专题丨大模型驱动下智能化城市公共服务应用探究

大模型驱动下智能化城市公共服务应用探究

张圆梦  周琴  袁丽莉

（中通服咨询设计研究院有限公司，南京 210019）

摘要：基于现阶段城市公共服务数字化发展所面临的挑战，对大模型赋能城市公共服务进行机理分析，并围绕教育、医疗、养老、出行、住房、就业等领域，以 “政策分析、流程优化、资源调配、效用评估、舆情监测”为要点探究大模型驱动下智能化城市公共服务应用框架，思考大模型如何进一步完善城市数据治理、更好驱动城市公共服务。

关键词：城市公共服务；大模型；人工智能；数据治理

0   引言

近年来，我国中央及各地政府相继发布多部人工智能有关政策^[1]，为未来人工智能发展及公共服务应用提供了政策支撑。随着新兴技术的快速发展、城市居民综合素质及生活水平的提高，城市公共服务的需求正发生改变，如何提供更完善的智能化城市公共服务成为挑战，大模型的兴起则为这一挑战提供了解决思路。探究大模型驱动的智能化城市公共服务应用成为时下热点，是助推城市数字经济全面发展、全方位激活数据要素价值的必由之路。

大模型是具有数百亿甚至万亿级别参数和复杂结构的学习模型，能处理海量的数据和解决复杂的问题，其训练、推理质量及顺利进行的3个关键支撑点在于数据、算力和算法^[2]。大模型历经机器学习模型（监督学习模型、无监督学习模型、强化学习模型）、深度学习模型、预训练模型以及大规模预训练模型4个发展阶段^[3]。国内外近年来涌现多种大模型产品，据不完全统计，目前国产大模型数量已经突破200 个^[4]。继纯文本ChatGPT之后，能够处理图像和文本输入并产生文本输出的 GPT-4多模态模型被推出^[5]，进一步为现阶段各领域、各行业人工智能技术融合公共服务应用发展营造了良好的技术支撑环境。

1  城市公共服务数字化挑战

随着城市化进程不断推进，城市信息化基础建设逐步完善，基础信息化建设已趋于成熟，城市数据量猛增，城市数据潜在价值待深度挖掘，城市数据要素效用发挥待扩展应用，城市公共服务目前呈现如下挑战。

数据增速迅猛，价值萃取较为困难。目前，城市各领域加快数字化转型步伐，铺设物联传感设备以及构建信息化系统对数据进行采集、存储与处理，政府、企业、个人等在工作、生活过程中产生的数据量呈数级增长，城市数据量突飞猛进，加之城市数据涉及面广而多、数据格式杂而多样、数据质量参差不齐，使得公共服务数据基座更容易“不牢、不稳”，且随着城市公共服务发展的深化推进以及城市全域数字转型，对数据蕴含价值提取的有效性、精准度提出更高要求。

“信息孤岛”林立，协同共享亟待实现。在提供城市公共服务的过程中，由于涉及领域较广，涵盖政府、企业及社会机构的多个信息系统，各信息系统采用建设标准通常难以统一，从而导致系统间无法打通或流转不及时，使信息无法有效共享，形成“信息孤岛”现象，需要更多人力、物力、财力来进行城市公共服务资源调配和数据交换，进而增加城市公共服务的成本、降低公共服务的效率和质量，信息跨部门、跨领域流动亟待实现。

技术助力突进，政策规范仍需并驱。随着智能技术深度发展，公共服务智能化已有应用，技术和应用推陈出新，不断优化更迭，催化相关政策法规和标准规范推出，如人工智能技术所带来的隐私保护、伦理等问题，对人工智能使用范围进行界定、对应用安全保障提出“与时俱进”“并驾齐驱”要求，以预防城市公共服务各领域可能存在的监管盲区问题，进而避免技术风险和社会不稳定因素，如何及时制定和完善相关政策法规及标准规范，维护技术应用的合法性和安全性，是目前面临的一个重要挑战。

智能技术艰深，人才培养实为不易。技术的快速发展为城市公共服务智能化提供了强大动力，但同时也带来了技术门槛高、应用难度大等问题，缺乏相关专业知识技能储备和人才支持将使新兴技术的应用成效“大打折扣”，且新技术的应用还需考虑与现有城市公共服务相关系统的兼容性和稳定性，从而增加了技术应用人才培养的复杂性和难度，使对人才培养计划制定的合理化和科学性考虑因素更多、要求更高。

资源配置广泛，动态平衡难以把控。在城市公共服务发展的过程中，资源的优化配置和动态平衡至关重要。由于城市不同区域基础公共资源建设的不一以及城市公共服务涉及面广、流程复杂繁琐，资源配置往往难以做到精准和高效，不同领域、不同部门之间存在资源协调冲突和浪费现象，使公共服务质量和效率存在待优化空间。此外，随着城市规模的扩大和人口的增长，资源需求不断增加，对资源的动态平衡和可持续发展提出新的挑战。

2  大模型赋能城市公共服务机理分析

目前，城市公共服务所面临的挑战为大模型赋能城市公共服务带来机遇，主要体现在公众体验优化、服务效能跃升、产业经济升级、智慧发展加速等方面，大模型赋能城市公共服务机理框架如图1所示。

图1   大模型赋能城市公共服务机理框架

大模型增效，公众体验优化。在教育、医疗、养老、就业等民生服务领域，大模型利用强大的数据分析能力可深度挖掘公众的真实需求，并通过建立评估模型，对公共服务进行合理评分及优化效果预测，以为城市公共服务提供个性化、智能化应用建设建议，有效简化公共服务流程，实现更加便捷、高效、优质的公共服务体验。在大模型赋能公共服务的过程中，其不断自我学习训练的能力使预测精准度得以持续提升，进而显著增强公共服务质量，实现居民公共服务体验优化。

大模型助力，服务效能跃升。大模型能够全面、实时地感知城市的运行状态，通过模型训练与迭代分析评估城市公共服务效能，精准识别城市公共服务痛点与难点，挖掘并分析公共服务潜在问题以及未来发展趋势，为城市公共服务决策、管理者提供智能辅助，帮助其获得更加全面、准确的公共服务决策及管理参考信息，以更加科学制定相关政策、优化资源配置，极大提升城市公共服务的效率和效能，推动城市公共服务体系智能化升级，使城市公共服务更加精准、高效、可持续。

大模型引领，产业经济升级。大模型可对传统产业生产效益、供应链等进行分析评估，所得分析结果可协助其优化产能、服务其资源调度流程，显著提升传统产业生产效率与市场竞争力，完成传统产业的智能化转型升级。此外，大模型也为新兴产业提供更多场景应用可能，推动了新兴技术与传统产业融合的新市场涌现，为城市公共服务积淀良好的行业运行环境，进一步加速产业赋能城市经济发展进程，助力提升当地居民收入、激发居民公共服务需求、增强居民幸福感。

大模型筑基，智慧发展加速。大模型是城市智慧大脑构筑的重要部分，通过智能大模型中枢建设，可为城市基础设施、公共服务、社会治理等领域提供通用或行业大模型训练能力，实现政务服务提升、公共服务设施优化以及公共服务质量增强，从而加速城市智能化进程，推动城市向更加智慧、宜居的方向发展。通过大模型技术的不断迭代和升级，使城市实现动态更迭，持续朝向更高质量方向发展，城市竞争力得到大幅提升。

3  大模型驱动下智能化城市公共服务应用探究

基于城市公共服务发展现有挑战及大模型驱动城市公共服务机遇分析，以数据为驱动构建大模型驱动下智能化城市公共服务应用建设框架（见图2）。

图2   大模型驱动下智能化城市公共服务应用建设框架

基础层包含物联感知、网络支撑、云资源等基础设施环境构建，为城市公共服务智能化发展过程中数据获取、数据治理、数据应用等环节提供丰富数据资源、无阻数据交换共享、高速数据计算、安全数据存储等保障，为上层大模型应用夯实良好数据基础以及模型训练算力环境。

支撑层包含数据中台、人工智能中台、业务中台、技术中台、调度指挥中台等智能中台建设。其中，数据中台对城市公共服务涉及教育、医疗、养老、出行、住房、就业等多个领域的基础数据（如学生信息、课程信息、患者信息、病症信息、养老人员信息、养老机构信息、公共交通运营信息、交通拥堵信息、房屋建设信息、房屋交易信息、求职者信息、招聘职位信息等）进行采集后，还可提供数据预处理、数据共享交换、数据资产管理等能力，经过标准化、特征标注等处理后的数据可在大模型中进行训练，数据中台能力将决定数据质量的好坏，从而影响大模型训练结果。人工智能中台则包含通用大模型和行业大模型训练能力，通用大模型涉及视觉大模型、多模态大模型、语言大模型、科学计算大模型等^[6]；行业大模型涉及教育大模型、医疗大模型、养老大模型、出行大模型、住房大模型、就业大模型等。其中，教育大模型围绕学生学科推荐、学习行为分析、教育场景评估等进行数据训练；医疗大模型围绕治疗生成、诊断决策、药物成效分析等进行数据训练；养老大模型围绕健康监测、安全监护、情感陪伴等进行数据训练；出行大模型围绕交通流量预测、危险驾驶分析、出行体验评估等进行数据训练；智慧住房围绕住房价值评估、住房供需匹配、住房交易分析等进行数据训练；智慧就业围绕行业趋势分析、求职结果预测、招聘运营评估等进行数据训练。数据训练结果为上层城市公共服务智能化应用建设前提供方向参考，为智能化应用建设中提供训练后数据来源支撑，为智能化建设后提供成效评估及优化建议。

场景应用层包含智慧教育、智慧医疗、智慧养老、智慧出行、智慧住房、智慧就业等。其中，智慧教育包含就业推荐、学习辅助、教学调整等应用；智慧医疗包含疾病预防、治疗诊断、药物研发等应用；智慧养老包含居家养老、家务服务、陪伴慰藉等应用；智慧出行包含出行规划、安全保障、交通调度等应用；智慧住房包含房产评估、房屋匹配、交易预测等应用；智慧就业包含能力评估、简历优化、招聘复盘等应用。

展示层面向城市公共服务决策者、服务管理者、服务提供者、服务对象进行系统门户建设及不同权限开放，如城市公共服务决策者可通过领导驾驶舱进行城市公共服务成效数据统计分析结果及决策建议查看；城市公共服务提供者可通过公共服务运营平台查看城市公共服务满意度、意见等数据统计分析结果及优化建议；城市公共服务对象可通过公共服务平台查询各类城市公共服务内容、咨询相关问题，并查看个人公共服务画像等。

此外，以各类智慧场景应用为基准，围绕各场景政策制定、流程优化、资源调配、效用评估、舆情监测进行统一公共服务应用大模型训练，为各领域同质化公共服务涉及流程优化助力。

政策制定。收集智慧场景应用相关国家、省、市级已有政策，提取政策关键词和关键含义；收集场景应用相关技术应用、类似技术研发案例等，分析未来技术发展方向；分析政策适用对象特征以及政策所在地经济、技术、社会发展等现状；基于以上政策进行大模型训练，为政策制定者提供建议及制定依据，为城市公共服务提供更好政策保障。

流程优化。以大模型技术为基准，分析各城市公共服务智慧场景应用公众满意度，通过对比各智慧场景流程（如服务子系统结构、服务对象网段、流程流转节点数、节点区别、服务政策保障情况、服务提供机构等）以及模拟训练得出各元素变化所可能导致的结果，发现、总结城市公共服务流程存在问题和优化建议，以更好完善城市公共服务流程。

资源调配。在充分掌握城市现有公共资源量、资源来源以及城市公共服务流程的基础上，全面整合现有城市公共服务日常运行数据和各资源数据进行训练分析，预测各领域公共资源需求变化趋势，规划最优资源调配方案，及时进行资源不足及异常预警。所形成的科学、合理的公共资源调配策略，可实现教育、医疗、养老、出行、住房、就业等智慧场景间的资源跨域调用，满足城市公共服务资源交叉融合使用的多元化、复杂化需求。

效用评估。为了全面衡量城市公共服务效果，可构建城市公共服务效用评估大模型，涵盖技术性能、服务效率、公众满意度、经济效益、社会效益以及环境影响等多个维度，通过收集并分析大量实际运行数据，运用先进的统计分析与算法，对各类智慧场景服务效果进行客观、准确的量化评估，并形成综合性效用评估报告，为流程优化大模型提供准确的校准依据，帮助城市公共服务决策者、管理者提供持续优化城市公共服务应用策略。

舆情监测。利用大模型对城市公共服务相关的网络舆情实时监测数据进行分析，通过抓取社交媒体、新闻网站、论坛等多渠道信息，识别公众对城市公共服务智慧化改造的关注度、情感态度及主要诉求点，并结合情感分析与主题建模技术，深入挖掘舆情背后的社会心态与趋势。此外，通过持续跟踪舆情变化，评估大模型应用对城市形象、公众信任度等社会因素的影响，进一步实现大模型自我更迭学习优化，不断为公共服务优化、社会治理能力提升提供有力支持。

4  结束语

大模型技术强大的数据处理、模式识别和预测能力，为城市公共服务带来了前所未有的转型发展机遇，能够帮助城市公共服务决策者、管理者和提供者更加精准地把握服务对象需求，更加有效地完成服务优化和服务决策。与此同时，大模型的高能力也需要高质量的数据和高昂的算力进行支撑，大模型投入和产出成效需科学规划、前瞻分析，在推进大模型智能化城市公共服务应用时，必须兼顾技术可行性与城市实际需求，寻求更加可持续和高效的发展路径，从而实现公共服务的个性化与智能化。

未来，随着城市数据资源、人工智能技术、算力基础设施的不断完善和持续进步，大模型驱动城市公共服务的应用前景将更加广阔。同时，随着跨领域合作以及各学科融合的加强，大模型将拥有更强的自我学习能力，能切合城市复杂多变的公共服务需求，所构建的开放共享、封装易用大模型应用生态，可提供更加精准、高效、个性化的城市公共服务，进而实现城市公共服务能力质的飞跃。

Exploration of intelligent urban public service applications driven by large models

ZHANG Yuanmeng, ZHOU Qin, YUAN Lili

（China Information Consulting & Designing Institute Co., Ltd., Nanjing 210019, China）

Abstract: Based on the challenges faced by the digital development of urban public services at this stage, a mechanistic analysis of large models empowering urban public services, focuses on the fields of education, medical care, elderly care, travel, housing, employment, etc., and explores the application framework of intelligent urban public services driven by large models with “policy analysis, process optimization, resource allocation, utility evaluation, and public opinion monitoring” as the key points, and considers how large models can further improve urban data governance and better drive urban public services.

Keywords: urban public services; large model; artificial intelligence; data governance

本文刊于《信息通信技术与政策》2024年 第9期

《信息通信技术与政策》投稿指南！

为进一步提高期刊信息化建设水平，为广大学者提供更优质的服务，我刊官方网站（http://ictp.caict.ac.cn）已正式投入运行，欢迎投稿！

   推荐阅读  

专题丨数字技术与治理系统在基层治理数字化转型的适配路径研究

专题丨“人工智能+城市治理”一网统管平台设计与关键业务环节研究

专题丨场景创新推进新型产城融合发展的典型路径和实施建议

专题丨数字中国背景下数据治理的时代内涵、价值意蕴与实现路径

专题丨系统性构建城市一体化数字孪生底座的路径研究

专题丨城市数字化转型总体架构和实践路径研究

导读：城市全域数字化转型

《信息通信技术与政策》2024年第50卷第9期目次及摘要

你“在看”我吗？