新闻动态
10月16日，2026中国地理信息产业大会“地理空间AI赋能‘一张图’与行业信息化”分论坛举办。超图软件董事长宋关福在会上作了题为《GIS+AI驱动的数智化转型：范式、框架与路径》的报告。
报告从政企信息化系统建设的角度，回答“AI时代数智化转型怎么搞”——先梳理四个结构性问题和三大治理缺口，提出五个范式转变与“艾达卡”（I-DAKA）五项工程，再讲GIS在其中的四个作用，最后给出“先转思维、增量集成”的落地路径。
现分享PPT及演讲文字。
今天的报告题目是《GIS+AI驱动的数智化转型：范式、框架与路径》，我将从政企信息化系统建设的角度来谈我们的思考。
注意一个差别：基座大模型公司讲的是“AI+”，把AI加到各个行业；我们讲的是“+AI”，往自己的领域里接入AI。今天我试着回答三个问题：AI时代数智化转型的范式是什么、工程框架是什么、路径又是什么。
几十年的信息化建设积累了大量系统，回头看，有四个结构性问题：
数据和能力分散在多个系统：领导要一个数，往往要一个很厉害的工程师去搞清楚数据分布在哪些库、再想办法汇总计算，非常费劲。
系统迭代慢于业务变化：开发周期长，业务变化一大就要大量开发，很久才能跟上。
长尾需求难以覆盖：很多部门的需求排长队，低频需求“永远在路上”。
临时分析依赖专业操作：临时性的处理分析，得依赖专业人员操作完成，费时费力。
这几个问题，倒逼我们要做一次“AI就绪”的数智化转型。
这是从数字化到数智化的跨越。数字化时代积累了大量系统和数据，但我们今天要进入的是“AI就绪”的数智化时代——数据、能力、知识都要为AI做好准备，才能支撑后续的范式转变。
从数字化到数智化，有三道缺口要补：
数据治理缺口：数据分散、标准不一，同一个词不同部门口径不同，还缺统一空间参照，更重要的是数据还没有“AI就绪”。
能力治理缺口：业务能力分散在各处，尚未“智能体就绪”——智能体无法理解和调动它们。
知识治理缺口：知识分散不成体系，也尚未“智能体就绪”。
先讲第一部分——GIS+AI驱动的数智化范式与工程框架。
范式转换有五条：
从“以数据管理和流程为中心”转向“以业务目标和场景为中心”。
从“以代码驱动为主”转向“以意图驱动为主”——有想法，智能体帮你拿结果，也就是“结果即服务”。
系统的使用者从“执行者”变为“决策者”，决策者直接使用系统、直接拿结果。
从“追求满意的方案”转向“追求最佳方案”，以前领导或决策组织满意就行，AI时代，可以快速提供更多解决方案供比选，追求最佳解决方案。
GIS从“可视化、处理与分析”变为“空间智能引擎”。
AI时代的政企数智化转型，或者构建AI就绪的信息系统需要一个工程框架，我们提出五项工程，为便于记忆简称 I-DAKA，中文发音“艾达卡”，也可以记成“爱打卡”，自下而上分别为：
I：AI基础设施工程
D：数据工程（AI就绪）
A：能力工程（智能体就绪）
K：知识工程（纵向贯穿）
A：智能体工程，承接各类应用场景
I 是AI基础设施，自下而上三层：
算力、存储、网络（GPU、NPU、CPU）
操作系统、容器化
基座模型（大语言模型 LLM、多模态模型）
D是数据工程，实质是面向AI的数据治理工程，目标是让数据可理解、可推理、可调用。AI就绪的数据库一定要有统一的基础底图作为空间参照，上面才是业务数据。要做五件事：
统一空间参照：统一空间参照，才能实现跨部门、跨专业的高质量数据融合与互操作。
统一数据标准：数据标准不统一，人拿到可以灵活处理，AI 使用就会胡乱给结果。
完善元数据：以前数据是给人使用的，缺失元数据可以问，未来数据是给 AI 使用的，没有完善的元数据，AI 无法找到正确的数据高质量完成任务。
提高数据质量：高质量的数据才能有高质量的决策。
数据汇聚：把数据汇聚到一起，便于 AI 发现。
A是能力工程。我们有一堆功能、算法、模型，包括地理空间AI模型、行业AI 模型，还有大量非模型的业务数据API和算法API，这些都是能力。
它们以前离散在不同系统里，要先做一层“翻译”——用 AI 能理解的接口封装：MCP（模型上下文协议）、CLI（命令行接口）、Skills（技能库）、Workflow（标准业务流），让它可发现、可组合、可授权、可审计，智能体才能组合调用。
K是知识工程，也是最核心的价值所在。把原来分散的业务知识、专业规则、数据含义归集起来，构建业务本体、数据本体，把数据实体和元数据挂起来，形成知识图谱、向量数据库，变成智能体可以理解、检索、推理、执行的集中语义资产。
没有知识工程，做智能体就得写很长的提示词，很费劲。
A是智能体工程，核心是你给意图，它给结果。
把这个框架落到GIS上，就是“基于GIS的政企AI数智化工程框架I-DAKA”：
智能体工程：通用智能体、地理空间智能体、行业垂类智能体。
能力工程：用 MCP、CLI、Skills 封装经典GIS能力、GeoAI模型、行业AI 模型、数据与业务API。
知识工程：做本体到知识图谱。
数据工程：统一标准、统一空间参照、提高质量、完善元数据、汇聚。
AI基础设施：算力存储网络、操作系统容器化、基座大模型。
第二部分，讲GIS在I-DAKA框架中的作用。
GIS在I-DAKA框架里有四个作用：
数据工程：提供空间数据引擎、基于位置的数据治理工具。
能力工程：提供地理空间工具集。
智能体工程：形成地理空间智能体。
逻辑上从底层数据支撑，到能力工具，再到顶层智能应用，层层递进。
第一个作用，提供AI就绪的空间数据引擎。虽然embedding技术可以把矢量、栅格数据token化让大模型自己理解，但它能做的事有限、还可能出错。目前最可靠的工程化方式，还是让智能体去调用GIS软件来理解、处理和分析空间数据。
GIS的空间数据模型有三大类：
对象数据：离散的点、线、面、体。
网络数据：线状连续的二维、三维网络。
场数据：连续场——不规则三角网（TIN）、栅格（Grid）是二维场；不规则四面体网格、体元栅格（Voxel Grid）是三维场。
比如空气中任意位置的5G信号强度就是三维场，要用体元栅格表达。这些数据都要能通过空间数据引擎让智能体去调用。
第二个作用，基于位置的数据治理。跨部门、跨专业的数据要对齐、融合、产生互操作价值，就必须对齐。
对齐有两种方式：按时间对齐（同比、环比，但要求数据高度同类型）；更多时候是按空间对齐——不管数据来自哪个专业、哪个部门，只要坐标对齐了，就能高质量互操作，计算结果才有价值、统计才统一。GIS和底图在这里发挥重要作用。
第三个作用，地理空间工具集，分三类：
经典的空间分析处理算法：GIS几十年的积累，大量二维、三维矢量栅格算法。
多模态地理空间 AI 模型库：100多个大小、参数各异的AI模型去解决不同问题，打包成基座，即 SuperMap AIF。
地图制图可视化工具。
这些都要封装起来，让智能体调用。
以 SuperMap 为例，智能体工具集分两类：
本地工具集：GPA Python API（1000+全功能空间分析与处理接口）、iDesktopX CLI（142个桌面自动化命令）、iServer CLI（34 个服务端部署运维工具）。
服务器工具集：iServer GPA MCP（106个地理处理能力）、iServer MCP（95 个服务管理与数据发布）、iPortal MCP（65个门户内容管理）。
SuperMap GIS 智能体 Skills 分三大块：
本地工具技能：GPA Python API Skills（数据管理、矢量空间分析、栅格空间分析、三维处理、地图瓦片、模型调用）、iDesktopX Skills（数据导入、处理、制图、成果输出、智能配图等）。
服务器工具技能：iServer GPA Skills、iServer Skills、iPortal Skills。
GIS 应用开发技能：Web 应用dev-skills。
第四个作用，地理空间智能体。空间智能体为什么能干活？打个比方：
大语言模型是“思考脑”：负责理解意图、理解业务、推理生成，对应前额叶皮层。
前端调度是“执行脑”：相当于中央前回、前运动区、小脑，负责任务规划、工具编排，直接指挥行动。
GIS 工具集是“双手”：做空间分析、数据处理、可视化。
也许再过几年一个大模型就能全搞定，但目前还得靠这种方式才能可靠地开展工作。
空间智能体也在重新定义 GIS 的软件形态：
使用者：传统 GIS 既要懂业务、又要懂软件操作，菜单工具条比Office还复杂；智能体时代懂业务就够了，不需要懂软件，提要求就行，使用门槛大幅降低，领导决策者可以直接使用。
开发者：以前既要开发功能又要开发界面，界面还迭代很多版；现在界面不用开发、只开发功能，界面在智能体里自动生成、用完就走。
这里有两种模式：
智能体赋能：在经典GIS中嵌入（外挂）智能体，仍是传统界面、里面设智能体入口，人工为主、智能体为辅。
智能体原生：原生以智能体为核心设计的新型GIS，智能体是系统中枢和主交互入口，工作以智能体为主、人工为辅。
现在处于过渡阶段、两种混用，往后“智能体原生”的比例会越来越高。
三维场景配置（智能体赋能）
三维场景也能智能体赋能，可以通过自然语言完成三维场景美化、打开某处查看、绘制标记、调整图层风格等操作。就像这页演示的，对着“智能场景助理”说一句“对当前场景进行美化，提升可视化效果”，它就能执行。
我们有两款智能体原生的GIS。第一款是2025年发布的SuperMap AgentX Server，智能体原生服务器GIS——库建好后为业务服务，部署在外部服务器上，面向数据分析应用、定制行业智能体。
AgentX Server ：低效用地分析
举几个例子。低效用地分析，不只是查询、还要计算——提交需求后智能体就去干，还能追问。
这是AgentX Server的应用，界面里直接生成了全省低效用地再开发计划，共 514个要素，按地市和低效用地类型（低效工矿仓储用地、低效商业服务、低效居住、低效设施、低效村庄等）分类统计，还能点击地图要素查看属性。
AgentX Server ：云南某单位地理空间智能体
这是云南某单位的地理空间智能体（AgentX Server 部署），做数据管理、模型管理、智能体管理、系统配置。
可以自然语言问“系统有哪些数据”“压盖了某两个图层的具体面积是多少”这类空间专业计算问题，底层调用大模型加行业知识库加空间数据库。
另一款是 2026 年发布的SuperMap AgentX，智能体原生桌面GIS，用于数据采集、处理、分析。
与“龙虾”模式不同的是，我们把建设工具内置了进去，而且生成的界面里可以直接显示地图——用Workbench跑完原本只能看到文字和统计图表、图显示不出来，现在把图内置进去就能直接预览，也可以再打开桌面软件操作。
智能体质检：检查相邻且地类相同地块，合并
桌面版做智能体质检。比如“检查相邻且地类相同地块，合并”——相邻地块编码相同却没有合并，智能体能检测到并处理。
关键是它严格按Desktop skill来执行，通过 HTTP API 或 MCP 与 iDesktopX 交互，不自己写 Python 脚本。
还能与桌面软件协同配图（基于规则）。比如给它一个提示词：根据已打开的工作空间，使用iDesktopX 创建L11-L13级的四川电子地图。智能体调桌面 GIS的API，发指令、由桌面软件按指挥操作。
执行结果：iDesktopX完成四川L11-L13电子地图创建，L11有26个图层、L12有28个、L13有29个，坐标系EPSG:4326，错误数为0。等于它取代了人的操作，但仍是桌面软件在干活、它来指挥。
还有智能体自动配图（基于参考模板）。给它指定一份1万DLG地形图数据和一个 XML 地图模板，让它自动配置一幅符合规范的地图。
智能体自动配图（基于参考模板）
执行时它自动完成16个图层的回读和数据集重定向，把源数据图层映射到目标配图图层，生成符合规范的1:5 万DLG地形图，人只需要确认一下警告即可。
还有智能体数据分析——耕地转入转出分析并配图。提示词给定：
打开两期耕地变化数据，用2019和2020两期图斑的几何相交部分作为变化单元。
以 DLBM 字段（界面显示为“地类编码”）判断耕地，编码以01开头即为耕地。
识别转入转出，叠加乡镇边界按ZLDWMC字段统计。
输出变化图斑和分乡镇面积统计表，并添加到地图展示。
智能体数据分析：耕地转入转出分析并配图
执行结果：自动完成相交分析、SQL 查询、导出CSV等一串操作，产出耕地转入/转出分乡镇统计表，并在系统里把有变化的图斑配出来。
还能把上一处理过程创建成GPA流程并验证——把刚才的耕地转入转出及面积统计流程搭建为GPA模型，沿用已验证的输入数据、判定规则、处理步骤和输出设置，输出加“_GPA”后缀。
把上一处理过程创建GPA流程，并验证
GPA流程成功创建并验证通过，零错误零警告，结果数据保留 _GPA后缀。甚至能存成一个skill，数据一换就能复用，不用重新思考。
第三部分，讲政企数智化转型的落地路径。
转型的路径，首先要转思维：
All in AI：全力投入 AI。
All for AI：一切面向AI——以前我们做的很多工作是为人做的，数据是给人用的、地图是给人看的、API 是给程序员写的、软件是给人操作的；现在要转型，只满足人的使用需要是不够的，更要满足AI调用的需求，让AI 能用我们的数据、能用我们的API。
AI in All：AI无处不在，每个解决方案、每个产品里都会有AI。
AI编程时代，面向AI开发GIS
进入AI编程时代，要面向AI开发GIS软件。以前为程序员开发的组件和APIs，现在要变成给AI开发——把编程skill丢给AI编程工具，它很快就能搭建一个系统。
落地有两种模式：
全面重构：推倒重来，这是最彻底的转型。
增量集成：保持已有的信息系统继续运行，在旁边增量搭智能化系统，集成提供服务。
增量集成实为“双子塔模式”：
现有系统应对确定性：已有的系统继续使用，承接已经信息化的业务流程；
增量系统应对变化：对于新需求，按照I-DAKA的工程框架来做增量构建。
并在两者之间搭三座桥，分别为基础设施桥、数据资源桥和能力桥，实现新系统对现有系统的资源和能力的复用。
不可能一上来就搞一个大而全的系统，更现实的做法是选择高价值、高频场景，形成“混合路线”，存量系统改造用增量集成，新建系统可以全新构建。路走通之后，再逐步扩大范围。
最后一点：这套I-DAKA框架落地的关键，是前线部署工程师（Forward Deployed Engineer，FDE）。
Palantir除了提出本体执行体系，还创设了前线部署工程师——他们的核心是中间的D、A、K三块（也有部分基础设施的工作），帮助理解业务、重新梳理数据、把能力封装成AI能用的，把知识工程做扎实。
谢谢大家！
来源 | 宋关福GIS笔记
编辑 | 王静静
审核 | 吴晓燕
审签 | 王丹
推荐阅读
推荐观看