核心概念
英國目前面臨嚴峻的住宅短缺危機，政府設定了「2029 年前新建 150 萬戶」的目標。然而阻礙建設速度的關鍵瓶頸之一，並非工地施工，而是規劃審批程序的行政積壓。
Google DeepMind 與英國政府合作，於 2026 年 5 月啟動以 Gemini 為核心的 AI 規劃原型工具，代號「Augmented Planning Decisions（APD）」，目標是將住宅戶主申請（householder applications）的審批週期從 8 週縮短至 4 週，效率提升 50%。
問題核心：規模與複雜性的雙重壓力
住宅戶主申請——即個別屋主向地方政府申請擴建、改建的許可——佔英國每年全部規劃申請近 70%。規劃官員必須在繁瑣的文件堆中手動整理資訊、查找相關政策、閱覽公眾諮詢意見，最後撰寫評估報告。這套人工流程耗時耗力，積壓問題長年未解。
AI 工具的角色：輔助而非取代
APD 設計的核心哲學是「AI 起草，人類決策」。工具的具體功能包含四個環節：
- 資料整合：自動預處理待辦申請案，從文件中提取關鍵地址與場址資訊
- 政策識別：比對國家及地方政策庫，標記相關法條並附上精確引用位置
- 意見摘要：掃描公眾諮詢信件，彙整反對意見與先例
- 草擬評估：生成包含審查理由與許可條件的初稿報告
規劃官員在每個環節都保有完整主導權：他們逐行審閱 AI 輸出、修改推論邏輯，並保留最終核准或拒絕申請的決定權。
Extract：消化歷史遺留文件的工具
配套工具 Extract 解決另一個問題：英國許多地方政府擁有數十年未數位化的規劃文件，包含手寫記錄與掃描圖像。Extract 能在數分鐘內將這些遺留文件轉為可搜尋的結構化資料，估計每個地方政府每年可節省約 255 小時的人工錄入作業。
關鍵要點
- 試點地區：Barnet、Camden（倫敦）、Dorset（英格蘭西南），2026 年中旬擴至 10 個地方政府，2027 年計劃全國部署
- 人機分工邊界：AI 負責耗時的資料整理與初稿，規劃官員負責專業判斷與法定決策責任
- 積壓類型集中：戶主申請高達 70% 的比例意味著標準化 AI 處理效益最大
- Extract 試點規模：已在 20 個地方政府完成測試，包含 Exeter 與 Hillingdon
- 法規合規設計：所有 AI 生成的評估報告必須由合格規劃官員審閱後才能做出正式決定
實務應用
此模式正在全球多個城市獨立發展：
- 美國西雅圖（2026）：市長簽署行政令，要求所有開發申請導入 AI 試驗審查
- 美國洛杉磯：因應野火重建急迫性，採用 Archistar AI 工具，將建築許可審查縮短至 1 個工作天
- 美國 Hernando County（佛州）：SwiftGov 平台部署後，平均回饋時間從 30 天壓縮至 2 天
這些案例顯示，AI 加速規劃審批已從實驗性嘗試演變為具體政策工具，並在不同政治體制與法規環境下展現可複製性。
延伸觀點
綜合跨源研究，有幾項值得關注的深層議題：
效率悖論：速度帶來公平性風險
美、英多地實踐共同指出，AI 規劃工具若未充分納入少數族裔社區的歷史規劃記錄（這些文件往往更破碎、更難數位化），可能強化原本存在的審批偏差——AI 加速的是已數位化、格式標準化的申請，而非最需要資源的社區。
「草稿依賴」的認知陷阱
兩個以上來源的研究者指出：當 AI 提供完整草稿時，人類審閱者容易進入「驗證模式」而非「思考模式」，對 AI 輸出進行橡皮圖章式核准。英國政府雖強調規劃官員保有完整控制權，但實際執行中的認知負荷轉移需要系統性監控機制，而非僅靠政策宣示。
從「處理速度」到「決策品質」的指標轉移
目前評估指標多集中在週期縮短（8 週→4 週），但國際公共行政研究者建議同步追蹤「申請核准率分布」與「後續申訴率」，才能判斷速度提升是否帶來公平且一致的決策品質。
AI for the Planet：Google DeepMind 亞太環境加速器 Google DeepMind 歐洲機器人加速器：Physical AI 的產業化賭注 OpenAI 公共政策議程：前沿安全、青少年保護與勞動力轉型
反向連結
以下頁面引用了本頁：