关于数据驱动智能城市发展的前沿洞察

舍恩伯格 / 文

编者按

在2021世界人工智能大会开幕式上，“大数据之父”、牛津大学网络学院互联网治理与监管专业教授舍恩伯格（Viktor Mayer-Schönberger）发表视频演讲，分享了数据驱动智能城市发展的前沿思考。本文根据大会提供的速记整理。

我要介绍的第一个洞察，是我们在实施和维系智能城市时遭遇的重要挑战。

首先看一下大趋势，截至2020年，全球有半数以上人口居住在城市或城镇区域，这是人类发展史上的一个重要里程碑。

人类最早是以狩猎和采集果实为生的。在一万年前，我们的祖先开始定居，并且过上农耕生活，数千年来大多数人生活在农村，而城市之间相隔遥远且数量有限。

工业化推动了城镇化发展，越来越多的人开始迁徙到城市居住，希望找到工作和发展机遇。但对很多人来说，居住在城市是艰难的，而且寿命短暂，直到20世纪城市居民的预期寿命才开始超过农村人口。这加速了城市的发展，使得大多数人选择到城市里生活。

这一趋势为城市带来了巨大压力。人们不仅希望城市宜居，也希望城市能发展得越来越好，希望城市有更好的管理和智能体系，不仅要对居民的需求有所回应，而且要未雨绸缪。

这一目标如何实现？智能城市概念给出了承诺。城市决策者要基于事实，基于城市不断发展的真实情况。

过去，收集相关数据非常困难，而分享这些丰富的数据，以便从数据中总结出可以付诸实践的数据也很困难。现在，这一情况有所改善，得益于大量的数字设备。我们可以通过大量的传感器和数字设备，从智能手机到耳机、从汽车到行车记录仪、从无人机到智能电表，每天收集各种各样的数据。通过汇总和使用有用的数据，城市管理者有机会把决策建立在原来经验的基础上。

智能城市的核心不在于某一项具体的技术或数字化的基础设施，虽然智能城市也需要这些东西，但智能城市的核心在于做出更好的决策，其基础在于丰富多样的数据，因此需要的远不止技术上的进步，更需要组织和机制上的创新以及进步。

比如，谷歌试图把最新的智能城市的理念应用于加拿大多伦多的城市更新中，虽然最后以惨败告终，但这一计划的出发点是好的。谷歌想要展示其拥有的优秀技术应用经验，这些经验可以应用到智能城市建设当中，多伦多政府则希望启动一流的城市更新计划，但最后参与的组织和机构没有办法合作形成所有人都相信并为之努力的目标。这一计划集合的硬实力和软实力都不够，各方的妥协和劝说也有所欠缺，参与各方无法达到共识，为共同的未来制定和维持一个共同的目标。

这次的失败对我们来说如醍醐灌顶，让我们认识到智能城市的发展要想成功，需要的绝不仅仅是优秀的理念和适用的技术，即使一座城市拥有充足的数据基础设施，但如果数据不能够驱动决策，参与方普遍犹豫、互不信任，同样是不会成功的。要想获得成功，就要管理好各参与方的流程和进程，让相关参与人员尽早参与、尽快进来，并且让他们参与整个过程，才可以得到公众信任。只有这样，智能社会可持续性才能够有所保障。

此外，智能城市发展还有一大难题。虽然现在全球人口有一半以上居住在城镇区域，但其中很多人是住在人口不足50万的城市当中，大城市发展速度比小城市快，但小城市数量却远远超过大城市，这就意味着智能城市的概念不能仅适用于大城市、大都市、一线城市，还必须且尤其适用于小城市，从而使智能城市概念真正产生影响力。

但是小城市的资源有限，执行的经验也不多，这是对我们的挑战。这就需要一批有意愿的小城市管理者，在做决策时是基于事实，而不是基于政治的妥协或者根深蒂固的直觉。

现在，几项问题正在让全世界无数决策者为之头疼，同时无数优秀专家也正在努力寻找答案的关键问题，并不是哪种技术能够帮助小城市发展为成功的智能城市，而是哪些组织和体制上的创新是必要的，以及什么才是我们最佳的执行方案。

第二个我要分享的前沿洞察，是我们到底需要哪些数据才能够使智能城市概念行之有效，同时知道怎样妥善使用间接的方法收集这些数据？以公共交通为例。在一个成功的智能城市中，决策者需要知道居民使用各条轨道交通和公交车线路的频次和时间，但相关数据并不容易获得，比如什么时候进入地铁站、什么时候出地铁站，但我们无法确知乘客具体坐了哪几条地铁线路。同样，乘客从轨道交通系统转到公交车时，数据可能丢失，于是可能出现数据盲区，导致不良决策。所以，如果没有直接数据的话，我们所面临的挑战就是要找到适当的替代数据，以间接方式收集数据，进行复杂的数据分析，并根据这些替代数据进行推论。

我们来看一个真实的例子。大家知道，地铁的轨道和火车的铁轨一样，使用一段时间之后就会变得高低不平，需要重新做平整。但是要找到中心平整点，需要在夜间缓慢驾驶一辆专用轨道车，通过感应磁场来测量轨道高度的变化。欧洲的一家公共交通企业发现，普通的智能手机里的振动传感器所收集的数据，在经过复杂的图形分析之后，就可以当作代理数据来使用，便编写了一款免费的智能手机游戏软件，鼓励乘客在乘坐地铁时玩这款游戏，同时游戏的后台可以收集振动数据和位置数据。这个方法奏效了，他们不再需要使用昂贵且费时的专门的磁场加载过程。这就是间接数据复杂应用的最前沿。

通过复杂的模式识别和深度学习方法，可以找到可能有用的代理数据。这一点通常并不需要特别高新的技术，而更依赖于创新理念和创意思维，依赖于突破性的思考，因而操作难度更大。

今天我分享了两个非常前沿的洞察，介绍了多伦多市政府和Google在智能城市合作上的失败案例，强调了组织和体制创新的重要性，解释了数据驱动的智能城市发展，如何通过创新思考去发现和使用代理数据。随着全球各地试点智能城市项目的开展，越来越多的人理解我们所面临的真正挑战：智能城市发展所需要的软硬件在减少，但需要更多的组织元素和思维元素。但别误解我的意思，我并不认为智慧城市可以草率决策、一哄而上，更需要的是拓展智能城市的概念，使其不再局限于数据基础设施这样狭义的观点当中，只有这样它才能获得成功。