能 力的城市级一体化智能协同体系，将推动城市走向更高效、更可持续、更有温度的新时代。 人工智能技术将重塑城市发展模式，带领人类进入智慧城市新阶段。报告 “ 提出 AI CITY ”是 AI 原生的智慧城市，代表了智慧城市的内核升级、建设路线升维、底层逻辑演进，提出的 “ 1234MNX” “ 参考架构具有可落地性，值得学界和业界借鉴参考。相信亦希望通过 AI CITY”的探索实 践， 与表达形态，能够同时处理文本、图 像、语音等多种数据，并进行深度语义理解和交叉模态处理，是实现通用智能的重要路径。大模型从早期简单的子任 务模型组合模式，逐步转变为端到端跨模态统一特征表示，实现了原生多模支持，为人工智能与现实世界复杂信息交 互奠定了坚实基础。 AI CITY 发展研究报告 02 AI 发展经历了三次峰谷，正在向人机协同为特征的具身智能 3.0 时代前 进。大模型正在推动知识表示和调用 2018 年 9 月 17 2018 年 10 月 31 2019 年 5 月 16 2020 年 3 月 31 2025 年 4 月 27 表 3 部分城市人工智能发展目标定位 AI 原生城市，人工智能创新策源 地和应用高地 “全栈式 AI”先锋城市 全国算力成本洼地、模型输出源 地、数据共享高地、应用首发地， 具有全球竞争力和影响力的人工智 能产业发展高地 全国人工智能产业发展高地

县级公共大数据资源中心 建设方案 V 数据开发平台：提供数据开发平台能力，支持可视化开发和原生态开发两种开 发模式 ，实现原生态开发与可视化编排的互相转换； 统一调度管理：提供统一调度管理功能，提供流程设计与管理、调度策略管控、 任务调度控制、等功能模块； 数据资产管理：提供数据资产管理功能，包括：数据资产分类管理、资产目录、 V 3.4.6.2 数据开发平台 数据开发完成多种环境的全量与增量数据处理能力，简化开发过程。统一数据开发 入口，支持可视化开发和原生态开发两种开发模式，实现原生态开发与可视化编排的互 相转换 ，提升开发效率。 支持可视化开发 支持原生态开发 开发工具是用于配置中介流程、组件及适配器开发工具 ，它提供了完整的从设 计、开发、配置到打包部署整个阶段的 GUI（Graphical

以分别展示不同的应用名称 应用入口样 式 可依据 PC 端后台设定的图标或自定义的图片展 示应用的入口形式。 列表展示 依据 PC 端后台设定，每个列表首页可以设置展 示 3-20 条内容。 25 原生 App 特性 消息离线 推送 退出 app，依然能在手机通知中收到消息提醒 本地通讯 录 移动端通过短信邀请手机通讯录好友加入社区 联系人 查看基础信 息 可查看联系人的基础信息

语句，可能直接从数据库的缓冲池中获取返回结果。 对于原生态的 JVM 对象存储方式，每个对象通常要增加 12-16 字节的额外 205 XX 旅游数据中心大数据集成应用平台 开销，对于一个 270MB 的 TPC-Hlineitemtable 数据，使用这种方式读入内存， 要使用 970MB 左右的内存空间（通常是 2～5 倍于原生数据空间）；另外，使 用这种方式，每个数据记录产生一个 消耗几分钟的时间来处理（JVM 的垃圾收集时间与堆栈中的对象数量呈线性相 关）。显然这种内存存储方式对于基于内存计算的 Spark 来说，很昂贵也负担 不起。 对于内存列存储来说，将所有原生数据类型的列采用原生数组来存储，将 Hive 支持的 复杂数据类型（如 array、map 等）先序化后并接成一个字节数组来存储。 这样，每个列创建一个 JVM 对象，从而导致可以快速的 GC 和紧凑的数据存储； 要读取物理表就可以返回结果，比如重新运行刚运行过的 SQL 语句，可能直接 从数据库的缓冲池中获取返回结果。 对于原生态的 JVM 对象存储方式，每个对象通常要增加 12-16 字节的额外 开销，对于一个 270MB 的 TPC-Hlineitemtable 数据，使用这种方式读入内存， 要使用 970MB 左右的内存空间（通常是 2～5 倍于原生数据空间）；另外，使 用这种方式，每个数据记录产生一个 JVM 对象，如果是大小为

应用和维护。技术风险中最 为突出的是 IT 行业技术高速发展所带来的风险。IT 行业技术日新月异，原来采用的技术 三 五年后可能就不再满足新的应用要求和行业的新标准，原生产厂商也不再生产，备品备 件已 难寻找，甚至原生产厂商也已不复存在。原来采用的操作系统、应用系统软件已成为 过时产 品，失去了普遍性，无法与新的技术形成无缝链接等等。这些技术的未来发展前 景，在某种 程度上很难预测，规

现应用的隔离、升级、迁移等，并实现了容器的整个生命周期管理(包括容器运 行状态监控，容器运行节点调度、启停控制等)。而当服务器整体资源不足时， 只需要向集群中增加服务器即可实现集群的横向扩展。此外，kubernetes 集群 原生支持服务的 Load Balance, 并且支持对多种存储协议的适配（如：iScsi\ Ceph\Fc\NFS\Gluster 等等）。 Kubernetes 集群采用 ETCD 作为基础的 Key/Value 级、迁移等，并实现了容器的整个生命周期管理(包括容器运行状态监控，容器 运行节点调度、启停控制等)。而当服务器整体资源不足时，只需要向集群中增 加服务器即可实现集群的横向扩展。此外，kubernetes 集群原生支持服务的 Load Balance, 并且支持对多种存储协议的适配（如： iScsi\Ceph\FC\NFS\ Gluster 等等）。 7.1.5 云管理平台开放性 提供丰富的 REST 的隔离、升级、迁移等，并实现了容器的整个生命周期管理(包括容器运行状态 监控，容器运行节点调度、启停控制等)。而当服务器整体资源不足时，只需要 向集群中增加服务器即可实现集群的横向扩展。此外，kubernetes 集群原生支 持服务的 Load Balance, 并且支持对多种存储协议的适配（如：iScsi\Ceph\Fc\ NFS\Gluster 等等）。 Kubernetes 集群采用 ETCD 作为基础的

现应用的隔离、升级、迁移等，并实现了容器的整个生命周期管理(包括容器运 行状态监控，容器运行节点调度、启停控制等)。而当服务器整体资源不足时， 只需要向集群中增加服务器即可实现集群的横向扩展。此外，kubernetes 集群 原生支持服务的 Load Balance, 并且支持对多种存储协议的适配（如：iScsi\ Ceph\Fc\NFS\Gluster 等等）。 Kubernetes 集群采用 ETCD 作为基础的 Key/Value 级、迁移等，并实现了容器的整个生命周期管理(包括容器运行状态监控，容器 运行节点调度、启停控制等)。而当服务器整体资源不足时，只需要向集群中增 加服务器即可实现集群的横向扩展。此外，kubernetes 集群原生支持服务的 Load Balance, 并且支持对多种存储协议的适配（如： iScsi\Ceph\FC\NFS\ Gluster 等等）。 7.1.5 云管理平台开放性 提供丰富的 REST 的隔离、升级、迁移等，并实现了容器的整个生命周期管理(包括容器运行状态 监控，容器运行节点调度、启停控制等)。而当服务器整体资源不足时，只需要 向集群中增加服务器即可实现集群的横向扩展。此外，kubernetes 集群原生支 持服务的 Load Balance, 并且支持对多种存储协议的适配（如：iScsi\Ceph\Fc\ NFS\Gluster 等等）。 Kubernetes 集群采用 ETCD 作为基础的

户使用软件。 图 3-16 安装 AnythingLLM 图 3-17 等待安装完成 19 图 3-18 AnythingLLM 安装完成 3.3 DeepSeek 工程审计知识扩展 原生的 DeepSeek 并不一定包含工程审计领域的知识，幸运的是 DeepSeek 支 持第三方知识的扩展，以工程造价知识为例。 启动安装好的 AnythingLLM ：在桌面上双击 AnythingLLM

Oracle/Mysql/Mssql 等多种类型数据库自动存跨库关联查 询；支持使用自助数据集创建透视分析、电子表格；支持自助数据集引用到其它 数据集，自助数据集支持来源于可视化查询、 SQL 查询、原生 SQL 查询、存储 过 程查询、JAVA 查询、组合分析。 自助仪表盘 自助仪表盘提供拖拉拽界面能够让业务人员快速完成数据集准备、可视化探 索和仪表盘的制作，简单易用，还能通过抽取数据到 38 智 慧 城 市 系 列 - 公 共 服 务中 台 力。克服了海量关联图数据存储的难题，通过自定义图存储格式和集群化存储， 实现了传统数据库无法提供的低延时多层关系查询。 支持原生图存储 为数据存储设计了专有的图存储结构，并以高效的压缩格式存储于分布式存 储引擎 Shiva 中，借助图分区算法，图数据可按策略分散存储于集群中，拥有 良 好的可扩展性，并具备存储任意规模图的理论能力。 “ ” 权限设置表保存了 不看谁的动态 、 不让谁看我的动态 的权限数据。 82 动态消息 版本号控制 动态扩散 权限设置 未读提醒 推荐记录 RSS 评论 重复 token 点赞 原生动态内容 分享信息 智 慧 城 市 系 列 - 公 共 服 务 中 台 图 4-16 内容与资讯平台数据库 2.6.5.9.功能结构 内容与资讯平台的消息通知、评论点赞提醒等，依赖于消息平台(IM)

xmin xmax− xmin o 另类数据（新闻情绪等）：应用 Z-score 标准化 z= x− μ σ 4. 时间序列对齐 构建基于 Hadoop 生态的数据同步框架： o 对交易所原生时间戳实施纳秒级校准 o 不同频率数据通过 VWAP（成交量加权平均）聚合到统 一时间轴 o 事件驱动型数据采用动态时间规整(DTW)算法匹配市场 反应 5. 特征工程优化 开发自动化特征筛选流水线： 动量因子 0.15-0.32 正向 高 波动率因子 -0.08-0.12 双向 中 流动性因子 -0.21–0.05 负向 低 其次，构建可解释模型架构时需遵循以下原则：  优先使用具备原生可解释性的算法（如线性回归、决策树）， 复杂模型需配合 LIME 等局部解释方法  对神经网络类模型强制添加注意力机制，可视化特征关注区域  建立动态解释器模块，实时记录模型在极端市场条件下的决策 量化基金中已有 65%采用多智能体对抗训练框架  硬件层面：量子计算原型机的应用使部分机构获得纳秒级优 势，芝加哥商品交易所数据显示，2024 年高频交易延迟已压 缩至 83 纳秒  平台架构：云原生交易系统渗透率从 2020 年的 12%提升至 2024 年的 41%（见表 1） 技术维度 头部机构现状 追赶者突破点 算法迭代速度 每周 3 次模型更新 开源社区协同开发 数据获取成本 年均$280