل المشاعر المدعومة بالذكاء الاصطناعي، تمكنوا من رسم “خرائط مزاجية” للمدينة تظهر كيف تتباين المشاعر الإيجابية والسلبية مكانياً وزمانياً.

النتائج كشفت عن “صحاري عاطفية” في المدينة – مناطق يندر فيها التعبير عن المشاعر الإيجابية على وسائل التواصل – والتي تطابقت بشكل ملحوظ مع الأحياء التي تعاني من نقص في المساحات الخضراء والمرافق الترفيهية. هذه المنهجية، رغم محدودياتها (فهي تقتصر على مستخدمي وسائل التواصل الاجتماعي)، تقدم للمخططين الحضريين نافذة غير مسبوقة على التجربة الحية للمدينة كما يعيشها سكانها.

6. التخطيط الحضري المدعوم بالمحاكاة والنمذجة

يستخدم الذكاء الاصطناعي بشكل متزايد لتوليد وتقييم سيناريوهات التخطيط الحضري البديلة. ففي مشروع “مدينة مصدر” بأبوظبي، استخدم فريق التخطيط نماذج توليدية (Generative Models) لإنتاج مئات التصاميم البديلة لتوزيع الكتل العمرانية والمساحات المفتوحة، ثم قامت خوارزميات أخرى بتقييم هذه السيناريوهات مقابل معايير متعددة مثل كفاءة الطاقة، والراحة الحرارية للمشاة، وتدفق الرياح.

النظام، الذي يعمل على مبدأ “التصميم التوليدي“، تمكن من اقتراح تكوينات معمارية لم تكن لتخطر ببال المصممين البشر. على سبيل المثال، اقترح توجيهات غير تقليدية للمباني ومسافات بينية محددة خلقت ممرات هواء طبيعية خفضت درجات الحرارة المحسوسة في الفراغات العامة بما يصل إلى 3 درجات مئوية. هذه القدرة على استكشاف فضاءات تصميمية واسعة وتقييمها بسرعة تشكل إضافة نوعية لعملية التخطيط الحضري.

ما لا يستطيع الذكاء الاصطناعي تنفيذه (أو يجد صعوبة بالغة فيه)

1. فهم المعاني الذاتية والوجدانية للمكان

رغم كل التقدم في معالجة اللغة الطبيعية، يبقى الفهم العميق للعلاقات الوجدانية بين البشر والأماكن بعيد المنال بالنسبة للذكاء الاصطناعي. خوارزميات تحليل المشاعر يمكنها أن تخبرنا أن تغريدة من موقع معين “إيجابية”، لكنها لا تستطيع أن تفهم لماذا يذرف رجل مسن الدموع وهو يقف أمام منزل طفولته المهجور، أو لماذا تصر جماعة على إعادة بناء مسجد أو كنيسة مدمرة بنفس التصميم القديم بدلاً من بناء صرح حديث.

في حلب القديمة بعد الحرب، واجهت جهود إعادة الإعمار المدعومة بالذكاء الاصطناعي معضلة كشفت حدود هذه التقنيات. النماذج الرقمية كانت قادرة على توثيق دمار المباني بدقة مذهلة واقتراح أفضل الطرق الهندسية لإعادة بنائها. لكنها عجزت تماماً عن الإجابة على السؤال الأهم: أي المباني ينبغي إعادة بنائها أولاً؟ بالنسبة للخوارزميات، مسجد صغير في زقاق جانبي كان مجرد نقطة بيانات مثل أي نقطة أخرى. لكن بالنسبة لأهالي الحي، كان “مسجد الشيخ أحمد” هو قلب المنطقة النابض ورمز صمودهم، وكانت إعادة بنائه أولوية مطلقة لا تمليها حسابات الكلفة والفائدة التي تجيدها الآلة.

2. اتخاذ قرارات أخلاقية تتعلق بالعدالة المكانية

التخطيط المكاني مشحون بطبيعته بقرارات تتعلق بتوزيع الموارد والمنافع والأضرار في الفضاء الجغرافي. هذه القرارات تنطوي على أحكام قيمية وأخلاقية تتجاوز قدرة الذكاء الاصطناعي. حين تقرر بلدية ما إغلاق مدرسة في حي فقير لترشيد النفقات، أو بناء طريق سريع يخترق حياً سكنياً، فإن هذه قرارات تنطوي على موازنات أخلاقية بين قيم متضاربة (الكفاءة الاقتصادية مقابل العدالة الاجتماعية، المصلحة العامة مقابل حقوق المجتمعات المحلية).

في عام 2022، أثار تطبيق خرائط “ويز” جدلاً واسعاً عندما بدأ في توجيه حركة المرور عبر أحياء سكنية هادئة في مدن أوروبية لتجنب الازدحام على الطرق الرئيسية. بالنسبة للخوارزمية، كان هذا حلاً أمثل رياضياً يقلل زمن الرحلة لآلاف السائقين. لكن بالنسبة لسكان تلك الأحياء، كان الأمر يمثل غزواً يومياً لهدوئهم وزيادة في التلوث والخطر على أطفالهم. الخوارزمية لم تكن قادرة على فهم مفهوم “الحق في الهدوء” أو “عدالة توزيع أعباء المرور”. تدخل المخططون البشريون لاحقاً لتعديل الخوارزميات بفرض “حدود أخلاقية” تمنع توجيه حركة المرور الكثيفة عبر الشوارع السكنية الضيقة.

3. التعامل مع البيانات المكانية شديدة الندرة أو الفوضوية

في حين يتألق الذكاء الاصطناعي في بيئات البيانات الغنية والمنظمة، فإنه يتعثر بشدة في سياقات ندرة البيانات أو فوضوية المعلومات الجغرافية. كثير من المناطق في العالم النامي ومناطق النزاعات تعاني من فجوات هائلة في البيانات المكانية الأساسية. في اليمن، على سبيل المثال، آخر تعداد سكاني شامل أجري عام 2004، والخرائط الرقمية التفصيلية لمعظم المناطق الريفية غير موجودة.

في هذه السياقات، يعتمد العاملون في المجال الإنساني على أساليب “المسح المجتمعي التشاركي” حيث يرسم السكان المحليون خرائطهم بأنفسهم على الورق أو باستخدام تطبيقات بسيطة، ثم يضيفون المعلومات التي يعرفونها عن منازلهم وطرقهم ومواردهم. هذه البيانات، رغم قيمتها الهائلة، “فوضوية” للغاية بالنسبة لخوارزميات الذكاء الاصطناعي التي تتوقع بيانات نظيفة ومنسقة. وفي عام 2023، قارن تقرير للأمم المتحدة بين محاولة استخدام الذكاء الاصطناعي لتحليل هذه البيانات ومحاولة تحليلها من قبل خبراء بشريين. النتيجة كانت لافتة: المحللون البشريون، بقدرتهم على “قراءة ما بين السطور” وفهم السياق المحلي، استطاعوا استخلاص معلومات قابلة للتنفيذ بنسبة 40% أكثر من النماذج الآلية.

4. تفسير الخرائط التاريخية والوثائق المكانية القديمة

تمثل الخرائط التاريخية والمسوحات العقارية القديمة تحدياً فريداً للذكاء الاصطناعي. فبينما قطعت تقنيات التعرف الضوئي على الحروف (OCR) شوطاً كبيراً في قراءة النصوص المطبوعة، فإن قراءة خط اليد في الوثائق القديمة، وفهم الرموز الكارتوغرافية التاريخية، وتفسير أنظمة الإحداثيات القديمة، كلها مهام تتطلب معرفة سياقية عميقة بالتاريخ المحلي وتطور تقنيات المساحة.

في مشروع طموح لتوثيق حدود الأراضي في البلدة القديمة بالقدس، حاول باحثون استخدام الذكاء الاصطناعي لرقمنة وتحليل سجلات الطابو العثمانية وسجلات الانتداب البريطاني. النماذج الآلية استطاعت التعرف على حوالي 60% من النصوص والرموز بدقة معقولة، لكنها واجهت صعوبات جمة مع الـ 40% المتبقية. على سبيل المثال، العبارة الشائعة في السجلات العثمانية “حدها قبلةً طريق عام” كانت تحير الخوارزمية لأن اتجاه القبلة في القدس هو الجنوب، بينما في سجلات مدن أخرى قد يكون اتجاهاً مختلفاً. المؤرخون والجغرافيون البشريون، بإلمامهم بالسياق التاريخي والمكاني، استطاعوا حل هذه الألغاز الكارتوغرافية، مما يؤكد استمرار الحاجة إلى الخبرة البشرية العميقة.

5. الإبداع المكاني الحقيقي الذي يتجاوز الأنماط الموجودة

رغم التقدم المذهل في النماذج التوليدية مثل GANs وDiffusion Models التي يمكنها إنتاج صور واقعية لمبانٍ وتخطيطات حضرية، فإن هذه النماذج تبقى أسيرة لبيانات التدريب التي تغذت عليها. إنها بارعة في إعادة تركيب وتوليف أنماط موجودة، لكنها لا تستطيع القفز خارج إطار المرجعيات التي تدربت عليها لابتكار مفاهيم مكانية جديدة كلياً.

كل الثورات الكبرى في تصميم المدن جاءت من رؤى بشرية قطعت مع الأنماط السائدة: فكرة “المدينة الحدائقية” لإبنيزر هوارد، رؤية لو كوربوزييه لـ “المدينة المشعة”، مفهوم “المدينة الإسفنجية” الصيني الحديث للتعامل مع مياه الأمطار. هذه الأفكار لم تكن استقراءً إحصائياً لأنماط المدن القائمة، بل كانت قطيعة إبداعية معها. الذكاء الاصطناعي، بطبيعته الإحصائية واستناده إلى البيانات التاريخية، يجد صعوبة في إنتاج هذا النوع من القفزات النوعية.

في مسابقة للتخطيط الحضري نظمتها بلدية سنغافورة عام 2023، طُلب من فرق بشرية وأخرى مدعومة بالذكاء الاصطناعي تقديم رؤى لمنطقة واجهة بحرية مهجورة. الفرق المدعومة بالذكاء الاصطناعي قدمت تصاميم غاية في الأناقة والكفاءة والواقعية، مستوحاة بوضوح من أفضل ممارسات تطوير الواجهات البحرية حول العالم. لكن الفكرة الفائزة جاءت من فريق بشري اقترح تحويل المنطقة إلى “غابة حضرية منتجة” تجمع بين إنتاج الغذاء، ومعالجة مياه الصرف طبيعياً، وفضاءات عامة موسمية. لجنة التحكيم عللت اختيارها بأن الفكرة، رغم كونها أقل “صقلاً” من المقترحات المدعومة بالذكاء الاصطناعي، قدمت رؤية جديدة كلياً للعلاقة بين المدينة والطبيعة والإنتاج، وهو ما لم تستطع الخوارزميات تخيله.

الأخطاء الشائعة التي يقع فيها الذكاء الاصطناعي في التحليل المكاني وأسبابها

1. أخطاء التصنيف بسبب غموض الحدود المكانية

من أكثر الأخطاء شيوعاً في تطبيقات الذكاء الاصطناعي الجغرافية هو التصنيف الخاطئ للمناطق الانتقالية. في دراسة مسحية أجراها معهد “ماكس بلانك” للجغرافيا الحيوية عام 2023، حلل الباحثون أداء 12 نموذجاً مختلفاً للتعلم العميق في تصنيف الغطاء الأرضي عبر 50 موقعاً حول العالم. وجدوا أن 31% من أخطاء التصنيف تركزت في المناطق الحدية (ecotones) حيث تلتقي أنظمة بيئية مختلفة، و23% في المناطق التي تعرضت لتغير تدريجي (مثل التصحر البطيء أو تعافي الغابات بعد الحرائق).

السبب الأساسي لهذه الأخطاء هو بنيوي: خوارزميات التعلم العميق مصممة للبحث عن حدود فاصلة واضحة بين الفئات في الفضاء الرياضي متعدد الأبعاد الذي تمثل فيه البيانات. لكن الحدود الجغرافية في العالم الحقيقي غالباً ما تكون مناطق انتقالية واسعة وليست خطوطاً حادة. عندما تحاول الخوارزمية فرض حدود قاطعة على واقع متدرج، فإنها تنتج بالضرورة تصنيفات خاطئة عند الهوامش.

هذه المشكلة تتجلى بشكل خاص في تحليل الظواهر البشرية. دراسة على مدينة مكسيكو سيتي عام 2024 حاولت استخدام الذكاء الاصطناعي لرسم حدود الأحياء بناءً على بيانات الهواتف المحمولة وأنماط الحركة. النموذج أنتج حدوداً تبدو دقيقة و”علمية”، لكنها اخترقت في كثير من الحالات أحياءً متماسكة اجتماعياً وقسمتها إلى كيانات متجاورة. السكان المحليون سخروا من “خرائط الذكاء الاصطناعي” التي قسمت حياً عريقاً مثل “كويوكان” إلى ثلاث “مناطق وظيفية” متجاهلةً قروناً من التاريخ المشترك والهوية المحلية.

2. أخطاء التوقعات المكانية بسبب “مفاجآت” العالم الحقيقي

تعتمد النماذج التنبؤية في التحليل المكاني على افتراض ضمني بأن المستقبل سيكون امتداداً إحصائياً للماضي. هذا الافتراض ينهار بشكل كارثي عند حدوث تغيرات جذرية أو أحداث غير مسبوقة. جائحة كوفيد-19 كانت اختباراً قاسياً كشف هشاشة النماذج المكانية المدعومة بالذكاء الاصطناعي.

ففي مجال التنبؤ بحركة المرور، انهارت دقة نماذج غوغل وويز خلال الأسابيع الأولى من الإغلاق في مارس 2020. النماذج، التي تدربت على سنوات من بيانات الازدحام المتكرر، وجدت نفسها في عالم أصبحت فيه الطرق المزدحمة عادةً خاوية تماماً. بعض النماذج استمرت في “توقع” ازدحامات غير موجودة لأسابيع بعد بدء الإغلاق، لأنها لم تكن مصممة للتعامل مع انزياح جذري بهذا الحجم في سلوك التنقل البشري.

السبب العميق لهذه الأخطاء هو ما يسميه الإحصائيون “الانزياح المفاجئ للتوزيع الاحتمالي” (Sudden Distribution Shift). الذكاء الاصطناعي يتفوق في الاستيفاء (التنبؤ ضمن نطاق البيانات التي رآها من قبل) لكنه يخفق في الاستقراء (التنبؤ خارج هذا النطاق). الأزمات الحقيقية، بحكم تعريفها، تقع خارج نطاق الخبرة التاريخية للنموذج.

3. أخطاء التعميم الخرائطي: فقدان التفاصيل الحيوية

عندما يتعامل الذكاء الاصطناعي مع كميات ضخمة من البيانات المكانية، فإنه يضطر بالضرورة إلى تبسيط الواقع وتعقيداته. عملية التعميم الخرائطي هذه، رغم ضرورتها التقنية، يمكن أن تؤدي إلى فقدان تفاصيل محلية بالغة الأهمية. هذا الخطأ شائع بشكل خاص عندما يتم تطبيق نماذج مدربة على بيانات من سياق جغرافي معين على سياق مختلف تماماً.

في دراسة حالة مؤثرة من كينيا عام 2023، استخدمت منظمة إنسانية دولية نموذج ذكاء اصطناعي لتحديد القرى الأكثر احتياجاً للمساعدات الغذائية. النموذج، الذي تم تطويره في أوروبا ودرب على بيانات من القرن الأفريقي، استخدم مؤشرات مثل القرب من الطرق المعبدة والأسواق المركزية كمؤشرات إيجابية على “الوصول إلى الموارد”. لكن في سياق ريف كينيا، كانت القرى الأقرب إلى الطرق الرئيسية هي في الواقع الأكثر فقراً، لأنها استقبلت نازحين من مناطق أكثر نائية وضغطوا على مواردها الشحيحة. النموذج، بتعميمه غير المدرك للسياق المحلي، أوصى بتوجيه المساعدات بعيداً عن هذه القرى الأكثر احتياجاً.

السبب هنا هو “انحياز السياق” (Context Bias) في بيانات التدريب. العلاقات المكانية ليست كونية؛ فما يعتبر ميزة جغرافية في سياق ما قد يكون عبئاً في سياق آخر. النماذج العالمية، ما لم تصمم بعناية لتكون حساسة للسياقات المحلية، ستعيد إنتاج افتراضات جغرافية مشكوك في صلاحيتها العالمية.

4. الهلوسة المكانية في النماذج التوليدية

مع ظهور النماذج التوليدية القوية القادرة على إنتاج صور واقعية، برزت ظاهرة “الهلوسة” المكانية كمصدر جديد ومقلق للأخطاء. هذه النماذج، التي تدربت على ملايين الصور، يمكنها أن “تخترع” تفاصيل مكانية غير موجودة تبدو واقعية بشكل خادع.

في حادثة شهيرة عام 2024، استخدمت شركة تطوير عقاري في الخليج نموذجاً توليدياً لإنتاج تصورات مستقبلية لمشروع عمراني ضخم. الصور الناتجة كانت خلابة، تظهر مبانٍ مستقبلية أنيقة محاطة بحدائق مورقة وقنوات مائية. المشكلة أن النموذج، في محاولته “تحسين” المشهد، أضاف تلالاً خضراء وجبالاً في الخلفية لا وجود لها في تضاريس الموقع الصحراوي المسطح. كما “اخترع” انعكاسات لمبانٍ في مياه القنوات بزوايا مستحيلة بصرياً، ووضع أشجار نخيل في مواقع لا تسمح بها خطط الري والبنية التحتية.

سبب هذه الهلوسات هو أن النماذج التوليدية لا “تفهم” الجغرافيا أو الفيزياء؛ إنها تتعلم الارتباطات الإحصائية بين البكسلات في صور التدريب. عندما تولد صورة جديدة، فإنها تسعى لإرضاء هذه الارتباطات الإحصائية، ليس لإنتاج تمثيل دقيق للواقع المادي. في سياق الخرائط والتحليل المكاني، حيث الدقة الواقعية أساسية، تشكل هذه الهلوسات خطراً حقيقياً على عملية اتخاذ القرار.

5. الخلط بين الارتباط المكاني والسببية

من الأخطاء المنهجية العميقة التي تقع فيها تطبيقات الذكاء الاصطناعي في التحليل المكاني هي افتراض أن الارتباط الإحصائي القوي بين ظاهرتين مكانيتين يعني بالضرورة وجود علاقة سببية بينهما. هذا الخطأ، الذي حذر منه الإحصائيون لعقود، يتضخم مع قدرة الذكاء الاصطناعي على اكتشاف ارتباطات خفية في بيانات ضخمة.

في دراسة تحليلية لافتة عام 2023، قام باحثون بتغذية نموذج تعلم آلة بآلاف المتغيرات الجغرافية لمحاولة التنبؤ بمواقع الشركات الناشئة الناجحة في المدن الأمريكية. النموذج اكتشف ارتباطاً إحصائياً قوياً بين وجود مقاهٍ لسلسلة “ستاربكس” ونجاح الشركات الناشئة في نفس الحي. بناءً على هذه النتيجة، اقترح بعض المحللين أن “تأثير ستاربكس” هو عامل سببي في خلق بيئة ريادية!

بالطبع، التحليل الأعمق كشف أن كلاً من وجود ستاربكس والشركات الناشئة مرتبطان بعامل ثالث: وجود سكان شباب متعلمين ذوي دخل مرتفع. النموذج الإحصائي، رغم دقته التنبؤية العالية، لم يستطع التمييز بين الارتباط والسببية. هذا القصور ليس مجرد مسألة تقنية يمكن حلها بمزيد من البيانات أو خوارزميات أفضل، بل هو تحدٍ معرفي أساسي في فهم النظم المكانية المعقدة حيث تتداخل العوامل بشكل يصعب فصله.

6. أخطاء التحيز الزماني في البيانات المكانية

غالباً ما تعكس البيانات المكانية المتاحة لحظة زمنية محددة، أو تتضمن تحيزات زمانية خفية تؤثر على أداء النماذج المدعومة بالذكاء الاصطناعي. هذه المشكلة حادة بشكل خاص في المناطق سريعة التغير.

في مشروع لرسم خرائط الفقر في القاهرة باستخدام صور الأقمار الصناعية الليلية، اعتمد نموذج تعلم عميق على بيانات من عام 2019 لتدريب نفسه على العلاقة بين الإضاءة الليلية ومستويات الدخل. بحلول عام 2023، عندما تم تطبيق النموذج، بدأ في إنتاج تقديرات خاطئة بشكل متزايد. السبب لم يكن تقنياً بحتاً، بل جغرافياً-سياسياً: الحكومة المصرية قامت بين 2019 و2023 بمشاريع ضخمة لإضاءة طرق وميادين رئيسية حتى في أحياء منخفضة الدخل كجزء من مبادرات تحسين الأمن والجمال الحضري. النموذج، الذي تعلم ربط الإضاءة بالثراء، بدأ يصنف هذه الأحياء خطأً على أنها شهدت تحسناً اقتصادياً كبيراً.

هذا النوع من الأخطاء يسلط الضوء على ما يمكن تسميته “عمى التغير السياقي” في نماذج الذكاء الاصطناعي. النماذج تعالج البيانات كلقطات ثابتة، بينما العالم الجغرافي الحقيقي في حالة تحول مستمر، ليس فقط في مظهره الفيزيائي، بل في المعاني والدلالات المرتبطة بهذا المظهر.

خاتمة: نحو تكامل ذكي بين الإنسان والآلة في فهم المكان

في نهاية هذه الجولة التفصيلية في تضاريس العلاقة المعقدة بين الذكاء الاصطناعي والتحليل المكاني، يتضح أننا أمام تقنية ذات قدرات استثنائية ومحدوديات جوهرية في آن معاً. الذكاء الاصطناعي يستطيع معالجة كميات مهولة من البيانات الجغرافية بسرعة ودقة تتجاوزان القدرات البشرية بكثير، ويستطيع اكتشاف أنماط مكانية خفية، وأتمتة المهام المتكررة بدقة متناهية. لكنه في المقابل يظل عاجزاً عن فهم الأبعاد الوجدانية والرمزية للمكان، ويتعثر في السياقات التي تندر فيها البيانات أو تكون فوضوية، ويجد صعوبة في التعامل مع التحولات الجذرية التي تكسر الأنماط التاريخية.

الأخطاء التي يقع فيها الذكاء الاصطناعي في التحليل المكاني ليست مجرد “علل تقنية” يمكن إصلاحها بمزيد من البيانات أو خوارزميات أكثر تطوراً. كثير منها نابع من طبيعة المعرفة الجغرافية نفسها، التي تجمع بين القابل للقياس الكمي وغير القابل للقياس، بين الموضوعي والذاتي، بين العام والخاص سياقياً.

المستقبل الواعد ليس في استبدال المحلل المكاني البشري بالخوارزميات، بل في صياغة علاقة تكاملية ذكية بينهما. يمكن للذكاء الاصطناعي أن يقوم بـ “العمل الشاق” المتمثل في معالجة البيانات الضخمة واستخراج الأنماط الأولية، مما يحرر العقل البشري للتركيز على ما يجيده حقاً: التفسير السياقي العميق، والفهم الإنساني للمكان، وإصدار الأحكام القيمية والأخلاقية، والإبداع الذي يتجاوز المألوف.

في عالم يزداد تعقيداً وترابطاً، وتواجه فيه مدننا ومجتمعاتنا تحديات مكانية غير مسبوقة من التغير المناخي إلى الهجرة الجماعية إلى التحول الرقمي، نحتاج إلى أفضل ما في العالمين: قوة الذكاء الاصطناعي التحليلية، وحكمة الفهم البشري العميق للمكان. الجغرافيا، كما علّمنا مؤسسوها الأوائل، هي فن وعلم في آن معاً. والذكاء الاصطناعي، رغم كل تطوره، لا يزال أقرب إلى العلم منه إلى الفن.