当前位置: 首页 > news >正文

大模型如何赋能智慧城市新发展?

国家数据局近期发布的《数字中国发展报告(2023)》显示,我国数据要素市场化改革步伐进一步加快,数字经济规模持续壮大,数字技术应用场景不断拓展。这一成就的背后是数字技术广泛应用,数字技术不仅影响着老百姓的衣食住行等日常生活,也正深度融入经济、政治、文化、社会、生态文明建设的各领域和全过程。

其中,以人工智能为代表的数字技术被认为是引领未来的战略性技术,是新一轮科技革命和产业变革的核心驱动力,也被称为形成新质生产力的重要引擎。

大模型涌现:城市发展有了新期待

今年1月,国家数据局等多部门联合发布的《“数据要素×”三年行动计划(2024—2026年)》提出“支持开展人工智能大模型开发和训练。”今年的《政府工作报告》也提出,深化大数据、人工智能等研发应用,开展“人工智能+”行动,打造具有国际竞争力的数字产业集群。其中,“人工智能+”主要基于大模型、大数据等技术,实现人工智能对各行各业的深度融合。

作为世界第二大经济体,我国拥有超大规模市场和数字资源优势,为大模型提供了更深入、更丰富的落地场景,以及能够“持续训练,终身学习”的环境。各类大模型如雨后春笋般竞相涌现,正对各行各业加速渗透,展现了人工智能广泛的应用前景和巨大的赋能潜力。

大模型技术的出现,无疑给城市发展带来了更多的新期待。城市是复杂的社会经济系统,时刻都在发生变化,能够对需求变化进行预处理是智慧城市进一步发展的关键。大模型技术凭借其强大的数据处理与学习能力,能够实时捕捉城市运行中的细微变化,精准预测并响应各类需求,时刻与城市发展节奏同步,为城市治理提供智能化解决方案。

依托大模型,如何提升城市公共服务的效率和体验以及城市智能化治理水平?如何为产业赋能,推动城市经济发展?大模型技术究竟是如何让城市更智慧的?在9月25日召开的2024百度云智大会上,百度发布了政务大模型解决方案2.0和政务大模型一体机,为大模型技术赋能城市发展提供了参考答案。

大模型升级:数字政府迈向新高度

行业大模型的价值,取决于行业应用的深度。在城市当中,政务大模型的价值首当其冲。

百度今年发布的政务大模型解决方案2.0,面向数字政府智能化升级需求,在数字政府AI能力平台基础上全面升级,通过政务大模型平台提供大模型服务及应用支撑能力,在私有化环境下全面支撑各类政府服务场景重构、基于大模型平台可打造各类符合业务需求的政务AI原生应用。

相较于去年发布的政务大模型解决方案1.0,今年升级的2.0基于大模型能力构建政府数字化平台能力,包括大模型服务中心、大模型管理中心、大模型知识中心、大模型资源中心等。

大模型服务中心与基础设施层互联互通、对算力资源实现集群管理、设备管理,可以提供多种政务场景下的能力组件,实现低代码、无代码的AI原生应用的开发;大模型管理中心是大模型的核心能力服务中心,提供多模型的纳管,提供基础的语言模型、视觉模型、多模态模型,供行业应用调用;大模型知识中心则是针对政务场景下复杂的知识关系构建及知识迭代更新管理能力,让大模型更懂政务。

百度智能云有关负责人表示,政务大模型解决方案2.0将为政府提供更加全面、智能的政务服务和管理手段,助力数字政府建设迈向新的高度。

基于百度政务大模型解决方案2.0,依托百度搜索,此次百度还联合唐山市人民政府发布了全国首个民生服务智能体应用(以下简称“智能体”)。据介绍,智能体基于百度政务大模型,依托百度搜索,可以实现用户口语化问题的意图识别和语义理解,提供更智能化、个性化、精准化的政务咨询智能问答,结合大模型的知识增强,可以实现覆盖全场景、全事项的智能问答,市民可通过百度搜索,直接访问和使用智能体提供的政务咨询和问答等各种服务。

具体来说,民众可以将公共服务事项的问题向智能体进行提问,智能体基于其多维、可靠、准确的阅读理解、意图识别等智能算法,可以对用户问题进行精准理解和意图识别,快速定位并进行自主规划,并提供问询导办服务。智能体的发布可以快速实现智能导办,实现在办理具体业务过程中边问边答,提高办事效率,既切实解决了民众的实际办事难题,也减轻了基层工作人员的压力。

大模型落地:城市治理从“看”到“知”

2023年12月底召开的全国住房城乡建设工作会议提出加快推动“数字住建”落地实施。系统开展好房子、好小区、好社区、好城区“四好”建设,打造宜居、韧性、智慧城市是当前住房城乡建设工作的重要内容。现阶段,大模型的热度已经从企业蔓延到城市,正在助力城市治理从“看”到“知”的跨越,成为建设宜居、韧性、智慧城市的重要引擎。

在北京海淀区,大模型技术已经为提高城市运行效率与服务居民能力提供强有力的技术支持。海淀区积极探索人工智能技术与应用的融合创新,基于大模型能力的政务服务体系实现再升级。海淀区通过与百度智能云、中科大脑深度合作,在“海淀城市大脑”的“数字底座”基础上,将百度文心大模型能力与海淀区“接诉即办”应用场景相结合,充分发挥大模型在深度语义理解、内容生成、智能交互等方面的优势,实现了智能派单、处置、分析、主动治理等“接诉即办”工作流程的智能化升级。

百度文心大模型赋能海淀区城市管理指挥中心“接诉即办”业务,不仅提升了基层工作人员的办公效率,推进政务服务应用创新,也打通了政务服务群众“最后一公里”,助力城市管理更精细、治理更高效、居民生活更便利。

在北京经济技术开发区(以下简称“经开区”),百度智能云的“基于国产可信算力的城市治理视频大模型全域智能训练场景”,实现了视觉大模型区级全域覆盖的城市治理场景。

通过大模型语言交互的全图视频点调、自定义目标检索和任务生成,重新定义人与城市“对话”交互模式。据介绍,百度政务大模型支持经开区4000多种城市要素的万物检测、智能标注、模型训练,覆盖110种检测算法,目前已完成42个算法应用的部署上线,累计发现超过3500起问题。

此外,在百度大模型能力与经开区政务场景需求相结合的基础上,经开区构建了亦智政务大模型服务平台。该平台利用北京亦庄人工智能公共算力中心提供的算力资源,采用国产自主可控框架,结合本地数据资源,构建形成具有经开区认知能力的服务平台。该平台依托“1+3+3”的全新架构,具有多模型纳管、知识库运营、智能体汇聚、一站式监管、即插式调用、国产化适配等六大核心特点。目前,亦智政务大模型服务平台已实现了智慧政务小助手、迎商中心数字人、智能决策助手、亦城慧眼、实验室智能监管等八个场景应用,为政务工作注入了全新的生产动能。

随着大模型成为智慧城市高质量发展新的推动力,城市也将像生命体一样,会思考,有温度,能进化。可以看到,AI时代的到来,大模型为城市发展提供了更为泛化的能力和无限的想象空间,不仅赋予了行业智能化更为普世的价值,也让我们看到了“AI+城市”的美好未来。

在这里插入图片描述

大模型&AI产品经理如何学习

求大家的点赞和收藏,我花2万买的大模型学习资料免费共享给你们,来看看有哪些东西。

1.学习路线图

在这里插入图片描述

第一阶段: 从大模型系统设计入手,讲解大模型的主要方法;

第二阶段: 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用;

第三阶段: 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统;

第四阶段: 大模型知识库应用开发以LangChain框架为例,构建物流行业咨询智能问答系统;

第五阶段: 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型;

第六阶段: 以SD多模态大模型为主,搭建了文生图小程序案例;

第七阶段: 以大模型平台应用与开发为主,通过星火大模型,文心大模型等成熟大模型构建大模型行业应用。

2.视频教程

网上虽然也有很多的学习资源,但基本上都残缺不全的,这是我自己整理的大模型视频教程,上面路线图的每一个知识点,我都有配套的视频讲解。

在这里插入图片描述

在这里插入图片描述

(都打包成一块的了,不能一一展开,总共300多集)

因篇幅有限,仅展示部分资料,需要点击下方图片前往获取

3.技术文档和电子书

这里主要整理了大模型相关PDF书籍、行业报告、文档,有几百本,都是目前行业最新的。
在这里插入图片描述

4.LLM面试题和面经合集

这里主要整理了行业目前最新的大模型面试题和各种大厂offer面经合集。
在这里插入图片描述

👉学会后的收获:👈
• 基于大模型全栈工程实现(前端、后端、产品经理、设计、数据分析等),通过这门课可获得不同能力;

• 能够利用大模型解决相关实际项目需求: 大数据时代,越来越多的企业和机构需要处理海量数据,利用大模型技术可以更好地处理这些数据,提高数据分析和决策的准确性。因此,掌握大模型应用开发技能,可以让程序员更好地应对实际项目需求;

• 基于大模型和企业数据AI应用开发,实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能, 学会Fine-tuning垂直训练大模型(数据准备、数据蒸馏、大模型部署)一站式掌握;

• 能够完成时下热门大模型垂直领域模型训练能力,提高程序员的编码能力: 大模型应用开发需要掌握机器学习算法、深度学习框架等技术,这些技术的掌握可以提高程序员的编码能力和分析能力,让程序员更加熟练地编写高质量的代码。
在这里插入图片描述

1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集

👉获取方式:
😝有需要的小伙伴,可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓

在这里插入图片描述

http://www.lryc.cn/news/446892.html

相关文章:

  • 随记——机器学习
  • 【在Linux世界中追寻伟大的One Piece】进程间通信
  • 多路复用IO
  • C++ prime plus-7-編程練習
  • 计算1 / 1 - 1 / 2 + 1 / 3 - 1 / 4 + 1 / 5 …… + 1 / 99 - 1 / 100 的值,打印出结果
  • Linux本地服务器搭建开源监控服务Uptime Kuma与远程监控实战教程
  • JS 历史简介
  • 爬虫逆向学习(七):补环境动态生成某数四代后缀MmEwMD
  • 光伏电站并网验收需要注意什么细节
  • 页面禁用鼠标右键属于反爬虫措施吗 ?
  • 视频理解大模型最新进展
  • cocos creator 使用 protobuf 的步骤与注意事项
  • mac访达查找文件目录
  • 【数据结构】点分治 点分树
  • K8s Calico替换为Cilium,以及安装Cilium过程(鲁莽版)
  • 背景图鼠标放上去切换图片过渡效果
  • 【Linux】当前进展
  • 阿里云云效多个ssh密钥对配置
  • 前后端跨域问题及其在ThinkPHP中的解决方案
  • 基于CentOS7上安装MicroK8s(最小生产的 Kubernetes)
  • 从《GTA5》的反外挂斗争看网络安全的重要性
  • python如何将字符转换为数字
  • TikTok流量不佳:是网络环境选择不当还是其他原因?
  • QT菜单栏设计(二级菜单栏)
  • 网站建设中,常用的后台技术有哪些,他们分别擅长做什么网站平台
  • 【线程】POSIX信号量---基于环形队列的生产消费者模型
  • Excel 设置自动换行
  • UNI-SOP使用说明
  • 记录-java web 生成并下载zip文件
  • 大数据集群部署文档