
要让城市如何有意志的统一体般根据现实证据做出决策,一种可行的方式在于整合物理与数字化市政基础设施,从中剖析资源使用模式与新兴趋势。然而,随着城市变得越来越数字化、整合的技术更多、收集的数据量更庞大,对这方面流程的管理能力也显得愈发重要。
要充分发挥市政数据的力量,首先需要建立起协调统一的思维方式。过去五年以来,由市政、企业及学术界合作伙伴组成的机构,已经着手在欧洲各地多座城市当中测试一系列智能技术、集成多种电动汽车解决方案、深层推进建筑能源改造、普及智能街道照明,并基于可持续理念为市政数据平台打造基础性管理系统。作为Sharing Cities项目的一部分,这项工作希望纳入更多社区活动、展示不同城市的实际情况,帮助参与者与市政管理者及服务设计者分享当前面临的具体挑战。只有这样,最终解决方案才能真正实现量身定制与价值最大化。
但总体而言,目前的智慧城市市场仍主要关注“解决方案”,而未能充分考虑到城市与各个社区的实际需求。
在大多数情况下,现有技术解决方案都是以封闭方式根据城市需求做出改造,而这往往导致公众无法参与提案流程、最终对成果缺乏信任度与参与感。
反过来,市政也需要改善自己向市场表达需求的方式。例如,只有做出明确定义,市政机构才有机会使用产品或服务解决具体问题与特定状况。幸运的是,大多数城市之间存在着众多共通用例,对记录及经验的共享有望加快这一过程并实现全面标准化。
智能、互联化基础设施的优势不仅切实存在,而且已经得到了证明。当多个数据源(例如London Datastore)聚集在同一位置时,即可成为市政规划人员的强大工具。格林威治已经证明,将多种不同电动出行解决方案(例如电动汽车、电动自行车、充电站、智能停车与智能路灯)组合起来,能够建立起真正的智慧城市模型,通过整合来自不同设备及传感器的数据为决策者提供宝贵洞见。
以这类模型为基础,城市可以收集不同领域内的数据,包括交通流量、空气质量、公共照明、建筑物供能与停车情况等。关于智能街道基础设施的最新运行手册,就展示出将多种智能技术结合起来在减少碳排放、服务交付与商业模式等方面带来的积极影响。更重要的是,这类运行手册在任何城市的区域或整体物联网解决方案中都能发挥良好作用。
当然,我们需要以谨慎、透明的方式管理智能基础设施的实际运作。在这方面,引导本地社区参与其中,并就数据收集与数据洞见决策提出建议将至关重要。如此一来,市政才能对本地情况建立更深层次的理解,由此确定智能技术所能解决的特定领域与问题。
在Sharing Cities项目中,我们采取一系列以市民为中心的方法,在社区与利益相关方之间建立起良好协作,帮助决策方更好地了解不同人群如何与不同类型的技术进行交互。我们还开发出一套数字社区参与平台,即“数字社会市场(Digital Social Market)”,旨在发布激励政策、鼓励特定行为并提供环保生活选项。
这种由需求带动并以结果为基础的设计方法,已经在示范区内带来巨大的收益。这不仅超越了我们最初提出的环保目标,同时也创造出得到当地社区欢迎、并有望长久发挥作用的高质量治理方案。
好文章,需要你的鼓励
GeoVerse融合几何潜在扩散模型与Wan2.2视频生成先验,并引入全局空间记忆机制,实现了跨视角一致、生成质量高且推理速度快的新视角合成,在多个数据集上大幅超越现有方法GLD。
本文解读TT-VidT,一种通过分离外观锚点与动作令牌、结合Diff Compression训练目标的视频自监督方法。在24种架构目标组合的受控实验中,仅TT3D与Diff Compression搭配才能进入强动作敏感区,且计算量比同类方法降低近一半。
Q&A Q1:Imprint Reader是什么? A:Imprint Reader是上海人工智能实验室团队开发的模型,通过SMaRT训练方法学会读取另一个模型冻结的权重更新,把参数层面的变化翻译成自然语言描述,判断这次更新到底注入了什么知识或诱导了什么行为习惯。 Q2:MetaEdit能做什么? A:MetaEdit能把Reader对目标行为的梯度信号迁移到原始模型上,不需要任何目标任务的训练数据,只用一句行为描述就能定向调整模型参数,已经在安全性拒绝率调节、数学推理风格转变和工具调用能力提升上验证过效果。 Q3:Imprint Reader读权重更新的准确率高吗? A:目前还不高,知识类目标的Pass@100只有2%,行为类目标是16%,说明自由生成描述的可靠性有限,但相比原始模型完全答不出来的0%基线,已经证明了权重更新的自然语言读取是可行的。
统一多模态模型能看也能画,理论上该会自我修正。本论文提出UMM-Reflection,用整条轨迹的强化学习联合训练诊断和修图能力,GenEval提升12分,且迁移到多个未训练基准,揭示RL提升的是选择可靠性而非新能力。