来自华盛顿大学的两位研究人员已经找到了一种无需关注当地居民，便可估算美国城市肥胖水平的方法。具体来说，他们详细测试了洛杉矶（加利福尼亚州）、孟菲斯（田纳西州）、圣安东尼奥（德克萨斯州）以及西雅图（华盛顿州）四个城市的数据，进行了这项研究。

这两位研究员训练了一种人工智能算法，利用谷歌的卫星和街景图像，通过卷积深度学习神经网络，找出城市基础设施与肥胖水平之间的关系。他们在发表于《美国医学会杂志网络公开》（JAMA Network Open）的一篇论文中写道，通过了解城市规划对肥胖的影响，可以协调健康运动和建筑环境之间的关系，以改善城市的健康状况。

据了解，该算法使用了4个城市超过150,000个卫星图像以及包括杂货店和宠物店等在内的96个类别的兴趣点进行训练。然后将其与每个城市报告的肥胖率相关联。研究人员将兴趣点包括在内，是因为它们可能对邻近地区的活动产生影响。举个例子，有宠物商店的区域可能会有更多的人带狗出去散步。

另外，该算法还将地理区域与更多的绿色地区关联起来，并在具有较低肥胖率的建筑物之间增加建立了更多的间隔。这组数据表明，较富裕的社区有着比较少的肥胖居民。不过，研究人员也承认，收入与健康之间的纠缠关系可能会扭曲算法。然而，通过进一步的验证测试，该团队发现该算法的结果表明，实际上建筑物数量与绿地和肥胖之间的联系，不仅仅是财富。

对此，研究人员表示，“建筑环境的提取表明，社区的特征，如公园、高速公路、绿色街道、人行横道、各种住房类型的存在，可能与不同社区肥胖患病率的变化有关。”换句话说，肥胖会受到遗产、饮食、身体活动和环境等因素的影响。同时，评估一个地区的肥胖率可能有助于城市规划者开发更多绿色地区，以帮助人们保持更多的身体活动。

需要注意的是，这项研究是基于美国数据进行的，因此该算法不可能在没有调整的情况下在其他国家使用。不同的城市规划方式以及文化之间的差异，肯定会对算法产生一定的影响，比如让它误解，就像许多其他人工智能应用中的偏见一样。