现有的人工栖息地结构，包括电线杆(左)和树枝(右)，无法复制大型古树提供的树冠结构

在澳大利亚东南部，草盒胶林地曾经覆盖了数百万平方公里，但今天只剩下不到5%。大型古树的消失对许多依赖它们作为栖息地的鸟类和其他动物来说是一种危机。

取代这个栖息地并不容易。没有一种快速的方法可以培育出一棵百年古树。

我们可以做的一件事是在退化的环境中模仿大型古树的特征，在这些环境中树木无法生存，或者太小太小。我们一直在与澳大利亚首都地区公园和保护区合作，在堪培拉的莫隆洛地区开展这项工作。

为了建造这些人工结构，我们需要知道从动物的角度来看，什么是好的栖息地。为了找到答案，我们开发了使用人工智能和机器学习的方法，在设计过程中包括非人类的利益相关者——在这个例子中是鸟和树。实际上，我们聘请了高大的老树作为首席设计师，并聘请了鸟类作为其工作的鉴赏者。

树、鸟和电线杆

莫隆格洛曾经拥有一个繁荣的生态系统，现在却支离破碎，遭到破坏。高大的古树越来越少了。

这些树，有些树龄超过500年，提供了复杂的树冠结构，对鸟类筑巢、觅食和栖息至关重要。随着城市的发展和老树的死亡，我们面临的挑战是如何填补这些巨人留下的空白。

以前，改造过的电线杆和重新安置的枯树(或树枝)被引入该地区作为替代栖息地。这些结构可以提供重要的栖息地特征，如高架栖木、筑巢箱和树皮，而这些在种植的树苗中是不存在的。然而，很难确切地理解一棵大古树的哪些特征对鸟类是重要的，这就限制了人工结构的价值。

仔细分析图像和其他数据可以帮助我们识别这些特征。例如，我们和我们的合作者发现鸟类更喜欢小的水平树枝栖息和筑巢。

通过研究鸟类，我们可以了解它们对某些特征的偏好，这些特征已经被树木设计出来了。我们的下一个挑战是利用这些信息来设计更好的栖息地结构。

使用激光扫描和人工智能来识别树枝，然后生成潜在的人工结构，并评估鸟类可能如何使用它们

向树学习

我们使用了一个包含数据捕获、预测建模和迭代设计的过程。在解释复杂的空间数据时，人工智能和机器学习是不可或缺的。

首先，我们通过从每平方厘米的表面反射数百万束激光来绘制每棵树的地图，以捕获树冠作为点云。然后，我们使用算法来识别和测量重要的属性，如方向、大小和连接的分支。更好地了解鸟类对这些属性的偏好可以为人工替代品的设计提供信息。

接下来，我们开发了统计模型来预测鸟类的行为。这些模型是基于澳大利亚国立大学的菲利普·吉本斯对鸟类相互作用的长期观察得出的。通过模拟鸟类如何使用人造树枝，我们可以改进我们的设计，以更好地满足它们的需求。

重塑人工栖息地

为了生成各种人造树冠，我们开发了进一步的算法。我们并没有根据它们在人眼中有多像一棵树来判断最终的设计，而是使用鸟类行为模型来弄清楚这些结构如何为鸟类居民服务。

我们的另一个目标是创建易于安装、重新配置和移除的轻量级结构。我们的模拟表明，与电线杆和障碍物相比，这些结构可以显著提高栖息地的适宜性。

回到现场

我们目前正在根据我们的设计建造原型，但这个过程的最后一步将是实地测试，以了解鸟类的想法。鸟类可以通过与人工结构的互动，对其特征提供反馈。这种测试将有助于使设计变得更好。

设计过程，即使是非人类的利益相关者，如鸟类和树木，目前也由人类的观点和专业知识主导。我们的研究结果表明，扩大创造性贡献和判断的范围可以改善设计过程。这个设计过程的结果可以采取“连续服务”的形式，可持续地提供住所或其他资源。

一个版本的人造树，使用轻型结构的电缆和杆连接到现有的电线杆(右)

虽然我们希望建造更好的人工结构，但重要的是要记住，没有什么能真正取代大古树。我们还必须保护现有的树木，为将来种植更多的树木。

对设计的更广泛影响

我们在堪培拉采用的超越人类的设计原则也有更广泛的应用。世界上许多环境都面临着类似的挑战。通过重新思考当前的设计和规划方法，我们可以为许多不同的生命形式创造更具包容性和弹性的环境。

最根本的改变是将其他物种视为设计的创新者和专家参与者。这种方法扩展了与鲸鱼、蝙蝠和蜜蜂交流的现有努力，利用人工智能将非人类生命形式的输入结合起来，产生新的、更好的设计。

我们的案例研究表明，包括非人类在内的参与式方法如何能够克服人类的偏见。因此，我们开启了更大范围的可能设计。

合理的设计

世界面临着许多紧迫的环境危机。我们需要创新、包容的设计方法来应对这一挑战。树木已经是优秀的设计师了，就像鸟儿对自己的作品有出色的判断能力一样——如果我们把它们的输入包括进来，我们就能创造出更好的“超越人类”的设计。

我们相信，利用人工智能为非人类利益相关者提供发言权，可以带来更好的解决方案，让许多物种能够共同生活。我们在堪培拉的工作是参与式设计如何为所有人创造更公平和可持续的未来的一个例子。