


Die Zukunft intelligenter Städte: KI, Daten und Stadtentwicklung
Nach der Finanzkrise 2008 begann sich weltweit eine neue Art der Urbanisierung und Dienstleistungserbringung durchzusetzen. Mit fortschreitender Technologie haben Stadtplaner neue Wege entwickelt, um die Bedürfnisse der Stadtbewohner zu überwachen und Technologie für die Bereitstellung von Dienstleistungen zu nutzen.
Durch den Einsatz des Internets der Dinge in zahlreichen Aufgaben des Stadtmanagements entstehen „Smart Cities“. Mehr als ein Jahrzehnt später ist die Smart-City-Revolution in den führenden Städten der Welt alltäglich geworden. Das Konzept scheint jedoch eher eine Markenbildung als eine völlige Revolution der Urbanisierung zu sein.
Der Einsatz von Technologie zur Erleichterung des städtischen Lebens ist in Städten nichts Neues. Seit der Gründung der ersten Städte vor über 6.000 Jahren haben Menschen nach Möglichkeiten gesucht, mithilfe von Technologie unser tägliches Leben zu verbessern. Mit dem Aufkommen von Smartphones konnten Stadtplaner riesige Datenmengen sammeln und die Bedürfnisse der Bewohner besser verstehen.
Städtische Probleme lösen
Als Überwachungstechnologie ist die Menge an persönlichen Daten, die Smartphones sammeln, beispiellos in der Geschichte der Menschheit. Diese Daten liefern Stadtplanern neue Erkenntnisse darüber, wie städtische Umgebungen genutzt werden und wo Ressourcen eingesetzt werden sollten.
Allerdings legen Smart-City-Marken oft mehr Wert auf persönliche Bequemlichkeit als auf Datenüberwachung. Da in Städten wie Dubai und Singapur die städtischen Ämter von Papierdokumenten für offizielle Transaktionen Abstand nehmen, können Einwohner über Smartphone-Apps mit städtischen Diensten interagieren. Vermarkter von Smart Cities stellen sich eine Zukunft vor, in der die Bewohner kein physisches Stadtbüro aufsuchen müssen, um ihre Geschäfte abzuwickeln, und in der Ressourcen automatisch auf der Grundlage der Nachfrage zugewiesen werden Grad. Methode. Selbst in einer Stadt wie Kapstadt können die Bewohner viele ihrer Probleme über Smartphones oder Online-Plattformen lösen. Wirklich innovative Smart-City-Modelle verändern sich. NEOM, eine geplante Stadt an der Küste des Roten Meeres in Saudi-Arabien, verspricht, Technologie in nahezu jeden Aspekt der städtischen Umgebung zu integrieren
Auf der anderen Seite der Welt möchte eine Gruppe führender Technologieinvestoren in Kalifornien ihre eigene Stadt bauen von Grund auf und testen Sie Smart-City-Konzepte zur Lösung städtischer Probleme.
Future Smart City
„California Forever“ ist ein von den Silicon Valley-Milliardären Reid Hoffman, Laurene Powell Jobs und Marc Andreessen unterstütztes Projekt, das den Bau einer „Traumstadt“ in Nordkalifornien plant. Das Projekt hat große Landstriche erworben und verspricht die Schaffung einer futuristischen Smart City mit modernster Solarenergie, Sicherheit und Lebensqualität.
Diese Investoren reagieren auf den starken Rückgang in kalifornischen Städten. Kaliforniens Städte von San Francisco bis San Diego konnten die steigende Kriminalität und Obdachlosigkeit nicht eindämmen. Befürworter glauben an das „California Forever“-Konzept intelligenter Städte, die durch die neueste Überwachungstechnologie aufrechterhalten werden, um eine Alternative zu den immer gefährlicher werdenden Stadtgebieten Kaliforniens zu bieten
Das macht Sinn. Der Kern intelligenter Städte ist die in die städtische Umgebung integrierte Überwachungsarchitektur. Aber das öffentliche Narrativ war schon immer sanfter. Um diese Dichotomie vollständig zu verstehen, müssen wir betrachten, wie sich die Schwellenländer in den letzten zwei Jahrzehnten verändert haben. Mitte der 2000er Jahre begannen Anleger, nach neuen Märkten mit lukrativen Renditen zu suchen.
Günstige Mittel durch die Globalisierung und niedrige Zinsen sowie die wachsende junge Bevölkerung haben Schwellenländer (insbesondere auf der Südhalbkugel) zu einer beliebten Wahl für Anleger gemacht. Das Aufkommen neuer Narrative bestätigt und beschleunigt die Stimmung neuer Anleger. Mit anderen Worten: Technologie und eine wachsende junge Bevölkerung kündigen einen historischen Wandel in der Weltwirtschaft an. Die Zukunft gehört den Schwellenländern
Aus technischer Sicht ist das richtig. Technologie ermöglicht Wissensarbeitern auf der ganzen Welt einen besseren Zugang zu Märkten. Viele aufstrebende Weltstädte haben eine wachsende junge Bevölkerung, die mehr Möglichkeiten hat als ihre Vorgänger
Schwellenländer
Städte wie Dubai sind zu neuen Innovationszentren geworden, die verschiedene Gruppen von Menschen zusammenbringen. Dieses Narrativ wurde in den letzten Jahren zerstört, da die hohen Zinsen das billige Geld, das den Boom befeuerte, abgezogen haben. Einige Schwellenländer haben jedoch ihre Stärken voll ausgeschöpft.
Das Smart-City-Narrativ bleibt für das Narrativ in den Schwellenländern von entscheidender Bedeutung. Viele Stadtbeamte sehen in der Nutzung von Smartphones zum Bezahlen von Strafzetteln ein Zeichen für das Versprechen der Technologie, das Leben einfacher zu machen. Es beseitigt die bürokratischen Hürden, die in einigen Schwellenländern oft mit dem Erbe des Kolonialismus verbunden sind.
Jetzt, da diese Entwicklungen auf der ganzen Welt alltäglich geworden sind, muss sich die Erzählung ändern. Der Aufstieg der künstlichen Intelligenz wird die Art und Weise verändern, wie wir über Städte denken. Dank der riesigen Datenmengen, die Städte im letzten Jahrzehnt gesammelt haben, können Systeme der künstlichen Intelligenz eingesetzt werden, um die Ressourcenverteilung vorherzusagen und zu verwalten. Das nahtlose Erlebnis, das Smart-City-Visionen versprechen, kann durch künstliche Intelligenz einfacher erreicht werden.
Der Traum von einer wirklich smarten Stadt ist noch nicht ausgeträumt. Solange Menschen in Städten leben, wird es eine Motivation geben, die städtische Umwelt zu verbessern.
Smart-City-Marken, die mit dem Wachstum in Schwellenländern verbunden sind, haben möglicherweise ihre besten Tage hinter sich und verändern sich, da neue Technologien den Planern mehr Optionen bieten. Damit geht ein wichtiges Kapitel in der Geschichte der Urbanisierung zu Ende und ein neues beginnt gleich
Das obige ist der detaillierte Inhalt vonDie Zukunft intelligenter Städte: KI, Daten und Stadtentwicklung. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen



Diese Seite berichtete am 27. Juni, dass Jianying eine von FaceMeng Technology, einer Tochtergesellschaft von ByteDance, entwickelte Videobearbeitungssoftware ist, die auf der Douyin-Plattform basiert und grundsätzlich kurze Videoinhalte für Benutzer der Plattform produziert Windows, MacOS und andere Betriebssysteme. Jianying kündigte offiziell die Aktualisierung seines Mitgliedschaftssystems an und führte ein neues SVIP ein, das eine Vielzahl von KI-Schwarztechnologien umfasst, wie z. B. intelligente Übersetzung, intelligente Hervorhebung, intelligente Verpackung, digitale menschliche Synthese usw. Preislich beträgt die monatliche Gebühr für das Clipping von SVIP 79 Yuan, die Jahresgebühr 599 Yuan (Hinweis auf dieser Website: entspricht 49,9 Yuan pro Monat), das fortlaufende Monatsabonnement beträgt 59 Yuan pro Monat und das fortlaufende Jahresabonnement beträgt 499 Yuan pro Jahr (entspricht 41,6 Yuan pro Monat). Darüber hinaus erklärte der Cut-Beamte auch, dass diejenigen, die den ursprünglichen VIP abonniert haben, das Benutzererlebnis verbessern sollen

Verbessern Sie die Produktivität, Effizienz und Genauigkeit der Entwickler, indem Sie eine abrufgestützte Generierung und ein semantisches Gedächtnis in KI-Codierungsassistenten integrieren. Übersetzt aus EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, Autor JanakiramMSV. Obwohl grundlegende KI-Programmierassistenten natürlich hilfreich sind, können sie oft nicht die relevantesten und korrektesten Codevorschläge liefern, da sie auf einem allgemeinen Verständnis der Softwaresprache und den gängigsten Mustern beim Schreiben von Software basieren. Der von diesen Coding-Assistenten generierte Code eignet sich zur Lösung der von ihnen zu lösenden Probleme, entspricht jedoch häufig nicht den Coding-Standards, -Konventionen und -Stilen der einzelnen Teams. Dabei entstehen häufig Vorschläge, die geändert oder verfeinert werden müssen, damit der Code in die Anwendung übernommen wird

Um mehr über AIGC zu erfahren, besuchen Sie bitte: 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou unterscheidet sich von der traditionellen Fragendatenbank, die überall im Internet zu sehen ist erfordert einen Blick über den Tellerrand hinaus. Large Language Models (LLMs) gewinnen in den Bereichen Datenwissenschaft, generative künstliche Intelligenz (GenAI) und künstliche Intelligenz zunehmend an Bedeutung. Diese komplexen Algorithmen verbessern die menschlichen Fähigkeiten, treiben Effizienz und Innovation in vielen Branchen voran und werden zum Schlüssel für Unternehmen, um wettbewerbsfähig zu bleiben. LLM hat ein breites Anwendungsspektrum und kann in Bereichen wie der Verarbeitung natürlicher Sprache, der Textgenerierung, der Spracherkennung und Empfehlungssystemen eingesetzt werden. Durch das Lernen aus großen Datenmengen ist LLM in der Lage, Text zu generieren

Large Language Models (LLMs) werden auf riesigen Textdatenbanken trainiert und erwerben dort große Mengen an realem Wissen. Dieses Wissen wird in ihre Parameter eingebettet und kann dann bei Bedarf genutzt werden. Das Wissen über diese Modelle wird am Ende der Ausbildung „verdinglicht“. Am Ende des Vortrainings hört das Modell tatsächlich auf zu lernen. Richten Sie das Modell aus oder verfeinern Sie es, um zu erfahren, wie Sie dieses Wissen nutzen und natürlicher auf Benutzerfragen reagieren können. Aber manchmal reicht Modellwissen nicht aus, und obwohl das Modell über RAG auf externe Inhalte zugreifen kann, wird es als vorteilhaft angesehen, das Modell durch Feinabstimmung an neue Domänen anzupassen. Diese Feinabstimmung erfolgt mithilfe von Eingaben menschlicher Annotatoren oder anderer LLM-Kreationen, wobei das Modell auf zusätzliches Wissen aus der realen Welt trifft und dieses integriert

Herausgeber | Der Frage-Antwort-Datensatz (QA) von ScienceAI spielt eine entscheidende Rolle bei der Förderung der Forschung zur Verarbeitung natürlicher Sprache (NLP). Hochwertige QS-Datensätze können nicht nur zur Feinabstimmung von Modellen verwendet werden, sondern auch effektiv die Fähigkeiten großer Sprachmodelle (LLMs) bewerten, insbesondere die Fähigkeit, wissenschaftliche Erkenntnisse zu verstehen und zu begründen. Obwohl es derzeit viele wissenschaftliche QS-Datensätze aus den Bereichen Medizin, Chemie, Biologie und anderen Bereichen gibt, weisen diese Datensätze immer noch einige Mängel auf. Erstens ist das Datenformular relativ einfach, die meisten davon sind Multiple-Choice-Fragen. Sie sind leicht auszuwerten, schränken jedoch den Antwortauswahlbereich des Modells ein und können die Fähigkeit des Modells zur Beantwortung wissenschaftlicher Fragen nicht vollständig testen. Im Gegensatz dazu offene Fragen und Antworten

Maschinelles Lernen ist ein wichtiger Zweig der künstlichen Intelligenz, der Computern die Möglichkeit gibt, aus Daten zu lernen und ihre Fähigkeiten zu verbessern, ohne explizit programmiert zu werden. Maschinelles Lernen hat ein breites Anwendungsspektrum in verschiedenen Bereichen, von der Bilderkennung und der Verarbeitung natürlicher Sprache bis hin zu Empfehlungssystemen und Betrugserkennung, und es verändert unsere Lebensweise. Im Bereich des maschinellen Lernens gibt es viele verschiedene Methoden und Theorien, von denen die fünf einflussreichsten Methoden als „Fünf Schulen des maschinellen Lernens“ bezeichnet werden. Die fünf Hauptschulen sind die symbolische Schule, die konnektionistische Schule, die evolutionäre Schule, die Bayes'sche Schule und die Analogieschule. 1. Der Symbolismus, auch Symbolismus genannt, betont die Verwendung von Symbolen zum logischen Denken und zum Ausdruck von Wissen. Diese Denkrichtung glaubt, dass Lernen ein Prozess der umgekehrten Schlussfolgerung durch das Vorhandene ist

Herausgeber |. KX Im Bereich der Arzneimittelforschung und -entwicklung ist die genaue und effektive Vorhersage der Bindungsaffinität von Proteinen und Liganden für das Arzneimittelscreening und die Arzneimitteloptimierung von entscheidender Bedeutung. Aktuelle Studien berücksichtigen jedoch nicht die wichtige Rolle molekularer Oberflächeninformationen bei Protein-Ligand-Wechselwirkungen. Auf dieser Grundlage schlugen Forscher der Universität Xiamen ein neuartiges Framework zur multimodalen Merkmalsextraktion (MFE) vor, das erstmals Informationen über Proteinoberfläche, 3D-Struktur und -Sequenz kombiniert und einen Kreuzaufmerksamkeitsmechanismus verwendet, um verschiedene Modalitäten zu vergleichen Ausrichtung. Experimentelle Ergebnisse zeigen, dass diese Methode bei der Vorhersage von Protein-Ligand-Bindungsaffinitäten Spitzenleistungen erbringt. Darüber hinaus belegen Ablationsstudien die Wirksamkeit und Notwendigkeit der Proteinoberflächeninformation und der multimodalen Merkmalsausrichtung innerhalb dieses Rahmens. Verwandte Forschungen beginnen mit „S

Laut Nachrichten dieser Website vom 5. Juli veröffentlichte GlobalFoundries am 1. Juli dieses Jahres eine Pressemitteilung, in der die Übernahme der Power-Galliumnitrid (GaN)-Technologie und des Portfolios an geistigem Eigentum von Tagore Technology angekündigt wurde, in der Hoffnung, seinen Marktanteil in den Bereichen Automobile und Internet auszubauen Anwendungsbereiche für Rechenzentren mit künstlicher Intelligenz, um höhere Effizienz und bessere Leistung zu erforschen. Da sich Technologien wie generative künstliche Intelligenz (GenerativeAI) in der digitalen Welt weiterentwickeln, ist Galliumnitrid (GaN) zu einer Schlüssellösung für nachhaltiges und effizientes Energiemanagement, insbesondere in Rechenzentren, geworden. Auf dieser Website wurde die offizielle Ankündigung zitiert, dass sich das Ingenieurteam von Tagore Technology im Rahmen dieser Übernahme mit GF zusammenschließen wird, um die Galliumnitrid-Technologie weiterzuentwickeln. G
