12月18日,华为在2018(第七届)国际智慧城市峰会上首次介绍了城管智能体解决方案,让城市实现更加精细化的管理。华为认为,智慧城市是“巨系统”,涉及智慧城市建设方方面面。除了城管智能体,华为此前还发布了交通、政务服务、公共安全、智能制造、物流等城市智能体解决方案,大幅降低智慧城市建设的难度,有力促进智慧城市发展。
城市智能体是城市物理世界与数字世界相互映射、协同交互的融合系统,基于感知智能、平台智能、应用智能等技术手段,实现城市全要素数字化、城市运行实时状态可视化、城市管理决策协同化和智能化,助力城市“科学化、精细化、智能化”管理,是未来城市的新形态,是数字中国的基石。
城管智能体,
让城市管理实现细管、智管、慧管
智慧城管是智慧城市的重要组成部分。智慧城管是新一代信息技术支撑、知识社会创新2.0环境下的城市管理新模式,通过新一代信息技术支撑实现全面透彻感知、宽带泛在互联、智能融合应用,推动以用户创新、开放创新、大众创新、协同创新为特征的以人为本的可持续创新。
华为智慧城市解决方案技术总监黄小冰表示,华为基于城市物联感知,以华为云为载体,构建了“感知+平台+应用”架构的城管智能体。该智能体以城管物联网平台、大数据平台、视频云平台、地理信息平台等作为行业使能平台,支撑一体化的智慧城管应用中心,实现了“细管、智管、慧管”的精细化智慧城管。
细管:解决城市管理部件底数不清问题。要能回答出 “有什么、有多少、在哪里、谁管理”等城市管理部件数量及权责不清晰的问题,能够将城市中的各个细小单元如“民众、部件、事件”等管理对象纳入监管范畴,做到心中有数。
智管:解决海量城市管理部件管理运维难热、人力不足的问题。城市管理对象是海量的,依靠传统人工方式无法做到实时的监测管理,存在管理盲区,这时候我们需要利用物联感知和视频监控等技术,建立城市管理感知网络,实时把脉监测城市环境秩序的运行健康状态。
慧管:解决城管数据孤岛、考核难、决策难、运营难的问题。通过“细管”和“智管”的数据收集,拉通城市管理各部门的数据,通过大数据技术最终实现“城管大脑”,为城市管理问题提出科学治理方案。
华为城管智能体解决方案的优势包括:基于NB-IoT物联网技术实现海量城市部件的实时在线监测管理;基于华为视频云视频智能分析提供重点区域的自动化远程巡查核查的能力,实现机器补人、机器代替人工的目的;基于大数据和AI构建城管融合大数据湖,实现智慧考核、智慧决策、智慧运营的能力,形成城管大脑。
在山东潍坊,华为已经帮助市政府打造了城管智能体——基于NB-IoT技术对城市部件进行精准化智能控制,每一个城市部件例如路灯、井盖、内涝点、桥梁等均具备了状态智能感知能力,成为了城市智慧管理网络的网元,当一个井盖发生位移或丢失时,将引起路灯、交通信号灯等联动,让城市管理更加精细化智能化。
打造城市智能体,构筑数字中国基石
华为EBG中国区智慧城市总工姚健奎分享了华为对智慧城市的理解。基于帮助全球40多个国家160多个城市建设智慧城市的实践经验,华为总结了4点经验:1种新的城市范式:ICT成为城市的使能器;2种建设维度:共性+个性;3个建设要点:统筹、融合、安全;4个成功要素:一把手工程、专业的团队、扎实的投资、数字化转型伙伴。
在智慧城市的实现路径上,华为坚持“平台+生态”的战略,携手生态伙伴共同打造城市智能体。作为能同时提供“云、管、端”协同的ICT产品与解决方案供应商,华为为智慧城市建设提供的数字平台,是一个能够实现云、物联网、视频、边缘计算等技术与AI协同,打通城市要素感知、数据传送、分析决策、行动闭环的数字化平台。这个数字化平台将成为支持城市运行的操作系统,向下兼容各种城市传感器,向上支撑各类应用合作伙伴方便的调用底层技术,实现应用层的百花齐放。华为已经聚合了30家业界领先的生态合作伙伴和1100多家解决方案合作伙伴,能够为智慧城市建设提供整体解决方案。
在2018年,华为在中国参与了吉林、北京、上海、深圳、苏州、益阳、高青等60多个智慧城市项目,与合作伙伴一起落地实施的城市智能体解决方案覆盖了智慧政务、智慧警务、智慧交通、智慧医疗、智慧教育、智慧旅游、智慧环水、智慧农业、智慧园区等多个领域。华为致力于打造城市智能体,推动城市智慧协同、生态创新。
此次大会由中国城市科学研究会和海口市人民政府共同举办,围绕人工智能、云计算、大数据、物联网等新技术给城市发展带来的机遇和挑战进行探讨,以推动智慧城市生态创新和国际智慧城市标杆建设。华为以“打造城市智能体,构筑数字中国基石”为主题参加了峰会的主论坛和智慧城市管理分论坛。
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。