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
阿联酋阿布扎比人工智能大学发布全新PAN世界模型,超越传统大语言模型局限。该模型具备通用性、交互性和长期一致性,能深度理解几何和物理规律,通过"物理推理"学习真实世界材料行为。PAN采用生成潜在预测架构,可模拟数千个因果一致步骤,支持分支操作模拟多种可能未来。预计12月初公开发布,有望为机器人、自动驾驶等领域提供低成本合成数据生成。
意大利ISTI研究院推出Patch-ioner零样本图像描述框架,突破传统局限实现任意区域精确描述。系统将图像拆分为小块,通过智能组合生成从单块到整图的统一描述,无需区域标注数据。创新引入轨迹描述任务,用户可用鼠标画线获得对应区域描述。在四大评测任务中全面超越现有方法,为人机交互开辟新模式。
AI代码编辑器开发商Cursor完成23亿美元D轮融资,估值达293亿美元。Accel和Coatue领投,Google、Nvidia等参与。公司年化收入已突破10亿美元。Cursor基于微软开源VS Code打造,集成大语言模型帮助开发者编写代码和修复漏洞。其自研Composer模型采用专家混合算法,运行速度比同等质量模型快四倍。公司拥有数百万开发者用户,将用新资金推进AI研究。
MIT研究团队发现,AI系统无需严格配对的多模态数据也能显著提升性能。他们开发的UML框架通过参数共享让AI从图像、文本、音频等不同类型数据中学习,即使这些数据间没有直接对应关系。实验显示这种方法在图像分类、音频识别等任务上都超越了单模态系统,并能自发发展出跨模态理解能力,为未来AI应用开辟了新路径。