Der Innovator, Zukunftsforscher und Autor Ray Kurzweil aus dem Jahr 1970 betonte in einem Vortrag am Mittwoch seinen Optimismus in Bezug auf künstliche Intelligenz und den technologischen Fortschritt im Allgemeinen, während er den Robert A. Muh Alumni Award des MIT von der College of Humanities, Arts, and Social Sciences (SHASS) entgegennahm.

Kurzweil präsentierte seine charakteristischen hochkarätigen Prognosen darüber, wie KI und Laptop vollständig mit der menschlichen Funktionalität verschmelzen werden, und schlug vor, dass KI zu enormen Fortschritten in der Langlebigkeit, in der Medizin und in anderen Lebensbereichen führen wird.

„Die Menschen wissen nicht zu schätzen, dass sich der Fortschritt beschleunigt“, sagte Kurzweil und prognostizierte „unglaubliche Durchbrüche“ für die nächsten zwei Jahrzehnte.

Kurzweil hielt seinen Vortrag mit dem Titel „Reinventing Intelligence“ in der Thomas Tull Live performance Corridor des Edward and Joyce Linde Music Constructing, das Anfang 2025 auf dem MIT-Campus eröffnet wurde.

Der Muh Award wurde von Robert A. Muh ’59 und seiner Frau Berit gegründet und gestiftet und ist eine der führenden Alumni-Auszeichnungen von SHASS und MIT. Muh, ein emeritiertes Mitglied auf Lebenszeit der MIT Company, hat den Preis ins Leben gerufen, der alle zwei Jahre für „außergewöhnliche Beiträge“ von Absolventen der Geistes-, Kunst- und Sozialwissenschaften verliehen wird.

Robert und Berit Muh waren beide beim Vortrag anwesend, zusammen mit ihrer Tochter Carrie Muh ’96, ’97, SM ’97.

Agustín Rayo, Dekan des SHASS, hielt einleitende Bemerkungen und nannte Kurzweil „einen der produktivsten Denker unserer Zeit“. Rayo fügte hinzu, dass Kurzweil „sein Leben und seine Karriere auf der Überzeugung aufgebaut hat, dass Ideen die Welt verändern und sie zum Besseren verändern.“

Kurzweil conflict ein Innovator im Bereich der Spracherkennungstechnologien, entwickelte Fortschritte und gründete Unternehmen, die blinden oder sehbehinderten Menschen geholfen und bei der Musikproduktion geholfen haben. Er ist außerdem ein Bestsellerautor, der Fortschritte bei der Rechenleistung und sogar die Verschmelzung von Mensch und Maschine verkündet hat.

Der erste Abschnitt von Kurzweils Vortrag hatte einen autobiografischen Schwerpunkt und reflektierte seine Familie und seine frühen Jahre. Die Familien der beiden Eltern von Kurzweil flohen vor den Nazis in Europa und suchten Zuflucht in den USA, in der Überzeugung, dass die Menschen sich eine bessere Zukunft schaffen könnten.

„Meine Eltern haben mir beigebracht, dass die Kraft von Ideen die Welt wirklich verändern kann“, sagte Kurzweil.

Er erinnerte sich, dass Kurzweil schon früh Interesse daran zeigte, wie Dinge funktionieren, und sich bereits im Alter von etwa sieben Jahren dazu entschloss, Erfinder zu werden. Er beschrieb auch, dass seine Mutter ihn als Variety enorm ermutigt habe. Die beiden machten gemeinsame Spaziergänge und der junge Kurzweil redete über all die Dinge, die er sich vorstellen konnte.

„Ich erzählte ihr meine Ideen und egal wie fantastisch sie waren, sie glaubte daran“, sagte er. „Andere Eltern hätten vielleicht nur gelacht … aber sie hat tatsächlich an meine Ideen geglaubt, und das hat mir tatsächlich Selbstvertrauen gegeben, und ich denke, Selbstvertrauen ist wichtig für den Erfolg.“

In den frühen 1960er Jahren interessierte er sich für Informatik und studierte als MIT-Pupil sowohl Informatik als auch Literatur.

Kurzweil verbindet eine langjährige Verbindung mit dem MIT, die weit über sein Grundstudium hinausgeht. Er conflict von 2005 bis 2012 Mitglied der MIT Company und erhielt 2001 für seine Entwicklung der Lesetechnologie den mit 500.000 US-Greenback dotierten Lemelson-MIT-Preis, eine Auszeichnung für Innovation.

„Das MIT hat im Laufe der Jahre eine wichtige Rolle in meinem Privat- und Berufsleben gespielt“, sagte Kurzweil und bezeichnete sich selbst als „wirklich geehrt, diese Auszeichnung zu erhalten.“ Er wandte sich an Muh und fügte hinzu: „Ihr langjähriges Engagement für unsere Alma Mater ist inspirierend.“

Nach seinem Abschluss am MIT startete Kurzweil eine erfolgreiche Karriere mit der Entwicklung innovativer Computerprodukte, darunter eines, das Textual content in allen Schriftarten erkannte und eine Audio-Lesung erstellen konnte. Neben vielen anderen Fortschritten entwickelte er auch hochmoderne Musiksynthesizer.

In einem entsprechenden Teil seiner Karriere hat sich Kurzweil zu einem tatkräftigen Autor entwickelt, zu dessen bekanntesten Büchern unter anderem „The Age of Clever Machines“ (1990), „The Age of Non secular Machines“ (1999), „The Singularity Is Close to“ (2005) und „The Singularity Is Nearer“ (2024) gehören.

Kurzweil wurde kürzlich zum Chief AI Officer von Past Creativeness ernannt, einem von ihm mitbegründeten Robotikunternehmen. In den letzten Jahren conflict er auch bei Google tätig und beschäftigte sich mit Technologien für natürliche Sprache.

In seinen Ausführungen unterstrich Kurzweil seine Ansicht, dass technologische Innovationen exponentiell voranschreiten, wie das Wachstum der Rechenleistung im Laufe der Zeit zeigt und ermöglicht.

„Die Leute denken nicht wirklich an exponentielles Wachstum; sie denken an lineares Wachstum“, sagte Kurzweil.

Dieses Konzept mache ihn zuversichtlich, dass eine Reihe von Innovationen mit bemerkenswerter Geschwindigkeit fortgesetzt werde.

„Eine der größeren Veränderungen, die wir in naher Zukunft durch KI erleben werden, ist Gesundheit und Medizin“, sagte Kurweil und prognostizierte, dass medizinische Studien am Menschen durch simulierte „digitale Studien“ ersetzt werden.

Kurzweil glaubt auch, dass Fortschritte in den Bereichen Laptop und KI zu so vielen medizinischen Fortschritten führen können, dass sie bald zu einer drastischen Verbesserung der menschlichen Lebenserwartung führen werden.

„Diese unglaublichen Durchbrüche werden zu dem führen, was wir als Langlebigkeits-Fluchtgeschwindigkeit bezeichnen“, sagte Kurzweil. „Ungefähr im Jahr 2032, wenn man ein Jahr durchlebt, bekommt man ein ganzes Jahr vom wissenschaftlichen Fortschritt zurück, und darüber hinaus bekommt man für jedes Jahr, das man lebt, mehr als ein Jahr zurück, sodass man gesundheitlich in eine Zeitreise zurückversetzt wird“, sagte Kurweil. Er bot an, dass diese Fortschritte bei den Menschen „beginnen“ würden, die am fleißigsten auf ihre Gesundheit achten.

Kurzweil skizzierte auch eine seiner bekanntesten Prognosen, dass KI und Menschen kombiniert werden. „Während wir voranschreiten, werden die Grenzen zwischen Mensch und Technologie verschwimmen, bis wir … ein und dasselbe sind“, sagte Kurzweil. „So lernen wir, mit KI zu verschmelzen. In den 2030er Jahren werden Roboter in der Größe von Molekülen nichtinvasiv durch die Kapillaren in unser Gehirn eindringen und unser Gehirn direkt mit der Cloud verbinden. Stellen Sie sich vor, Sie hätten ein Telefon, aber in Ihrem Gehirn.“

„Bis 2045, wenn wir vollständig mit der KI verschmolzen sind, wird unsere Intelligenz nicht länger eingeschränkt sein … sie wird sich um das Millionenfache vergrößern“, sagte er. „Das nennen wir die Singularität.“

Natürlich räumte Kurzweil ein: „Technologie conflict schon immer ein zweischneidiges Schwert“, da eine Drohne entweder medizinische Versorgung oder Waffen liefern kann. „Bedrohungen durch KI sind actual und müssen ernst genommen werden, (und) ich denke, wir tun das“, sagte er. Auf jeden Fall, fügte er hinzu, „haben wir einen moralischen Imperativ, das Versprechen neuer Technologien zu verwirklichen und gleichzeitig die Gefahr zu kontrollieren.“ Er kam zu dem Schluss: „Wir sind nicht dazu verdammt, keines dieser Risiken zu kontrollieren.“

Wenn es eine Sache gibt, die das Fahren in einer Großstadt auszeichnet, dann ist es die ständige Cease-and-Go, wenn sich die Ampeln ändern und sich Autos und Lastwagen verschmelzen und sich trennen und drehen und parken. Diese konstante Stopp und Begin ist extrem ineffizient und treibt die Umweltverschmutzung, einschließlich Treibhausgase, die professional Fahrt Meile ausstrahlt, erhöht.

Ein Ansatz, um dies zu entgegenkommen, wird als Öko-Fahrt bezeichnet, das als Steuerungssystem in autonomen Fahrzeugen installiert werden kann, um ihre Effizienz zu verbessern.

Wie viel Unterschied könnte das machen? Wären die Auswirkungen solcher Systeme auf die Reduzierung der Emissionen die Investition in die Technologie wert? Die Beantwortung solcher Fragen ist eine breite Kategorie von Optimierungsproblemen, die für Forscher schwierig waren, die Lösungen zu testen, die sie entwickelt haben. Dies sind Probleme, die viele verschiedene Agenten betreffen, wie die vielen verschiedenen Arten von Fahrzeugen in einer Stadt, und verschiedene Faktoren, die ihre Emissionen beeinflussen, einschließlich Geschwindigkeit, Wetter, Straßenbedingungen und Ampeln.

„Wir haben uns vor ein paar Jahren in der Frage interessiert: Gibt es etwas, das automatisierte Fahrzeuge hier in Bezug auf mildernde Emissionen tun könnten?“ Laut Cathy Wu, Thomas D. und Virginia W. Cabot Profession Growth Affiliate Professor am Division of Civil and Environmental Engineering sowie des Instituts für Daten, Systeme und Gesellschaft (IDSS) am MIT sowie Hauptforscher im Labor für Informations- und Entscheidungssysteme. „Ist es ein Tropfen in den Eimer oder ist es etwas zu denken?“, Fragte sie sich.

Um eine solche Frage mit so vielen Komponenten zu beantworten, besteht die erste Anforderung darin, alle verfügbaren Daten über das System aus vielen Quellen zu sammeln. Eines ist das Format der Topologie des Netzwerks, sagt Wu, in diesem Fall eine Karte aller Kreuzungen in jeder Stadt. Dann gibt es Daten der US Geological Survey, die die Erhöhungen zeigen, um den Grad der Straßen zu bestimmen. Es gibt auch Daten zu Temperatur und Luftfeuchtigkeit, Daten zur Mischung von Fahrzeugtypen und -alter sowie zur Mischung von Kraftstofftypen.

Um nach Öko-Fahren kleine Anpassungen vorzunehmen, um den unnötigen Kraftstoffverbrauch zu minimieren. Wenn sich Autos beispielsweise einer Ampel nähern, die rot geworden ist, „macht es keinen Sinn, so schnell wie möglich zum roten Licht zu fahren“, sagt sie. Durch das Rollen brenne ich in der Zwischenzeit weder Gasoline noch Elektrizität. “ Wenn ein Auto wie ein automatisiertes Fahrzeug bei der Annäherung an eine Kreuzung verlangsamt, werden die konventionellen, nicht automatischen Autos dahinter ebenfalls gezwungen, sich zu verlangsamen, sodass sich die Auswirkungen eines solchen effizienten Fahrens weit über das Auto über das Auto hinaus erstrecken können.

Das ist die Grundidee hinter dem Öko-Fahren, sagt Wu. Um jedoch die Auswirkungen solcher Maßnahmen herauszufinden, „diese sind herausfordernde Optimierungsprobleme“, die viele verschiedene Faktoren und Parameter beinhalten, „gibt es im Second eine Welle von Interesse daran, wie man schwierige Kontrollprobleme mit AI löst.“

Das neue Benchmark-System, das Wu und ihre Mitarbeiter auf der Grundlage der städtischen Öko-Fahrten entwickelt haben, die sie als „IntersectionZoo“ bezeichnen, soll dazu beitragen, einen Teil dieses Bedürfnisses zu befriedigen. Der Benchmark wurde ausführlich in a Papier Präsentiert auf der Internationalen Konferenz 2025 über Lernrepräsentation in Singapur.

In Angaben der Ansätze, die verwendet wurden, um solche komplexen Probleme anzugehen, ist WU laut WU eine wichtige Kategorie von Methoden darin, dass das Lernen von Tiefenverstärkern (DRL) ein Multi-Agent-Verstärkungs-Lernen (DRL) ist, aber ein Mangel an angemessenen Commonplace-Benchmarks zur Bewertung der Ergebnisse solcher Methoden hat den Fortschritt auf diesem Gebiet behindert.

Der neue Benchmark soll ein wichtiges Downside ansprechen, das Wu und ihr Crew vor zwei Jahren identifiziert haben. Wenn es bei den meisten vorhandenen tiefen Verstärkungslernalgorithmen für eine bestimmte Scenario (z. B. eine bestimmte Kreuzung) trainiert wird, bleibt das Ergebnis nicht related, wenn auch kleine Modifikationen vorgenommen werden, z.

Tatsächlich, wie Wu betont, ist dieses Downside der Nicht-Generalisierbarkeit „nicht nur für den Verkehr“, sagt sie. „Es geht bis zu kanonischen Aufgaben zurück, mit denen die Gemeinschaft den Fortschritt im Algorithmusdesign bewertet.“ Da die meisten derartigen kanonischen Aufgaben keine Änderungen vornehmen, ist es schwer zu wissen, ob Ihr Algorithmus bei dieser Artwork von Robustheit Fortschritte macht, wenn wir dies nicht bewerten. „

Während es viele Benchmarks gibt, die derzeit zur Bewertung algorithmischer Fortschritte in der DRL verwendet werden, sagt sie: „Dieses Ökotrettproblem enthält eine große Reihe von Merkmalen, die für die Lösung realer Probleme, insbesondere aus der Sichtweise der Generalisierbarkeit, wichtig sind und kein anderer Benchmark erfüllt.“ Aus diesem Grund positionieren die 1 Million datengesteuerten Verkehrsszenarien in IntersectionZoo sie auf einzigartige Weise, um die Fortschritte bei der DRL-Generalisierbarkeit voranzutreiben. Infolgedessen „dieser Benchmark ergänzt den Reichtum an Möglichkeiten zur Bewertung von tiefen RL -Algorithmen und Fortschritten“.

In Bezug auf die anfängliche Frage zum Stadtverkehr wird ein Schwerpunkt der laufenden Arbeiten dieses neu entwickelten Benchmarking-Instrument anwenden, um den speziellen Fall anzugehen, in dem sich die Auswirkungen auf die Emissionen aus der Implementierung von Öko-Fahren in automatisierten Fahrzeugen in einer Stadt entsprechen würden, je nachdem, wie viel Prozent der Fahrzeuge tatsächlich stationiert sind.

Wu fügt jedoch hinzu, dass „das Hauptziel dieser Studie, die die Entwicklung von allgemeinen Lernalgorithmen der allgemeinen Purple-Purple-Purple-Purple-Purple-Purple-Purpur-Lernalgorithmen auf diese Anwendung angewendet werden kann, aber auch auf all diese anderen Anwendungen angewendet werden kann, anstatt etwas zu erstellen, das es ist, die Entwicklung von allgemeinen Lernalgorithmen für allgemeine Verstärkung zu unterstützen.

Wu fügt hinzu, dass „das Ziel des Projekts darin besteht, dies als Instrument für Forscher bereitzustellen, das offen verfügbar ist.“ IntersectionZoo und die Dokumentation zum Gebrauch sind bei der Verwendung frei bei Github.

Wu wird von den Hauptautoren Vindula Jayawardana, einem Doktorand der MIT -Abteilung für Elektrotechnik und Informatik (EECs), auf dem Papier begleitet. Baptiste Freydt, ein Doktorand aus ETH Zürich; und Co-Autoren AO Qu, ein Doktorand im Transport; Cameron Hickert, ein IDSS -Doktorand; und Zhongxia Yan PhD ’24.

In den letzten Jahren hat es in der KI viele erstaunliche Entwicklungen gegeben. ChatGPT kam erstmals im November 2022 auf den Markt. Es warfare ein bemerkenswerter Durchbruch, der weltweit für Schlagzeilen sorgte. ChatGPT und andere KI-Startups steigern die Nachfrage nach Softwareentwicklern.

In jüngerer Zeit haben wir auch von einigen neueren Entwicklungen in der KI gehört. Erst heute gab Microsoft bekannt, dass dies der Fall ist Einführung neuer KI-Mitarbeiter das Anfragen bearbeiten kann.

Eine der größten Entwicklungen ist jedoch die Gründung von RAG. Lesen Sie weiter, um zu erfahren, welche Auswirkungen es auf unsere Zukunft hat.

RAG ist das neueste glänzende Spielzeug mit KI

Wenn wir über KI, Retrieval Augmented Technology (RAG) und dergleichen sprechen, ist es hilfreich, sich einen LLM als Particular person vorzustellen.

Wir haben alle den Satz „Allesbewerber, kein Meister“ gehört, und das trifft auf große Sprachmodelle (LLMs) zu. In ihrer Standardform sind LLMs generalistisch. IBM hat einen tollen Überblick darüber.

Wenn Sie möchten, dass ein LLM an einem Unternehmen beteiligt ist und entweder produktive Ergebnisse erzielt oder Entscheidungen trifft – um über die allgemeine Ausrichtung hinauszugehen –, müssen Sie ihm etwas über Ihr Unternehmen beibringen, und Sie müssen ihm viel beibringen! Die Liste ist lang, aber als Grundlage müssen Sie ihr die grundlegenden Fähigkeiten für die Ausführung einer Aufgabe, die Organisation und die Prozesse der Organisation, das gewünschte Ergebnis und potenzielle Probleme beibringen und sie mit dem Kontext versorgen, der zur Lösung des Issues erforderlich ist aktuelles Downside. Sie müssen ihm auch alle notwendigen Werkzeuge zur Verfügung stellen, um entweder eine Änderung herbeizuführen oder mehr zu erfahren. Dies ist eines der neuesten Beispiele dafür Möglichkeiten, wie KI Unternehmen helfen kann.

Auf diese Weise ist der LLM einer Particular person sehr ähnlich. Wenn Sie jemanden einstellen, beginnen Sie damit, die Fähigkeiten zu finden, die Sie benötigen. Sie helfen ihm, Ihr Unternehmen zu verstehen, informieren ihn über den Geschäftsprozess, in dem er arbeitet, geben ihm Zielvorgaben und Zielvorgaben, schulen ihn in seiner Arbeit und geben ihm Werkzeuge an die Hand ihre Aufgabe.

Für die Menschen wird dies alles durch formelle und informelle Schulungen sowie die Bereitstellung guter Werkzeuge erreicht. Für ein großes Sprachmodell wird dies mit RAG erreicht. Wenn wir additionally die Vorteile der KI in einem Unternehmen nutzen wollen, müssen wir bei RAG sehr intestine werden.

Was ist additionally die Herausforderung?

Eine der Einschränkungen moderner Massive Language Fashions ist die Menge an Kontextinformationen, die für jede einzelne Aufgabe bereitgestellt werden können, die das LLM ausführen soll.

RAG bietet diesen Kontext. Daher ist die Vorbereitung eines prägnanten und genauen Kontexts von entscheidender Bedeutung. Es ist dieser Kontext, der dem Modell die Besonderheiten Ihres Unternehmens und die Aufgabe vermittelt, die Sie ihm stellen. Geben Sie einem LLM die richtige Frage und den richtigen Kontext und er wird eine Antwort geben oder eine Entscheidung treffen, genauso wie ein Mensch (wenn nicht sogar besser).

Es ist wichtig, den Unterschied zu machen, dass Menschen durch Handeln lernen; LLMs lernen nicht auf natürliche Weise, sie sind statisch. Um das LLM zu lehren, müssen Sie diesen Kontext sowie eine Feedbackschleife erstellen, die diesen RAG-Kontext aktualisiert, damit er beim nächsten Mal besser abschneidet.

Die Effizienz der Artwork und Weise, wie dieser Kontext kuratiert wird, ist sowohl für die Leistung des Modells von entscheidender Bedeutung, steht aber auch in direktem Zusammenhang mit den Kosten. Je größer der Aufwand zur Schaffung dieses Kontexts ist, desto teurer wird das Projekt, sowohl zeitlich als auch in Bezug auf die tatsächlichen Kosten.

Wenn dieser Kontext nicht korrekt ist, werden Sie außerdem unendlich mehr Zeit damit verbringen, das Modell zu korrigieren, zu optimieren und zu verbessern, anstatt sofort Ergebnisse zu erzielen.

Das macht KI zu einem Datenproblem.

Es ist schwierig, den für LLMs erforderlichen Kontext zu schaffen, da dafür viele Daten benötigt werden – idealerweise alles, was Ihr Unternehmen weiß und das related sein könnte. Und dann müssen diese Daten auf die relevantesten Informationen reduziert werden. Selbst in der datengesteuertesten Organisation ist das keine leichte Aufgabe.

In Wirklichkeit haben die meisten Unternehmen große Teile ihres Datenbestands lange Zeit vernachlässigt, insbesondere die weniger strukturierten Daten, die dazu gedacht sind, Menschen (und damit LLMs) beizubringen, wie sie ihre Arbeit erledigen sollen.

LLMs und RAG bringen ein uraltes Downside noch mehr ans Licht: Daten liegen in Silos vor, die schwer zu erreichen sind.

Wenn man bedenkt, dass wir es jetzt sowohl mit unstrukturierten als auch mit strukturierten Daten zu tun haben, haben wir es mit noch mehr Silos zu tun. Der Kontext, der erforderlich ist, um einen Mehrwert aus der KI zu ziehen, bedeutet, dass es beim Umfang der Daten nicht mehr nur darum geht, Zahlen aus Salesforce abzurufen. Wenn Unternehmen den wahren Wert der KI erkennen wollen, benötigen sie auch Schulungsmaterialien für das Onboarding von Menschen, PDFs, Anrufprotokolle usw. die Liste geht weiter.

Für Unternehmen ist die Übergabe von Geschäftsprozessen an KI eine große Herausforderung, aber die Organisationen mit der besten Fähigkeit, kontextbezogene Daten zu kuratieren, sind dafür am besten geeignet.

Im Kern sind „LLM + Kontext + Instruments + menschliche Aufsicht + Feedbackschleife“ der Schlüssel dazu, dass KI nahezu jeden Geschäftsprozess beschleunigt.

Matillion kann auf eine lange und erfolgreiche Geschichte zurückblicken, wenn es darum geht, Kunden bei der produktiven Nutzung von Daten zu unterstützen. Seit mehr als einem Jahrzehnt entwickeln wir unsere Plattform weiter – von BI zu ETL, jetzt zur Information Productiveness Cloud – und fügen Bausteine ​​hinzu, die es unseren Kunden ermöglichen, die neuesten technologischen Fortschritte optimum zu nutzen und so ihre Datenproduktivität zu verbessern. KI und RAG sind keine Ausnahmen. Wir haben unserem Software die Bausteine ​​hinzugefügt, die es Kunden ermöglichen, RAG-Pipelines zusammenzustellen und zu testen, um Daten für die Vektorspeicher vorzubereiten, die RAG antreiben; Bereitstellung der Instruments, um diesen überaus wichtigen Kontext mit dem LLM zusammenzustellen, und Bereitstellung der Instruments, die für Suggestions und Zugriff auf die Qualität der LLM-Antworten erforderlich sind.

Wir eröffnen den Zugang zu RAG-Pipelines, ohne dass schwer zu findende Datenwissenschaftler oder große Investitionen erforderlich sind, sodass Sie LLMs nutzen können, die nicht mehr nur ein „Alleskönner“, sondern ein wertvolles und wertvolles Werkzeug sind bahnbrechender Teil Ihrer Organisation.

Während jahrzehntelange diskriminierende Richtlinien und Praktiken weiterhin die Krise bezahlbaren Wohnraums in den Vereinigten Staaten anheizen, befindet sich weniger als fünf Kilometer vom MIT-Campus entfernt ein Leuchtturm der Innovation und Stärkung der Gemeinschaft.

„Wir sind sehr stolz, die langjährige Partnerschaft des MIT mit Camfield Estates fortzusetzen“, sagt Catherine D’Ignazio, außerordentliche Professorin für Stadtwissenschaften und Planung. „Camfield ist seit langem ein Inkubator für kreative Ideen, die sich auf die Verbesserung ihrer Gemeinschaft konzentrieren.“

D’Ignazio ist Co-Leiter eines Forschungsteams, das sich im Rahmen der MIT-Initiative zur Bekämpfung systemischen Rassismus (ICSR) unter der Leitung des Institute for Information, Techniques, and Society (IDSS) auf Wohnen konzentriert. Die Gruppe untersucht die ungleichen Auswirkungen von Daten, KI und algorithmischen Systemen auf den Wohnungsbau in den Vereinigten Staaten sowie Möglichkeiten, wie dieselben Instrumente zur Beseitigung von Rassenunterschieden eingesetzt werden könnten. Die Camfield Tenant Affiliation ist ein Forschungspartner, der Einblicke in das Downside und relevante Daten bietet und MIT-Forschern die Möglichkeit bietet, echte Herausforderungen zu lösen und lokale Auswirkungen zu erzielen.

Die früher als „Camfield Gardens“ bekannte Wohnsiedlung mit 102 Wohneinheiten in Roxbury, Massachusetts, gehörte in den 1990er Jahren zu den Pionierstandorten im Rahmen des Programms des US-Ministeriums für Wohnungsbau und Stadtentwicklung (HUD), das die Revitalisierung heruntergekommener Sozialwohnungen im ganzen Land zum Ziel hatte. Dies diente auch als Katalysator für die Zusammenarbeit mit dem MIT, die Anfang der 2000er Jahre begann.

„Das Programm gab Camfield das Geld und die Energie, alles auf dem Gelände abzureißen und neu aufzubauen, außerdem ermöglichte es ihnen, das Grundstück für 1 US-Greenback von der Stadt zu kaufen und das Grundstück vollständig in Besitz zu nehmen“, erklärt Nolen Scruggs. ein Masterstudent am MIT Division of City Research and Planning (DUSP), der in den letzten Jahren mit Camfield als Teil des ICSR-Groups für den Wohnungsbau zusammengearbeitet hat. „Damals halfen Doktoranden des MIT dabei, ein Programm zur Überbrückung der digitalen Kluft ins Leben zu rufen, aus dem sich später das heute noch bestehende Techniklabor entwickelte, in dem die Bewohner weiterhin Computerkenntnisse und Dinge erlernen konnten, die sie möglicherweise benötigen, um Hilfe zu leisten.“ ”

Aufgrund dieser frühen Zusammenarbeit wandte sich Camfield Estates 2022 an das MIT, um ein neues Kapitel der Zusammenarbeit mit Studenten zu beginnen. Scruggs verbrachte einige Monate damit, ein Group aus Studenten der Harvard College, des Wentworth Institute of Expertise und des MIT zusammenzustellen, um an einem Wohnungsbauprojekt zu arbeiten, das der Camfield Tenants Affiliation helfen sollte, sich auf ihren bevorstehenden Sanierungsbedarf vorzubereiten.

„Einer der Aspekte, der für die Arbeit des ICSR-Wohnungssektors wirklich wichtig conflict, ist der historische Kontext“, sagt Peko Hosoi, Professor für Maschinenbau und Mathematik, der den ICSR-Wohnungssektor gemeinsam mit D’Ignazio leitet. „Wir sind im Wohnungssektor nicht über Nacht dort angekommen, wo wir jetzt sind. In den USA sind viele Dinge passiert, wie Redlining, Kredithaie und verschiedene Arten der Investition in die Infrastruktur, die wichtige Kontexte hinzufügen.“

„Quantitative Methoden sind eine großartige Möglichkeit, makroskalige Phänomene zu untersuchen, aber unser Group erkennt und schätzt auch qualitative und partizipative Methoden, um ein fundierteres Bild davon zu erhalten, was die Bedürfnisse der Gemeinschaft wirklich sind und welche Arten von Innovationen aus den Gemeinschaften selbst hervorgehen können.“ “ fügt D’Ignazio hinzu. „Hier kommt die Partnerschaft mit Camfield Estates ins Spiel, die Nolen geleitet hat.“

Kreative Lösungen finden

Bevor Scruggs zum MIT kam, beschäftigte er sich als stolzer New Yorker mit Wohnungsfragen, während er ein Praktikum bei seinem örtlichen Kongressabgeordneten, dem Minderheitsführer im Repräsentantenhaus, Hakeem Jeffries, machte. Er rief Anwohner an, um ihre Wohnungssorgen zu besprechen, und erfuhr dabei von den Erschwinglichkeitsproblemen, die es Familien mit niedrigem und mittlerem Einkommen schwer machten, eine Wohnung zu finden.

„Diese Erfahrung hinter den Kulissen bereitete den Boden für mein Engagement in Camfield“, sagt Scruggs und erinnert sich an seine Anfänge in Camfield, wo er partizipative Aktionsforschung betrieb und sich mit älteren Menschen aus Camfield traf, um ihre Anliegen zu besprechen und festzuhalten.

Scruggs sagt, das größte Downside, das sie mit Camfield anzugehen versuchten, sei ein zweifaches: mehr Platz für neue Bewohner zu schaffen und gleichzeitig den derzeitigen Bewohnern dabei zu helfen, ihr Endziel, ein Eigenheim, zu erreichen.

„Dies spricht für einige der größeren Themen, an denen unsere Gruppe am ICSR im Hinblick auf die Erschwinglichkeit von Wohnraum arbeitet“, sagt er. „Bei Camfield geht es darum, wohin Personen mit Abschnitt-8-Gutscheinen umziehen können, welche Beschränkungen sie haben und mit welchen Hindernissen sie konfrontiert sind – sei es durch große Technologiesysteme oder durch individuelle Präferenzen von Vermietern.“

Scruggs fügt hinzu: „Die Diskriminierung, der diese Menschen ausgesetzt sind, wenn sie versuchen, ein Haus zu finden, es zu sichern, mit einer Financial institution zu sprechen usw. – das kann sehr, sehr schwierig und entmutigend sein.“ Scruggs sagt, ein Versuch, diesem Downside entgegenzuwirken, wäre die Einstellung eines Sozialarbeiters, der die Menschen durch den Prozess begleitet – eine von vielen Ideen, die aus einer Zusammenarbeit zwischen Camfield und dem FHLBank Reasonably priced Housing Improvement Competitors entstanden sind.

Im Rahmen des Wettbewerbs bestand das Ziel des Scruggs-Groups darin, den Mietern von Camfield dabei zu helfen, alle ihre Optionen und möglichen Kompromisse zu verstehen, damit sie am Ende fundierte Entscheidungen darüber treffen können, was sie mit ihren Räumlichkeiten machen möchten.

„Sanierungsprogramme stellen oft nicht sicher, dass die Menschen zurückkehren können.“ Sagt Scruggs. „Es werden konkrete Gestaltungsvorschläge gemacht, um sicherzustellen, dass die Struktur der Lebensstile der Menschen nicht gestört wird.“

Scruggs sagt, dass zu den vorläufigen Empfehlungen, die mit der Vorsitzenden der Mietervereinigung, Paulette Ford, besprochen wurden, der Ersatz des Gemeindezentrums durch ein Hochhaus gehört, das die Zahl der verfügbaren Wohneinheiten erhöhen würde.

„Ich denke, sie denken sehr kreativ über ihre Optionen nach“, sagt Hosoi. „Paulette Ford und ihre Mutter vor ihr haben Camfield immer als ‚Hand hoch‘ bezeichnet, mit der Idee, dass Menschen nach Camfield kommen, um dort zu leben, bis sie sich vor Ort ein eigenes Zuhause leisten können.“

Scruggs‘ andere Partnerschaft mit Camfield beinhaltet die Zusammenarbeit mit MIT-Studentin Amelie Nagle im Rahmen des Programm für Forschungsmöglichkeiten für Studenten um Programme zu entwickeln, die den Kindern der Camfield-Group Computerdesign und Codierung beibringen – und zwar genau im TechLab, das auf die erste Zusammenarbeit zwischen MIT und Camfield zurückgeht.

„Nolen engagiert sich wirklich für die von der Gemeinschaft betriebene Wissensproduktion“, sagt D’Ignazio. „Es conflict eine Freude, mit ihm zusammenzuarbeiten und zu sehen, wie er all seine Stadtplanungskompetenzen (GIS, Kartierung, Stadtplanung, Fotografie und mehr) einsetzt, um auf respektvolle Weise zu arbeiten und die Innovation der Gemeinschaft in den Vordergrund zu stellen.“

Sie fügt hinzu: „Wir hoffen, dass der Prozess einige hochwertige Architektur- und Planungsideen hervorbringen und Camfield dabei helfen wird, den nächsten Schritt zur Verwirklichung seiner innovativen Imaginative and prescient zu machen.“