要讓城市如何有意志的統(tǒng)一體般根據(jù)現(xiàn)實證據(jù)做出決策,一種可行的方式在于整合物理與數(shù)字化市政基礎(chǔ)設(shè)施,從中剖析資源使用模式與新興趨勢。然而,隨著城市變得越來越數(shù)字化、整合的技術(shù)更多、收集的數(shù)據(jù)量更龐大,對這方面流程的管理能力也顯得愈發(fā)重要。
要充分發(fā)揮市政數(shù)據(jù)的力量,首先需要建立起協(xié)調(diào)統(tǒng)一的思維方式。過去五年以來,由市政、企業(yè)及學(xué)術(shù)界合作伙伴組成的機構(gòu),已經(jīng)著手在歐洲各地多座城市當(dāng)中測試一系列智能技術(shù)、集成多種電動汽車解決方案、深層推進建筑能源改造、普及智能街道照明,并基于可持續(xù)理念為市政數(shù)據(jù)平臺打造基礎(chǔ)性管理系統(tǒng)。作為Sharing Cities項目的一部分,這項工作希望納入更多社區(qū)活動、展示不同城市的實際情況,幫助參與者與市政管理者及服務(wù)設(shè)計者分享當(dāng)前面臨的具體挑戰(zhàn)。只有這樣,最終解決方案才能真正實現(xiàn)量身定制與價值最大化。
但總體而言,目前的智慧城市市場仍主要關(guān)注“解決方案”,而未能充分考慮到城市與各個社區(qū)的實際需求。
在大多數(shù)情況下,現(xiàn)有技術(shù)解決方案都是以封閉方式根據(jù)城市需求做出改造,而這往往導(dǎo)致公眾無法參與提案流程、最終對成果缺乏信任度與參與感。
反過來,市政也需要改善自己向市場表達需求的方式。例如,只有做出明確定義,市政機構(gòu)才有機會使用產(chǎn)品或服務(wù)解決具體問題與特定狀況。幸運的是,大多數(shù)城市之間存在著眾多共通用例,對記錄及經(jīng)驗的共享有望加快這一過程并實現(xiàn)全面標(biāo)準(zhǔn)化。
智能、互聯(lián)化基礎(chǔ)設(shè)施的優(yōu)勢不僅切實存在,而且已經(jīng)得到了證明。當(dāng)多個數(shù)據(jù)源(例如London Datastore)聚集在同一位置時,即可成為市政規(guī)劃人員的強大工具。格林威治已經(jīng)證明,將多種不同電動出行解決方案(例如電動汽車、電動自行車、充電站、智能停車與智能路燈)組合起來,能夠建立起真正的智慧城市模型,通過整合來自不同設(shè)備及傳感器的數(shù)據(jù)為決策者提供寶貴洞見。
以這類模型為基礎(chǔ),城市可以收集不同領(lǐng)域內(nèi)的數(shù)據(jù),包括交通流量、空氣質(zhì)量、公共照明、建筑物供能與停車情況等。關(guān)于智能街道基礎(chǔ)設(shè)施的最新運行手冊,就展示出將多種智能技術(shù)結(jié)合起來在減少碳排放、服務(wù)交付與商業(yè)模式等方面帶來的積極影響。更重要的是,這類運行手冊在任何城市的區(qū)域或整體物聯(lián)網(wǎng)解決方案中都能發(fā)揮良好作用。
當(dāng)然,我們需要以謹(jǐn)慎、透明的方式管理智能基礎(chǔ)設(shè)施的實際運作。在這方面,引導(dǎo)本地社區(qū)參與其中,并就數(shù)據(jù)收集與數(shù)據(jù)洞見決策提出建議將至關(guān)重要。如此一來,市政才能對本地情況建立更深層次的理解,由此確定智能技術(shù)所能解決的特定領(lǐng)域與問題。
在Sharing Cities項目中,我們采取一系列以市民為中心的方法,在社區(qū)與利益相關(guān)方之間建立起良好協(xié)作,幫助決策方更好地了解不同人群如何與不同類型的技術(shù)進行交互。我們還開發(fā)出一套數(shù)字社區(qū)參與平臺,即“數(shù)字社會市場(Digital Social Market)”,旨在發(fā)布激勵政策、鼓勵特定行為并提供環(huán)保生活選項。
這種由需求帶動并以結(jié)果為基礎(chǔ)的設(shè)計方法,已經(jīng)在示范區(qū)內(nèi)帶來巨大的收益。這不僅超越了我們最初提出的環(huán)保目標(biāo),同時也創(chuàng)造出得到當(dāng)?shù)厣鐓^(qū)歡迎、并有望長久發(fā)揮作用的高質(zhì)量治理方案。
好文章,需要你的鼓勵
浙江大學(xué)團隊提出動態(tài)專家搜索方法,讓AI能根據(jù)不同問題靈活調(diào)整內(nèi)部專家配置。該方法在數(shù)學(xué)、編程等任務(wù)上顯著提升推理準(zhǔn)確率,且不增加計算成本。研究發(fā)現(xiàn)不同類型問題偏愛不同專家配置,為AI推理優(yōu)化開辟新路徑。
清華大學(xué)研究團隊提出SIRI方法,通過"壓縮-擴張"交替訓(xùn)練策略,成功解決了大型推理模型"話多且準(zhǔn)確率低"的問題。實驗顯示,該方法在數(shù)學(xué)競賽題上將模型準(zhǔn)確率提升43.2%的同時,輸出長度減少46.9%,真正實現(xiàn)了效率與性能的雙重優(yōu)化,為AI模型訓(xùn)練提供了新思路。
南洋理工大學(xué)與騰訊聯(lián)合研究團隊開發(fā)出Rolling Forcing技術(shù),實現(xiàn)AI視頻實時流式生成的重大突破。該技術(shù)通過滾動窗口聯(lián)合去噪、注意力錨點機制和高效訓(xùn)練算法三項創(chuàng)新,解決了長視頻生成中的錯誤累積問題,可在單GPU上以16fps速度生成多分鐘高質(zhì)量視頻,延遲僅0.76秒,質(zhì)量漂移指標(biāo)從傳統(tǒng)方法的1.66降至0.01,為交互式媒體和內(nèi)容創(chuàng)作開辟新可能。
華中科技大學(xué)研究團隊發(fā)現(xiàn),通過讓AI模型學(xué)習(xí)解決幾何問題,能夠顯著提升其空間理解能力。他們構(gòu)建了包含約30000個幾何題目的Euclid30K數(shù)據(jù)集,使用強化學(xué)習(xí)方法訓(xùn)練多個AI模型。實驗結(jié)果顯示,幾何訓(xùn)練在四個空間智能測試基準(zhǔn)上都帶來顯著提升,其中最佳模型達到49.6%準(zhǔn)確率,超越此前最好成績。這項研究揭示了基礎(chǔ)幾何知識對培養(yǎng)AI空間智能的重要價值。