当下的中国掀起智慧城市的热潮,不少城市都有自己的智慧城市项目或规划,希望通过智慧城市建设来提高城市管理水平,实现城市管理成效和改善市民生活质量,甚至更进一步,构建起用户创新、开放创新、大众创新、协同创新为特征的城市可持续创新生态。
市场的旺盛需求带来行业巨头的积极参与。在日前举办的2019领航者峰会上,紫光旗下新华三集团宣布推出“数字大脑计划”,其中就包括“城市数字大脑”。这里“城市数字大脑”的核心支撑就是新华三的新型智慧城市建设能力。近年来,新华三在智慧城市领域持续不断投入,积累下丰富的解决方案和服务能力,也赢得了市场的广泛认可。
建设新型智慧城市
“智慧城市项目很多,但如果不是以数据驱动的,就不算是真的智慧城市项目。”新华三集团副总裁、数字化业务部总裁孙德和在接受记者采访时表示。
在孙德和看来,新型智慧城市建设本质上就是围绕数据驱动展开的,而不只是简单的部署一些设备,收集上来一些数据。比如,很多城市部署了不少摄像头,透过城市的物联网可以采集城市各个地方图像。但只部署摄像头完成图像收集还不能算智慧城市项目,最多算智慧城市的基础设施建设,更为关键的是能对采集来的图像信息进行加工分析。
“如果监控到可疑的陌生人或者监控人群聚集,能有一些预测和预警。只有项目具有了这样的特征,我们认为它才算是智慧城市。” 孙德和说,这里的核心是要体现出以数据为驱动,通过大数据的分析加工来做预测、预警,然后实现各业务单元的联动,这是未来智慧城市的一个特征。
孙德和说:“在数字化转型时代,数据业务的比重越来越大。智慧城市、企业数字化转型、数字政府等都是围绕数据的一个能力集。”
新华三的智慧城市业务格局
作为新华三进军数字化市场的主力军,数字化业务部不仅要整合新华三内部的能力,同时也要整合外部合作伙伴的能力,来交付智慧城市解决方案。
“我们现在是设计先行,不仅有顶层设计能力,还有集成能力,就是把一些优秀的产品或者是应用集成到方案里面去。”孙德和说。
选择一个好的合作伙伴也是挺不容易的,尤其是在智慧城市的建设中,一定要选择一家可以持续发展,重研发投入的合作伙伴。数字化业务部坚持两个开放:第一个是对内开放,就是通过数据驱动的智慧类业务,去拉动公司所有的产品,所有的产品都可以进到自己的方案里面去。第二个就对外开放,广泛接纳所有合作伙伴的优秀应用、产品,不断丰富整体解决方案。
孙德和强调说,数字化业务并不是只服务于业务,其研发团队会做一些标准化、共性的工具类、平台类的产品。“数字化业务部门的定位是五位一体,即顶层设计与业务咨询、项目集成与资源整合、产品研发与解决方案创新、城市运营与持续优化、生态构建与协同发展五个方面。”他说。
截至目前,新华三已经在智慧城市领域取得了相当不错的成绩,完成了一些标杆工程,包括天津市智慧滨海、郑州高新区新型智慧城市运营中心以及内蒙古自治区的“云上北疆”等。在服务这些客户的同时,新华三形成了“智能+一脑两通三次”的智慧城市建设方法论,涵盖了智慧城市建设的整个生命周期,包括从顶层设计、业务咨询、系统集成到智慧城市运营,以及交付完整的智慧城市解决方案,可以为不同城市的数字化发展提供定制化服务。
有必要指出的是,虽然智慧城市是数字化业务部门的重点业务,但并不是这个部门的全部业务。实际上,数字化业务部门负责新华三所有智慧类业务,除了智慧城市,还有智慧政务、智慧园区、未来社区、智慧街区、智慧教育等。
“我们实际上是肩负了新华三转型的重任,这是一个很重的使命,代表了新华三的未来。” 孙德和说。
好文章,需要你的鼓励
本文探讨了达成人工通用智能(AGI)七大路线中的线性进阶路径,预测了从2025年至2040年 AI 技术与社会效应的关键年度节点。
这项研究介绍了一种新型多模态扩散模型,能够同时生成量子电路的离散结构和连续参数。由因斯布鲁克大学和NVIDIA公司研究人员开发,该模型利用两个独立但协同工作的扩散过程处理门类型选择和参数预测,克服了传统量子电路编译方法的效率瓶颈。研究证明了该模型在不同量子比特数量、电路深度和参数化门比例下的有效性,并通过快速电路生成创建了数据集,从中提取出有价值的结构见解,为量子电路合成提供了新方向。
SenseFlow是香港科技大学等机构联合开发的文本到图像蒸馏技术,解决了大型流匹配模型蒸馏的三大难题。研究团队提出隐式分布对齐(IDA)稳定训练过程,段内引导(ISG)优化时间步重要性分配,并设计基于视觉基础模型的判别器提升生成质量。实验表明,SenseFlow能将SD 3.5和FLUX等12B参数级模型成功蒸馏为仅需4步生成的高效版本,同时保持甚至超越原模型在多项指标上的表现,代表了AI图像生成效率提升的重要突破。
MASKSEARCH是阿里巴巴集团同义实验室开发的新型预训练框架,通过创新的"检索增强掩码预测"任务,训练大型语言模型像人类一样主动使用搜索工具获取信息。这项框架包含两个阶段:首先在掩码预测任务上预训练,然后在下游任务上微调,大幅提升模型在开放域问答中的表现。研究采用监督微调和强化学习两种方法,结合多代理系统和课程学习策略,使AI能够自主分解问题、使用搜索工具并基于搜索结果进行推理。