由国家智慧城市标准化总体组(下简称总体组)主办,华为技术有限公司协办的2017新型智慧城市标准化大会正式开幕,华为EBG中国区智慧城市首席专家洪小舟发言,对新型智慧城市标准化的工作以及对新型智慧城市国际标准进行了解读,并分享了在华为是如何在实际项目操作中将新型智慧城市标准进行落地实践的。
新型智慧城市是运用云计算、通讯网、物联网、大数据、空间地理信息集成等新一代信息技术,促进城市规划、建设、管理和服务智慧化的新理念和新模式。建设智慧城市,对加快工业化、信息化、城镇化、农业现代化融合,提升城市可持续发展能力具有重要意义。
标准落地 让城市建设更加智慧
近年来,我国智慧城市建设取得了积极进展,但当前智慧城市的试点主要集中在具体的智慧城市建设的某个应用领域的,缺乏统一的设计规范,导致智慧城市的设计定位和主要内容存在差异。国家智慧城市标准化总体组组长吕卫锋表示:“智慧城市的智慧不是靠建设就能建出来的,而是需要一个演进发展和运营服务的过程。智慧城市首先是运用新一代信息技术将城市的神经系统和大脑构造出来,在这个基础上将数据统筹起来,再形成反应、逐渐形成动作,最终形成每个城市独有的智慧。这个过程需要技术创新、机制创新,并结合客观的城市发展需求形成有机融合体,才能可持续发展。 “
全国智能建筑及居住区数字化标准化技术委员会副主任张永刚表示:“新型智慧城市评价标准对各地的城市建设指出了建设的指导方向。在当前,建设智慧城市实现业务协同和数据共享非常重要“。
华为EBG中国区智慧城市首席专家洪小舟表示,ICT基础设施就是城市的神经系统。神经系统感知数据、让数据流通,从而感知外界。
华为核心参与 新型智慧城市标准工作
华为作为总体组企业成员及本次会议协办方,在大会中详细解读了“智慧城市顶层设计指南”,为智慧城市国际标准化的工作建言献策。“智慧城市顶层设计指南”的提出,规定了智慧城市顶层设计的总体要求、基本活动及其相关活动的主要任务、通用方法、基本要求等,为智慧城市顶层设计工作提供了很好的指引。洪小舟表示,中国目前有几百个智慧城市建设的试点城市,智慧城市的建设正在呼唤统一标准。作为总体组核心企业成员和专家组专家委员,华为深入参与了“中国智慧城市标准体系”和“中国智慧城市评价指标体系”的制定。敦煌与潍坊两个城市作为新型智慧城市的代表,在标准化以及创新建设上为业界带来了许多实践、参考价值。新型智慧城市建设呼唤高水平顶层设计,而顶层设计同样呼唤统一标准。华为深入参与了“智慧城市顶层设计指南”的制定,充分借鉴国际、国内相关先进研究成果,结合丰富的智慧城市建设经验及良好做法,把智慧城市顶层设计划分为4项活动,18个任务,回答了“Why为什么建”、“What建什么”、“How如何建”以及“When何时建”等一系列关键问题。华为积极开展智慧城市顶层设计,从实践的角度积极协助推进国家标准制定与落地,未来希望在将标准应用到祖国各地的同时,推动国家标准化组织与国际标准化组织对接,推动国家标准走向世界。”
新型智慧城市 以人民为中心
新型智慧城市评价的核心要点,就是以人为中心的服务效果是标准组评价的核心内容。同时智慧城市的结果一定要用数据说话,用数据来评价。华为一直致力于为客户提供创新开放、丰富的ICT基础平台解决方案,作为全球领先的信息与通信解决方案供应商,华为将持续在新型智慧城市领域进行技术和业务创新,坚持为客户创造最大价值的原则,提升产品和解决方案能力,为新型智慧城市建设更好更快的发展提供全方位优质的服务。
好文章,需要你的鼓励
在2025年KubeCon/CloudNativeCon北美大会上,云原生开发社区正努力超越AI炒作,理性应对人工智能带来的风险与机遇。随着开发者和运营人员广泛使用AI工具构建AI驱动的应用功能,平台工程迎来复兴。CNCF推出Kubernetes AI认证合规程序,为AI工作负载在Kubernetes上的部署设定开放标准。会议展示了网络基础设施层优化、AI辅助开发安全性提升以及AI SRE改善可观测性工作流等创新成果。
维吉尼亚理工学院研究团队对58个大语言模型在单细胞生物学领域的应用进行了全面调查,将模型分为基础、文本桥接、空间多模态、表观遗传和智能代理五大类,涵盖细胞注释、轨迹预测、药物反应等八项核心任务。研究基于40多个公开数据集,建立了包含生物学理解、可解释性等十个维度的评估体系,为这个快速发展的交叉领域提供了首个系统性分析框架。
DeepL作为欧洲AI领域的代表企业,正将业务拓展至翻译之外,推出面向企业的AI代理DeepL Agent。CEO库蒂洛夫斯基认为,虽然在日常翻译场景面临更多竞争,但在关键业务级别的企业翻译需求中,DeepL凭借高精度、质量控制和合规性仍具优势。他对欧盟AI法案表示担忧,认为过度监管可能阻碍创新,使欧洲在全球AI竞争中落后。
西湖大学王欢教授团队联合国际研究机构,针对AI推理模型内存消耗过大的问题,开发了RLKV技术框架。该技术通过强化学习识别推理模型中的关键"推理头",实现20-50%的内存缩减同时保持推理性能。研究发现推理头与检索头功能不同,前者负责维持逻辑连贯性。实验验证了技术在多个数学推理和编程任务中的有效性,为推理模型的大规模应用提供了现实可行的解决方案。