�����0 ��� 大模型赋能智慧城市建设的路径与策略研究 魏天呈 郭真 杨云龙 (中国联合网络通信有限公司智能城市研究院,北京 100080) 摘要:近年来,人工智能技术特别是大模型(Large Language Models, LLMs)的突破性进展,正深刻重塑 全球产业格局和社会治理模式。 作为新一轮科技革命和产业变革的核心驱动力,大模型凭借其强大的 通用理解、生成、推理和交互能力 通用理解、生成、推理和交互能力,为智慧城市构建开辟了全新路径。 通过解析大模型与智慧城市的深 度融合机制,重点探讨大模型对城市治理体系现代化、公共服务智能化、产业经济高效化的赋能作用,分 析其关键驱动因素如算法创新、算力支撑、数据要素流通及政策环境,旨在为城市管理者和政策制定者 提供前瞻性参考和实践指引。 关键词:大模型;智慧城市;数据要素;城市治理 中图分类号:F49;F299. 2;TP18 引用格式:魏天呈, 郭真, 杨云龙 . 大模型赋能智慧城市建设的路径与策略研究[J]. 信息通信技术与 政策, 2025,51(8):91-96. DOI:10. 12267/ j. issn. 2096-5931. 2025. 08. 013 0 引言 在《国务院关于印发新一代人工智能发展规划的 通知》进一步明确将大模型列为重点发展方向后,大模 型在城市治理、产业升级、民生服务等领域的创新应用

项目编号： 可信数据空间 AI 大模型服务平台 建 设 方 案 目录 一、项目概述.............................................................................5 1.1 项目背景 ............................................................... ................41 五、AI 模型部署与管理............................................................44 5.1 大模型选择与部署.........................................................44 5.2 模型训练与优化.................... .........................................46 5.3 模型生命周期管理.........................................................49 六、可信管控与安全保障.........................................................51 6.1 可信计算与认证

项目编号： 基于 DeepSeek AI 大模型量化交易可信 数据空间 设 计 方 案 目 录 1.1 研究背景与意义.............................................................................................................7 1.2 AI 量化交易的发展现状. .........................34 3.2 模型的可解释性...........................................................................................................38 3.2.1 黑盒模型与白盒模型.................................. ........................................................40 3.2.2 模型解释性技术.................................................................................................42 3.3 系统的稳定性与鲁棒性............

电力人工智能多模态大模型 创新技术与应用 1 、研究背景 2 、关键技术 3 、应用案例 4 、未来展望 目 录 人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科 学；其在历史上经过多个发展时期，形成了不同的技术流派； 深度学习是目前主流。 1950s—1970s 1970s 中期 1980s-2000s 2010s-2018s 2018s- 现在 推理期 知识期 统计学习时期 集成方法时期 早期神经网络时期 大模型时期 人工智能领域迭代迅速、多种技术流派蓬勃发展，在多个领域已有广泛应用。 背景 1—— 人工智能的概念及发 展 依赖统计学和人工 设计特征构造算法； 代表算法： 支持向量机 (SVM) 基于海量数据与 大规模预训练； 代表算法： DeepSeek 系列 Qwen 系列 GPT 系列 通过模型组合提升 预测精度； 代表算法： 随机森林 梯度提升决策树 神经网络 ) 深度学习机器学习人工智 能 4/37 在人工智能领域，数据、算力与算法构成发展基石——数据驱动模型训练，算力支撑复杂计算，算法优化 技术路径，三者协同推动人工智能向更高阶形态演进。 有监督数据 人工搜集、标注

中国南方电网 CHINA SOUTHERN POWER GRID 7 电力人工智能 (AI EPS) (AI Electric Power System) 是专业大模型， 能够满足物理规律、电力系统技术准则， 实现电力系统生产智能应用 理论与技术是构建新型电力系统的重大需求 新型电力系统需要人工智能 中国南方电网 CHINA SOUTHERN POWER GRID 人工智能是电网“无条件”接受新能源的技术基础。 ■ 人工智能是管理好新能源的技术基础。 ■ 研发符合电力系统基本物理规律、遵循电力系统技术原则、满足电力系统 应用需求的电力人工智能系统。 不完全依赖电网模型，在海量数据基础上，通过大数据和计算技术，透过 数据关系发现电力系统运行规律，实现电网的智能分析、智能决策、智能 管理、智能运行、“智能导航”。 人工智能推动电力创新发展： 人工智能技术使得海量新能源接入新型电力 无限、海量 ) 数据采集、自由 ( 无限、海量 ) 数据存储、自由 ( 无限、海量 ) 数据获取、 自 由 ( 无限、海量 ) 智能分析。智能设备和设备的智能化，强大的软件系统。 不完全依赖电网模型，在海量数据基础上，通过大数据和计算技术，透过数据关系发现电力系 统运行规律，实现电网的智能分析、智能决策、智能管理、智能运行、“智能导航”。 ■ 实现数字电网的透明化，在海量数据基础上， 基

协同发展挑战 1 、数据空间发展与挑战 1、新体系:数模协同 2 、人工智能大模型语料发展与挑战 2、新架构: AI 可信数据空间 3、数据空间与 AI 协同发展的关键挑战 3、新生态:数智共生 0 AI 可信数据空 间顶层设计 0 目 录 15- 06- 03 1、贵州大数据集团公共数据授权运营空间实践 2、贵州省文旅行业数据空间及大模型实践 3、上海数据集团城市数据空间实践 4、深圳南山数据可信流通服务探索实践 5、华为企业数据空间探索实践 0 36-49 最佳实践案 50-51 参考引 前言 PREFACE 构 但高质量语料尤其是中文语料严重匮乏，实际流通率却不足 5%。数据 “ ” 产业面临 不敢共享、不愿共享、不能共享 的困局如同无形枷锁禁锢着 AI 创新的步伐。 比如医疗数据因隐私顾虑难以赋能疾病预测模型，工业数据因竞争壁垒阻碍供应链协 同优化，金融数据因权属模糊制约风险管控精度，这些挑战的本质，是数据要素市场化 “ ” 配置过程中 信任基础 的不足，也将严重制约着人工智能产业的发展。 国家数

互联网平台开展企业数字化转型，需要我们回答究竟建设什 么样的工业互联网平台。从技术视角看， 工业互联网平台包 括边缘层、 IaaS 、工业 PaaS 和工业 APP ，本质上是构建 “数 据 + 算力 + 模型 + 应用”的整体解决方案，提供描述、诊 断、预 测、决策不同应用深度的服务。 联网平台的价值究竟是什么。从价值视角看，工业互联网平 台的本质是通过工业全要素、全价值链和全产业链的连接、 产业链长 危险性高 环保压力大 设备管理不透明 工艺知识传承难 产业链上下游协 同水平不高 安全生产压力大 设备管理从黑箱管理 健康管理转变 知识管理从纸质封存 向模型封存转变 供应链管理从企业内 向企业间协同转变 安全管理从人工巡检 向智能巡检转变 设备健康管理 智能炼化生产 供应链协同 安全监控 中石化燕山石 化、中石化镇 海炼化、中石 煤炭智慧运输 生态资源保护 华为、神华集 团、大同煤矿、 山西焦煤、蒙 草集团 航空 航天 研发周期长 产品种类多、 规模小 产业链特别长 数据源不统一 模型适配性不足 故障预测水平有 待提升 研发设计由串行异构 到并行协同转变 生产制造由以数映物 到数物融合转变 生产管理由单点对接 到动态调整转变 运维服务由定期维护 到视情维护转变

2.2.2 研发创新支持 基于多源融合的数据资源， 深度探索构建具有高度精准性 和 泛化能力的新材料行业大模型 。该模型将集成材料科学 领域 的前沿知识和丰富经验， 为新材料模拟计算 、联合研 发 、试 制工艺优化等关键环节提供强大的数据支撑和先进 的智能 算法支持 。通过模型的应用， 有效缩短新材料研 发周期， 降 低研发成本， 提高研发效率和创新能力， 推动 新材料研发从 传统的试错模式向数据驱动的精准创新模式 传统的试错模式向数据驱动的精准创新模式 转变 。预计在数 据空间建成后的 3 - 5 年内， 通过模型的 应用， 将新材料 平均研发周期缩短 20% - 30%， 研发成 本降低 15% - 25%。 2.2.3 产业协同促进 全力促进新材料产业链上下游企业之间的数据共享与协同 创新， 实现多级材料供应商数据的实时共享和高效利用 。 通 过建立产业链协同创新平台， 优化产业链资源配置， 社交媒体上的新材料相关信息等，使用 NoSQL 数据库，如 MongoDB 、Cassandra 等进行存储 。NoSQL 数据库具有 灵活的数据模型， 能够适应不同类型数据的存储需求， 并且 在读写性能方面表现出色 。例如， MongoDB 的文档型数据 模型适合存储传感器采集的实时数据， 能够快速写入和查 询； Cassandra 的分布式架构和高可用性特点，使其能够高 效处 理大规模的用户行为数据和社交媒体数据，

投资标的必须与本地优势产业 高度契合，能补强、升级现有 产业链。 产业协同原则 不以财务回报为唯一目标，设 置综合指标（如落地时间、税 收、产业带动效应）以保障国 资安全与产业效益。 多目标对赌模型 通过资本手段吸引企业将总部、 运营中心或核心业务迁入本地， 实现“引资”与“引智”结合。 “以投引促”路径 规避持续亏损项目，青睐已具 备自我造血能力、商业模式清 晰、能完成营收指标的企业。 企业申报数据 54% AI创新：深度垂直化与价值务实化 • 垂直行业大模型涌现：基于行业知识与数据， 打造专用AI模型，解决特定领域痛点。 • AI智能体加速应用：企业开始应用AI智能体 实现业务流程自动化、决策支持与跨域协同。 • 数据闭环驱动演进：将数据视为核心资产， 通过闭环反馈机制持续优化AI模型与应用。 • 全链条智能渗透：AI技术覆盖设计、生产、 供应链、营销等全链路，实现端到端赋能。 全链路数字化整合：构建数字化平台，打通供应 链核心环节，实现数据实时同步与流程自动化。 • 资源聚合与生态共享：整合物流/金融/技术/园区 等多元化资源，探索集采/共享仓储等生态型服务。 • 数据智能与AI驱动：应用大数据、AI模型与算法 优化决策，实现精准营销、柔性生产与动态定价。 • 协同创新与开放生态：联合上下游企业/科研机构 /政府共建技术研发/标准制定与成果转化平台。 • 价值共创与可持续盈利：构建“交易+服务+数据”

3.1 数据收集与处理.........................................................................27 2.3.2 交通模式预测模型......................................................................29 3. 自动驾驶技术................ 信息，开发自动驾驶车辆，不仅可以减少人工驾驶带来的安全 隐患，还能优化城市的道路使用效率。未来，逐步推进与公共 交通结合的项目，让自动驾驶车辆作为接驳车，提升公共交通 的便利性。 3. 交通流量预测系统：利用深度学习模型分析历史和实时交通数 据，预测短期和长期的交通流量趋势，并提出相应的优化措 施。例如，在高峰期提前调整公共交通出行班次，提升服务效 率。 4. 共享出行服务：开发基于 AI 的共享出行平台，通过用户数据 自动驾驶：众多汽车制造商和科技公司正投入大量资源发展自 动驾驶技术，将环境感知、决策与控制的各个环节使用深度学 习等算法进行集成，实现全自动驾驶。  交通流量预测：基于历史数据和实时数据，利用机器学习模型 进行交通流量预测，帮助城市进行交通规划与管理。 在技术实现上，智能交通系统通过大量传感器、摄像头和数据 融合技术，采集交通实时数据，并通过云计算和人工智能分析模式 实现交通信息实时共享与反馈。例如，在某些大型城市中，交通管