数字政通：大模型时代下智慧城市发展新路径

自ChatGPT问世以来，大模型这一新兴人工智能技术引起了社会的广泛关注。大模型不仅可以模拟人类进行自然语言交流，还具备多模态能力，能够完成语言交互、代码生成、图像生成等多种任务。与传统的决策式人工智能相比，大模型或将成为人类强大的合作伙伴，提高生产效率并创造更多价值。过去数年，我国城市智慧化建设取得了长足发展，各地城市基本完成基础信息化系统建设，并储备丰富的城市数据。因此，智慧城市成为大模型理想的应用场景之一。但如何因地制宜的构建城市治理大模型，并将之用好、用透，切实服务城市治理场景，提升城市治理范式的现代化、科学化、智能化，是一个值得深思的课题。

01、大模型落地智慧城市的挑战

顺应着城市治理到城市“智”理的发展浪潮，人工智能已从万千碎片化的小模型时代走向“百模千态”的大模型时代。伴随着ChatGPT(美国OpenAI公司开发的人工智能聊天机器人程序)的面世，各类大模型智能涌现，逐渐成为人工智能技术的最新体现。

在智慧城市建设中，大模型更多是起到基础设施的作用，大模型的能力要依靠场景去表达，同时大模型的价值要以辅助智慧城市各类参与者为核心。如何基于大模型这样一种最新的人工智能手段为基底，打造智慧城市各项业务场景，赋能智慧城市各类参与者，已经成为新形势下智慧城市建设亟待破题的关键。

（一）如何构建行业大模型，以智慧城市应用场景为驱动，推进行业精细化治理

通用大模型存在意图理解能力弱、知识割裂离散、泛化适配能力差等特点。如何从“通用”走向“专业”，大模型需要在智慧城市应用场景上发挥出更大的价值。

通用大模型具有出色的泛化性能和通用知识，而针对特定行业或领域的需求，要结合特定的行业数据对通用大模型进行优化，以适应行业的特定需求和挑战。大模型的特点是创造性的智能涌现，存在“不确定性”，而智慧城市需要的是“确定性”，如何扬长避短，充分利用大模型的优势，控制大模型的“不确定性”带来的负面价值是关键。

而恰恰是行业大模型充当着“行业专家”的角色，更专注于某个特定领域的知识和技能，具备更高的领域专业性和实用性，能够解决智慧城市的“确定性”问题。

在智慧城市领域，如何结合智慧城市各细分领域的行业经验和专业知识，在通用大模型的基础上探索与打造各类智慧城市行业大模型，使其具备专业的知识问答、语言理解、文本生成、逻辑推理等能力，提升专业领域的场景应用效果，解决城市管理、基层治理、城市安全、民生诉求、法治政府等细分行业场景的痛点问题，赋能智慧城市新变革，已经成为大模型技术产品落地智慧城市应用不得不面对的一大挑战。

（二）如何体现以人为本，基于大模型辅助智慧城市各类参与者

大模型的应用不是锦上添花，而是切切实实能够落地并产生显著价值。大模型赋能智慧城市的应用场景探索，要以精准识别行业痛点为原则，以提升城市治理效率为出发点，更要以辅助智慧城市的各类参与者为核心。

智慧城市的建设是一项复杂的工作，智慧城市的参与者包括城市管理、基层治理、城市安全、民生诉求、法治政府等领域相关的社会公众、话务人员、城管人员、执法人员、网格员、基层参与者、各级领导等人员。每类应用场景普遍存在“范围广、事情多、人员少、效率低”等问题。

如何面向不同的智慧城市细分领域场景，运用大模型技术精准识别痛点难点，辅助多元参与主体高效开展工作？成为了构建新型智慧城市新格局的破题关键点。

在民生诉求方面，市民拨打热线电话的趋势逐年递增。以2022年的数据为例，北京全年工单量7500万件、上海2000万件、广州3206万件、深圳1200万件，针对民生诉求“电话占线”的痛点，通过大模型可赋能客服人员，让热线接的更快、分的更准、办的更实，让百姓诉求不占线，从而提升民生诉求工作成效、优化市民服务水平。

在法治政府方面，目前全国的法律、行政法规、地方性法规、部门规章加起来超过10万部。不仅如此，执法机构和执法人员规模庞大，以天津市为例，全市执法机构2458个，执法人员达2.5万。针对法治政府“精准执法”的痛点，通过大模型技术可服务执法人员，解决法律繁多记不住、用不准、法不好“依”的问题，让执法更精准。

在基层治理方面，上面千条线，下面一根针，基层工作人员面临着巨大的工作压力。全国据不完全统计共有450万名基层网格员。基层工作者每天都需要开展基础信息采集、为民服务、重点巡查、特殊人群走访、社会治安辅助、生态环境巡查、矛盾纠纷调解、社区管理、隐患排查等工作，面临着多种考核任务的压力。针对基层治理“即可能用”的痛点，通过大模型可赋能基层工作者，切实为基层减负提质增效，让基层工作者随时随地享受信息化带来的便利，让基层的线上化更加简单。

在城市管理方面，全国目前有200多个地级市，接近400个县级市，绝大多数城市无法有效借鉴先进城市的管理经验，无法找到符合自身特点的管理方法。针对城市管理“优秀经验复制难”的痛点，通过大模型可赋能城市管理人员，合理有序沉淀管理经验，同时有效制定城市管理综合评价方案，提升城市综合测评水平，最终因地制宜地给出城市管理方向指引。

在城市停车方面，据公安部统计，截至2023年9月，全国机动车保有量达4.3亿辆，机动车驾驶人5.2亿人，然而停车场相关的基础设施缺口却达8000万个。针对城市停车“停车贵、停车难”的痛点，通过大模型可赋能停车运营人员，切实缓解城市交通拥堵、解决城市停车难的问题，让停车更便捷。

以上举例只是智慧城市当中的几个核心业务领域，总而言之，大模型在智慧城市当中的应用要能切切实实赋能智慧城市的各类参与者，而不只是个“花架子”。

02、大模型赋能智慧城市业务场景分析

面对不同智慧城市场景当中各类参与者的痛点及核心诉求，大模型的应用应结合行业经验和专业知识，打造符合行业实际需求的场景应用新范式，赋能智慧城市高质量发展。

（一）大模型赋能民生诉求“优服务”

开展民生诉求工作是政府倾听民众声音、打造“服务型”政府的重要手段。然而，如何有效解决“市民诉求杂、人力资源缺、运营成本高、数据分析弱、领导关注频”等问题，成为了提升民生诉求工作成效、优化市民服务水平的关键。上述问题主要体现为各类热线都归并到12345，受理事项覆盖广，对话务员专业素养有着越来越高的要求；诉求工单量大，电话经常占线，话务员的情绪化容易影响市民的满意度；需要大量的客服人员保障全天候接听来电，但相关人员技能水平参差不齐；报告报表制作耗时耗力、分析决策建议不足；一把手领导每天关注的群体热点事件但是无法精准识别等方面。

通过构建基于大模型的智能对话引擎，赋能政务热线，由“数字人”自动、快速处理各类投诉和咨询问题，解析政务热线中的关键信息后生成问题工单，服务群众供水供电、游商占道、住房公积金等方面的需求。相比于传统人工客服和机器客服，大模型“数字人”的语义理解更为精准、意图识别更为到位、应答话术更为灵活、市民服务更加人性。同时基于大模型能力，对民生诉求数据进行要素级提取、分析，引导式生成不同应用维度分析报告，有望整体革新民生诉求工作方式，更好服务市民。

（二）大模型赋能法治政府“强规范”

强化执法人员能力建设、素质提升，规范执法方式、执法流程，规范讯问笔录流程、提高讯问笔录效率是行政执法的关键。针对法治政府建设当中执法人员行政处罚工作存在：法律条文方面的执法依据记不住、笔录问询方面的笔录制作不规范、自由裁量权方面的自由裁量运用不当、法制审核方面的法制审核人员力量薄弱等痛点难点堵点，通过城市治理行业大模型赋能，可帮助执法人员根据线索详情智能识别违法行为，推荐相关案由及违则罚则，完成执法立案登记；智能推荐笔录模板，一键填充执法文书内容，完成执法调查询问笔录；智能完成案件审核，实现自查自纠；智能推荐相关的自由裁量建议，辅助执法决定。

同时，可以尝试探索基于大模型的数字人远程讯问，基于大模型的能力支撑，可以有效规范讯问流程、提高讯问效率、避免直接与违法人员产生正面冲突，探索非现场执法的新方式。

（三）大模型赋能城市管理“优考评”

综合评价工作的有效开展是城市管理业务的重要环节，涉及到是否能够客观、合理评估城市管理成效，是否能够面向城市管理做出精准决策。然而，当前在城市综合评价中依然存在着“评价方案制定难、评价指标设计难、决策建议形成难、优秀案例复制难”等痛点，阻碍了高质量、高格局地推进城市管理工作。具体体现为城市管理事项多、综合评价标准复杂，各地城市因行政管理权责差异，个性化评价方案制定难；综合评价指标依赖系统上报和现场考察，指标获取主观性影响大，评价标准难以落实，方案落地难；各地评价方案各自按需制订，缺少经验总结和沉淀，优秀案例复制难。

通过构建基于大模型的城市评价方案，可根据城市规模、评价目标、工作办法，关注重点及相关配套机制，构建个性化评价方案；应用大模型赋能，进行智能化采集、智能化分析城市管理高发问题、高发区域，同时根据评价周期内采集数据，客观评价城市管理情况，找出问题短板，生成决策建议。大模型的应用，可提升城市综合测评水平，因地制宜给出城市管理方向指引，让经验被更好沉淀。

（四）大模型赋能基层治理“减负担”

当前基层治理普遍面临着“基层工作任务重、业务系统效率低、基层数据分析难”等痛点。具体体现为：基层工作人员同时承担城管、民政、公安、卫计等多个垂直部门下发的围绕“人、地、事、物、情、组织”等基础数据采集例行工作，数据采集工作量大；各业务系统存在壁垒，造成数据重复采集、数据质量参差不齐问题突出，无法满足基层数据快速采集、及时更新的需求，无法实现数据采集内容按需定制；针对采集的数据依靠简单的表格统计分析，无法快速总结提炼，支持领导决策等方面。

通过充分应用城市治理行业大模型赋能基层治理，实现OCR+大模型式的语义理解：将图片直接生成文字，自动完成语义信息提取，抗干扰能力更强，信息填报精度更高；可基于引导词进行低代码表单构建，快速构建采集填报表单和数据管理系统，无需定制开发，更为敏捷地响应基层需求；可基于引导词进行低代码数据分析，快速构建可视化数据大屏，动态展示数据采集结果，更为高效地支撑领导决策。跨越模版的键值对(表单)提取、低代码体系的组件化结合，将基于大模型赋能，更好为基层减负、为服务增效。

（五）大模型赋能城市停车“提效率”

目前传统的停车运营方式存在人力成本高，每个停车场都需要至少一个人值班收费；管理效率低，无法做到24小时都能在岗值守；主观因素大，管理人员可能存在的不规范收费行为等问题。智慧停车的模式在一定程度上提升了停车运营效率，实现人力成本降低但还是无法完全替代人，实现管理效率提升但还是无法做到24小时都能在岗值守，同时，值班人员的主观因素还是无法完全解决。

通过构建基于大模型的智能停车对话引擎和管理引擎，对历史停车数据进行动态分析，识别停车高峰时段和高峰区域；对人员停车需求进行精准研判，智能推荐最优停车方案。最终以“数字人”的形象，面向不同用户进行交互式、引导式地提供精准停车指引服务。基于大模型的云值班室，可以有效提升停车场管理效能、优化停车资源分配、明显提高车位利用率，并避免车辆乱停放造成交通拥堵和安全隐患的情况出现。

03、大模型时代智慧城市发展路径展望

智慧城市的核心在于各类实战管用的应用场景打造，大模型时代下智慧城市的发展路径，我们认为从场景构建方法论、场景分类以及场景落地三个方面上进行演进。

（一）大模型推进智慧城市发展的四大关键原则

在场景构建方法论上，要紧扣数据定义行业、业务驱动应用、技术提升产品、应用服务场景四大核心关键点为支撑，推进各类应用场景的打造。

数据定义行业。沉淀智慧城市行业数据要素资产，构建更专业的行业知识库，为大模型提供更强大的数据支持。

业务驱动应用。顺应技术发展趋势，紧密结合业务需求，驱动各细分行业产品和服务的重构，推进智慧城市各行业流程创新和模式优化。

技术提升产品。保持技术敏感，跟进算力、算法、模型迭代趋势、强化产品安全性和用户隐私保护，持续投入大模型应用研究。

应用服务场景。加强与政府部门、大模型厂商等各方合作，共同推进大模型场景的落地和应用，实现智慧城市的高质量发展。

（二）大模型赋能智慧城市的四大场景分类

在应用场景选择上，大模型正在成为智慧城市高质量发展新的推动力，大模型时代下智慧城市的发展应当积极探索基于行业大模型的服务优化类场景、风险预警类场景、经验学习类场景以及决策支持类场景的打造与应用。

服务优化类场景。通过大模型与业务流程结合，优化原有业务流程，提升服务的效率和质量。如工单派遣处置流程、行政执法流程、基层信息采集服务等。

风险预警类场景。通过对智慧城市各领域数据的实时监测和分析，生成各类业务预警模型，提高风险预警能力和应对建议。如舆情数据分析预警、燃气安全预警、生命线缺陷研判等。

经验学习类场景。通过对智慧城市各业务领域案例学习，构建大模型知识库，形成知识沉淀，将经验进行复制推广。如城市综合评价、共享单车治理、矛调纠纷、执法办案等。

决策支持类场景。通过大模型数据挖掘和分析、结合低代码，构建决策建议快速响应和及时更新模式。如应急指挥调度、城市秩序管理建议等。

（三）大模型应用场景务实落地的三大核心抓手

在核心技术支撑上，针对大模型赋能城市治理现代化的应用场景探索实践，智慧城市的行业大模型要紧密结合专业的知识库、微调的模型参数以及海量的引导词为支撑开展应用场景的构建。

行业知识库。行业数据是体现行业和通用区别的源头。大模型在智慧城市当中的应用，应当以细分行业为出发点，以行业领域数据为基础构件行业知识库，通过海量行业知识样本的梳理，为大模型训练夯实基础。

大模型微调。灵活选择大模型底座，专注行业模型微调，通过监督微调(SFT)、奖励模型(RW)、强化学习(PPO)等方式进行强反馈学习。提升大模型微调效率，降低训练成本，可以基于Lora微调技术，实现行业大模型低成本、高效率迭代。

引导词服务。基于业务理解提供规范的引导词服务。引导词(Prompt)是一段用于激活人工智能模型的文本，用来引导模型生成相关的自然语言文本。基于prompt来引导模型生成我们想要的自然语言文本，这样能够更加精准和高效地获取我们所需的信息。通过制定引导词模板，提供引导词管理与优化服务，让“智能涌现”产生社会价值。

大模型的有效利用，给智慧城市发展带来了新的治理范式和机会。充分利用智慧城市的行业大模型人工智能新优势，打造务实、可落地、高成效的智慧城市各类应用场景，推动智慧城市的管理手段、管理模式、管理理念创新，让城市治理更聪明、更智慧、更简单！

作者

发表于《中国安防》2024年1月刊

北京数字政通科技股份有限公司智慧城市方案总部副总经理陈威奇

北京数字政通科技股份有限公司高级解决方案咨询顾问孙博

北京数字政通科技股份有限公司高级解决方案咨询顾问杨政