本期话题：【技术篇】AI人工智能如何赋能智慧城市

一、AI人工智能发展的三个层级

（1）感知智能

感知智能已经能够实现图像、视频、声音、文字等多源异构数据的提取，在诸多单一任务上的表现已经接近或者超越人类水平

比如：图像识别：在超大规模视觉数据集（1500万张）的图像识别错误率已经降低至2%以下
比如：语音识别：语音识别在中文输入应用下的准确率已经达到了98%

（2）认知智能

认知智能指的是实现了像人脑一样对外部信息的加工、理解、及知识推理，填补了人类在数据处理能力上的不足，减少基础性的繁琐工作，同时对行业知识的学习，大量繁琐却重要的工作变得更加高效精准，相关应用更加人性化，挖掘隐形关系

比如：语义理解——比如当你在百度搜“人工智能公司”，他就会给你展示：商汤依图等AI四小龙公司
比如：智能问答___金融服务平台中的智能投顾，比如我输入我有100头羊，那么系统在推荐产品时，就会给企业推荐“农牧贷”的产品，而不是“渔业贷”

（3）行动智能

行动智能构建在感知智能和认知智能基础之上，能够在复杂的环境下进行数据推理，最终实现人机协同

比如：我硕士课题中，就是如何利用并联机器人去进行物体的快速分拣，这里面用到了感知智能的图像识别，把物体从传送带上快速拾取到对应的位置
比如：在海康威视的制造车间中，也用到大量的仓储搬运机器人，他们就会通过识别自身的任务进行自主的路径规划，将一个个摄像头搬运至合适的位置，从而进行装车和对外销售

二、AI人工智能发展依托的三大部分

（1）数据
打破以往由于技术壁垒和管理壁垒形成的数据孤岛问题
（2）算力
涉及AI底层的技术，比如机器学习框架、自然语言处理的框架
（3）算法
在底层技术融合技术上，结合垂直领域场景需求能够开发出特定应用的算法，并且尽可能的发挥底层技术的价值潜力

三、AI赋能智慧城市的三个阶段

阶段一：单一场景的应用突破

以顶层设计为指导，落地场景为抓手，识别高频次、大流量、价值提升明显的场景

比如交通领域的交通信号灯优化
驾驶员未系安全带、车距过近
地面裂缝路面巡检
海事领域的河道巡检等

阶段二：跨域场景的协同

阶段三：全面智能覆盖

四、AI人工智能经典的落地场景

正如我在《智慧城市行业发展的一些认知中》所说：

智慧城市的应用场景主要分为如下

涉及政府管理、产业发展、民生服务三大板块

（1） 政府管理板块

★ 智慧公安——海康、大华
★ 智慧交通——易华录、百度、佳都科技、高德地图、滴滴出行
★ 智慧司法——
★ 智慧党建——新华网建设的党建系统
★ 智慧应急——
★ 市场监管——万达信息（互联网+监管系统）

（2） 产业经济板块

★ 智慧农业——网易未央
★ 智慧金融——蚂蚁金服、同盾科技
★ 智慧物流——四通一达
★ 智慧文旅——携程、飞猪
★ 智慧工业——也叫作智能制造，航天云网、树根互联
★ 智慧能源——国网

（3） 民生服务板块

★ 智慧政务——一网通办，为政府对外做信息化建设
★ 智慧医疗——卫宁健康，为医院做信息化建设
★ 智慧教育——科大讯飞，为教育部门提供一整套解决方案
★ 智慧社保——社宝科技，为社保局提供解决方案

涉及人工智能，我们会挑重点去讲

4.1. AI+政府管理

4.1.1. AI+公安

暂不介绍，后续补充

4.1.2. AI+交通

交通领域的发展往往朝着个方向：

第一：市民出行更安全

重点车辆的智能化监管
比如ADAS（车速过快、车距过近、车道偏离）
DBA（驾驶员行为识别仪，驾驶员抽烟、未系安全带、疲劳驾驶）、
去构建事前预防、事中预警、事后决策的监管闭环

第二：运行更高效

（1）交警：路口信号灯控制

通过深度学习算法对实时视频流进行结构化处理，取得带有转向信息的车流数据，再通过仿真器和强化学习技术，以平均延误最低和道路不得溢出为目标，实时对路口信号灯进行控制。经检验，该解决方案使整个城市所有路口交通流达 到了相对均衡，平均通行延误降低 17%，早高峰时长缩短 10-15 分钟，极大缓解了城市拥堵，方便了群众的出行。
——这个其实和我的硕士课题的遗传算法很类似，目标是：耗时最短以及能耗最小；优化的是各个电机的旋转角度

（2）公交：班次调度算法

无锡公交集团有 272 条常规线路，营运车辆 2600 多辆，年营运里程达 1.4 亿公里，日发送旅客 78 万人次左右， 庞大的规模使提升公交营运效率、公交营运业务的数字化、智能化成为亟待解决的问题。
通过融合 AI 技术， 结合无锡市车路协同基础设施，赋能智慧公交解决方案，研发了国内首个具有“云控”能力的智慧公交产品，通过合理制定公交运行计划结合公交运行态精准控制，让公交出行如“轨交”般精准可控。经试点检验，该解决方 案使公交运行到站平均误差控制在 3 分钟之内，有效提升了公交运行准点率，行程时间减少 5% 以上，有效改善 公众公共出行体验。

（3）出租车：运力调度
（4）货运车辆：危化品车辆轨迹规划
（5）机场：廊桥机位资源分配算法

AI 技术的机位资源智能分配系统解决方案，与传统手工机位分配方式相比，在同水平运行环境下，廊桥靠桥率得到了近 5% 的提升；廊桥周转率提升近 0.6 个架次，每天可多靠桥航班 30 多个，每年多靠桥旅客 182 万人次，每年可以节约至少 24000 辆次的摆渡车使用，整体上有效提升了机场停机位资源 的使用效率和旅客乘机体验，减少了机场碳排放

4.1.3. AI+司法

（1）法律结果预测

使用机器学习和深度学习来分析数十年的判例法和数百万过去的案件，以预测未来案件的结果，并加快国内和国际法院的案件解决。
人类智慧的标志之一是判断力，我们社会的任何方面对智慧和判断力的考验都比不上法律制度。虽然机器学习和其他AI技术目前还处于起步阶段，但它们在利用过去的判决和判例法来预测未来的案件判决方面取得了巨大的进步。通过对相关判例法和过去先例的有力分析，可以帮助人类法官更快、更有效地解决新案件，为他们提供一个思考每个案件的起点。

4.1.4. AI+党建

4.1.5 AI+应急

在智慧应急领域，AI引领未来应急管理行业变革

（1）在发现环节：

应用 AI 可以有效提升应急场景的发现能力，与雷达、摄像头等传感器结合，可以广泛应用于极端天气预测、森林防火、防洪排涝、安全生产等领域。

（2）在防控环节：

在防控环节，以数据科学为手段的态势研判和洞察将会显著助力专家经验，其威力在 疫情防控中已经得到了有力证明。在处置环节，以知识计算为手段的人员赋能（知识图谱）

（3）在处置环节

在处置环节，以知识计算为手段的人员赋能，能显著缓解应急领域业务范围广、处置任务急的困难，让人与机器交互协作，提高救援队伍战斗力

（一）智慧水务，预防苏州城市内涝

建设了内涝水尺智能识别系统，对城市易涝点和重要场所进行视频监控，在降雨时对视野中内涝水尺的水位进行实时智能读取和告警。方案直接利用旧城市中已经遍布的各类摄像头，对积水情况进行智能识别，不用新建摄像头只需增加 AI 计算能力即可实现城市积水的泛在监控。一方面实现 7*24 小时全天候监控，对城市的内涝态势进行准确评价，进而为建立数据驱动的内涝预测模型积累数据提高城市内涝的预判性；另一方面把内涝监测和红绿灯调控、泵站调度等进行联动，在已经或即将出现严重积水的桥洞或道路实现红绿灯常红，并及时调度泵 站等各类资源进行排涝，从而实现城市内涝管理的现代化与智能化。

（二）公共安全应急保障

提出基于 AI 的公共安全应急保障解决方案，强化对源地等特殊场景的应急管理，切实保障民生。通过视频AI 技术分场景分类对外部人员入侵进行识别并及时告警，及时发现不法分子通过翻越、剪网、挖洞等方式进入水源地的违法行为。在水源地周围，采用烟火检测技术对水源地周围进行烟火识别，及时发现火灾情况，及时向值班人员告警，避免对水源地造成更大的危害。在水源地内部对移动载体进行识别，及时发现非法入侵船只，实时进行告警

4.1.6 AI+市场监管

暂无理解，后续补充

4.2. AI+产业经济

4.2.1 智慧农业

（1）运用无人机进行农药的喷洒

4.2.2智慧金融

（1）中小微企业普惠金融

新型智慧金融技术可以帮助实现滴灌式精准扶持，缓解小微企业融资难融资贵、金融支农惠农力度等需要重点加强支持的问题，对于实现精准脱贫攻坚战、实施乡村振兴战略和区域协调发展战略提供丰富的工具支持。新型智慧金融可以进一步简化金融与实体经济之间供需双方交易流程，优化双方的触达方式提高便利性与匹配度，降低融资的边际成本，不断增强城市的经济核心竞争力，为产业转型升级持续助力。

（2）金融风险识别

智慧金融技术可有效提升防范和化解金融风险的能力，以 AI+ 大数据等构建的风控模型，可以有效识别各类风险交易，常态化智能感知异常资金流向，以全面的预警能力提升早期干预和应对的时间准备度，为跨部门跨区域合作提供有效的数据支持，同时改善风险处置的政策和技术工具箱，完善金融与实体经济协同发展的场景化解决方案储备，并且可以优化监管模式从事后监管向事前、事中监管转变，有效解决信息不对称问题，消减信息壁垒问题，缓解监管现状中的滞后性难题，改善地方政府和金融机构的协同监管效率。

（3）产业链监测和招商引资

招商引资与招才引智是高质量发展的持续动力，推动企业入驻并获得持续的融资、供应链金融管理与人才梯队建设，构建产业集群化发展对城市健康发展尤为重要，需要运用智能化技术平台探索破解中小型企业的融资难问题。智慧金融平台，使得中小企业融资变得精准、快捷有效，提升金融因素在营商环境中的积极作用，同时探索政府公共金融服务新模式，为企业发展提供主动关怀，增强银企主动交互能力。通过数据联动，金融机构将其产品和风控偏好录入系统，系统自动根据智能算法模型进行标签化处理，企业将其融资额度、利率、期限等信息在系统中进行选择，可自动根据不同的需求匹配，结合第三方大数据，形成企业画像，实现双方更有效的对接。

（4）智能客服

智能客服赋能传统客服是金融惠民的重要举措。长期以来，银行面临着客户咨询相似度高、重复性解答消耗高人工客服成本，问题解答耗时长、准确度不高等问题。基于此，与银行客户成立联合创新团队，通力合作打造基于知识图谱和图计算引擎的智能问答系统。该系统为传统的客服系统增添了 AI 元素，使问答精度达到了95%，保证了服务质量并降低客服人工投入；提供 7*24 小时无间断服务，大幅降低了客户等待时间，从而提升了客户体验；通过对问答数据的挖掘，有助于挖掘客户深层次需求，进而支持精准营销，实现双赢。

（5）保险核保

使用AI和机器学习来帮助改进核保流程和风险评估，帮助减少决策时间，并可能改善客户体验和续保率。
自动化核保过程。文本挖掘和自然语言处理可用于赋能无需人工干预的自动化核保平台，大大减少了处理申请所需的时间。
让申请保险更简单、更人性化。机器学习模型已经证明保险公司可以用较少的信息准确评估风险。 有机会简化保险申请并消除侵入性的测试和问题，使整个过程更加人性化。
简化风险评估。使用机器学习，保险公司现在可以识别不同类别的风险，每个类别都有自己的一组风险因素。 这种简化的风险评估流程使公司能够加快其AI模型的部署。

4.2.3 智慧物流

4.2.4 智慧文旅

4.2.5 智慧工业

（1）智能配煤

焦化是煤炭产业链的重要环节。当前全国独立焦化企业数量 400 多家，钢铁联合企业内焦化厂约 100 家，总产量4.3 亿吨，但普遍面临着产能过剩，利用率不足 70% 的窘境；焦炉炉型多样化、高炉大型化，对焦炭质量要求更加严格；环保压力大，治理成本不断增加；优质煤资源紧缺等问题。
针对焦化企业的关键问题之一“配煤”，通过研发配煤企业专家经验结合 AI 的智能化配煤系统，预测技术结合了工艺机理 +AI+ 多产线知识迁移的深度融合方案，能够更精准预测非线性的指标，例如热强（CSR，CRI），焦炭关键指标的预测准确率高于 95%；优化技术也融合了通过 AI 算法学习得到的配煤师的历史配煤经验，机理模型，结合华为先进的 AI 算法，可以获取配比安全边界，保证配比可信，且符合配煤师认知边界，让配煤师可用，敢用，越用越好。

（2） 钢铁表面质检

钢铁表面缺陷不但影响产品外观，而且降低产品抗腐蚀性、耐磨性、疲劳强度，还可能降低钢板质量等级，甚至造成下游产品报废。已有的人工目视检查技术，需要线下对钢卷开卷卷尾抽查，劳动强度大、时间成本高、抽样覆盖率低，难以看清尺寸小的缺陷，难以区分相似的缺陷与非缺陷形态。
基于此，可以自研钢板表面质检系统，基于神经网络搜索架构，利用目标检测等深度学习算法，结合华为的高性能计算能力，生成适用于钢板表面缺陷识别的神经网络模型，达到满足缺陷识别准确性和推理效率的现场应用要求；通过左右双相机 + 光源方案，对钢板表面进行高精度成像，再结合华为神经网络搜索架构进行缺陷的智能识别，缺陷检出率和准确率超过业界 10% 以上

（3）预测性机器维护

更好地预测和计划必要的维护和停机时间。 通过实时监控机器和收集反馈数据，AI技术可以分析每台机器的模式，以确定其实际维护需求，并创建一个定制的时间表，最大限度地减少工厂车间的整体停机时间。此外，随着对历史数据的收集和分析，AI可以帮助工厂经理更加主动地安排维修停机时间。

4.2.6 智慧能源

（1）精准供热

东北严寒地区 H 供热公司，覆盖 1433 万平方米 122 座换热站，居民 13 万户，二次网覆盖 21 万平米的两个小区，温采覆盖 6600 热用户。华为云通过基于 AI 的热源负荷精准预测、换热站一次网调节阀的精准调控、二次网供热平衡调节，实现了全网闭环的优化调控策略，全网平衡供热，最终达到节能减排的目标。经过一个供热季的运行，换热站调节较去年同期节能比例为 6.8%；新增二网设备的小区，整体节能 10% 以上；实现热源按需定产，基于小时级、多时段、多维度环境参数的自动生产计划和智能调控预测准确率 97.2%；换热站平衡目标达成率 99%；单元间目标温度偏差小于 0.5℃且持续优化；平衡目标达成率 99%。

（2）预测能源需求和停电

使用AI算法和预测分析预测能源负荷和需求减少服务中断的峰值，并预测必要的中断时间及时长更好地预测能源需求和停电。
机器学习模型可以识别能源市场的历史趋势，以便更准确地预测负荷和需求峰值，帮助确保充足的能源供应。其他因素，如天气预报、特殊事件和供应方约束，可以包括在模型中，不仅可以预测需求，还可以预测必要的服务中断时间及时长

4.3、民生服务板块

4.3.1 智慧政务

（1）一网通办的政务机器人引擎

政务机器人引擎，能够针对政务领域的业务内容和流程特点，将交易量大、重复性高、易于标准化、系统异构的业务工作以自动化和智能化来接管，以标准化的用户体验替代不稳定的服务质量，减少政务领域合规风险，使人 力资源得到高效分配，让市民享有全天候的优质政务服务

4.3.2 智慧医疗

（1）生物医学数据科学

使用AI算法分析大量生物医学数据（包括 基因组、成像和临床数据），以加快发现预防、诊断和治疗疾病的新方法。
用自然语言与研究人员互动。生物医学数据的存储被汇编到一个数据库中，研究人员可以用通俗易懂的语言进行查询，以获得最新的医学统计数据、新的研究成果和各种生物信息学问题的答案。
分析广泛的生物医学数据。AI可以帮助分析生物医学成像、基因组学和临床数据——以及来自可穿戴和可植入设备的数据——以加速疾病的检测、预防和治疗。
改进药物发现。机器学习模型可以预测分子化合物如何互动，帮助确定药物发现的目标，并为进一步的调查研究标记有希望的发现

（2）计算机辅助诊断

诊断医疗状况是一项艰巨而复杂的任务，取决于多种因素——不仅包括患者当前的症状和测试结果，还包括许 多其他因素，如遗传背景、生活方式和详细的病史——其中大部分不是使用传统系统和流程的人类医疗从业者可以轻松获得。
分析大量医疗数据。AI可以分析来自各种来源的大量医疗数据，然后将点连接起来，揭示人类可能不会寻找的复杂模式和疾病特征。
向医生提供建议。通过深度神经网络、机器学习和分类等AI技术的重点应用，医疗从业人员可以依靠AI对患者数据进行更准确、更高效的分析。

（3）患者生命体征监测

如今，智能手表和其他可穿戴设备风靡一时。并且有充分的理由。从身体传感器和可穿戴设备（例如手环、心脏监护仪、贴片和支持传感器的衣服）捕获的数据不仅可以用于跟踪佩戴者的活动和健身水平，以达到娱乐目的；它还可以用于医疗目的，以远程或在医院和护理诊所持续监测患者的生命体征。然后，医疗保健提供者可以使用基于AI和机器学习的复杂工具来分析多维时间序列数据并识别需要注意的异常情况。这种突破性的能力使患者能够接受高水平的监测和护理，而无需被困在与一堆机器相连的医院病床上

4.3.3 智慧教育

（1）个性化学习的学习分析

自20世纪50年代以来，智能地适应学习者独特需求和能力的学习系统的概念就一直存在。当然，这是所有物种的父母自然教导后代的方式。然而，当涉及到基于计算机的学习时，传统的“自适性”学习系统一直在使用简单的决策技术，如分支，这只提供了最基本的适应水平。另一方面，有了AI，自适性学习系统现在可以真正自适应，为每个学习者量身定制教学方法和内容。

4.3.4 智慧社保

暂无理解，后续补充

作者本身是一名大厂的高级解决方案顾问，平时的方向是围绕着“智慧城市”、‘产业发展’、“数字经济”、“城市金融大脑”、“金融风控”、“金融服务”等领域去做一些工作，内容包含

【1】业务调研 【2】需求管理 【3】竞品分析 【4】方案设计 【5】产品设计 【6】赋能推广

闲暇之余，做点积累和分享，欢迎关注