大多数市政与私营部门的基础设施管理者,目前还很少考虑到人工智能与机器学习等技术能够在改善道路、公共交通网络或者水务事业等物理系统发挥怎样的作用。
尽管已经有相当一部分城市意识到数据的重要性,但只有少数城市优先考虑进行数据收集,极少数城市尝试将这些数据交付给可以改善决策的高级算法。当然,这一切可以理解,毕竟负责基础设施的公共与私营部门管理者通常没有太多时间用于思考未来——他们的当务之急在于不知疲倦地工作,确保人们能够顺利出行并获得生活所必需的各类资源。
2011年1月21日星期五,一辆公共汽车驶过美国加利福尼亚州洛杉矶西一街坑洼破碎的道路
然而,随着数据分析、人工智能与机器学习的出现,基础设施决策者们由此迎来的改进潜能已经极为可观,继续选择忽视将只能被时代淘汰。从预测需要维修或更新的基础设施位置,到公共交通自动化、改进项目管理与承包商协调、优化从汽车到商品的流动方式等等,数字智能将有助于削减成本、提高效率并增强成果。
举例来说,密苏里州堪萨斯城与Xaqt合作,利用机器学习算法处理道路传感器、摄像机、气象数据以及其它信息来源上报的素材,从而预测并追踪道路坑洼问题的变化情况。许多城市目前依赖于司机报告或者手动检查摄像机图像以发现坑洼问题——这是一种被动性而非主动性方法,因此必然导致维修工作大量积压。然而,堪萨斯城如今已经能够以85%的准确率预测坑洼问题,从而将成本降低30%。
匹兹堡正在与Rapid Flow Technologies公司合作安装人工智能交通信号灯,其利用机器视觉与传感器数据实时匹配道路状况,而不再设置固定的时间间隔。该系统利用预测算法动态管理交通信号灯,并将数据发送至相信的交叉路口,从而优化整个信号网络。这与大多数以手动编程方式设定指示灯时长的城市形成了鲜明对比——后者往往需要投入大量时间研究交通流量规律。另一方面,匹兹堡的智能交通灯将行车等待时间减少了超过40%,这意味着整个出行时长将降低约四分之一。
除了道路之外,航运与能源等私有化程度较高的基础设施相关部门则在以更快的速度采用人工智能技术。过去几年中,洛杉矶的TraPac终端在人工智能与机器人技术方面投入了大量资金,并由此建立起全美自动化程度最高的海港之一。航运巨头DHL开发出一款基于人工智能的应用程序,能够提前一周预测货运延误。在能源方面,佛罗里达电力与沟通公司以及杜克能源公司等企业正在利用机器学习与模式识别算法来检测可能造成服务中断的潜在厂区内问题。亦有众多公共事业部门正在利用机器学习提高风力发电机效率并降低其维护成本。
被部署在美国加利福尼亚州洛杉矶港口的TraPac LLC航运终端,2016年3月9日星期三
在水务等其它领域,人工智能的发展速度相对较慢,但同样开始掀起波澜。想象一下,H20是旧金山的一家非营利性水技术创业加速机构,其2018年的加速名单中选定了12家公司,其中有2家为人工智能初创企业——Pluto AI利用人工智能预测工厂状况并为水处理厂推荐最佳运行参数。该公司已经在全国各地的工厂中测试其解决方案,并成功帮助田纳西州的Hallsdale-Powell公共事业区管理下辖的污水处理厂。
当然,利用人工智能与机器学习提高效率与效果的道路虽然拥有可观机遇,但同时也存在着一系列难题。
随着基础设施世界正逐渐迎来日益复杂的数字技术,公共与私营部门的基础设施管理者们将不得不采用新的知识基础与技能组合。虽然这些决策者中不乏成熟的工程师,但其教育背景往往集中在机械、土木、结构或电气领域。他们的专业知识与经验仍然极具价值,但当下还需要接受来自计算机科学与软件工程观点的加持,从而满足当今民众及消费者的需求与期望。这种变化也意味着,官员们必须寻找新的合作伙伴与供应商——例如Xaqt、Rapid Flow Technologies以及Pluto AI等,从而利用数字智能成果增强传统基础设施。
随着越来越多的城市开始将目光投向“智慧城市”,最重要的一点在于牢记,自动化、传感器与数据只是个开始。一旦建立起更多自动化系统并收集到更为精细的数据,接下来要做的就是找到理解其内容的途径。人工智能与机器学习可以通过管理上述系统并利用相关数据以解决这一挑战,同时将物理与数字技术结合起来共同维护我们所拥有的基础设施,并以我们从未想到过的方式对其加以改造。
好文章,需要你的鼓励
当前企业面临引入AI的机遇与挑战。管理层需要了解机器学习算法基础,包括线性回归、神经网络等核心技术。专家建议从小规模试点开始,优先选择高影响用例,投资数据治理,提升员工技能。对于影子IT现象,应将其视为机会而非问题,建立治理流程将有效工具正式化。成功的AI采用需要明确目标、跨部门协作、变革管理和持续学习社区建设。
这项由东京科学技术大学等机构联合发布的研究提出了UMoE架构,通过重新设计注意力机制,实现了注意力层和前馈网络层的专家参数共享。该方法在多个数据集上显著优于现有的MoE方法,同时保持了较低的计算开销,为大语言模型的高效扩展提供了新思路。
美国垃圾收集行业2024年创收690亿美元,近18万辆垃圾车每周运营六至七天,每日停靠超千次。设备故障成为行业最大隐性成本,每辆车年均故障费用超5000美元。AI技术通过实时监控传感器数据,能提前数周预测故障,优化零部件库存管理,减少重复维修。车队报告显示,预测性维护每辆车年节省高达2500美元,显著提升运营效率和服务可靠性。
小米团队开发的MiMo-7B模型证明了AI领域"小而精"路线的可行性。这个仅有70亿参数的模型通过创新的预训练数据处理、三阶段训练策略和强化学习优化,在数学推理和编程任务上超越了320亿参数的大模型,甚至在某些指标上击败OpenAI o1-mini。研究团队还开发了高效的训练基础设施,将训练速度提升2.29倍。该成果已完全开源,为AI民主化发展提供了新思路。