人工智慧是如何運作的呢，以及我們如何達到將其在城市和公共空間的推廣作為智慧城市發展的下一步的階段?
在了解人工智慧如何運作的背景下，有兩個重要面向需要考慮：訓練和推理。訓練，就等於教導孩子。我們訓練人工智慧系統像人類一樣識別事物。透過反覆向其展示圖像，使之能夠學習和理解不同的概念。例如，如果我們想透過移動來分析交通模式或有效利用空間，就需要在白天和黑夜、雨和霧等各種條件下反覆將人工智慧暴露在公車、計程車、自行車等的影像中。透過這個迭代過程，人工智慧逐漸具備了準確辨識物體的能力，達到了一定的準確率。
一旦人工智慧模型達到成熟階段，就會被打包並部署用於推理。推理是人工智慧工作的第二部分，其應用所學到的知識來做出有根據的猜測。隨著即時資料的流入，人工智慧將視覺資訊轉換為文字或其他形式的非影像資料。這些資料以及時間戳記和環境因素等附加元資料是使用邏輯和業務規則進行處理的。
為了高效推理，高效能推理是必要的，尤其是在處理複雜模型或大量資料時。由於處理資料需要時間，傳統的計算方法可能不夠。這就是加速計算和並行處理發揮作用的地方。這種先進的運算能力允許多個人工智慧模型同時運作。例如，一個攝影機可以配備多個模型，不僅可以偵測車輛，還可以偵測火災、煙霧、打架、事故等。這種多模式部署從單一資料來源提供多個結論，需要強大的處理能力。
部署選項包括邊緣其中高容量人工智慧系統直接放置在感測器內部或附近，或資料中心，其中多個攝影機連接到一個中心點，如伺服器。這些設置可以在體育場或機場等地方找到。或者，當不需要時間關鍵的處理時，可以選擇雲端部署，並且可以將資料傳輸到遠端雲端伺服器進行分析。
當談到城市的數位轉型時，我們看到了各種術語來描述這種轉變，包括智慧城市、智慧城市、認知城市和綠色城市。最初的重點是利用資訊科技來提高城市環境的效率，並減少浪費，而城市環境面臨著因城市化和移民等因素帶來的基礎設施挑戰。傳統的擴大基礎設施的方法被證明是不夠的，因此需要更聰明的解決方案來優化有限的空間和容量。
技術的發展在這一轉變中發揮了至關重要的作用。隨著連接變得越來越普遍，最初的重點是連接設備，從而產生了支援IP的解決方案。這為雙向查詢設備鋪平了道路，導致了物聯網、智慧型設備的誕生，以及被稱為「資料化」的資料激增。隨著連接物聯網設備的巨大增長，以及行動運算、雲端技術以及4G和5G等更快連接的進步，大量數據變得可用，這給如何有效使用數據帶來了新的挑戰。
圍繞著大數據、有用數據與浪費數據等概念出現了爭論。在尋求數位轉型的過程中，尋找從海量資料中提取價值的方法成為一個迫切的問題。結論是，僅僅依靠資料科學家透過傳統方法，如商業智慧平台和SQL等查詢語言，來處理和分析資料是不可擴展的。然而，邊緣運算的出現透過顯著降低運算成本改變了這種情況。 GPU等技術引入了平行運算和加速運算，將效能提高了100倍到1,000倍。
成本的降低和計算能力的增加催生了深度學習，可以教導機器處理數據，無論數據大小如何。機器將學習如何處理和分析數據，從而無需大量勞動力，而是需要充足的運算能力。資料集越大，處理速度越快，結果越顯著。我們進入了一個可以真正完成看似不可能的事情的時代。
5G、深度學習和GPT AI等技術的融合帶來了一場革命，人工智慧現在有望推動未來30年、40年、50年甚至60年的創新，就像網路推動了前30年一樣。人工智慧現在可以整合到各種應用中，包括自動駕駛車輛和感測器。這種整合需要不同組件和利害關係人的協作，以創建無縫且無摩擦的體驗。
城市已經開始接受這種技術轉變，並認識到人工智慧在解決問題和為公民創造價值方面的潛力。重點已從將人工智慧理解為一個概念轉向探索其實際應用和影響。在交通管理等領域部署人工智慧可以顯著減少事故，有時根據交通流量和位置可以減少高達70%，而工廠可以利用人工智慧來優化機器性能、增強安全性並預測維護需求。此外，由人工智慧輔助的自動駕駛汽車可以透過主動應對潛在風險來增強安全性。
潛在的應用範圍包括分析人們如何使用道路和空間、將視覺感測器與空氣品質監測相結合，以及將數據與醫療保健和緊急系統整合。這樣就可以做出明智的決策，例如根據空氣品質和交通狀況動態改變交通燈模式。然而，融入實際城市營運不僅涉及技術能力。其需要製定流程並管理變革，以確保城市運營者和決策者的舒適度和接受度。
城市正處於不同的採用階段，其中交通、運輸、機場、火車站和高速公路是值得注意的重點領域。機場可以透過了解人們的行為來優化營運、加強健康和安全措施並管理風險。火車站可以監控人群、分析障礙物使用、檢查軌道並透過匿名分析確保健康和安全。潛在應用和用例的清單非常廣泛，並且還在不斷增長。
人工智慧在私營基礎設施(如機場)的私營部門用例，會在公共部門用例之前成熟嗎?
私營基礎設施與公共部門用例的人工智慧用例的成熟度取決於具體應用。在公共部門，一個例子是路邊管理，其中監控和永續發展措施發揮重要作用。透過在整個城市安裝感測器，可以全面了解城市運作和情況，包括廢物、犯罪和交通。交通管理領域對人工智慧解決方案的需求不斷增長，包括車輛或行人監控、非法停車偵測和停車場管理。
公共部門的措施也旨在向民眾和決策者提供即時資訊。例如，透過使用攝影機，可以識別可用的停車位，並可以透過應用程式或其他平台將其傳達給公民。另一個用例涉及廢物管理，其中人工智慧可以檢測溢出的垃圾箱並向適當的人員觸發警報。總體而言，人們越來越關注與城市管理和服務相關的交通、流動性、永續性、目視檢查。
相較之下，由於投資報酬率驅動的性質，私部門往往更容易採用人工智慧用例。如果價值和收益能夠證明，私人企業更傾向於快速投資和擴展其人工智慧解決方案。然而，公共部門往往追求的價值不僅僅是財務回報。其考慮人工智慧如何改善服務、增強公民福祉並促進安全。因此，公共部門的採購和預算流程可能會更長。
在這個領域，有超過150家新創公司為這些類型的用例提供人工智慧解決方案。一些新創公司引入了創新的商業模式，允許城市以資本支出(CapEx)的形式投資項目或選擇營運支出(OpEx)模式。 OpEx模型涉及新創企業部署和維護基礎設施，同時透過軟體即服務(SaaS)或資料即服務(DaaS)模型提供服務。這些新創公司專注於銷售其提供的價值，而不是設備本身。
人工智慧方面在與某個行業的互動會比與另一個行業的互動更容易?其中一個比另一個更積極地尋求人工智慧解決方案?
在與不同產業的人工智慧合作方面，參與的難易度因地區而異。具體而言，如歐洲、中東和非洲，英國、德國、法國、義大利和西班牙等某些國家正積極尋求人工智慧支援的解決方案。尤其是中東城市，會向NVIDIA尋求具體目標，並尋求協助來實現這些目標，但這種程度的參與僅限於較小比例的城市。
如果考慮城市的技術成熟度或數位轉型的成熟度曲線，更先進的城市會積極主動地尋求人工智慧解決方案。他們已經完成了研究，閱讀了成功案例，並渴望進一步探索。然而，大多數城市(約佔70%)仍處於學習人工智慧的過程中，可能缺乏必要的基礎設施和對如何開始人工智慧之旅的了解。
開始人工智慧之旅不僅僅是購買一個盒子或一個解決方案。許多城市表達了使用自己的數據並開發自己的模型的願望。一些城市內部有專門的實體，例如IT或人工智慧驅動的團隊，其對人工智慧的了解和實施已經成熟。
相較之下，還有另外兩種類型的城市。第一類人了解人工智慧，但缺乏實施其資源和專業知識。他們尋求現成的、現成的解決方案。第二種類型的城市既需要對人工智慧有更好的了解，也需要必要的資源來實施它。這些城市採取更溫和和謹慎的態度，以較慢的速度探索人工智慧解決方案。整體而言，很大一部分城市屬於需要繼續教育且缺乏資源來充分擁抱人工智慧的類別。
過去，通常認為擁有更多資源的一線城市是城市政府和地方當局對人工智慧解決方案感興趣的主要驅動力。然而，情況已經發生了變化，現在人工智慧採用背後的驅動力已經超出了城市的規模或資源。現在的問題是人才和領導力。
德國有一個小鎮，人口約9000人。這個小鎮擁有具有非凡智慧和富有遠見的領導力的人才，他們了解人工智慧的價值，因此利用電腦視覺技術掃描整個小鎮，並創造數位孿生。有時，較小的城市可能更靈活、更易於管理，與更大、更複雜的城市相比，更容易實施人工智慧解決方案。
人工智慧在城市的部署實際上取決於多種因素。認識到技術潛力的人才和領導力發揮著重要作用。然而，當我們談論「人才」時，重要的是要記住這不僅限於個人。我們現在看到，城市透過投資人工智慧平台，開闢與大學和研究機構進行創新和合作的機會，成為先行者。人工智慧領域新創公司和創造就業機會的主要障礙是基礎設施和數據存取。有遠見的城市正在透過公私合作夥伴關係或其他模式投資計算基礎設施來解決這個問題。重點不在於誰擁有平台，而在於平臺本身的存在。透過提供運算資源，提供相關數據，以及促進與大學和當地社區的聯繫，這些城市正在製定許多當地舉措，並提高勞動力技能，為其提供未來的技能。反過來，隨著新創企業從這些努力中湧現出來，這又會創造就業機會。
激發人們對人工智慧解決方案興趣的不再只是大城市的問題。在人才、富有遠見的領導力以及促進創新和協作的舉措的推動下，大大小小的城市都在積極探索人工智慧的潛力。
以上是城市在採用人工智慧方面進展如何？的詳細內容。更多資訊請關注PHP中文網其他相關文章！
