当然了，摩托车只是我个人关心的用于打趣的所举的一个例子，但不难想象，在人类可见（或者也许是不可见的）的图像中提取任何知识。潜藏在Google捕捉来的数百万张图片背后，却有很多线索来描述着这些城市的生活质量。

　　这里有一个快速健全的检查方法，去检验我们知道的某些事情到底是否真实。我们为阿姆斯特丹拍摄另外了一万张图片，并在图片中标记计算自行车的出现情况：

　　不考虑人口密度（或实际计算每个图像上有多少自行车），至少，直觉似乎被验证了。从计算自行车的数量和在地图上追溯儿童在建筑物及社区涂鸦的情况，这个巨大的图像数据印证了我们的移动动作是丰富众多的。

　　远离街道

　　我们当然不可能对街上看到的一切都关心。有时你必须离开热闹的街道，来个越野。举个例子，Tanel Pärnamaa在Teleport实习时做了一些工作，他从Flickr那里拿到了一组公开地理标记的照片，并使用机器视觉标记来识别海滩。有趣的是，当机器视觉数据信号受限时，他发现了很多沙地高尔夫球场。

　　更甚者，随着Planet再次发射的那88颗卫星进入轨道，我们又有了另一个惊人的可以让AI技术进入的图像源。这样一来，数据量将呈指数增长，而我们对城市生活质量的理解也随之增长。

　　选择你的工作，选择你的城市，选择你的生活！

　　我们的一个投资者说道：“电脑和互联网的传播将把工作分为两类：告诉电脑做什么的人，以及被电脑告知要做什么的人。”

　　我看到我们站内一些在任者花了大价钱以捕获那些可以用代码完成的事情。而我却相信，通过机器学习和众包获得的效率将为我们提供了巨大的竞争优势，长远来说，我渴望看到它将如何发挥作用。

　　同时，我要对那些更倾向于告诉电脑怎么做的人们一些具挑战性的事实：

如何在各地理区域分布您的代理/探测器，同时使各种偏差实现最小化（由城市面积大小，人口密度等引起的）

为了促进公平的比较，应该如何规范化的捕捉城市地区的数据？

如何避免在近景中出现的重复计数？

如何在统计中减少天气，季节，白天等的影响？

如何优化观看角度，在每个坐标中采样或组合图像以被运用到360度视图中？

从图像提取生活质量数据后，要如何构建/训练这些特定目标的模型？

最后，那些从公共图片捕捉来的数据也许与生活质量相互对应，并且也有可能影响你决定接下来要搬去哪儿？

　　（文章由图普科技翻译）