虽然智能城市的概念还相对较新,但它已经成为了未来城市环境的热门话题。去年,联合国预测,到2030年,世界上三分之二的人口将生活在城市中。随着这种增长,各个领域的创新也在不断扩大,各个城市必须不断适应持续发展的社会需求。在许多城市,携带纸质地图,或者在家门口拾起订阅的报纸,已经不再常见。相反,城市居民希望通过便利的应用、技术创新和物联网的连接,与他们的城市和市民相连接,来完成他们的日常生活。
促进创新和创意开发是成为智能城市的关键,但首先需要向公众开放数据。例如,允许获取当前公交车位置的数据,这样开发人员就可以创建应用,当公交车快要进站时,通知用户。通过开放数据政策,城市可以加入智能城市运动,将技术和信息融入到城市发展的核心中。
这种数据优先的方法一直是促使城市变得更加智能和打造创新环境的决定因素。根据Sunlight Foundation,美国五大城市——芝加哥、纽约、洛杉矶、休斯敦和费城——允许公众获取数据,发展成为典型的智能城市。 纽约市通过鼓励企业创新思想,推动城市发展成为一个智能城市,从而实现这一目标。Association for Neighborhood and Housing Development的“Displacement Alert Project”项目,使用开放数据,创建了社区和住宅大楼情况的网络可视化,以提高对经济适用住房危机的意识,并确定有严重置换压力的地区。
如该应用所示,开放数据让纽约市能够解决诸如对居民幸福感会产生威胁的问题,并有助于简化解决方案,推动智能城市的发展。 希望以类似的方式利用开放数据的好处,数据的全面开放帮助了波士顿对于BOS:311应用的开发,这一应用让居民可以向Constituent Service Center报告非紧急情况,然后就问题派遣相关机构。 纽约和波士顿都证明,将市民连接到一个智能城市需要获得所有方面的数据——只能通过数据优先的方式来实现。
物联网为创新提供了精细数据和实时数据,比如空气质量传感器、公共交通位置设备和灾难预警信号,进一步实现了开放数据计划。通过全面的数据,填补了市民与城市之间的空白,可以更好地监测城市居民的行为和需求,并且为改善城市条件和减轻不便提供了解决方案。
波士顿对一个新的数据门户的测试,将使用更用户友好的方式显示可用数据,以验证让数据更全面,更易于理解,是至关重要的。除了创建一个门户,城市还需要鼓励机构利用和共享数据。波士顿期望其全新的数据系统能够达成这一目标,因此要确保以通用格式提供数据。 可用数据使创新变得更容易。
例如,2013年,在纽约加入开放数据行动不久之后,纽约交通部推出了新的交通方式——Citi Bike——一种共享自行车系统。从那时起,几家私人企业就一直使用纽约的开放数据,希望能够开发出一种改善Citi Bike模式的创意。开放自行车通勤数据,发现Citi Bike系统中的问题,让创新者可以解决这些缺陷。Spin和Mobike这样的公司,正在考虑共享单车的解决方案和创意,例如取消停车桩,让出行更便捷。
最近,交通部强调了城市技术的重要性,组织了“智能城市挑战”,城市被要求提出将创新与连接相结合的计划,以赢得执行计划所需的资金。获胜者是俄亥俄州的哥伦布市,其提交了一个大型项目,规划了一个新的交通系统,其中包括一个独立的运输系统,一个所有运输方式的通用应用,和一个数据分析计划。
为城市的技术项目提供了信心,哥伦布市希望这笔资金将鼓励企业创新,并促进技术发展,从而通过公共数据,解决哥伦布市的一些缺陷。 为了适应城市的居民,城市必须通过利用物联网和创新的能力来提供技术化生态系统。向公众开放数据,提升了公共和私人部门的技术发展和解决问题的能力,因为它促进了基于社会中可衡量问题的创意开发。这将使成为智能城市的发展过程自然和无缝。
好文章,需要你的鼓励
谷歌地图将集成Gemini人工智能技术,旨在将其升级为一个"全知型副驾驶"助手。这一整合将大幅提升地图服务的智能化水平,为用户提供更加个性化和全面的导航体验。通过AI技术的加持,谷歌地图有望在路线规划、地点推荐和实时信息服务等方面实现重大突破。
这项由圣母大学和IBM研究院联合开展的研究,开发出了名为DeepEvolve的AI科学助手系统,能够像人类科学家一样进行深度文献研究并将创新想法转化为可执行的算法程序。该系统突破了传统AI要么只能改进算法但缺乏创新、要么只能提出想法但无法实现的局限,在化学、生物学、数学等九个科学领域的测试中都实现了显著的算法性能提升,为AI辅助科学发现开辟了新的道路。
微软研究人员发布新的仿真环境来测试AI智能体,研究显示当前智能体模型容易受到操纵。该名为"Magentic Marketplace"的合成平台让客户智能体与商家智能体进行交互实验。测试包括GPT-4o、GPT-5和Gemini-2.5-Flash等模型,发现智能体在面临过多选择时效率下降,且在协作方面表现不佳。研究揭示了AI智能体在无监督环境下的性能问题。
卡内基梅隆大学研究团队通过3331次大规模实验,系统揭示了代码训练如何提升AI推理能力。研究发现,代码的结构特性比语义内容更重要,适当的抽象形式(如伪代码)可以达到与原始代码相同的效果。不同编程语言产生差异化影响:低抽象语言有利于数学推理,Python更适合自然语言任务。这些发现为AI训练数据的科学化设计提供了重要指导。