可持續智慧城市的演變｜觀察

傳感器技術、人工智能(AI)和機器學習(ML)正在提高我們對當今城市運作方式的理解，釋放巨大的價值。在整個城市部署通過物聯網(IoT)連接的傳感器，可以幫助更好地了解許多關鍵要素，包括人口流動、車輛流動和衆多環境因素。當使用機器學習和人工智能分析大量數據時，就會產生強大的智能，從而導致真正智能和無限可持續的城市環境的發展。

數據分析如何爲更可持續的運營提供信息？

對傳感器收集的數據進行分析，使我們能夠更好地了解城市中正在發生的事情。有了這些數據，就可以建立城市模型，以便更好地了解可以在哪些方面進行改變，從而實現預期的改進。以污染水平爲例，我們可以看看如何改變道路形狀或使用不同的交通燈配置來改善交通流量以減少擁堵，甚至可以通過引入更多燈光區域，例如步行區，來限制交通流量。有了傳感器數據，我們就可以开始進行優化，提高城市的整體可持續性。

機器學習和人工智能從何而來？

當在城市規模上建模時，這些模型會變得非常復雜。這就是我們可以利用機器學習和人工智能的地方。復雜程度很難大規模准確建模，包括所有子模型之間的許多相互作用。機器學習可用於分析大量數據，並尋找因果關系和模式。如果出現任何問題，便可开始解決它。除了機器學習和人工智能之外，還可以構建數學表示，並使用流體動力學來確定材料和其他介質如何在空間中移動，並使用其來確定如何進行更改和改進。

如何決定何時應使用人工智能或機器學習？

重要的是，要牢牢掌握自己想要實現的目標，並了解實現目標所需的行動。從可持續發展的角度來看，這一點尤其重要，真的需要注意能源的使用。如果要使用大量設備和硬件，這當然會導致能源消耗和熱量產生。還要考慮實際的計算成本，機器、傳感器以及用於這些東西的材料。

如果並不真正需要機器學習系統，那么許多使用傳統或基於信號處理的分析模型的算法可以提供幫助，且它們在計算方面的負擔要輕得多。人工智能和機器學習具有巨大的潛力，但如果對環境的影響持謹慎態度，那么爲了變得更環保而消耗能源和資源就沒有什么意義。這是爲了仔細考慮適合這項工作的正確工具。

如何設計傳感器技術以與現有架構集成？

在大多數城市，除非是從頭开始开發，否則就是改造。可能有50年前的混凝土和150多年前的供水網絡，必須考慮到所有這些，並解決它們。我們經常談論“數字孿生”，這些大模型，在這裏將變得非常寶貴。例如，有一根已有150年歷史的管道，想使用任何新材料來修復它或嵌入其中。這對未來100年有何影響？這對可持續性有何影響？可以开始提出這些有趣的問題，並對結果進行建模。

物聯網和傳感器設備的生命周期是否存在問題？

這實際上是一個持續存在的問題。我們用來讓城市變得更加智能的許多技術的使用壽命不超過十年，因爲技術很快就會過時，軟件需要升級，等等。然而，當我們考慮城市基礎設施時，談論的是50年、60年、100年甚至更長的使用壽命。這裏有一個不匹配的地方，需要考慮一下。如果我們要越來越多地利用所有這些智能技術來設計智能城市，需要考慮如何確保這些技術保持可升級性，從而保持最新狀態。

如何與智慧城市合作，更好地利用資源?

我們越來越多地推動城市的循環發展。隨着技術及其潛力的不斷增長，我們能夠更好地評估資源的使用，對廢物的產生做出更好的預測，並發現循環利用的機會。然後，只需做出一些關鍵決策，使城市及其資產更高效、更經濟、更可持續。例如，數據中心是否可以位於城市附近，也許就在公共供暖系統旁邊，以便一個系統的熱量可以進入另一個系統？我們可以對此進行建模，並了解將數據中心移動到該位置與使用自然元素冷卻的地方相比是否值得花費成本。這些權衡可以根據數據分析而不是假設开始進行。更好地理解循環性將是不斷發展的智慧城市的主要好處之一。

這一領域正在進行的研究和發展將把我們帶向何方?

目前有很多關於城市農業的爭論，雖然有人可能認爲從商業角度來看它不是特別可行，但它可能具有其他可行性，我們可以通過密集建模或使用機器學習來解決。例如，農場自動化可以確保精確數量的食物、水和熱量爲植物和農作物的生長創造最佳條件，並且剩余的能源和廢物得到重新利用。這就是下一個階段：真正會思考的城市，可以用數據來驅動智能自動化的行動。這座城市不是爲了“生態”而設計的，而是基於能源使用、廢物產生和長期前景來權衡可持續性收益的能力，這有助於預測哪些項目應優先考慮。“智能設計”是一個術語，也是我們下一步的目標。

標題：可持續智慧城市的演變｜觀察

地址：https://www.utechfun.com/post/229419.html